AI制药的合规治理边界——从“辅助工具”到GxP体系的全链条合规实务指引

（基准：现行《药品管理法》2019修订及《实施条例》2026年第828号；兼评FDA-EMA 2026年十大原则与FDA 2025可信度草案）

【摘要】2026年7月，全球首款由AI辅助发现靶点与分子结构的创新药进入III期临床；FDA与EMA联合发布的AI良好实践十大原则（2026年1月）与FDA可信度评估草案（2025年1月）正成为跨国申报的“监管语言”。中国尚无AI制药专属法规，企业合规须以《药品管理法》数据真实性义务与GxP体系为底座。本文厘清AI输出能否进入申报资料的风险边界，解析GxP下的验证、数据与变更治理短板，并给出可落地的操作指引与风险清单。

一、核心术语与实体（前置）

· AI制药：在药物发现、非临床研究、临床试验、生产、药物警戒等环节使用人工智能/机器学习（AI/ML）辅助研发，模型本身不构成独立产品。

· GxP：药品领域一系列质量管理规范的统称，本文涉及GLP（药物非临床研究质量管理规范）、GCP（药物临床试验质量管理规范）、GMP（药品生产质量管理规范）。

· COU（Context of Use，使用情境）：FDA草案核心概念，指AI模型被用来回答的具体问题及其在证据链中的角色与权重。

· NAMs（New Approach Methodologies，新方法）：以人类生物学相关性为导向、替代或减少动物试验的创新方法，含计算机模拟、类器官、器官芯片等；AI预测属其范畴。

· AIV vs CSV：AI验证（AI Validation）与传统计算机化系统验证（Computerized System Validation）的方法论差异。

· human-in-the-loop（人在回路）：关键决策保留人类监督，AI不替代人类科学判断。

二、热点背景：AI从“概念验证”走向“临床实景”

2.1 临床实景开启

2026年7月，据21世纪经济报道等媒体披露，全球首款由AI辅助发现靶点与分子结构的创新药Rentosertib启动III期临床试验，标志AI制药从“概念验证”迈入“临床实景”。同月世界人工智能大会期间，安永大中华区咨询服务主管合伙人吴晓颖指出，真正拉开企业差距的仍是“管线质量与临床数据”，AI提高了发现与优化效率，但“很少因为单纯使用AI而形成交易”——AI是放大器，不是替代者。

2.2 监管节奏同步提速

监管侧同步行动：2026年1月14日，FDA与EMA联合发布AI良好实践十大原则；2025年1月7日，FDA发布首份AI药品监管草案指南。2026年7月7日，CDE启动“先锋计划”（NAMs试点），将计算机模拟/AI预测纳入非临床评价新方法的国内制度接口；7月17日，CDE密集发布《生物制品批准后药学变更管理方案技术指导原则》（2026年第41号）等多份文件，监管科学持续加速。对企业而言，AI合规已从“可选项”变为“必答题”：模型输出一旦进入申报资料或影响患者安全，即落入药品监管的全链条责任。

三、国际监管坐标：FDA-EMA十大原则与FDA可信度框架

3.1 FDA-EMA十大原则（2026-01-14）

FDA药品评价与研究中心（CDER）与生物制品评价与研究中心（CBER）联合EMA，于2026年1月14日发布《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）。该文件为高层面原则性指引，不具强制约束力，但为未来各司法管辖区指南与国际标准奠基。十大原则为：设计以人为本（Human-centric by design）；基于风险的方法（Risk-based approach）；遵循标准规范（Adherence to standards）；明确使用情境边界（Clear context of use）；多学科协作（Multidisciplinary expertise）；强化数据治理与文档记录（Data governance and documentation）；规范模型设计与开发（Model design and development practices）；基于风险的性能评估（Risk-based performance assessment）；全生命周期管理（Life cycle management）；清晰必要的信息（Clear, essential information）。

3.2 FDA可信度评估草案（2025-01-07）

FDA于2025年1月7日在《联邦公报》发布草案指南《使用人工智能支持药品和生物制品监管决策的考量》（Considerations for the Use of Artificial Intelligence To Support Regulatory Decision-Making for Drug and Biological Products，Docket No. FDA-2024-D-4689，90 FR 1157）。这是FDA首份AI药品研发指南，提出“基于风险的可信度评估框架”，以COU为核心：先界定AI模型要回答的问题与在决策中的影响力，再据“模型影响力×决策后果严重性”评定风险，确定所需的可信度证明活动（训练数据、架构、验证指标、文档、持续监测）。草案明确不覆盖纯药物发现或仅提升运营效率、不直接影响患者安全与结果可靠性的AI用途。高风险模型须提交模型架构、训练数据来源与验证指标等详细信息，并鼓励与FDA提前沟通。

3.3 EU AI Act：风险分级与时间表

欧盟《人工智能法案》（Regulation (EU) 2024/1689）自2024年8月1日施行，按风险分四级（禁止、高风险、有限透明、最小风险）。用于药品安全组件或作为产品组成部分的AI系统可能落入高风险（Annex III/I），须满足风险管理、数据质量、活动日志、可追溯文档、人工监督等义务。多数高风险义务自2026年8月2日起适用，产品集成类高风险系统自2027年8月2日起适用；2026年“Digital Omnibus”简化方案可能调整时间表，尚待立法通过。

3.4 核心共识

国际监管口径高度一致：不以“模型是否先进”为中心，而聚焦AI输出如何进入证据链、如何验证与治理；AI是审评人员与科学家的工具，不替代其判断。FDA生物制品审评与研究中心（CBER）官员在2026年6月细胞与基因治疗公开交流会上明确表示，“没有任何工具正在做出任何监管决定”，科学评估与监管决策仍由审评人员负责。

四、中国监管现状：规则空白与“先锋计划”

4.1 尚无专属法规

截至2026年7月，国家药监局、CDE未发布AI辅助药物研发的专属监管文件。企业合规缺乏“AI专门规则”可依，只能以现行《药品管理法》及GxP体系为底座。这既是真空也是风险：真空意味着无明确安全港，风险意味着数据真实性等既有义务照样适用。

4.2 “先锋计划”：AI进入非临床评价的国内接口

2026年7月7日，CDE发布《推进新方法（NAMs）研究和应用试点计划（“先锋计划”）》征求意见稿（PIONEER，Propel Innovation and Operation of NAMs to Enhance Efficiency in R&D），征求意见至2026年8月7日。NAMs以人类生物学相关性为导向，涵盖计算机模拟、类器官、器官芯片等，旨在减少/优化/替代（3R）传统动物试验；AI预测明确纳入其范畴。试点设两类入口：情形1为药企已将或拟将NAMs数据作为注册申请支持性数据；情形2为NAMs方法开发机构申请方法学联合验证。招募期5年、不设名额限制，CDE对入选项目“早期介入、及时沟通、全程跟踪”，通过联合验证的方法可获特定场景“免重复验证”通行证。对AI制药企业，这是将AI模型输出转化为可申报证据的最近制度通道。

4.3 监管科学加速但AI专项待出

2026年7月17日，CDE发布《生物制品批准后药学变更管理方案技术指导原则》（2026年第41号）及多项征求意见稿（流感病毒疫苗、可复制型病毒风险控制、真实世界证据支持儿童适应症扩展等），显示监管科学持续提速；但AI制药专属指南仍待出台。企业宜前瞻跟踪，同时以现行法合规。

4.4 现行法抓手

《药品管理法》（2019修订，主席令第31号）第7条要求研制活动“保证全过程信息真实、准确、完整和可追溯”，直接约束AI生成数据的可溯性；第17条、第18条要求遵守GLP/GCP、保证数据真实性；第24条要求注册申请提供“真实、充分、可靠的数据、资料和样品”；第44条禁止编造生产、检验记录；第30条确立MAH对全生命周期数据真实性负责。配套GxP将AI嵌入GLP（非临床/NAMs）、GCP（临床试验设计、终点判定、药物警戒）、GMP（生产控制、放行）各场景，形成合规底座。

五、合规红线：哪些AI输出能进申报资料（风险分级）

5.1 低风险：非结论性筛选排序

仅用于缩小实验范围的“非结论性筛选排序类结果”——如虚拟筛选出的候选分子列表、按ADMET性质排序的化合物、文献聚类——属于研发过程记录，可作内部研发档案留存，不直接指向“药能否用”。行业普遍将其作为“高效筛子”记录管理。

5.2 高风险：关联安全/有效/质量可控

所有关联“安全性、有效性、质量可控”的AI输出，必须补充实体实验验证。包括：靶点可成药性预测、候选化合物活性与选择性、体内药代动力学参数、杂质谱与降解路径预测、制剂稳定性模拟、生产工艺关键参数预测等。FDA草案将其归入需建立可信度证明的高风险COU；我国《药品管理法》第24条亦要求支持注册的数据“真实、充分、可靠”——未经实验验证的AI预测不构成可申报证据。

5.3 黑箱不可取

监管明确要求透明性、可解释性、可审计性。不透明“黑箱”算法在关键监管提交与临床决策支持中越来越不可接受（FDA强调transparency and explainability）。企业须保留模型如何得出结果的完整记录，使独立第三方可复现训练与验证过程。

六、GxP体系下的AI合规短板

6.1 AIV vs CSV：验证方法论错位

传统CSV基于确定性软件假设，以IQ/OQ/PQ确保系统按预设规格运行。AI/ML的概率性输出与持续演化能力，使静态验证范式难以覆盖全生命周期风险。国际共识（如ICH M15《模型引导药物研发的一般原则》Step4最终版）已将AI/ML纳入模型与模拟方法，要求开展过拟合风险评估与模型鲁棒性评估。沿用既有CSV模板应对AI系统，将形成体系盲区。

6.2 数据治理：训练数据质量与溯源

AI模型训练数据的代表性、完整性、可追溯性是监管核心关切。Annex 22草案（EMA与PIC/S联合起草，规范GMP环境下AI应用）强调训练数据质量与测试数据管理。多数企业数据治理仍以记录留存为主，尚未建立面向AI训练的数据质量标准与全链条溯源机制。结合我国HGR与个人信息保护要求，训练数据若含人类遗传资源信息或受试者个人健康数据，还须叠加HGR合规与数据出境审查（见本系列第4期）。

6.3 变更管理：持续学习 vs GMP变更控制

动态模型的持续演化与GMP变更控制（我国《药品管理法实施条例》（2026年第828号）第27条、第79条之变更分类管理：重大变更须经国家药监局批准，其他备案或报告）存在结构性冲突。企业普遍缺乏针对AI模型更新的分级变更流程，低/中/高风险模型的变更审批路径尚未差异化设计。

6.4 Annex 22的限定

Annex 22草案明确仅适用于GMP关键应用中的静态、确定性AI模型，排除生成式AI与大型语言模型（LLM）。这直接指导AI选型：涉及GMP关键工序，应优先选用可解释、确定性强、变更可控的模型，慎用不可控的生成式大模型。

七、企业实务：合规操作指引与风险清单

7.1 建立AI应用台账与风险分级

按“应用场景—COU—风险等级”梳理在研管线所有AI用例，标注其在证据链中的角色权重（仅辅助 or 影响安全/有效/质量结论），形成AI合规台账，嵌入立项与申报并联流程。

7.2 定义使用情境边界（COU）

为每个AI应用书面定义输入输出范围、预期用户、决策权重与禁用范围（超出设计用途即失效）。这是验证与审查的基准，也是与监管沟通的统一语言。

7.3 端到端可追溯与文档留存

建立覆盖数据采集、标注、存储、训练、验证、部署、监控全周期的治理框架。文档须详尽到独立第三方可基于文档复现模型训练与验证过程；“端到端可追溯”是数据治理原则最核心的实践要求。

7.4 数据溯源与合规

训练与验证数据须来源合法、质量可证；涉及HGR信息、受试者个人健康数据或重要数据的，叠加《人类遗传资源管理条例》《数据安全法》《个人信息保护法》合规，跨境须走安全评估/标准合同/认证路径（详见本系列第4期）。

7.5 分级变更控制

建立AI模型更新分级变更流程：静态模型重大更新参照GMP重大变更报国家药监局批准；持续学习模型设定触发再验证的阈值与审批路径，杜绝“静默更新”绕过变更控制。

7.6 跨境BD中的AI合规

License-out交易中，AI相关训练数据、模型权重、预测结果可能随管线出海。须将HGR合规、数据出境路径、技术进出口审查（基因编辑、载体构建等可能涉限制类技术）嵌入尽调清单与陈述保证，设交割先决条件；对NewCo架构提前做外方单位穿透认定（详见本系列第4期）。

7.7 善用沟通交流

国内走CDE“先锋计划”沟通交流（I类会议，备注“先锋计划申请”）；国际走FDA early engagement（草案鼓励就AI可信度评估提前沟通）。以书面确认替代事后争议。

7.8 风险清单（高频雷区）

风险1：将未验证的AI预测直接写入申报资料：违反《药品管理法》第24条，数据不被采信且面临第123/124条责任。

风险2：COU界定不清：模型用途泛化、超设计范围误用，审查深度与验证要求错配。

风险3：训练数据无溯源：无法证明代表性/完整性，可信度证明失败。

风险4：数据涉HGR/个人信息未合规：触发人类遗传资源与数据出境责任（第4期详述）。

风险5：沿用CSV模板验证AI：概率性输出暴露体系盲区。

风险6：静默更新模型绕过变更控制：与GMP变更管理（实施条例第27/79条）冲突。

风险7：GMP关键工序误用生成式大模型：落入Annex 22排除范围，合规不可行。

风险8：依赖未生效宽松规则：以征求意见稿或待立法草案替代现行有效义务。

八、常见问答（FAQ）

Q1：中国有AI制药专属法规吗？

截至2026年7月，尚无。国家药监局/CDE未发布AI药物研发专属监管文件；企业合规以《药品管理法》数据真实性义务与GxP体系为底座，并可通过CDE“先锋计划”将AI/NAMs数据纳入试点验证。

Q2：AI筛选的候选分子能直接写进申报资料吗？

仅作非结论性筛选排序的（如虚拟筛选列表、ADMET排序）属研发记录，可作内部档案；但凡关联安全性、有效性、质量可控的结论性输出，须以实体实验验证后方可作为申报证据（《药品管理法》第24条、FDA草案高风险COU）。

Q3：AI预测的安全性数据需要实体实验验证吗？

需要。靶点可成药性、活性选择性、药代参数、杂质谱、稳定性等预测均须补充实验验证，FDA草案将其归入需可信度证明的高风险场景，我国法亦要求注册数据“真实、充分、可靠”。

Q4：用AI做药物警戒信号检测合规吗？

合规，但属受治理的增强（augmentation）而非全自动。AI可加速信号汇总与初筛，最终判定须保留人类专家监督；相关记录须可追溯，并符合药物警戒质量管理规范（GVP）。

Q5：跨境License-out中AI数据与模型怎么合规？

训练数据/模型权重/预测结果可能随管线出海，须叠加人类遗传资源、数据出境、技术进出口审查，写入交易尽调与陈述保证，设交割先决条件（详见第4期）。

Q6：“先锋计划”和AI制药什么关系？

NAMs（新方法）明确包含计算机模拟与AI预测；“先锋计划”是CDE将AI/NAMs数据纳入药物非临床评价与注册支持性数据的国内试点通道，通过联合验证的方法可在特定场景免重复验证。

九、结语

AI制药的竞争力，终将不取决于算法精度，而取决于“风险分级、全生命周期管理、可追溯与透明、多学科协作、证据生成与验证”五类思维的内化程度。在中国专属规则出台前，企业须以《药品管理法》数据真实性义务与GxP体系为锚，把AI定位为“经人监督的高效筛子”：明确COU、端到端溯源、分级验证、受控变更、善用先锋计划与跨境沟通。把合规成本前置为证据能力，方能在创新与监管的平衡中行稳致远。

（作者：肖剑，大有律师事务所主任、天津市律师协会副会长，专注医药健康与公司法实务。本文法规依据截至2026年7月20日，具体适用以官方最新规定为准。）

权威引用来源

· 《中华人民共和国药品管理法》（2019年修订，主席令第31号，2019年12月1日施行），国家法律法规数据库：https://flk.npc.gov.cn。

· 《中华人民共和国药品管理法实施条例》（国务院令第828号，2026年1月16日修订公布，2026年5月15日施行），国家药监局：https://www.nmpa.gov.cn。

· FDA & EMA, Guiding Principles of Good AI Practice in Drug Development（2026-01-14），FDA：https://www.fda.gov/about-fda/artificial-intelligence-drug-development/guiding-principles-good-ai-practice-drug-development；EMA：https://www.ema.europa.eu/en/news/ema-fda-set-common-principles-ai-medicine-development-0。

· FDA, Considerations for the Use of Artificial Intelligence To Support Regulatory Decision-Making for Drug and Biological Products（Draft Guidance, 90 FR 1157, Docket No. FDA-2024-D-4689, 2025-01-07），Federal Register：https://www.federalregister.gov/documents/2025/01/07/2024-31542。

· 国家药监局药审中心（CDE）：《推进新方法（NAMs）研究和应用试点计划（“先锋计划”）》（征求意见稿，2026-07-07），https://www.cde.org.cn/main/news/viewInfoCommon/84bd78d4d9d92a28cca032d13f7aa66a。

· 国家药监局药审中心（CDE）：《生物制品批准后药学变更管理方案技术指导原则》（2026年第41号，2026-07-17）。

· Regulation (EU) 2024/1689（EU AI Act，2024-08-01施行），European Commission：https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai。

· 安永：《专访安永吴晓颖：AI制药走到价值分水岭，临床数据是“硬通货”》（21世纪经济报道，2026-07-19）。

· 本系列第2期《细胞与基因治疗（CGT）药品监管新规下的企业合规边界与法律风控》（2026-07-15）、第4期《人类遗传资源（HGR）监管变革与生物制药跨境数据合规实务指引》（2026-07-18）。