铺垫了八章，AI 终于可以登场了。现在你对研发流程已经有了完整的地图，我们可以精确地问：这张地图上，哪几个格子是「计算瓶颈」，哪几个格子是「认知瓶颈」？AI 只能在计算瓶颈的格子里发威。这一章先看它真正发力的地方——研发的前端，也就是第三、四章讲过的「找分子」和「雕分子」。
AI 在这里干的活，本质上是「学会了化学家的手感」
还记得第四章说的 QSAR 吗——用统计模型预测「结构改动会怎样改变性质」。AI（具体说，机器学习）做的就是这件事的加强版：不再依赖人手挑选的特征，而是让模型直接从海量「分子结构 → 实测性质」的数据里自己学规律。学出来的模型能干三件实事：
第一，虚拟筛选从「粗筛」变「精筛」。第三章说传统虚拟筛选能把「十万选一」压缩到「百选一」，靠的是简化的物理公式。机器学习模型更便宜更快，现在可以在几天内对十亿级的分子库打分。2020 年 MIT 的团队用这种方法从超过一亿个分子中筛出了抗生素 halicin——一个结构上和现有抗生素都不像、对多种耐药菌有效的分子。它原本是作为糖尿病药研发的，躺在库里几十年没人想到它能抗菌。这种「跨领域联想」正是机器学习的老本行：它不带人类的偏见。
第二，提前预测 ADMET，让失败前移。一个分子会不会被肝酶快速代谢、会不会堵住心脏的某个离子通道（hERG 毒性，一类著名的猝死风险），过去要合成出来、做了实验才知道。现在模型可以只在屏幕上就给出概率预测。预测不准没关系——只要准到能把「明显会死」的分子提前枪毙，就是在省钱：让分子死在一行代码里，而不是死在半年后的一次动物实验里。行业里管这个思路叫 fail fast（早点失败，便宜地失败）。
第三，生成式模型：从「筛选」到「设计」。这是最新的一步：不只在已有分子里挑，而是让模型直接「画」出满足条件的新分子——给定靶点口袋的形状，生成一批结构上能钻进去、性质上也达标的候选。第三章那个 10⁶⁰ 的化学宇宙，第一次有了一个「生成器」而不仅是「筛子」。AI 制药公司英矽智能（Insilico Medicine）的抗纤维化药物 ISM001-055 是这条路线的标志性案例：靶点由 AI 从组学数据里提名，分子由生成模型设计，从立项到进入临床只用了约三十个月，而传统路径通常要四到六年。
大白话：AI 在研发前端的角色，是把『先试再知道』变成『先算再试』——筛选范围扩大了一千倍，失败的成本从『半年加一只猴子』降到『一小时加一度电』。
但要看清这三件事的共同前提
三个故事都很漂亮，但它们共享一个隐藏前提：都有大量干净的「结构 → 结果」数据可以学。分子的结构是数字化的，溶解度、结合力、代谢速率这些性质是几十年来上百万次实验积累下来的。机器学习在这里如鱼得水，因为这是一个「输入输出都有数字、样本量管够」的世界。
换句话说，AI 在药物前端的成功，恰恰是因为前端是整条链里最像计算机科学问题的一段：搜索空间巨大但规则明确，评价函数清晰可算。这和围棋、和蛋白质折叠（下一章的主角）是同一类问题。而链条往后走——动物、人体、疾病机制——数据变得稀疏、脏乱、充满没有记录的失败，规则的边界开始模糊。AI 的脚步到这里就慢下来了。这个边界第十一章详细拆。
不过在那之前，先看 AI 在制药领域最辉煌的一场胜仗——它没有发生在筛选或生成里，而是发生在「看懂蛋白质」这件人类卡了五十年的难事上。