美国高级卫生研究计划局介绍 CATALYST 计划：在 4.5 年内投入最高 1.25 亿美元，利用 AI 和机器学习建立模拟真实人体生理的模型，预测在研药物的安全性与有效性。
该计划明确提出减少动物模型作为人体替代物的依赖，并把计算预测、数据基础设施和后续验证连接成新的临床前路径。
AI 药物发现的下一阶段不只是生成更多分子，而是成为资源分配系统，决定哪些候选物值得进入昂贵的实验和临床验证。
一旦监管机构接受部分计算证据，药企、实验室和临床试验之间的分工会改变，研发速度的瓶颈将从候选物生成转向模型验证和数据代表性。
这一信号强化 2030 年前后“机器获得通用技能”的科学侧路径：机器不仅执行实验，也开始承担预测、筛选和证据整合。
- 计划目标尚未等同于经验证的临床替代方案，复杂人体反应仍可能超出模型覆盖范围。
- 训练数据对人群、疾病和罕见不良反应的代表性不足，会造成系统性漏判。
- 监管接受度、责任归属和跨机构数据共享可能比模型性能进展更慢。
来源链接用于核查事实，不代表 2049.ai 认同来源机构的全部判断。