AI制药真正难跨过的，不是把候选分子“算出来”，而是证明它在人体内安全、有效，并且结果能够被监管体系、临床医生和投资者共同接受。药物发现阶段的模型准确率、虚拟筛选速度或候选分子数量，都不能替代临床证据。临床验证门槛本质上是一次从计算预测到人体因果证据的连续检验。
关键不在模型，而在证据链
AI平台的价值首先要体现在可重复的研发流程中：靶点是否具备明确的生物学依据，候选分子是否经过实验验证，药代动力学和安全性是否支持进入人体，临床试验设计能否识别真实疗效。任何一个环节出现偏差，前端模型产生的优势都可能在后续被抵消。
尤其需要区分“进入临床前阶段”“准备IND申报”和“临床成功”这几个概念。以Anew Labs披露的IL17项目为例，处于临床前IND申报准备阶段，只能说明项目正在接近人体试验入口，不能推出其疗效、安全性或商业化前景。真正有说服力的证据，还要来自规范试验中的安全性数据、有效性终点和不同阶段结果之间的一致性。
跨越门槛需要三种能力
第一是数据能力。训练数据不仅要规模足够，更要来源清晰、质量稳定、能够支持模型在新靶点和新分子上的泛化。第二是转化能力，即把算法输出连接到实验、药效评价、毒理研究和临床方案，而不是停留在计算结果展示。第三是临床决策能力，包括选择适合验证的适应证、设定可解释的终点，并及时淘汰缺乏前景的管线。
资本可以延长研发周期，却不能替代临床证据。大厂分拆和外部融资能够改善资金、人才与治理结构，但估值上升只代表阶段性市场定价。对投资者而言，更应持续追踪管线是否按计划推进、申报材料是否获得监管认可，以及临床结果能否验证早期假设。AI制药最终必须回答的不是“模型有多先进”，而是“在真实患者身上，是否比现有方案带来可确认的临床获益”。