最值得警惕的是资源错配。研究估算，若把失败率降低20%，临床二期带来的单药价值提升接近9亿美元，而在最前端候选分子发现阶段，经济收益几乎可以忽略。现实却恰好相反：大量算力与资本仍集中在生成分子、虚拟筛选和结构预测。相比之下，利用生物标志物筛选患者的项目，每成功上市一款药的平均成本约为未筛选项目的一半。
根本难题不是模型不够大，而是生命科学数据具有强烈“条件性”。同一种药在不同病因、代谢酶水平、吸烟状态或肠道菌群下，结果可能完全不同；疾病标签本身也未必对应稳定的生物机制。更麻烦的是，许多便宜、快速的替代指标与真实人体结局相关性很弱。若训练数据没有承载目标信号，再复杂的AI也只是在放大测量偏差。
传统benchmark还掩盖了真实使用场景。一个模型可能擅长从前10%中挑出优质分子，却不擅长剔除后80%的高风险分子；另一个模型可能正好相反，但两者的通用指标几乎相同。AlphaFold之所以成功，是因为拥有长期积累的高质量结构数据和进化信息；可结构预测准确，并不自动等于筛药更有效。能结合靶点的分子，与能治疗患者的药物，中间隔着整个转化链条。
方向不是停止使用AI，而是把评价单位从“模型性能”改成“决策增益”。先用小规模实验验证替代指标能否预测人体结果，再扩展成平台；打通临床前、临床与失败项目的数据回流；在实验开始前统一测量条件，而非事后拼接异质数据。OpenADMET、LIGAND-AI等项目的价值，在于从第一天就为可学习、可比较、可转化的数据设计实验。AI制药的竞争，最终比的不是谁生成得更多，而是谁更早识别并终止错误决策。
