医药行业等这条消息等了很多年：一个由AI从零设计的分子进入三期临床，距离上市只剩最后一步。对新药研发稍有概念的人都清楚三期的分量——这是接近终点的赛段，这一步比任何发布会都重。
传统流程里，一个新药从化合物筛选到获批平均要十年、二十多亿美元，大头砸在失败率上：上万个候选分子里能走到临床的不到千分之一。AI制药干的事，是把"试错"从实验室搬到计算机里——模型先筛掉大概率失败的分子，昂贵的湿实验只做剩下的种子选手。这家公司披露的节奏是，从分子设计到进入临床用了一年多，只有传统周期的零头。
这件事真正的行业含义在分工重组。大药企不缺钱，缺的是管线效率；AI公司缺的恰恰是临床数据和注册经验。过去两边各干各的，如今授权合作越签越密，大药企出钱出数据，AI公司出模型，中间的CRO（医药研发外包）被迫从"卖人头"往"卖平台"转。还有一个容易被忽略的变化：药企的招聘画像变了，计算化学和机器学习岗位的编制在扩，传统实验室岗位的增速在放缓，这比任何战略发布会都诚实。
对患者，等新药的时间表有希望往前挪，尤其是罕见病这类"投入产出不划算"的领域，研发成本降下来反而开始有人愿意做；对学生和从业者，生物医药的技能栈要加一行代码，不会跟模型打交道的化学家，五年后的处境可能类似今天不会用办公软件的文员；对投资人，这个赛道从讲故事进入验证期，管线数量比融资额有说服力。
从有机化学转计算化学的小郑，前年还在实验室摇瓶子，去年开始每天跟模型打交道，工资涨了四成。他形容自己的转行：以前管一排试管，现在管一排显卡——筛分子这件事，显卡比试管快一万倍，还不用睡觉。
现在能做的两件事：关注两三家AI制药公司的管线进展，比盯着概念股靠谱；相关专业的学生，把一门机器学习课排进下学期，这门课的回报率正在超过很多实验技能。
算法没有取代药学家，但它重新规定了入场的最低配置。