核心觀點
- AI正通過預測蛋白質摺疊、識別藥物靶點、在計算機中篩選數百萬分子，加速藥物發現。
- 在羅氏(Roche)旗下的基因泰克(Genentech)，計算生物學家阿維夫·雷格夫(Aviv Regev)搭建了“閉環實驗室”(lab in the loop)：AI預測候選分子，實驗驗證後結果反饋模型，形成迭代。
- AI的優勢不在於“更會推理”，而在於能整合遠超任何單個研究者的生物學知識。
- 儘管效率提升明顯，AI假說轉化爲上市藥物的證據仍不足：約10%的候選藥進入臨牀試驗，最終成藥者更少。
- 行業面對“反摩爾定律”(Eroom’s Law)：藥物研發隨時間變慢、更貴，與計算領域的摩爾定律方向相反。
- AI或可幫助突破收益遞減，提出人類直覺難以想到的候選分子，但真實世界驗證仍依賴人體與臨牀數據。
AI在藥物發現中的角色
- AI模型能以更高速度和規模預測蛋白質結構並識別潛在靶點。
- 閉環系統可根據實驗結果持續學習，逐步提高預測準確度。
- AI並不取代生物學，而是通過處理單人無法管理的海量數據來增強研發。
挑戰與侷限
- 基於現有數據訓練的模型可能難以泛化到真實人體生理——文中比喻：像指望靠訓練青蛙在阿爾伯克基騎車，來讓Waymo適應舊金山路況。
- 臨牀成功取決於人體試驗，過程昂貴、緩慢，也難以完整復現人體複雜性。
- 投資者仍看不到清晰的“每一美元研發支出回報”提升。
- 即便有AI，約10%候選藥能走向市場，多數在多年投入後失敗。
投資者情緒與行業動向
- 禮來(Eli Lilly)的戴維·裏克斯(David Ricks)與諾華(Novartis)等製藥CEO正大舉投入AI平臺與算力基礎設施。
- 高盛(Goldman Sachs)估計，AI若能加快研發、降低成本並提高成功率，未來十年或可創造最高約4萬億美元價值。
- 生物科技投資者如Rod Wong指出，中國把研究更快轉化爲臨牀證據的能力，可能倒逼美國提高臨牀試驗效率。
- 行業仍處“第二回合”：AI有前景，但尚未證明足以支撐重估盈利預期。
前瞻
- 真正突破需要更好的人體數據、實時患者監測，以及更快的臨牀試驗設計。
- 最終贏家未必是純AI初創，更可能是兼具深厚生物學數據、全球研發體系與運營規模的大型製藥企業。
- 這場變革可能需要數年：生物系統並不遵循半導體週期。
Key Takeaways
- AI提高了藥物發現效率，但尚未證明能提升單位研發支出的成藥成功率。
- “反摩爾定律”——研發更慢、更貴——仍是投資者觀望的主因。
- AI價值主要在數據整合與模式識別，而非接近人類水平的推理。
- 華爾街需要可驗證的臨牀證據，纔會重估製藥板塊。
- [AI Synthesis] 具備數據深井與運營能力的大藥企，比純模型公司更可能兌現AI紅利。
相關文章
Topics: Tech
Tags: ai 藥物發現 閉環實驗室 反摩爾定律 基因泰克