2026年1月14日，美国食品药品管理局（FDA）与欧洲药品管理局（EMA）联合发布了《人用药品和生物制品研发中人工智能良好实践指导原则》，这是全球两大主要药品监管机构首次就人工智能（AI）在药物研发中的应用达成共识性框架。该文件提出了10条核心原则，涵盖AI系统从设计、开发、评估到全生命周期管理的完整流程，为制药行业运用AI技术赋能药品研发提供了监管期望的明确指引。本文系统解析该指导原则的发布背景、核心内容与监管逻辑，并在此基础上提炼出5个贯穿始终的核心思维模型：风险-收益平衡、全生命周期管理、可追溯性与透明性、多学科协作、证据生成与验证。基于这5个模型，文章从“分层递进”“原则导向、弹性适应”“以终为始的闭环思维”3个维度揭示文件的核心特点，并结合对AI辅助制药产业的现实观察，论述该文件对制药行业的实践指导价值、合规挑战与研发模式重塑。研究认为，该指导原则标志着药品监管从“被动接受”向“主动引导”AI技术应用的范式转变；未来AI辅助制药领域的竞争将不再是算法精度的军备竞赛，而是上述5个思维模型内化程度的比拼。早期采纳这些原则的企业有望在监管互动中获得战略先机。该文件为全球AI辅助制药监管协调奠定了重要基础，对中国构建自主的AI辅助制药监管框架亦具有启示意义。

人工智能（artificial intelligence，AI）在药物研发领域的渗透正以前所未有的速度推进。从早期的靶点发现、分子设计，到临床前研究、临床试验设计，再到上市后的药物警戒和真实世界证据分析，AI已逐步嵌入药品研发的全链条。根据GlobalData药物数据库的统计，截至2024年11月，AI已被用于开发或重新定位超过3 000种药物［1］。与此同时，风险投资领域对AI辅助制药的关注度持续升温，数据显示2014年至2024年间，涉及AI的融资交易增长超过400%［2］。然而，技术应用的先行与监管规则的滞后形成了鲜明对比。制药企业在研发流程中广泛部署AI系统，但监管机构长期以来缺乏统一的评估框架来审评这些AI生成证据的可靠性与可信度［3］。这种监管真空不仅给企业的合规工作带来不确定性，也可能影响患者安全这一药品监管的根本目标。

欧美监管机构此前已分别就AI在药品研发中的应用展开探索。欧洲药品管理局（European Medicines Agency，EMA）于2024年9月发布了一份AI反思文件，详细阐述了从药物发现到上市后各阶段应用AI的监管考量，明确指出需尽快确定相关监管原则［4］。美国食品药品管理局（U.S. Food and Drug Administration，FDA）亦曾发布相关建议清单，强调“向申办方和其他相关方提供关于使用AI生成信息或数据的建议”，以支持药物安全性、有效性和质量的监管决策［5］。然而，分散的单边行动难以应对AI技术的跨国应用特性。制药企业的研发活动往往跨越多个司法管辖区，若欧美等主要市场采用差异化的监管要求，将导致企业面临碎片化的合规负担，不利于技术创新和全球同步研发［6］。因此，通过FDA-EMA双边会议机制推动跨大西洋监管协调，成为当下必然选择。

在此背景下，FDA下属的药品评价与研究中心和生物制品评价与研究中心与EMA联合制定的《人用药品和生物制品研发中人工智能良好实践指导原则》（Guiding Principles of Good AI Practice in Drug Development）于2026年1月14日正式发布［4-5］。该文件是首个欧美联合发布的AI辅助制药监管指导文件，标志着“欧盟与美国在新型医疗技术领域重启合作的第一步”［7］。欧洲卫生与动物福利专员Olivér Várhelyi在评价该文件时指出：“药物研发中人工智能良好实践指导原则，是欧美在新型医疗技术领域重启合作的第一步。这些原则很好地展示了我们如何在大西洋两岸共同努力，在全球创新竞赛中保持领先地位，同时确保最高水平的患者安全”［7］。该文件定位为高层面原则性指引，为AI在药物研发全生命周期中的应用提供指导，旨在“为未来各司法管辖区的监管指南、国际标准化组织和其他协作机构的工作奠定基础”［5］。虽然不具有强制约束力，但其作为未来国际标准制定的蓝本意义重大［8］。

本文旨在系统解析该指导原则的发布背景与文件定位、深入阐释10条指导原则的核心内涵与监管逻辑，并在此基础上提炼出贯穿始终的5个核心思维模型——风险-收益平衡、全生命周期管理、可追溯性与透明性、多学科协作、证据生成与验证。进而文章基于这5个思维模型，对文件的核心特点、监管意图进行深度分析，从“分层递进” “原则导向、弹性适应”“以终为始的闭环思维”3个维度揭示其内在逻辑；同时，结合对AI辅助制药产业的现实观察，独立判断论述该文件对制药行业的实践指导价值、合规挑战与研发模式重塑，并对国际监管协调的示范效应、从原则到实践的演进路径、新兴技术带来的监管挑战，以及对我国药品监管的启示进行系统展望。

1 指导原则的发布背景与定位

1.1 监管机构的核心关切

在AI技术加速渗透药品研发的背景下，监管机构面临的核心挑战在于：如何在鼓励创新的同时确保患者安全。文件明确指出，AI技术“有望支持多管齐下的方法，促进创新，缩短上市时间，加强监管卓越和药物警戒，并通过改进对人体毒性和疗效的预测，减少对动物试验的依赖”［5］。但与此同时，AI系统的特殊性给传统监管模式带来挑战：黑箱问题使决策过程难以追溯；数据依赖性要求对训练数据的质量提出更高标准；模型的持续演化特性与静态验证的传统范式不相适配［3］。因此，监管机构的核心关注可概括为：确保监管决策所依据的AI生成信息的可靠性［6］。这要求AI系统的开发、验证和使用过程具备足够的透明度、可追溯性和可解释性，使监管机构能够评估其产生的证据是否足以支持药品安全性、有效性和质量的结论。

1.2 文件的制定过程

该指导原则的制定依托于FDA-EMA双边会议机制［7］。此前，2家机构分别发布了各自的AI相关文件：EMA 2024年9月的反思文件［4］以及FDA的系列建议清单［5］。通过工作组的持续磋商，最终于2026年1月达成共识性文件［8］。

文件起草过程中汲取了既有实践经验的提炼，特别是欧洲生物技术数字化监管框架的构建工作［1］。同时，文件的定位也与国际监管协调的总体方向相契合——与美国、英国、加拿大此前采纳的良好机器学习实践（Good Machine Learning Practices，GMLP）指导原则以及国际医疗器械监管机构论坛（The International Medical Device Regulators Forum，IMDRF）的相关文件形成呼应［2］。

1.3 文件的性质与定位

明确理解该文件的性质对于正确把握其应用价值至关重要。该文件是“高层面原则性文件”，而非正式的行业指南，因此不具强制约束力。监管机构将其定位为“为未来各司法管辖区的监管指南、国际标准化组织和其他协作机构的工作奠定基础”。这意味着该文件旨在提供核心概念框架，确保不同AI应用场景下的灵活性，而非制定具体、详尽的操作规程。

这种定位反映了监管机构的审慎态度：在AI技术快速演进的阶段，过早制定刚性规则可能限制创新或迅速过时。通过发布原则性文件，监管机构既向行业传递了明确的期望方向，也为未来逐步细化规则保留了空间。

1.4 适用范围

该文件适用于生成或分析证据的AI系统，覆盖“非临床、临床、上市后和制造阶段”等药品生命周期的各个环节。适用对象包括药物开发者、上市许可申请人和持有人。具体而言，这些原则可应用于多种场景：AI赋能的临床试验设计和患者招募；机器学习驱动的药物警戒与信号检测；支持监管和上市后决策的真实世界证据分析；用于制造过程控制和质量保证的预测性AI工具等。这一广泛适用性体现了文件作为“元框架”的属性——各领域的具体应用可在原则框架下发展更为细化的操作指南。

2 指导原则的系统解析

2.1 原则1：设计以人为本（human-centric by design）

2.1.1 核心内涵

AI系统的设计应遵循伦理和以人为中心的价值观，确保人类对关键决策的适当监督和控制，尊重患者权益、保障公众健康。

2.1.2 监管逻辑

该原则强调技术工具性与人的主体性的关系。AI在药品研发中应服务于最终改善患者健康的目标，而非为技术而技术。关键决策（如涉及患者安全的判断）必须保留人类监督，防止算法完全自主运行可能带来的风险。

2.1.3 实践意义

企业需在AI系统的设计初期即嵌入伦理考量，而非事后补救。在人机交互界面设计中应考虑用户体验和可理解性，建立清晰的人机协作机制。在涉及患者数据使用时，需尊重患者的知情同意权利。

2.2 原则2：采用基于风险的管理方法（risk-based approach）

2.2.1 核心内涵

基于应用场景确定风险管理策略，风险考量应贯穿验证、缓解措施和监督全过程。风险等级的划分应与AI系统对患者安全和药品质量的影响程度相匹配。

2.2.2 监管逻辑

该原则体现了监管的“比例原则”——监管措施的严格程度应与风险等级相适应。用于支持关键临床试验决策的AI系统，其风险管理要求应显著高于用于内部文献检索的辅助工具。

2.2.3 实践意义

企业需建立风险分类框架，将AI应用按其对患者安全、数据完整性和监管决策的影响程度分级。高风险应用需更严格的验证和持续监控，低风险应用可采取简化管理措施，从而实现资源的优化配置。

2.3 原则3：严格遵循相关标准规范（adherence to standards）

2.3.1 核心内涵

遵守适用的法律、科学、监管和其他相关标准，关注并采用最新的AI技术标准和良好实践。

2.3.2 监管逻辑

AI应用不能脱离现有药品监管体系的基本要求。同时，AI领域自身也在快速发展，新的技术标准不断涌现，监管机构鼓励企业关注并采纳这些标准，以推动行业共识的形成。

2.3.3 实践意义

企业需确保AI应用同时满足药品研发的既有规范，如GxP（医药行业中一系列质量管理规范的统称）要求，以及AI领域的专用标准。积极参与国际标准制定，推动AI辅助制药专用标准的形成，也是前瞻性布局的重要策略。

2.4 原则4：明确技术应用场景边界（clear context of use）

2.4.1 核心内涵

AI技术应有明确定义的角色和使用范围，清晰界定AI系统在药品研发中的具体任务和预期用途。场景边界的确定应基于充分的科学依据和验证数据。

2.4.2 监管逻辑

该原则旨在防止AI系统的用途泛化和超出设计范围的误用。监管机构需要理解AI系统在具体决策中的作用权重——其仅提供辅助信息，还是直接影响关键结论？这一定位直接影响后续的验证要求和审查深度。

2.4.3 实践意义

企业需为每个AI应用明确定义其“应用场景边界”，包括输入输出范围、预期用户、决策权重等。这为后续验证和性能评估提供了明确的基准，也便于监管机构评估AI系统的可信度。

2.5 原则5：整合多学科专业技术力量（multidisciplinary expertise）

2.5.1 核心内涵

AI系统的开发应整合多学科专业知识，涵盖药物研发、临床医学、数据科学、软件工程、法规事务等领域。跨学科协作应贯穿系统设计、开发、验证和部署全流程。

2.5.2 监管逻辑

AI在药品研发中的应用本质上是一个交叉领域问题。纯技术导向的开发模式可能忽略药物研发的特殊需求或监管要求，导致生成的AI系统虽然技术指标优异，但无法在真实场景中有效使用。

2.5.3 实践意义

企业需建立跨职能团队，确保领域知识与AI技术的深度融合。法规事务专业人员应在AI系统开发早期介入，就监管期望与技术要求进行沟通，避免后期发现合规问题难以纠正。

2.6 原则6：强化数据治理与全流程文档记录（data governance and documentation）

2.6.1 核心内涵

建立健全的数据治理体系，确保数据质量、完整性和安全性。保持详细且可追溯的记录：数据来源、预处理步骤、模型训练过程等，符合GxP对文档记录的要求。

2.6.2 监管逻辑

数据溯源能力是监管审查的基础。当监管机构需要评估AI生成证据的可信度时，能否追溯数据的来源、处理过程和模型训练决策至关重要。这也是药品研发中可重复性要求的具体体现。

2.6.3 实践意义

企业需建立覆盖数据采集、标注、存储、使用和销毁全周期的治理框架。文档记录应足够详细，使得一个独立第三方能够基于文档重现模型的训练和验证过程。“端到端的可追溯性”被视为该原则最核心的实践要求。

2.7 原则7：规范模型设计与开发流程（model design and development practices）

2.7.1 核心内涵

遵循模型和系统设计的最佳实践，包括软件工程原则。确保模型架构的选择与预期应用场景相匹配，开发过程应体现可重复性、透明性和质量控制。

2.7.2 监管逻辑

良好的开发实践是模型性能和可靠性的内在保障。与传统软件不同，AI系统的行为不仅由代码决定，还受训练数据和算法选择的影响，因此开发过程的规范性尤为关键。

2.7.3 实践意义

企业需将软件工程的最佳实践引入AI开发流程，包括版本控制、代码审查、单元测试、持续集成等。对于持续演进的AI系统，变更管理和版本追踪至关重要。

2.8 原则8：开展基于风险的性能评估（risk-based performance assessment）

2.8.1 核心内涵

基于风险原则对AI系统进行性能评估，评估应涵盖完整系统，包括人机交互环节。使用与应用场景相关的指标和数据，确保评估的相关性和有效性。

2.8.2 监管逻辑

性能评估不能仅关注模型的技术指标（如准确率、F1-score），而应结合应用场景考察其实际效用。同时，人机交互环节也是评估的有机组成部分——即便模型本身性能优异，若用户无法正确理解其输出，仍可能导致错误决策。

2.8.3 实践意义

企业需设计与应用场景目标对齐的评估方案。评估指标的选择应与临床或研发任务目标对齐，而非仅关注技术指标。定期评估和持续监测，及时发现和排查问题。真实世界数据的回溯性验证也可作为补充评估手段。

2.9 原则9：实施全生命周期动态管理（life cycle management）

2.9.1 核心内涵

AI系统采用全生命周期管理方法，基于风险的质量监督应贯穿始终。定期重新评估，确保系统在持续使用中的性能和可靠性，应对数据漂移等问题。

2.9.2 监管逻辑

AI系统不同于传统软件——后者的验证是一次性的，而AI系统随着应用环境的变化可能发生性能衰减。概念漂移、数据漂移等问题若不及时发现和纠正，可能导致系统在部署后逐渐失效。

2.9.3 实践意义

企业需建立持续监控机制，对部署后的AI系统进行定期评估。重大变更（如模型更新、数据源变化）需重新验证。监管机构期望看到的是对“持续可靠”的保障，而非仅对“静态版本”的验证。

2.10 原则10：保障信息传递清晰且具备必要性（clear, essential information）

2.10.1 核心内涵

AI输出的信息应以清晰易懂的方式呈现给用户和患者，解释技术的用途、性能、局限性和可解释性。信息传递应具备针对性，满足不同受众的信息需求。

2.10.2 监管逻辑

透明性是建立用户信任的基础，也是知情同意的组成部分。患者和医务人员需要理解AI系统的作用和局限性，才能做出知情的决策。局限性披露有助于防止对AI输出的过度依赖或误读。

2.10.3 实践意义

企业需根据不同受众（患者、医生、监管机构）的信息需求，设计差异化的信息披露方案。面向监管机构的信息传递应侧重于模型开发和验证的关键证据；面向患者的信息则应通俗易懂，明确说明AI的作用和局限性。

3 指导原则的核心特点与监管意图

3.1 核心思维模型：5个认知框架

纵观FDA与EMA联合发布的10条指导原则，其背后隐藏着一套连贯的监管哲学。这套哲学并非简单罗列要求，而是建立在5个核心思维模型之上［9-11］。理解这些思维模型，是把握该指导原则真正意图的关键。

3.1.1 风险-收益平衡思维（risk-benefit balance）

这是所有药品监管决策的基石。在AI辅助制药领域，该模型体现为：AI应用的监管强度必须与其对患者安全和决策质量的影响程度相匹配。文件中的原则1（以人为本）和原则2（基于风险的方法）正是这一模型的直接映射。作者认为，这一思维的合理性在于，避免了“一刀切”式的过度监管扼杀低风险领域的创新，同时也防止了高风险应用因监管不足而威胁患者安全。然而，挑战在于如何准确界定“风险等级”——对于全新的AI应用场景，监管者和企业往往缺乏历史经验来校准风险阈值。

3.1.2 全生命周期管理思维（life cycle management）

药品从研发到退市的全生命周期管理早已是药品生产质量管理规范（Good Manufacturing Practice，GMP）和药物临床试验质量管理规范（Good Clinical Practice，GCP）的核心。该指导原则将这一思维延伸至AI系统——AI不是“训练1次、永久使用”的静态工具，而是需要持续监控、定期验证、及时纠偏的动态实体。原则8（持续性能评估）和原则9（生命周期管理）集中体现了这一思维。本文认为，这一迁移是深刻且必要的。传统药品的化学或生物活性相对稳定，而AI模型会因数据分布变化（概念漂移）或使用环境改变而性能衰减。行业尚未普遍建立AI模型的“退役机制”，这将是未来合规的重点。

3.1.3 可追溯性与透明性思维（traceability & transparency）

在药品生产中，批记录、偏差调查等制度确保了每一片药的历史可查。同理，AI系统从训练数据来源、预处理步骤、模型架构选择到每次预测的置信度，都必须有详尽、不可篡改的记录。原则6（数据治理和文档管理）和原则10（清晰的基本信息）指向这一思维。本文认为，这是监管机构对“黑箱”恐惧的制度性回应。然而，对于基于深度学习的复杂模型，完全透明在技术上近乎不可能。因此，合理的平衡点是：要求“可解释的透明度”而非“完全的‘白箱’”，即提供模型决策所依赖的关键特征和证据链，而非完整神经元的权重。

3.1.4 多学科协作思维（multidisciplinary collaboration）

新药研发早已不是化学家或生物学家的独角戏。AI的介入进一步强化了这一趋势——数据工程师、软件架构师、临床医生、毒理学家、法规科学家必须共同工作。原则5（多学科专业知识）直接提出这一要求。本文认为，许多AI辅助制药公司仍以算法人才为核心，缺乏与监管科学和临床医学的深度融合。这导致开发的AI工具虽然指标漂亮，但不符合临床工作流程或监管文档要求。未来的核心竞争力，将属于那些能构建“数据-算法-临床-法规”四轮驱动团队的企业。

3.1.5 证据生成与验证思维（evidence generation & validation）

传统上，药品有效性和安全性的证据来自严格设计的临床试验。AI作为证据生成工具（如用于虚拟对照臂、患者分层、不良事件预测），其输出本身必须经过验证。原则7（模型设计和开发实践）和原则8（风险验证）体现了这一思维。本文认为，这是指导原则中最具前瞻性的部分。暗示AI模型验证报告未来可能像临床试验报告一样，成为监管申报的标准附件。那些不能提供完整验证证据的AI工具，将被排除在关键决策流程之外。

3.2 三大特点：从罗列到内在逻辑

第一，文件呈现“分层递进”的特点。原则1和原则2（以人为本、风险适配）构成顶层伦理与风险管理框架；原则3至原则7（明确用途、多学科、数据治理、模型开发）是中间层的质量保障体系；原则8至原则10（性能评估、生命周期管理、信息透明）是底层的持续运营要求。这种从理念到执行、从静态到动态的结构，体现了监管机构对AI系统复杂性的深刻理解。

第二，文件具有“原则导向、弹性适应”的特点。其未给出具体的操作清单，而是提供了一个思维框架。这既是对AI技术快速迭代的妥协，也是一种智慧——将具体标准的制定权留给行业实践和后续指南，避免过早锁定不成熟的技术要求。

第三，文件体现了“以终为始”的闭环思维。其要求从设计之初就应该考虑全生命周期管理，而非开发完成后再补做验证和文档。这种逆向思维对于习惯“快速迭代、后期修补”的AI团队来说是一个根本性的文化冲击。

3.3 监管意图的深度解读

基于上述分析，可以判断监管机构的真实意图远超出“促进创新”或“保障安全”的浅层表述。

3.3.1 将AI从“技术黑箱”转化为“可审计的工具”

监管机构的核心焦虑不是AI会不会出错，而是出错后无法追溯原因。因此，所有原则最终都指向“可追溯性”——谁、何时、用什么数据、做了何种决策、产生了什么输出，必须一清二楚。这实质上是要求AI系统具备“法证友好”的架构。

3.3.2 倒逼企业建立系统化的AI治理体系

单点技术突破不再是护城河。未来，企业能否通过监管审查，取决于是否建立了覆盖数据、模型、验证、文档、监控的完整治理体系。这要求企业从“项目思维”转向“体系思维”。

3.3.3 为全球监管协调铺路

欧美联合发布本身就是一个信号：未来AI辅助制药的监管标准将趋向统一。中国企业若忽视国际规则，将在开拓海外市场时付出高昂的合规成本。

3.3.4 引导行业形成“最佳实践”而非强制规范

文件特意采用“指导原则”而非“规定”的措辞，表明监管机构希望在技术发展早期保持灵活性，通过行业共识自然沉淀出标准，而非自上而下地强制推行。这是一种明智的“适应性治理”策略。

3.4 与既有监管框架的衔接

该指导原则并非凭空产生，而是与既有监管框架形成有机衔接。在医疗器械领域，美国、英国、加拿大此前已采纳的GMLP指导原则为AI在医疗领域的应用提供了早期框架［2］。IMDRF于2025年1月发布的文件对机器学习实践和软件风险文档提出了要求。本文件将这些思路拓展至药品研发领域，延续了GMLP的核心逻辑。同时，文件吸收了EMA 2024年AI反思文件的核心关切［4］，并进一步提炼为10条可操作的原则。这种“承前启后”的关系，使该文件成为AI辅助制药监管演进中的重要里程碑［12-13］。

4 对制药行业的影响与挑战

4.1 对企业的实践价值：从“可用”到“可信”

该文件最大的实践价值在于，其为企业提供了一套判断AI系统“可信度”的标尺。此前，企业往往只关注模型预测准确率等技术指标。而现在，监管要求将“可追溯”“可解释”“可验证”提升到同等重要的地位。本文认为，这会导致AI辅助制药领域的竞争维度发生转移——单纯比拼算法精度的时代正在过去，而比拼“合规智能”的时代正在开启。那些能够以最低成本满足监管文档和验证要求的企业，将获得真正的竞争优势。

4.2 行业采纳的差异化策略与合理路径

不同规模的企业应采取不同的策略，这是基于资源禀赋差异的理性选择。

大型制药企业拥有成熟的合规体系和充足的预算，应当“全面对齐”原则，甚至主动超越最低要求，将AI治理嵌入企业风险管理框架。其可以通过早期与监管机构的预提交会议，塑造规则制定过程。例如，葛兰素史克、礼来等制药企业已经通过与科技巨头的战略合作，将AI深度整合至研发流程，同时建立了专门的AI合规团队。

中小企业和AI初创公司资源有限，更应采取“风险分级、聚焦核心”的策略。不必追求面面俱到，但必须确保用于支持关键决策（如靶点选择、患者入组）的AI系统满足最高的验证和文档要求。对于辅助性、非关键用途的工具，可以简化管理。本文认为，最危险的错误是将所有AI工具“一视同仁”地粗糙处理——要么过度投入浪费资源，要么忽视关键风险埋下隐患。

4.3 合规挑战与应对：基于现实的可操作性判断

4.3.1 原则的抽象性与实践细节之间的鸿沟

10条原则每一条仅有一两句话，但落地到具体操作可能需要数十页的标准操作规程。本文认为，行业短期内会涌现一批“最佳实践指南”和模板工具，类似于当年GxP的成熟化过程。企业不必从零开始，可以借鉴先行者的经验。

4.3.2 数据溯源的基础设施投入

端到端可追溯要求强大的数据谱系系统。对于使用电子健康记录、真实世界数据等非结构化、多源数据训练的模型，满足这一要求成本极高。一个合理的应对路径是：优先对用于注册申报的AI系统建立完整的数据谱系，对于内部研发探索工具，可采用轻量级的版本控制和日志记录。

4.3.3 跨学科团队的构建成本

许多AI公司缺乏药物研发背景的法规专家和临床医生。本文观察到一个趋势：头部企业开始设立“AI法规事务官”职位，专门负责弥合算法团队与监管要求之间的鸿沟。中小企业可以通过外包或顾问服务弥补能力不足。

4.3.4 动态管理的持续性投入

AI系统上线后需要持续监控性能衰减。这要求企业建立自动化的模型性能监测仪表板，并设定触发重新验证的阈值。经判断，这一要求将催生新的第三方服务市场——AI模型监控即服务。

4.4 对研发模式的重塑：从“辅助”到“核心”

指导原则最深远的影响在于，其承认了AI系统可以作为药品研发中证据生成的主体。这意味着AI不再是边缘性的“效率工具”，而是可能改变审评决策的“关键证人”。本文认为，这会导致2种质变：一是AI系统的验证标准向临床试验看齐。未来，一个用于患者分层的AI模型，其验证报告可能需要像临床试验方案一样，经过伦理委员会和监管机构的审查。二是AI辅助制药公司的估值逻辑发生变化。过去，资本市场看重的是算法技术指标和人才团队；而未来，监管认可度、合规体系建设程度将成为重要的估值因子。那些能够展示完整的AI治理框架并获得监管机构积极反馈的公司，将获得溢价。

5 国际协调与未来展望

5.1 全球监管协调的示范效应：从双轮到多边

该指导原则的最大象征意义在于，其证明了即使在AI这一高度不确定的领域，主要监管机构仍能够达成战略共识。本文认为，这一示范效应将加速其他国家和地区（如日本药品医疗器械综合机构、中国国家药品监督管理局、加拿大卫生部）跟进制定类似框架。未来3~5年内，有望看到一套基于相同核心思维模型的国际协调标准，从而显著降低跨国药企的合规成本。

5.2 从原则到实践的演进路径：基于技术成熟度的判断

根据技术采纳曲线，预测演进将分为3个阶段：第一阶段（1~3年）：探索与试点期。监管机构将保持“指导原则”的非约束性定位，鼓励行业通过试点项目积累经验。大型药企和头部AI公司会主动开展“模拟申报”，以检验自身AI治理体系与原则的差距。这一阶段的关键词是“学习”。第二阶段（3~5年）：标准与指南密集出台期。随着实践经验的积累，监管机构将发布针对具体应用场景（如AI用于虚拟对照臂、AI用于不良事件预测）的操作性指南。某些原则性要求（如模型验证文档规范）可能转化为强制规定。这一阶段的关键词是“固化”。第三阶段（5年以上）：常态化与隐性化。AI系统的验证和管理流程将与药品研发的其他环节无缝衔接，成为常规监管实践的一部分。优秀的AI治理不再是一种“额外负担”，而是企业能力的自然体现。这一阶段的关键词是“内化”。

5.3 技术发展对监管的持续挑战：预判

指导原则虽然前瞻，但面对一些新兴技术仍显得力不从心。本文认为以下3个挑战最为紧迫：第一，生成式AI与基础模型的监管适配。大语言模型和扩散模型的行为难以通过传统的“输入-输出”测试完全覆盖，且可能产生不可预测的“幻觉”。对此，监管可能需要转向“过程监管”——重点审查训练数据的质量、微调过程的记录以及部署后的输出采样监控，而非试图穷举所有可能的输出。第二，持续学习系统的动态验证。如果一个AI模型在部署后不断吸收新数据并自我更新，如何确保其持续可靠？本文判断，监管机构可能会要求此类系统设定“冻结周期”——定期冻结模型版本，进行完整再验证，然后再部署。这实际上是对“持续学习”的一种折中接受。第三，联邦学习的可追溯性困境。联邦学习在保护数据隐私的同时，也使训练过程更难追溯。可能的解决方案是要求引入“可验证计算”或区块链日志，记录每一轮模型更新的聚合参数和参与方，在不暴露原始数据的前提下满足可追溯性要求。

5.4 对我国药品监管的启示：抓住窗口期

该指导原则的发布，既反映了全球AI辅助制药监管的共识方向，也为我国加速构建自主监管框架提供了重要参照。熊玮仪等［14］系统梳理了AI在医药产业中的应用现况及美国FDA的相关实践，并为我国药品监管中合理使用AI提出了具体建议，我国应充分吸收欧美原则的合理内核，结合国内AI产业特点和临床数据优势，尽快制定“中国版”AI辅助制药指导框架。本文建议：第一，主动对标，避免被动接轨。我国应尽快启动AI辅助制药监管框架的研究，可以参照欧美原则但不必全盘照搬，应结合国内AI产业特点和临床数据优势，制定“中国版”AI辅助制药指导原则。目前，商务部国别贸易环境信息网已转载该文件，表明国内已开始关注［15］。第二，积极参与国际标准制定。我国应借助人用药品技术要求国际协调理事会（The International Council for Harmonisation of Technical Requirements for Pharmaceuticals for Human Use，ICH）等平台，主动提出基于中国实践的标准建议，争夺话语权。尤其是在中药AI研发、基于真实世界数据的AI模型等具有中国特色的领域，可以输出自己的规则。第三，鼓励企业先行先试。通过试点项目、沟通交流机制，允许企业在监管沙盒中验证AI系统的合规性，积累经验。这既能减轻企业的合规焦虑，也能为监管机构提供决策依据。

6 结语

FDA与EMA联合发布的AI指导原则，其本质不是一份技术手册，而是一套思维模型的教学大纲。其试图将5个核心思维模型——风险-收益平衡、全生命周期管理、可追溯性与透明性、多学科协作、证据生成与验证——植入到每个AI辅助制药从业者的认知框架中。

本文的核心论断是：未来AI辅助制药领域的竞争，将不再是算法精度的军备竞赛，而是这5个思维模型内化程度的比拼。能够将“可追溯”作为设计第一原则的企业，能够在“风险分级”中精准分配资源的企业，能够把“持续监控”变成组织习惯的企业，将在监管互动中获得信任红利。

该指导原则的发布，标志着药品监管从“被动应对技术”转向“主动塑造规范”。其承认了AI作为证据生成主体的地位，同时也对其施加了与药品研发核心流程同等级别的约束。这是一场深刻的范式转变——AI系统不再是研发人员的“副驾驶”，而是必须为自己输出的每一个结论承担“证人”责任的独立角色。

对于中国制药行业而言，这既是挑战也是机遇。挑战在于，过去那种“重算法、轻验证、缺文档”的粗放式AI开发模式将难以为继；机遇在于，如果能够快速吸收这5个思维模型，并基于国内丰富的临床数据和场景优势，形成自己的最佳实践，就有可能在新一轮的全球制药AI竞赛中实现换道超车。

正如指导原则所言：“随着AI在药物研发中的应用不断演进，良好实践和共识标准也必须随之发展。”未来的监管框架将是一个动态演进的过程，而非一成不变的条文。企业唯一能够以不变应万变的策略，就是将5个核心思维模型融入组织DNA，使之成为每一个AI项目的默认配置。这才是该指导原则带给行业最深刻的启示。

1. FDA. Guiding Principles of Good AI Practice in Drug Development[EB/OL]. (2026-01-14) [2026-02-15]. https://www.fda.gov/about-fda/artificial-intelligence-drug-development/guiding-principles-good-ai-practice-drug-development.

2. EMA. Guiding principles of good AI practice in drug development[EB/OL]. (2026-01) [2026-02-15]. https://www.ema.europa.eu/en/documents/other/guiding-principles-good-ai-practice-drug-deve lopment_en.pdf.

3. NSF (National Sanitation Foundation). FDA and EMA release guiding principles of good AI practice in drug development[EB/OL]. (2026-01-22) [2026-03-01].?https://www.nsf.org/life-science-regulatory-news/fda-and-ema-release-guiding-principles-of-goo d-ai-practice-in-drug-development.

4. European Medicines Agency. Reflection paper on the use of artificial intelligence in the medicinal product lifecycle[EB/OL]. (2024-09-09)[2026-04-15].https://www.ema.europa.eu/en/documents/scientific-guideline/reflection-paper-use-artificial-intelligence-ai-medicinal-product-lifecycle_en.pdf.

5. Ardigen. Good AI practice is no longer optional in Drug Discovery-EMA and FDA set the direction[EB/OL]. (2026-01-22) [2026-02-15].https://ardigen.com/ema-and-fda-set-the-direction-in-ai-practice/#content%5Breference:2%5D.

6. RAPS (Regulatory Affairs Professionals Society). EMA, FDA issue joint AI guiding principles for drug de-velopers[EB/OL]. (2026-01-14) [2026-01-28].https://www.raps.org/resource/ema-fda-issue-joint-ai-guiding-principles-for-drug.html.

7. European Medicines Agency (EMA). EMA and FDA set common principles for AI in medicine development[EB/OL]. (2026-01-14) [2026-04-15].?https://www.tmf-ev.de/en/news/ema-and-fda-principles-for-ai-in-medicine-development.

8. Jones Day. EMA and FDA Align on Good AI Practice in Drug Development[EB/OL]. (2026-01-27) [2026-02-15]..https://www.jonesday.com/en/insights/2026/01/ema-and-fda-align-on-good-ai-practice-in-drug-development.

9. Jiménez-Luna J, Grisoni F, Weskamp N, et al. Artificial intelligence in drug discovery: recent advances and future perspectives[J]. Expert Opin Drug Discov, 2021, 16(9): 949-959..https://pubmed.ncbi.nlm.nih.gov/33779453/.

10. Bender A, Cortes-Ciriano I. Artificial intelligence in drug discovery: what is realistic, what are illusions? Part 1: Ways to make an impact, and why we are not there yet[J]. Drug Discov Today, 2021, 26(2): 511-524..https://pubmed.ncbi.nlm.nih.gov/33346134/.

11. Bender A, Cortes-Ciriano I. Artificial intelligence in drug discovery: what is realistic, what are illusions? Part 2: a discussion of chemical and biological data[J]. Drug Discov Today, 2021, 26(4): 1040-1052..https://pubmed.ncbi.nlm.nih.gov/33508423/.

12. 上海情报服务平台. 监管机构对人工智能用于新药研发达成里程碑协议[EB/OL]. (2026-01-21) [2026-02-15]. https://www.istis.sh.cn/cms/news/article/53/28042.

13. ProductLife Group. Operationalising EMA–FDA AI Principles in Drug Development [EB/OL]. (2026-01-19) [2026-04-15]. https://www.productlifegroup.com/resources/operationalising-ema-fda-ai-principles-in-drug-deve/.

14. 熊玮仪, 鲁爽, 王涛. 人工智能在医药产业及药品监管中的应用与思考[J]. 中国食品药品监管, 2024, (5): 26-33. [Xiong WY, Lu S, Wang T. Application and reflection of artificial intelligence in pharmaceutical industry and drug regulation[J]. China Food and Drug Administration, 2024, (5): 26-33.].https://d.wanfangdata.com.cn/periodical/ChdQZXJpb2RpY2FsQ0hJU29scjlRdWljaxIRemdzcH lwamcyMDI0MDUwMDQaCDc3cG01c2Ez.

15. 商务部国际贸易经济合作研究院. 美国FDA和EMA联合发布药物开发10项指导原则[EB/OL]. (2026-01-28) [2026-04-15]. https://chinawto.mofcom.gov.cn/article/jsbl/dtxx/202601/20260103617360.shtml.