AI制药圈今年的风向，正在发生一次安静但深刻的偏转。据深蓝观、虎嗅等媒体近日的行业观察，大约从夏天开始，数字孪生与虚拟细胞这两个词在从业者的交流里出现的频率越来越高，不少原本做分子设计的公司，都宣布要向虚拟细胞转型。这场转向的起点不是技术突破，而是一次集体反思：过去几年资本狂热追逐的AI分子设计，交出了漂亮的计算结果，却没能换来与之匹配的临床成功率。不急着造药，先造一个细胞、一个器官甚至一个疾病的数字副本，正在成为新的行业叙事。
要理解这场转向，得先看清旧路线的天花板。过去三四年里，蛋白质结构预测带来的红利让市场涌现出数百家宣称能用大模型快速生成小分子或大分子结构的公司，AI筛选、AI设计一度是融资路演的标配叙事。转折出现在临床端：据行业报道，Exscientia、Recursion等明星公司的重点项目，虽然在AI筛选或筛选后给出了亮眼的实验信号，最终却没有带来临床获益。一位从业者的话被广泛引用：临床已经被满足的需求重复被满足，但临床未被满足的需求依然未被满足。问题出在哪，行业的共识逐渐清晰：AI设计的分子看似结构完美，但人类对疾病本身的了解依然有限，分子再精准，打在一个理解错误的靶点上也是徒劳。药企与投资人开始把目光从分子层面拉回到机制层面，既然造钥匙的效率已经大幅提升，那就先花力气搞清楚锁的构造。数字孪生与虚拟细胞正是这一思路的产物：不再满足于在计算机里模拟分子的折叠，而是尝试重构细胞、器官乃至人体的病理机制。这不是对AI分子设计的否定，而是产业链条上了一次集体补课。
数字孪生在生物医药语境下，指的是对生命系统的数字化映射，用计算机模拟细胞、组织、器官、疾病在真实世界的完整反应。虚拟细胞是其中最热的分支，目标直白地说，是预测高度动态的复杂生物系统如何响应干预，这与目前AI制药对静态分子结构的分析与预测有根本区别。打个比方，现有AI制药做的是给细胞拍静态照片，看清楚每个零件的位置；虚拟细胞要做的是拍摄一部动态影片，预测当一粒药物进入细胞后，信号通路如何逐级响应，基因表达如何随时间变化，最终的表型会走向何方。今年10月初，扎克伯格旗下的Biohub宣布将虚拟生物学计划扩容至18亿美元，联合美国能源部、美国国立卫生研究院与谷歌DeepMind等机构为虚拟细胞模型搭建公共数据基建，这一动作被视为全球赛道进入新阶段的标志。国内方面，据不完全统计，今年已有近10起相关融资事件，红杉中国、百度风投等机构入场，耀速科技、百曜科技等初创公司完成数亿元融资。一位计算医学公司的联合创始人回忆，几年前投资人接触他的项目时，问的第一句话总是美国做过吗，之后就没了下文；而现在，风向倒转，关注这个方向的人排起了队。
概念火热的另一面，是技术路径上的硬骨头。虚拟细胞模型的训练需要动态时序数据，即在干预发生后持续观测同一生物系统状态变化的数据，而现有实验手段提供的多数是静态快照。以单细胞测序为例，它只能给出某个时间点上细胞状态的切片，无法对同一个细胞反复测量，相当于只有照片没有录像。数据的先天不足带来两个直接后果：一是模型在训练集上表现优异，面对真实环境的扰动外推能力有限；二是不少国内项目实际做的仍是静态数据的插值拟合，与真正的动态建模尚有距离。行业的应对方向正在收敛为干湿闭环：让仿真预测与湿实验验证形成正向循环，模型提出假设，自动化实验平台验证并回传新数据，动态数据集随迭代滚动增厚。这一路线对实验自动化能力提出了高要求，也是国内相关公司竞相建设自动化实验室的原因。需要保持清醒的是，动态数据的积累速度受生物学实验周期的物理约束，再自动化的实验室也无法把细胞反应的时间压缩太多，这条数据护城河的挖掘，注定是以年为单位的慢功夫。
比技术瓶颈更现实的考验，是这门生意怎么收钱。据行业分析，生物学数字孪生的价值主要体现在靶点发现等研发前端环节，而药企对新工具的付费意愿与可量化的成功案例直接挂钩，在虚拟细胞拿出第一个改变临床决策的成果之前，大额订单难以出现。监管路径同样悬而未决：虚拟临床试验，即用数字副本部分替代真实试验的设想，还缺乏成熟的审评标准，监管机构尚未表态哪些结论可以采信。这两重不确定性决定了行业的短期形态：钱从一级市场的风险投资来，而不是从药企的采购订单来，融资热度与收入能力之间的缺口，需要用里程碑式的科学成果来填补。行业公认的正向循环是：先用虚拟细胞发表可复现的机制发现，建立学术与产业的双重公信力，再逐步切入药企的靶点验证流程，最后等待监管框架成熟后参与更高价值的试验环节。中美两个市场的节奏也在分化，美国的公共数据基建由巨额公益资本先行铺路，国内则由创业公司以融资驱动的灵活性快速卡位。对观察者而言，判断这个方向成色的关键指标只有一个：未来一两年内，是否出现第一个由虚拟细胞预测驱动、并在湿实验中得到验证的全新机制发现。在此之前，热情与泡沫的边界，仍将由数据说话。