AI 赋能把未来 100 年的医药研发压缩到十年完成?——真的吗?

00　先给结论

9 月 16 日，诺和诺德和 Anthropic 发了一份联合通稿。

通稿里 Anthropic 的 CEO Dario Amodei 说：AI 能力的提升，有可能把一个世纪的生物学和医学突破，压缩进十年。

我看到这句话的第一反应是不信。一百年压成十年？这话听着就像融资 PPT 里的那页。

所以我去查了原文。三个独立来源，说法一致，白纸黑字就在诺和诺德官网。更意外的是，他 2024 年就说过一次，当时说得还更狠——"把未来 50 到 100 年的生物学进展压缩进 5 到 10 年"，还专门起了个名字叫"压缩的 21 世纪"。

好，出处查实了。但真正让我坐不住的，不是这句话本身。

而是我顺着往下查的时候发现：说这句话的人，已经把实验室建好了；而全世界的科技巨头，已经全部进场了。

这件事，我觉得得从头捋。

01　所有大厂都来了

先说最直观的一件事：这不是一家公司在赌，是全行业在抢。

英伟达是最早想明白的那个。它不自己研发药物，它做的是卖铲子的生意——BioNeMo 平台把生物学模型打包好，让所有做 AI 制药的公司都能调用。同时它还直接入股了 Recursion、Terray、Genesis 这些公司。药是别人做出来的，但所有工作流都跑在它的算力和框架上。

微软走的是另一条路。它和美国国家实验室合作，用 80 小时从 3,200 万种无机晶体里筛出了 18 种新型固态电池电解质材料——这在过去是要几年的活。后来又用 200 小时筛完 36.7 万种候选化合物，找到了一种全新的数据中心冷却剂。

谷歌把 AI 制药业务装进了 Isomorphic Labs，今年 5 月拿到了 21 亿美元的 B 轮融资，是 AI 制药史上最大的一笔。它已经和诺华、礼来、强生签下了合计数百亿美元的里程碑合作。

Anthropic呢？它这半年的动作更值得细看——因为它走的是"全链条"：

· 能想：6 月上线 Claude Science，接了 60 多个科学数据库，能跑在你自己的机器上，数据不出门。

· 能算：8 月让 AI 从头设计蛋白质——15 个靶点、1,320 个设计，354 个被两家独立实验室真的合成出来、测出有效，命中率 22.6% 到 35.1%，而行业常规水平只有 10% 到 15%。

· 能动手：8 月底牵头定了个硬件标准，相当于给实验室设备做了个"USB-C"。以前每台显微镜、每只机械臂都有自己的私有软件，AI 想接进来得写定制驱动、几周起步；现在卡内基梅隆把四台不同厂商的仪器接起来，用了 8 小时。

· 还得被允许做：9 月 17 日上线"验证计划"，不审查你说的每一句话，而是审查机构和人靠不靠谱，监控放到事后。

而且它真的在旧金山建了自己的湿实验室，开始做瓶瓶罐罐。它的生命科学负责人说了句我很喜欢的话：

"要做生物学，最终的检验仍然是真实的实验室工作。"

中国也没闲着： 字节也把 AI 制药做成了独立业务；百度旗下的百图生科做出千亿参数的生命科学大模型，和赛诺菲签了超 10 亿美元的合作；据公开报道阿里云在中国高校和科研机构的 AI4S 云市场里，份额超过 26%。

更值得注意的是"人"的流向：为谷歌拿下诺贝尔奖的 AlphaFold 核心作者 John Jumper，今年 6 月从谷歌离职，加入了 Anthropic。"AI 教母"李飞飞则反复讲一句话——"150 年前电力改变了一切，今天 AI 之于科学发现，正处在类似的时刻。"

看到这里，我心里冒出一个判断：

AI 的终局，一定不是聊天框，而是实体世界。

如果 AI 只是会写文案、画图、编代码，那它再强也只是活在屏幕里——那是空中楼阁。真正决定它能走多远的，是它能不能理解分子、材料、蛋白质这些真实世界的规则。

而这件事有个名字，叫 AI4S（AI for Science，科学智能）。

它不是 AI 的某个应用场景。它是 AI 的必答题——是这棵科技树上绕不过去的那根主干。

02　为什么一定是"分子"先爆发

大厂都来了，那钱和注意力最先砸向哪里？

我的答案是：分子。

原因其实很简单，用大白话讲就一句话——AI 最擅长搜索，而找分子本质上就是个搜索问题。

你可以这样想：研发一款新药，就是在一片沙漠里找到一粒特定的沙子。人体里可能有几万个可以下手的"锁"，而理论上能配的"钥匙"更是天文数字。传统做法是人工一个个试，试十年，试掉十亿美元，成功率还不到 10%。

而 AI 干的事，是把这片沙漠先缩成一块操场。

更关键的是，分子这件事特别适合 AI，因为它有三个别人没有的条件：

第一，有明确的物理规则。 分子结合得好不好，有热力学、量子力学说了算，对错是硬的，AI 不容易被幻觉带跑偏。

第二，有海量数据。 蛋白质结构、化合物库、实验记录——这些都是几十年积累下来的真实数据，不是编的。

第三，能立刻验证。 设计出来的分子，拿去实验室一测就知道行不行。这意味着 AI 有一个能"自己纠错"的闭环。

第三个条件最重要。你想，写文章、画图这些事，好不好往往靠人主观判断；但分子好不好，实验台会直接告诉你答案。能自己验证对错的领域，AI 的进化速度是按周算的，不是按年算的。

所以你会看到这条线先爆发的两个方向：

一是材料。 微软那两个案例——电池电解质、冷却剂——都是过去要几年的活。材料研发的痛点是"试错成本太高"，而这正好是 AI 的主场。

二是制药。 除了 Anthropic 的蛋白质设计，另一个标杆是英矽智能：它那个完全由 AI 设计的 TNIK 抑制剂，已经推进到全球临床二期。这是 AI 制药从"论文"走进"临床"的标志性事件。

一句话总结这一节：AI 的第一波红利，不在屏幕里，在试管和坩埚里。

03　万亿蓝海：这块蛋糕有多大

聊到这里，必须说钱。但我要先纠正一个流传很广的误会。

AI 制药软件本身的市场，其实不大。

按几家主流的市场研究机构口径：AI 药物发现市场 2024 年约 17 亿美元，到 2030 年大约 85 到 92 亿美元；生成式 AI 在制药领域的市场，2030 年大约 94 亿美元。就算把口径放宽到"AI 赋能医药"整个盘子，2030 年也就 820 亿美元左右。

看到这些数字，你可能会说：这不就是几百亿人民币吗，算什么蓝海？

错。真正的蛋糕不是这块。

真正的蛋糕是——全球药企每年投入研发的金额：超过 2,500 亿美元。 而这 2,500 亿美元背后的产出，是数万亿美元规模的药品和器械市场。

AI 要改造的，是这整块东西。

这笔账可以这么算：

· 行业统计显示，AI 辅助能把药物发现环节的研发周期缩短 15 到 20 个月，把早期筛选成本降低约 40%；

· 而全球临床试验的整体成功率，2025 年仍然只有 12% 左右。也就是说，大部分钱是打水漂的。

如果 AI 让这 2,500 亿美元的年投入效率提升哪怕 10%，就等于凭空多出 250 亿美元的新药研发预算——相当于一年多出一个中等国家全部的医药科研经费。

更颠覆的在后面：当研发成本降到原来的十分之一，"不划算"这件事就不再成立了。

罕见病、被忽视的疾病，过去没人做，不是因为技术不行，是因为算不过账。但成本一旦塌下来，这些领域会因为"终于划算了"而先开花。Anthropic 就明确说，它只做药企不愿意碰的方向。

还有"个性化"：设计成本降下来之后，"为一小群人甚至一个人定制一款药"，第一次在经济上变成了可以讨论的事。

所以我的结论是：这不是在抢一块新蛋糕，这是在换掉做蛋糕的方式。 前者是分蛋糕的人变多，后者是蛋糕本身变大——这两件事的量级完全不一样。

04　唯一还没解锁的那一关

说了这么多乐观的，也说句实话。

AI 现在加速的，主要是"从想法到候选分子"这一段。而从候选分子到真正能吃的药，中间隔着动物实验、毒理、三期临床——这一段要跟人体打交道，急不得。 截至今年 8 月，还没有一款完全由 AI 从头设计、并成功获批上市的药物。

但请注意：这说的不是"方向错了"，只是最后一关还没解锁。

而且这一关，恰恰是所有做生物的终局考题。谁先在这里跑通，谁就真正拿到了"AI 改造实体世界"的通行证。

所以那句"压缩一百年"，我的看法是：

它可能会成真，但顺序一定是——先发生在实验室里，再发生在工厂里，最后才轮到病床。

方向大体是定了，剩下的只是速度。

而这一次，速度可能会超出我们所有人的想象...

（本文数据来源：诺和诺德官方新闻稿 2026-09-16、Anthropic 官方发布与研究报告、Google / Microsoft / NVIDIA 公开资料、Arizton 与 Grand View Research 等市场研究机构公开预测、路透社、新华社、第一财经、21 财经、Huberman Lab 李飞飞访谈、Pharmaceutical Technology、Tech Times、eWeek、Dataconomy 等；关键表述与数字均经两个以上独立来源比对。市场预测为第三方机构观点，不代表实际结果。）

本文仅记录个人的观察与思考，含较多主观判断，可能错误百出。文中不构成投资建议，也不推荐任何标的。