多年来，学术研究与媒体评论对AI应用于新药研发的探讨早已浩如烟海，然则绝大多数仍局限于技术与场景分析，聚焦IT与医药各自或者交叉突破，鲜有深入探讨监管层面的制度设计。尤其作为全球药品监管的标杆机构，FDA对AI技术应用的监管思路，始终是业内亟需填补的认知空白。

须知医药行业具有强监管属性，创新药研发尤甚。AI技术能否真正扎根医药行业，监管机构的态度和预期同样是至关重要的。医药不比人形机器人，上春晚舞个手绢就能满堂喝彩。医疗行业的创新必须遵循严苛的监管规范，倘若无法获得监管机构的认可，纵使技术突破再惊艳，AI自己玩儿出花来也不过是赚吆喝。

今年1月，FDA针对的AI技术在新药研发应用发布了一份题为《Considerations for the Use of Artificial Intelligence to Support Regulatory Decision-Making for Drug and Biological Products Guidance for Industry and Other Interested Parties Draft Guidance》的行业指南，中文大致翻译为《人工智能用于支持药物和生物制品监管决策的考虑因素行业及其他相关方指南草案》，用于征求对AI用于新药研发的监管决策建议。这份草案指南系统阐述FDA对AI介入新药研发的监管逻辑思考。

回溯近十年，FDA曾先后针对基因治疗、个性化医疗等前沿领域发布数十份指南文件。例如2018年围绕基因治疗推出6项专项指南，为血友病、视网膜疾病、罕见病治疗等领域的疗法开发确立监管范式。相较之下，AI技术应用长期缺乏官方指引。这份草案指南对于我们理解监管机构评估AI应用的逻辑方向，包括未来如何在新药研发中发展和用好AI技术，都是非常值得关注和思考的。

FDA关注AI在新药研发的哪些应用？草案明确划出两大"非监管区"：药物发现（是的，你没看错，AI制药最活跃的药物发现，FDA并不关心）；仅提升运营效率且不影响安全/质量的辅助应用。简言之，只要和患者安全与疗效评价的临床环节无关的AI应用，FDA不想操心。。

两个被草案指南列举出的例子可以体会一下FDA关注的方向：

• 药物A 开发中存在危及生命的不良反应。既往试验要求所有受试者用药后住院 24 小时监测。新研究拟通过 AI 模型对不良反应风险分层，低风险受试者改为门诊监测。核心问题：AI如何界定无需住院监测的低风险受试者？    

• 药物B（多剂量小瓶注射剂）的容量为关键质量属性。 制造商拟采用 AI 视觉系统 100% 自动检测填充水平，以提升检测性能并识别偏差。 核心问题： AI小瓶填充量是否符合既定规格？

由此可见，FDA对AI的期待并非颠覆式创新，而是模块化工具开发升级：针对特定研发环节建立精准可靠的决策辅助系统，而非追求打通整个研发上下游的全流程替代。

不同于当前对AI应用讨论多流于资本炒作式的乐观/悲观论调，FDA这份指南草案展现出监管机构特有的冷静视角：通过用一个基于风险的可信度评估框架，可用于建立和评估特定使用环境 (contextof use, COU) 下AI模型的可信度。 

FDA明确指出，无论AI应用于药物研发的哪个阶段（临床前研究、临床试验或生产质控），本质仍然是生成信息或数据，以支持有关药物安全性、有效性或质量的监管决策。鉴于AI模型的复杂性与应用场景的多样性，监管核心必须是确保AI模型生成信息和数据的可信度。简言之，任何AI模型只要能在特定COU下证明其数据可靠性，即可获得监管通行证，反之则不行。

从FDA监管视角审视，AI数据可信度面临四大挑战：

• 数据质量参差：用于训练AI模型的数据集在质量、规模和代表性方面存在差异；

• 算法黑箱困境：复杂的计算和统计方法导致AI模型是如何开发的以及如何得出结论透明度存在不足；

• 结果不确定性：已部署模型输出结果的准确性的不确定性可能难以解释、说明或量化。

• 动态适配难题：当引入新的数据输入时，模型的性能可能会随着时间的推移或不同的部署环境而发生变化。

这些被行业热度有意无意掩盖的深层问题，恰是AI介入药物研发必须跨越的规范门槛。

FDA提出可以基于以下7个步骤，确保AI模型输出的可信度：

1. 确定人工智能模型要解决的相关问题；

2. 确定人工智能模型的COU；

3. 评估人工智能模型的风险；

4. 制定计划，在COU内建立AI模型输出的可信度；

5. 执行计划；

6. 记录可信度评估计划的结果并讨论与计划的偏差；

7. 确定COU的人工智能模型是否适当。

其中步骤3和步骤4是AI可信度评估框架的核心：风险维度，综合考量"证据权重"（模型结论对决策的影响程度）与"错误代价"（误判可能造成的患者危害）；分级监管，高风险COU需执行更严苛的验证标准，并提交更加详细的技术资料。

FDA在步骤3论述，AI模型风险是两个因素的组合：(a)模型影响力，即AI模型得出的证据相对于其他用于为相关问题提供信息的证据的贡献；(b)决策后果，即有关相关问题的错误决策所导致的不利结果的重要性。如下图所示：

不同输出错误带来的决策风险显然是有差别的。同样是在临床环节引入AI决策，AI模型A错误地豁免了Ⅲ期临床试验的安全性监测可能导致患者安全性受到威胁，而AI模型B错误规划临床试验方案导致患者亚群或者临床中心选择不合适，FDA对这两款AI模型可信度评估要求的详尽程度显然会有差别。

高风险COU的AI模型可信度要求高，低风险COU则AI模型可信度要求相对适当放宽。这显然与监管对新药研发各环节的监管理念一脉相承：既体现科学审慎，也符合成本效益原则。

步骤4是本指南草案的核心，也是FDA花最大篇幅论述如何制定计划，在使用范围内建立人工智能模型的可信度。FDA明确表示高风险模型的性能验收标准与低风险模型相比应更严格，并应更详细地说明。

具体的AI模型可信度评估计划如何建立，包括涉及模型架构、数据集、训练方式以及测试方法等，非常详细且专业，大家可以直接查阅草案指南。笔者非IT背景，所知有限，索性直接把这段文字借用某AI平台生成一张示意图如下，方便直观理解。

由此可见，针对新药研发各环节的AI应用，即便不同开发者都接入同款大模型（譬如Deepseek或其他某平台），最终生成的AI模型依然千人千面，各自输出信息数据的可信度自然也不尽相同。是不是有点像，师傅领进门，修行靠个人？

其中细节就各自体会吧，总之在未来，如果你家申报FDA新药研发项目，在某些环节采用AI模型输出的信息（尤其是某些高风险COU），就需要把这些模型要素都汇报清楚，否则FDA未必就会认可这些数据，因为无法评估可信度。

后续提到的几项步骤都是常规动作，不再赘述。指南最后还强调AI模型的全生命周期管理。FDA认为在某些情况下，AI模型的使用会延伸到药品的整个生命周期（如生产工艺监控），需建立持续的性能监测机制，确保数据可靠性不因模型迭代或生产环境变化而衰减。这样的属性显然和药品作为特殊商品，必须进行长生命周期管理的特性有关。

总体而言，FDA这份草案指南应该是当下对于AI技术用于新药研发最具有实操指导意义的论述，基本清晰明确了AI需要努力的方向：“做到这个水平，我就批你”。

当前资本和舆论对AI技术用于新药研发的憧憬，往往受互联网行业思维定式的影响，认为未来格局是少数AI制药巨头赢者通吃（类似Google之于搜索，或IOS/安卓之于手机操作系统），甚至幻想类似向ChatGPT或者Deepseek“输入指令即生成文本或PPT”那样一步到位，出现"输入靶点即输出新药"的终极平台。

但FDA的监管思路揭示出截然不同的发展图景：AI更可能以专业化工具集群的形式渗透新药研发链条。就像CRO企业通过分工细化提升研发效率那样，未来或将涌现大量聚焦特定环节的AI解决方案。这种“碎片式创新”而“非颠覆式/垄断式创新”的理念，明显是医药行业而非互联网行业的视角。虽然叙事魅力不够精彩，却更符合医药行业渐进式变革的传统。

究其本质，新药研发终究是连续的数据决策过程：从靶点验证到分子优化，从临床试验设计到上市后监测，每个环节都需要平衡疗效、安全性与开发成本。譬如药化大咖们就是在平衡针对目标靶点那些候选分子的efficacy和safety，挑选出最有潜力往下走的PCC。

传统模式下，这些决策更多依赖专家经验与试错验证，然后供那些新药项目的decision maker们拍板----包括中小型公司的CEO或者MNC的VP、CXO们。随着未来AI技术更加成熟，经过严格验证的AI模型有望加入成为决策体系的新基建。

如今大量费时费力的研发试验环节早已被那些专精的CRO高效开展，补充甚至完全替代各家药企早年庞大的研发团队。可以想象，未来百花齐放又各有所长的AI工具集群，也会如此介入新药研发流程，不同在于它们参与的是更高层级的数据分析和决策。

AI在未来势必深度改造新药研发，但大概率不是许多分析认为的“AI直接生成新药分子”那般替代颠覆。其实这是好事，相对IT行业那般巨头把持赛道的固化格局，大量小而美的AI模型在新药研发各环节万物竞发，势必带来更加活跃的创新态势。

恰如CRO生态的成熟加速了fast-follow药物的开发，专业化AI工具的普及有望大幅突破first-in-class药物的创新瓶颈，或者至少能够降低参与的门槛。当各环节的AI专家真正形成协同网络，那个"天下没有难做的新药"的时代，或许不再遥不可及。

参考文献

[1] Weissler EH, et al. Correction to: The role of machine learning in clinical research: transforming the future of evidence generation. Trials. 2021 Sep 6;22(1):593.

[2] Liu Q, et al. Landscape Analysis of the Application of Artificial Intelligence and Machine Learning in Regulatory Submissions for Drug Development From 2016 to 2021. Clin Pharmacol Ther. 2023 Apr;113(4):771-774.

[3] Statement from FDA Commissioner Scott Gottlieb, M.D. on agency’s efforts to advance development of gene therapies