2026年7月8日，AI制药领域的领军企业英矽智能宣布了一个里程碑式的消息：其核心管线Rentosertib正式启动III期临床试验，用于治疗特发性肺纤维化。这不仅仅是一家公司的产品进展，更是一个具有行业标志性意义的事件——Rentosertib是"全球首个由AI完成靶点发现和分子设计的创新药"进入III期临床。回顾Rentosertib的研发时间线，更能体会这一成就的分量。该项目从AI靶点发现到候选分子确定仅用了18个月时间，从发现到进入III期临床总计约30个月。相比之下，传统的药物研发从靶点发现到III期临床通常需要10到15年。英矽智能用AI技术将这一周期缩短了80%以上。英矽智能目前已经累计达成四笔BD合作，合作总额近70亿美元。其中与武田制药的合作就达到6亿美元。公司目前已有13款AI创新药进入临床试验阶段，覆盖肿瘤、纤维化和免疫性疾病等多个治疗领域。英矽智能的进展标志着AI制药从概念验证正式迈入了商业化冲刺阶段。
英矽智能的Rentosertib之所以被称为"AI全流程研发的里程碑"，核心在于AI技术贯穿了药物发现的全流程，而不仅仅是辅助了某个单一环节。在靶点发现阶段，英矽智能的PandaOmics平台通过深度学习分析了海量的组学数据、疾病相关基因表达谱和蛋白互作网络数据，通过对特发性肺纤维化疾病机制的全景式分析，AI系统从上万个候选基因中锁定了一个此前未被重点关注的靶点。在靶点锁定后，英矽智能的Chemistry42小分子生成平台接过了研发的接力棒。Chemistry42是一个基于生成式AI和强化学习的分子设计平台，它能够在一个巨大的化学空间中自动搜索和优化候选分子结构。在Rentosertib的分子优化过程中，Chemistry42生成了超过2000个候选分子，并通过AI驱动的药效预测模型和ADMET属性预测模型对这些候选分子进行了快速筛选和迭代优化，最终确定了一个药效强、毒性低的候选分子。在临床前研究阶段，英矽智能还利用AI预测模型进行了药代动力学和毒理学预测，大幅降低了临床前实验的失败风险。AI技术在药物发现全流程中的深度渗透，使得英矽智能能够以极高的效率推进Rentosertib的研发。英矽智能的研发管线中已经有13款AI创新药进入了临床试验阶段，这是一个在全球AI制药领域都首屈一指的数字。能够同时在多个治疗领域推进多个管线，说明英矽智能的AI药物研发平台已经在多个场景中被验证具有可复用的技术能力。
Rentosertib进入III期临床不仅是技术的验证，更是AI制药商业化前景的重要节点。III期临床是药物研发中最昂贵和最关键的阶段，通常需要数千名患者参与，持续2到5年时间，花费数亿美元。如果Rentosertib在III期临床中成功证明其安全性和有效性，它将成为全球首款由AI全流程研发的获批上市的新药。这对于整个AI制药行业来说将是一个里程碑事件，将极大提振投资者的信心。从商业化的角度来看，特发性肺纤维化的全球治疗市场规模预计在2030年将达到80亿美元。目前市场上的标准治疗方案仅能延缓疾病进展，存在显著的未满足临床需求。如果Rentosertib能够成功上市，其市场前景相当可观。英矽智能的商业化道路已经为企业带来了实质性的营收，其BD合作总额接近70亿美元，覆盖了多个区域市场和技术平台授权。英矽智能正在向"AI主导、临床驱动"的生物科技公司转型，公司的估值在2026年初已经突破了30亿美元。
值得注意的是，英矽智能并非唯一在AI制药III期临床赛道上冲刺的企业。来自Google DeepMind分拆的Isomorphic Labs同样在2026年上半年启动了多个AI设计药物的人体临床试验。Iambic Therapeutics和Recursion Pharmaceuticals等国际AI制药企业也有多个管线处于临床II期到III期阶段。与此同时，中国AI制药赛道同样竞争激烈。字节跳动旗下的AI制药业务Protenix已经开启独立融资，百度投资的百图生科和晶泰科技等国产AI制药公司在蛋白质结构和分子模拟领域也取得了阶段性成果。国内AI制药赛道在2026年进入了密集的资本运作阶段。从全球视角来看，AI制药产业正在进入一个"百花齐放"的快速增长期。英矽智能Rentosertib进入III期临床这一里程碑事件对全球AI制药行业意义深远。它为整个AI制药行业提供了一份重要的"证据"——证明AI技术可以真正缩短新药研发的周期、降低研发的成本。
虽然AI制药的前景光明，但整个行业仍然面临不少挑战。首要的挑战是AI预测的可靠性问题。虽然AI在靶点发现和分子设计阶段的预测准确率已经相当可观，但药物的研发最终还是要靠真实世界的临床数据来验证。AI模型可能会给出一个在理论上完美的分子设计方案，但在实际人体试验中因为各种不可预测的因素而失败。这需要AI制药企业在研发过程中建立更加严谨的验证体系。第二个挑战是数据壁垒和数据质量问题。AI模型的训练需要高质量、大规模的药物研发数据。但药物研发数据的获取极为困难，大多掌握在大型制药公司手中，且涉及商业机密和知识产权保护。虽然公开的化合物数据集和蛋白质结构数据库正在不断扩大，但与AI模型训练的需求相比仍有差距。第三个挑战是监管审批的标准问题。对于AI辅助发现的药物，FDA和国家药监局等监管机构如何评估和审批，目前尚未形成明确的指导原则。AI制药行业在Rentosertib等管线推进到上市申请阶段时，将与监管机构密切互动，共同探索建立适应AI制药新模式的审批标准。从长远来看，AI制药不是一个取代传统制药的"颠覆者"，而是传统制药的"加速器"。