遼寧
AI制藥｜行業觀察
當行業開始追逐更大的參數和更通用的基礎模型，一組基準測試結果卻給AI制藥潑了一盆冷靜的水。
在分子性質和活性預測中，模型規模并不等于預測能力。一個與任務高度匹配的小模型，完全可能超過體量更大的預訓練模型。
一組出人意料的數據
一項最新基準研究比較了經典機器學習、圖神經網絡和預訓練分子序列模型，覆蓋22個分子性質及活性終點，并完成167,056次留出評估。
10
經典機器學習
領先任務
9
圖神經網絡
領先任務
3
預訓練序列模型
領先任務
基于分子指紋或描述符的隨機森林、ExtraTrees等經典模型，在10個任務中取得最佳表現；圖神經網絡贏得9個任務；ChemBERTa、MoLFormer等預訓練分子序列模型，僅在3個任務中領先。
為什么“更大”不一定“更準”？
這并不是說“大模型沒有價值”，而是說明藥物研發不是一個只靠堆參數就能解決的問題。ADMET、毒性和靶點活性等任務，往往面臨樣本量有限、數據噪聲高、類別不平衡，以及訓練集與真實化學空間差異明顯等挑戰。
在這種情況下，模型是否選對了分子表示、是否具有適合該終點的歸納偏置，以及驗證方法是否嚴格，可能比模型參數量更加重要。
藥企真正應該重新審視什么？
第一，傳統QSAR和樹模型不能只作為走過場的基線。
第二，隨機劃分可能高估能力，應增加骨架劃分或結構隔離驗證。
第三，模型選擇應圍繞具體終點、數據規模和應用場景，而不是圍繞最熱門的模型名稱。
這不是“大模型無用論”
這項研究目前仍是預印本，尚未經過同行評議，部分任務之間的性能差距也可能較小。因此，它不能證明大模型在AI制藥中“無用”。
更準確的結論是：大模型在零樣本推理、構效關系解釋和假設生成方面仍可能具有優勢；但在具體預測任務上，規模并不是通用通行證。
AI制藥下一階段真正稀缺的，
或許不是更大的模型，
而是更可靠的數據、更嚴格的驗證，
以及知道何時該使用哪一種模型的能力。
參考資料
1. Guo J. Do Larger Models Really Win in Drug Discovery? arXiv:2604.26498, 2026（預印本）。
2. Xia J, et al. Why Deep Models Often Cannot Beat Non-deep Counterparts on Molecular Property Prediction? arXiv:2306.17702.
本文僅作科研與行業信息交流，不構成藥物研發或投資決策建議。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
