熱門資訊> 正文
2026-07-24 09:16
原標題:Token燒不起,大廠控成本,給AI製藥也算一筆經濟賬 來源:動脈網
過去半年,互聯網大廠面對巨大的流動性AI成本,開始集體轉向。
百度發佈又撤回token新規,字節跳動的AI投入開始接受更嚴苛的回報審視,京東和阿里相繼傳出壓縮非核心AI團隊的消息。
並非AI賽道突然遇冷,而是互聯網公司終於在狂奔之后開始低頭算賬,模型越來越貴,變現路徑卻遠不如預期,燒錢的速度正在觸碰管理層的容忍邊界。這是不容忽視的趨勢。
互聯網算AI經濟賬,本質是回答一個問題:花出去的錢,能不能換回可量化的商業價值?
這個追問,正在向醫療領域傳導。但從互聯網的語境轉換到創新葯,這個問題的複雜程度陡然上升。
01、被低估的成本
自2023年前后以來,AI製藥就是醫療投資圈最炙手可熱的賽道之一。資本湧入的速度,甚至快於藥物研發本身的節奏。
時至今日,AI製藥仍然熱點頻出。大模型公司的介入,正掀起新一輪的熱浪。
谷歌DeepMind持續加碼生命科學,AlphaFold的迭代速度和市場滲透遠超預期,字節跳動被曝正在推動旗下AI製藥團隊獨立拆分、引入外部融資。
而Anthropic在推出專業的工作平臺,與BMS、諾華等多家MNC試水后,宣佈啟動內部藥物研發項目。
AI製藥的邏輯很清晰,成效也很顯著。AI可以縮短藥物發現周期,可以降低臨牀失敗率,可以顛覆傳統制藥的漫長流程。從靶點發現到分子設計,從先導化合物優化到臨牀方案制定,AI的滲透幾乎覆蓋了藥物研發的全鏈條。
儘管鋪天蓋地的AI探索和應用,並沒有改變創新葯最客觀的事實,即一款新葯從立項到上市,平均需要十年、投入超過十億美元。
但AI製藥已經開始撼動新葯研發原有的格局,基於AI開發的在研管線頻頻出現大額BD交易、英矽智能甚至將AI開發的新葯管線推進到III期臨牀試驗,都在説明這一點。
不過,想要算清楚AI製藥的成本,並非易事。
「簡單來講,AI製藥的成本大致可以分為四塊:基礎設施費用、軟件與平臺授權費、人才團隊支出,以及數據成本。」一位從業者向動脈網介紹,「但具體到每類費用如何覈算,行業內還沒有形成共識。」
具體而言,基礎設施、軟件與平臺授權費、人才團隊支出等,是AI製藥經濟賬中相對清晰的項目。其中,基礎設施是顯性成本的大頭。
AI模型的訓練和推理需要算力,算力需要GPU服務器或雲計算資源。這部分成本按項目或按年度計費,彈性空間有限。對於沒有自建算力中心的中小型biotech,雲計算費用是持續性的財務壓力。
軟件和平臺授權,是另一塊剛性支出。
全球主流的AI製藥商業化平臺,多采用按管線里程碑或按年付費的模式。相關從業者表示,這種計費方式的好處是風險共擔,但壞處是,隨着管線數量增加,授權費用會快速累積。
人才成本是行業內公開的祕密。AI製藥需要的是AI和藥學的複合背景人才,這類人才在市場上極為稀缺,薪酬水平顯著高於單一背景的程序員或藥學研究員。組建一個六到八人的核心團隊,人力成本往往超過整體預算的三分之一。
而AI經濟賬覈算真正的難點,是數據成本的計算,這是多數人在算賬時最容易低估的一塊。
如果僅基於公開文獻,很難形成高質量的訓練數據集,而經過嚴格標註的生物學數據、臨牀數據和真實世界研究數據,獲取成本極高。
隨着AI模型規模的擴大,對數據量和數據質量的要求還在持續上升。
「目前行業內核算AI製藥成本的主流做法,是項目成本法,將AI工具的使用成本,分攤到每條管線的每個關鍵節點,對比傳統研發路徑同階段的成本,得出AI節省了多少時間或費用。」另一位從業者向動脈網表示,「但這個算法有水分。」
比如,失敗管線的成本,往往在統計中被忽略。AI輔助的靶點發現失敗了,AI的訓練費用和算力消耗已經發生,這部分沉沒成本往往被忽略。
客觀來將,儘管以BMS為代表的MNC已經開始重視對AI價值的評估,但實踐中的AI製藥成本覈算,是存在低估的。
02、AI的收益集中在臨牀前
在硬幣的另一面,AI製藥的收益覈算相對容易。
目前,AI製藥收益計算最直觀的,是靶點發現環節。
通過AI輔助的靶點優先級排序和虛擬篩選,部分Biotech已經將靶點驗證周期,從傳統的2~3年壓縮到1年以內。這類產出的衡量指標清晰,研發時間的壓縮、研發成本的降低,賬面上都有據可查。
此外,分子設計與先導化合物優化環節的產出同樣可被量化。
以眼下AI應用最為成熟的場景之一ADMET預測為例,國內頭部Biotech在這一環節的AI參與程度已相當深入,迭代效率的提升、臨牀前研究周期的壓縮,都能通過數據直觀呈現。
研究數據顯示,在AI參與下,候選藥物從立項到批准的整體成功率可能從目前約8%提升到18%左右;AI設計的藥物在I期臨牀試驗中成功率高達80%-90%,而傳統方法僅約40%。ARK《Big Ideas 2025》預測,在AI深度參與的情景下,單個新葯總投入有望從當前行業平均的十幾至二十多億美元降至個位數十億美元。
但到了臨牀試驗環節,尤其是涉及受試者更多的II期、III期臨牀試驗階段,情況就變得複雜。
一款進入臨牀試驗的候選藥物,最終獲批上市的概率不足10%。
II期與III期臨牀試驗的失敗,是消耗藥企資金與時間的最主要黑洞。真正能夠從結構層面改變新葯研發投入產出比的變量,是臨牀成功率的提升。
如果AI能夠在試驗設計、生物標誌物發現及適應性試驗設計等關鍵環節發揮更為主導的作用,臨牀成功率有望提升10至15個百分點。
但現實卻相當骨感。
當前,患者招募是臨牀試驗階段落地程度最高的AI應用場景。
AI通過對病史數據的結構化分析,能夠在更短時間內識別更匹配的患者群體。
據估算,這一應用可將臨牀試驗時間縮短20%至30%,進而改善藥物研發的內部收益率(IRR)。
在最關鍵的臨牀方案設計、落地、管理等環節,卻鮮少接入AI工具。
「AI在藥物研發中的滲透,遠比想象中的更不均勻。」前述從業者補充道。
這背后的原因在於,數據可得性的根本制約。
臨牀前階段擁有大量結構生物學數據、文獻專利數據及已知化合物的活性數據,這些構成了AI模型訓練的基礎。
但臨牀階段的數據則分散於各藥企、CRO公司與監管機構,受隱私保護與商業機密約束,難以形成大規模、可標註的訓練集。
與此同時,臨牀方案設計、終點指標選擇、患者招募策略等環節,涉及大量難以量化的醫學判斷、監管博弈與倫理考量,這些變量無法被轉化為可供AI學習的標準化數據。
此外,監管層面的不確定性進一步加劇了這一困境。
AI輔助臨牀決策目前缺乏明確的監管路徑與審批標準,無論FDA還是國家藥監局,對於AI生成的臨牀數據都持審慎態度,藥企也不敢將關鍵臨牀決策完全託付於AI系統。
儘管AI製藥投入產出比的實質性改善是確定的,但短期內可能還不會發生。
這一改善的前提,是臨牀數據的系統性打通與持續積累,即用以訓練更精準的臨牀AI模型,以及足夠長的時間窗口,用以觀察AI對臨牀成功率的真實影響。
被低估的成本,和因難以估算而同樣可能被低估的收益,讓AI製藥的經濟賬,短期內很難覈算。
03、AI製藥也要掉頭嗎?
"互聯網大廠的問題,是可以砍掉AI團隊止損的,但AI製藥的沉沒成本已經在分子開發過程中提前發生,提前終止的損失遠大於及時止損的互聯網公司。"前述從業者人士分析指出。「AI製藥真正的價值需要放在更長的時間維度上去衡量。」他補充到,互聯網AI投入是成本中心,可以隨時壓縮;AI製藥的AI投入是研發工具,最終收益體現在藥物上市后的銷售。
這是一個以十年為單位的賬本,不能用互聯網的短期ROI邏輯去套。
一方面,傳統制藥從立項到商業化平均耗時約13年,在AI深度參與的情景下有望壓縮至8年左右。這意味着AI製藥的投入一旦啟動,幾乎無法在短期內獲得回報;
另一方面,到2024年,國內頭部藥企單個資產平均研發成本已經達到22.3億美元。AI製藥的沉沒成本可能集中在前期靶點發現和分子設計環節,一旦中途終止,這部分投資很難回收。
從這個意義上講,AI製藥的經濟賬,不是是否繼續燒錢的問題,而是AI燒進去的錢最終能否換回一款能賣出去的藥的問題。
不過,當成本問題被擺上檯面,是時候重新梳理AI製藥的邏輯,提出新的要求。
近年來,行業關於AI製藥的討論,始終圍繞AI可以做什麼。現在,行業需要回答,AI要怎麼做,才能兑現這些預期。
一方面,AI製藥探索至眼下,基本可以明確的是,AI是一種貫穿新葯研發始終的生態化工具。
選擇合適的合作模式,才能實現共贏。從行業實踐看,這種生態合作的模式是多樣化的。
最常見的是聯合開發,2022年10月,英矽智能與賽諾菲簽署戰略合作協議,開發不超過6個創新靶點的候選藥物。賽諾菲支付1250萬美元首付款,英矽智能可使用其Pharma.AI平臺完成先導化合物識別、合成和優化全流程。后續里程碑付款最高可達12億美元,商業化成功后還可獲得低兩位數特許權使用費。截至2023年中期,雙方合作確認收入約830萬美元。
此外,技術授權加成本分擔的模式也逐步興起,部分項目中合作方承擔研發成本及商業化成本,AI企業提供技術支持。
2022年,Exscientia曾與賽諾菲達成交易總額高達52億美元的合作,是AI製藥領域價值最高的合作項目之一。根據雙方約定,賽諾菲將利用Exscientia的端到端AI驅動平臺和患者樣本開發多達15種針對癌症和免疫介導疾病的全新小分子藥物候選物。合作範圍從靶點識別到臨牀前開發、生產製造和商業化全流程。
另一方面,無論是製藥企業還是AI企業,有必要建立分層預算結構來控制成本。
「可以採用分層邏輯,將基礎設施和核心平臺授權作為固定成本,控制在研發總預算的5%到8%。」前述從業者指出,將按項目里程碑付費的AI服務設為可變成本,動態調整。
同時,預留2%到3%的探索性預算用於嘗試前沿應用,不要求短期回報,「當然,這個比例不是絕 對的,核心原則是避免兩個極端,既不要將所有管線都強行套上AI工具,也不要因為短期看不到回報就完全放棄。」
而關注互聯網大廠開始算AI經濟賬這件事本身,更重要的意義在於,它提醒行業,AI不是萬 能藥。
往后,投資者可能更加挑剔,對真實臨牀數據和商業價值的要求更嚴格。這也倒逼企業更加務實,精彩絕倫的AI故事終需真實的數據來填滿。
同時,市場的頭部效應將加劇,只有能夠拿出過硬臨牀數據的公司,纔可以繼續把AI製藥的故事講下去。
AI製藥的經濟賬,不是一道關於AI的算術題,短期內也很難給出相對準確的答案。
這是一道關於時間和耐心的問答題,與其拷問AI製藥在成本的風波中能夠立得住,不如迴歸做藥的本質,讓AI退回工具的位置,共同為臨牀未解的難題,尋找更好的解決方案。