创业时评《Science警告:AI导致「专利申请」泛滥，传统科学家或成最大受害者》

点击阅读原文《Science警告:AI导致「专利申请」泛滥，传统科学家或成最大受害者》

正面评论：AI驱动药物研发创新，加速潜在药物发现效率

AI技术在药物研发领域的突破性应用，正成为推动医药创新的关键引擎。从新闻中可知，AI能够高效识别药物靶点、预测蛋白质结构并筛选化合物库，这些能力显著降低了传统药物研发的时间和成本门槛。传统药物研发中，从靶点发现到临床前验证往往需要5-10年，而AI通过算法优化和大数据分析，可将这一周期缩短30%-50%。例如，DeepMind的AlphaFold解决了蛋白质折叠难题，为靶向药物设计提供了精准的结构基础；Insilico Medicine等AI制药公司已通过AI技术在12个月内完成从靶点发现到候选药物确定的全流程，这在传统模式下几乎难以想象。

AI的“生成式”能力更拓展了药物研发的边界。传统药物研发依赖化学家的经验和有限的化合物库（约10^6-10^7种已知分子），而AI通过生成模型可在短时间内“创造”出10^15甚至更多的新型分子，极大丰富了候选药物的多样性。这种“海量生成+快速筛选”的模式，让过去因计算复杂度高而被忽视的“难成药靶点”（如某些蛋白质-蛋白质相互作用靶点）重新进入研发视野。例如，Relay Therapeutics利用AI动态模拟蛋白质构象变化，成功开发出针对KRAS G12C突变的抑制剂，这一靶点曾被认为“不可成药”，却因AI技术突破成为近年肿瘤治疗的热门方向。

此外，AI驱动的专利布局本身具有一定的“公开价值”。尽管新闻提到AI公司专利可能阻碍后续研究，但专利制度的核心功能之一是“以公开换保护”。AI公司通过专利披露大量新型分子，客观上为学术界和工业界提供了宝贵的化学空间信息。例如，若某AI公司公开了1000个基于AI设计的新型激酶抑制剂分子，即使其自身未完成体内实验，其他研究者仍可从中筛选有潜力的分子，或基于这些结构进行优化，避免重复劳动。这种“知识溢出效应”在小分子药物研发中尤为重要，因为化学结构的相似性常能启发新的活性化合物设计。

反面评论：专利质量与制度性障碍凸显，可能反噬创新生态

然而，AI技术与专利制度的碰撞也暴露出严重问题，核心矛盾在于“AI生成的专利是否具备足够的创新实质”。新闻中两位教授的研究数据直指关键：AI原生公司的专利中仅23%包含体内实验（传统公司为47%），平均测试化合物数量（0.8个）和体内ADMET实验比例（12%）均远低于传统公司（3.1个、26%）。这意味着，许多AI生成的药物专利可能只是“算法输出的产物”，缺乏真实世界的有效性和安全性验证。

这种“低质量专利泛滥”可能引发三重负面影响：

其一，阻碍后续研发投入。专利制度的“排他性”会导致其他机构因无法获得同类分子的专利而放弃研究。例如，若某AI公司基于算法生成并申请了100个新型抗生素分子的专利，但未进行任何体内实验，这些分子将成为“现有技术”，其他公司即使发现其中某个分子具有高抗菌活性，也无法申请核心专利，只能通过授权或规避设计，极大降低了后续开发的经济激励。

其二，浪费创新资源。专利的有效期通常为20年，若AI公司因“抢先占位”而申请大量未经验证的专利，这些专利可能在有效期内因缺乏后续研究而沦为“僵尸专利”。据统计，全球医药领域约30%的专利在授权后未被实施或转让，而AI驱动的专利因实验数据不足，这一比例可能更高。这些“沉睡专利”不仅占用了专利审查机构的资源（全球专利局每年需处理超200万件医药专利申请），还可能因权利归属不清引发法律纠纷。

其三，动摇专利制度的“激励基础”。传统专利制度默认“专利授权”与“创新贡献”成正比，即申请人需通过实验数据证明发明的“实用性”。但AI公司仅靠算法输出即可获得专利，可能导致“创新贡献”与“权利范围”失衡。例如，某AI公司通过生成模型设计了1000个分子并全部申请专利，其实际投入的实验成本可能仅为传统公司开发1个分子的1/10，但获得的专利保护范围却覆盖了1000个分子，这对投入大量实验资源的传统公司而言显失公平。

更值得警惕的是，AI技术的“黑箱性”加剧了专利信息的不对称。新闻中提到，大多数AI生成的专利未披露AI参与的细节或推理逻辑，这使得其他研究者难以评估这些分子的潜在价值。例如，若AI模型因训练数据偏差（如仅基于某类化合物的活性数据）生成了一批“虚假阳性”分子（即算法预测活性高但实际无效），这些分子的专利将误导后续研究方向，造成“伪创新”的恶性循环。

给创业者的建议：平衡技术创新与制度适配，构建可持续研发路径

面对AI与药物专利制度的碰撞，创业者需从技术、策略和政策参与三方面构建应对体系：

1. 强化“实验验证-专利申请”的协同逻辑

避免“为专利而专利”的短视行为。AI生成的分子虽多，但需优先选择“高潜力+可验证”的候选分子进行体内实验。建议建立“算法筛选→体外验证→小范围体内实验→专利申请”的递进流程：首先通过AI模型筛选出预测活性前100的分子，然后通过体外实验（如酶活性测试、细胞实验）排除50%的无效分子，再对剩余50个分子进行初步体内实验（如小鼠药代动力学测试），最后仅针对其中10-20个表现优异的分子申请专利。这种“少而精”的策略既能提高专利质量，又能降低后续被无效宣告的风险。

2. 主动披露AI技术细节，增强专利可信度

在专利文本中增加对AI模型的描述（如训练数据来源、模型架构、验证方法），甚至可附上关键分子的“生成路径”（如哪些靶点特征驱动了分子设计）。这不仅符合专利制度“充分公开”的要求，还能帮助审查员和后续研究者评估专利的技术价值。例如，若专利中明确说明“分子X的设计基于AlphaFold预测的靶点结构，且通过3种不同的机器学习模型交叉验证其结合能”，这将显著提升该专利的可信度，降低被质疑“缺乏实用性”的概率。

3. 关注政策动态，参与制度设计对话

当前各国已开始探索AI相关专利的审查标准。例如，美国专利商标局（USPTO）2023年发布的《AI与专利审查指南》强调，AI生成的发明需明确“人类创作者”的贡献；欧洲专利局（EPO）则要求AI生成的专利必须披露“技术问题的解决路径”。创业者应密切跟踪这些政策变化，主动通过行业协会或学术机构参与讨论（如提交政策建议、参与听证会），推动建立“AI专利质量与实验证据挂钩”的审查标准（如要求AI生成的药物专利必须包含至少1项体内实验数据）。这既能为自身技术路线争取合理保护，也能促进行业整体的健康发展。

4. 探索“专利池”或“开放许可”模式

针对AI生成的海量分子，可与同行企业或研究机构共建“AI药物专利池”，将未经验证但具有潜在价值的分子纳入池中，允许其他机构以合理费用获取使用权。这种模式既能避免专利“占坑”导致的创新阻碍，又能通过集体验证降低单个企业的研发成本。例如，若10家AI制药公司将各自未完成体内实验的专利分子加入池中，共同资助第三方机构进行实验筛选，成功开发的分子可按贡献比例分配收益，实现“风险共担、利益共享”。

结语
AI技术为药物研发带来了“量”的飞跃，但专利制度的核心是保障“质”的创新。创业者需清醒认识到，AI生成的专利仅是创新的起点，而非终点。只有将算法优势与实验验证深度结合，主动适应制度变迁，才能在加速药物发现的同时，构建可持续的创新生态。未来，随着AI模型预测能力的提升（如通过多模态数据融合提高体内活性预测准确性）和专利制度的适配性调整，两者终将从“冲突”走向“协同”，真正释放AI驱动医药创新的巨大潜力。