在药学史上，药物研发长期被视为一种近乎神谕的仪式：科学家从天然产物或既有化合物库中筛选出“命中分子”，然后通过无数次动物实验与细胞实验，试图解读分子与生命之间那晦涩的对话。这一范式在过去一个世纪里贡献了无数重磅药物，但其最近已经显露出明显的边际效应递减——研发成本指数级攀升，而新分子实体（NME）的产出却长期徘徊在低位。我们习惯将这种困境归咎于监管严苛或疾病复杂性的增加，但一个被刻意忽略的真相是：传统药物研发的底层逻辑依赖于还原论的模拟系统，而我们试图用小鼠和癌细胞系去预测一个在人类体内漫游的、充满昼夜节律和免疫微环境的完整生命体。这种模拟本质上是一种“分子神谕”——它相信只要分子能结合靶点，就能治愈疾病，而现实中的失败率却证明：神谕也会撒谎。
与此同时，以机器学习深度学习为代表的数据炼金术士们站上了舞台中央。他们声称可以绕过繁琐的机制验证，直接从海量数据中学习分子与疗效之间的非线性关系。AlphaFold对蛋白质结构的预测、生成对抗网络设计新分子等突破，确实让我们看到了前所未有的速度与想象力。然而，数据驱动的范式正遭遇一种比传统还原论更隐蔽的危机——“假阳性繁荣”。在数据库中，不少阴性结果被选择性遗忘，导致训练数据天然带有发表偏倚；更重要的是，算法的本质是经验外推，它只能在已知化学空间内进行内插，当面对真正全新且稀疏的化学空间（如共价抑制剂、分子胶等）时，其预测置信度立刻崩塌。于是我们看到一个讽刺的局面：AI制药公司越热衷于扩大数据规模，其模型就越是沉浸于过拟合的狂欢，最终产出一批在计算机屏幕上完美、但在生物体内无效的“数字僵尸分子”。
如果我们把两种范式放在一起审视，会发现它们其实共享着同一个致命缺陷：它们都试图逃避“病理学解释”的冗长与丑陋。传统研发过于依赖靶点的单一维度，忽略疾病网络的高度冗余与代偿；AI研发则过于依赖相关性数据，将数学上的关联误认为生物学上的因果。更值得警惕的是，两者正在形成一个反馈闭环——AI模型从传统实验中得到有限的正样本，再其输出算法又以这些不充分的样本为“金标准”来优化自身，最终导致整个研发体系在一种自我强化的偏航中越走越远。这不是简单的“整合”可以解决的问题，因为整合的前提是承认各自只是工具，而现实是，两种范式都已经被资本和学术评价体系包装成了近乎信仰的“救世主”。我们从巴结“神谕”到跪拜“算法”，背后是对复杂性之谦卑的丧失。
那么，药学研发是否还有第三条出路？我认为答案是肯定的，但必须彻底重构两件事：第一，将“病理机制”重新置于研发流程的中央，但这里的机制不同于过去的单靶点机制，而是“动态因果图谱”——理解疾病在时间轴上的演化和细胞状态转移。第二，让AI服务于这个图谱，而不是反过来让数据主导问题定义。具体而言，我们可以采用一种“病理锚定+数据增强”的混合范式：以人类临床单细胞测序、器官芯片、类器官等富有人体真实背景的模型为核心证据源，再以生成式AI对这些证据的可扩展空间进行采样，而非让它去预测无法解释的“黑箱疗效”。此外，我们需要建立“负数据银行”——将那些失败的化学反应和死掉的分子路线也作为训练数据公开，以削除AI的乐观偏差。当然，这需要药企放弃一部分商业机密，但比起继续在虚假的精准医疗谎言中烧钱，这种透明的协同或许才是自救的开始。
在工具理性泛滥的今天，药学研究人员比任何时候都更需要一种“哲学自觉”——我们不是在寻找分子，而是在理解生命。传统范式教会我们敬畏自然，却在操作上变成了机械的靶点锁定；新范式教会我们计算可能，却在实践中演变为对数据质量的傲慢。真正的创新，不是让AI取代人类判断，而是让人类在AI的放大下重新学会倾听疾病本身的声音。如果我们能做到这一点，那么每一枚新药都将不再是神谕或算法的副产品，而是基于病理因果的、可解释性的“必然生成物”。这不是回到过去，也不是拥抱未来，而是第一次，让药学回归它本该是的模样——一门把关于生命的认知，翻译成对生命的疗愈的技艺。
