用合成数据替代部分湿实验，正在从模型训练的工程技巧，变成药物发现流程本身的一种设计选择。
发生了什么
据 WIRED 报道，英国初创公司 Potential Sciences 正在尝试一条不同于主流 AI 制药的路径：不依赖大量真实实验数据，而是用计算机生成的生化数据来训练 AI 模型，希望借此加快新药开发中本就缓慢的前期环节。该公司获得了英国政府的资金支持。
报道用“跳过实验室工作”来描述其思路，但需要克制理解：这更接近于在流程前端用计算替代一部分实验筛选，而非彻底取消实验验证。任何候选分子最终仍需真实实验与临床数据支撑。
为什么重要
新药发现的核心瓶颈不在想法，而在验证成本。传统流程中，合成分子、做体外测试、反复迭代，每一步都消耗时间与资金，失败率极高。AI 制药过去几年的主流做法，是用已有的实验数据训练模型做性质预测或分子生成，但真实高质量生化数据的稀缺与昂贵，本身就是天花板。
合成数据的吸引力在于：它可以按需生成、覆盖真实数据稀疏的化学空间，并且不受实验通量的物理限制。这与大模型领域用合成数据补足训练语料的思路一脉相承。但风险同样明确——如果生成数据偏离真实生化规律，模型学到的可能是自洽却错误的规律，错误会在后续实验中被放大。
英国政府对这类早期公司的支持，也反映出公共部门把 AI 生物技术视为战略方向的倾向。
影响与看点
对行业而言，这条路线若被验证，改变的不只是效率，而是研发组织的形态：早期探索可能更多发生在算力与模型侧，湿实验被后置为验证手段，实验资源的分配逻辑随之调整。对做科学 AI 的开发者，值得关注的是合成数据的保真度评估方法——如何证明生成数据“像真的”，目前仍缺乏公认标准。
需要保持审慎的是，报道未披露其模型性能、验证进展或合作方，现阶段更应把它看作一个方向性信号，而非已被证明的突破。合成数据能否在生化领域成立，最终仍要由真实实验结果裁决。
