近期 Hacker News 上关于 AI 在药物研发中应用的一场讨论，凸显了当前 AI 炒作与实际临床成果之间日益扩大的鸿沟。虽然 AI 工具在加速结构建模和数据处理等特定任务上正变得越来越有用，但评论者认为，该领域目前陷入了“缺乏数据”的研究循环。 讨论的主要要点包括： * **数据瓶颈：** 真正的突破受到高质量、可重复实验数据匮乏的限制。将先进模型应用于规模小且杂乱的数据集往往效果不佳，导致研究人员要么回归传统方法，要么转向纯计算模拟以证明使用 AI 的合理性。 * **超越“蜜罐陷阱”：** 专家建议，重点必须从建模容易获取的数据转向生成稳健、有针对性的数据，即使这样做既昂贵又耗时。 * **实用性与新颖性：** 专业人士目前将 AI 用作现有工作流程（如脚本编写或蛋白质折叠）的高效“力量倍增器”，而非变革性新发现的源泉。 * **扩展挑战：** AI 或许能识别出新的候选药物，但它无法解决药物制造、临床试验以及将其规模化以供现实患者使用时所面临的巨大物理、经济和伦理挑战。