夜雨聆风
一颗新药要十年,AI 能省掉的是哪些时间
药物研发的时间成本里，真正被浪费掉的不是实验本身，而是在错误方向上消耗的那些年。AI 切入这个行业，本质上是在做一件事：让失败来得更早一点。
先说一个让人沮丧的数字：一款新药从靶点发现到最终上市，平均要经历十到十二年，耗资超过二十亿美元。但这里有个细节很少被提到——这笔钱里，有相当大的比例花在了「最终失败的候选分子」上。也就是说，制药公司不是在为成功付钱，很大程度上是在为一次次有序的排除付钱。
失败是这个行业的主要产品
临床试验的成功率大约只有 10%。一百个进入临床阶段的候选药物，最终只有十个能拿到上市批准。更残酷的是，很多失败发生在三期临床——这是研发周期里最烧钱的阶段，一次三期失败动辄吞掉数亿美元和五到七年的时间。所以药物研发的核心命题，从来不是「怎么做出一个好药」，而是「怎么在最早的阶段发现这不是一个好药」。让失败来得更早，才是最大的节约。
10%
进入临床阶段的候选药物最终获批上市的比例
这是理解 AI 切入制药行业的正确框架。它不是要造一台自动出药的机器，而是要把「筛掉错误答案」这件事做得更快、更便宜。
AI 真正在做的事
药物研发的早期阶段——靶点发现、化合物筛选、毒性预测——有一个共同特征：它们本质上都是在处理海量的结构化信息。人类基因组里有两万多个基因，其中可能成为药物靶点的有几千个，而化学空间里可合成的小分子化合物数量估计超过十的六十次方。这种规模的比对和排列，人类研究员做一辈子也只能触碰其中极小的角落。
●AI 的核心价值不是「发现新药」，而是大幅压缩人类需要亲自验证的假设数量。
AlphaFold 预测蛋白质结构这件事是个好的例子。蛋白质的三维折叠方式决定了它能与哪些分子结合，而用实验方法解析一个蛋白质结构，往往需要数年时间。AlphaFold 把这个预测时间压缩到了小时级别。这不是说实验可以省掉——实验验证依然必要——但研究人员现在可以在实验之前，先用计算手段排除掉大量「理论上就不可能成立」的方向。
被严重高估的那部分
外界对 AI 制药最大的误解，是把「计算层面的加速」等同于「整体研发周期的缩短」。这两件事之间隔着一堵厚墙，叫做监管合规。
1临床试验的时间线取决于患者招募速度和观察周期，算法快多少倍都改变不了这一点
2FDA 等监管机构的审批流程有其内在逻辑，不会因为你的模型跑得更快就加速放行
3三期临床之所以要花五到七年，是因为有些副作用需要足够长的随访才能被观察到
这不是在批评 AI，而是在描述一个现实：药物研发的时间成本里，有一部分是「可压缩的信息处理时间」，有一部分是「不可压缩的生物学和社会学时间」。AI 能动的是前者，后者基本纹丝不动。一个乐观的估计是，AI 能把整体研发周期从十年压缩到七年左右——这已经是巨大的进步，但距离「彻底改变」还差得远。
「
AI 在制药行业最大的价值，是让人类把聪明用在值得聪明的地方
」
数据才是真正的护城河
还有一个问题很少被公开讨论：数据孤岛才是 AI 制药最硬的天花板。制药行业的实验数据分散在各大药企的内部数据库里，彼此封锁，互不相通。公开的数据集虽然存在，但标注质量参差不齐，很多早期实验数据因为缺乏标准化，根本无法直接用于训练模型。
更麻烦的是，失败实验的数据往往不会被发表。学术界有「发表偏差」——成功的实验更容易出现在期刊上，失败的实验大多沉默消失。但对于训练药物研发模型来说，失败数据和成功数据同样重要，甚至更重要。你需要知道哪些路走不通，才能更好地判断哪条路值得走。
●谁掌握了足够干净、足够完整的私有实验数据，谁才真正掌握了 AI 制药的竞争优势。
一个值得认真想的类比
有一个类比我觉得比较准确：AI 之于药物研发，有点像 GPS 之于长途驾驶。GPS 出现之前，司机需要花大量时间研究地图、试错路线、走进死胡同再原路返回。GPS 出现之后，这部分时间大幅压缩了。但路本身还在那里，堵车还是会堵，目的地该多远还是多远。GPS 没有改变旅行的物理本质，它改变的是「找路」这件事的效率。AI 在制药里改变的，是「找方向」的效率，而不是药物进入人体后需要经历的那些真实时间。
这个行业真正令人期待的变化，不是某一天 AI 突然造出一颗神药，而是在未来十年里，越来越多的研究人员可以把精力从「我应该去看哪个方向」转移到「我看到了什么，我该怎么解读」。前者是信息处理，后者是真正的科学判断。把前者交给机器，把后者留给人，这才是 AI 辅助药物研发最合理的分工。
✦ 小结
AI 不会让新药变成快消品，也不会在十年内把研发周期压缩到两三年。它真正在做的事情，是让「排除错误方向」这件事变得更快更便宜——而这件事，恰好是整个行业里最被低估、也最值得被优化的环节。那些被节省下来的时间和资源，最终会流向更多值得被认真验证的假设。