前沿观点|a16z:AI 将如何重塑生物制药

作者：Benjamine Liu (Co-Founder & CEO, Formation Bio)

AI 将改变制药行业，但这种改变不会平均发生，也不会一次性完成。药物发现和开发中的一些环节已经越来越像软件：更快、更便宜、可迭代，并由模型能力提升驱动。另一些环节仍然受制于物理世界，比如招募患者、给药，以及等待数年才能看到终点结果。这些前沿推进的先后顺序，将决定价值在哪里集中、又在哪里被侵蚀。

在 AI 时代打造一家长期有生命力的公司很难，恰恰是因为随着模型改进，优势可能很快消散。每一次重大模型发布，都可能重新划定边界：哪些能力此前可以支撑一个独立产品，甚至一家独立公司；哪些能力现在已经被前沿实验室原生提供。上一代看起来很稳固的公司，在下一代可能突然暴露在风险中。并不是因为它们执行不力，而是因为能力层向前移动，并吸收了曾经构成其优势的东西。我们已经在其他领域看到这一幕，制药行业也不会例外。最终胜出的公司，将是那些能够正确判断这些“不均匀前沿”的公司。它们会把每一次模型进步变成顺风，而不是逆风。

我们的观点是：被发现出来的药物正在变得丰富，而临床开发仍然是约束性瓶颈。因此，真正持久的位置，应当建立在这个瓶颈周围，而不是站在不断前进的药物发现模型的路径上。下面是我们认为这一变化将如何展开，以及原因。

一、被发现的药物候选物正在变得丰富

第一个重大变化是，药物发现正在变得极其高效。这个趋势早在 AI 之前就已经开始了。

过去十年，整个行业在生成“看起来可行的治疗资产”方面已经显著变强。被发现出来的药物候选物数量大约翻了一倍，而获批药物数量却基本保持不变，每年约 50 个。

图 1：管线翻倍，获批没有同步增长。FDA CDER 在 2024 年批准了 50 个创新药，这与近年创新药年度获批数量大致集中在几十个的模式一致，并没有随着整体研发管线规模同步扩大。来源：Citeline《Annual Pharma R&D Review》（管线）；FDA《Summary of Approvals》（获批）。

这个差距揭示了一个关键事实：主要瓶颈并不在药物发现，而在开发和临床试验。除了未能实现的商业价值，这一差距的代价还包括：治疗方案无法到达真正需要它们的患者身边。在药物丰富的时代，发现本身很可能不再像开发那样构成约束。为了真正兑现 AI 对患者的承诺，我们必须解决药物开发瓶颈。市场已经在给这种差异定价。在有意义的临床验证之前，一个被发现的药物价值相对有限；而在获得有说服力的人体概念验证之后，它的价值会大幅上升。临床前发现阶段的交易，单个资产的首付款通常是数千万美元。相比之下，在强劲的二期临床数据之后，药企可能会为同一类底层资产支付数亿美元到数十亿美元。这种价差说明，分子发现只是价值创造的一层。更大的拐点出现在生物学、患者选择、剂量、终点和临床策略被人体数据验证之后。

AI 会加速这一转变。筛选、结构生物学、计算化学、生物数据集、平台型生物技术以及如今的 AI，都在增加可被生成的潜在治疗资产数量。AI 赋能的药物设计，正在从一个稀缺的技术前沿，变成一种更广泛可得的平台能力。中国作为药物发现和开发引擎的崛起，也在进一步加速这一过程。

这是一个重大的科学成就。但它也改变了行业经济学。如果被发现出来的药物数量大幅增加，那么发现本身就会变得不那么稀缺。每个靶点会有更多药物，会有更多公司追逐类似的生物学机制，会有更多资产可供授权，也会有更多在临床前或早期临床阶段看起来合理的分子。这个世界将拥有远多于其实际开发能力的已发现药物。这很可能意味着，“我们发现了一个药”将不再足以支撑持久的公司价值。一个被发现的资产仍然可以创造价值，但市场会提出更难的问题：这是正确的药吗？这是正确的靶点吗？这是正确的患者群体吗？是否存在可信的临床路径？生物学差异化是否足够？它能成为一个产品吗？在药物发现丰富化的世界里，稀缺能力不再是“造出药物”，而是知道哪些药物值得开发。

二、每个靶点对应更多药物，可能意味着每个资产价值下降

随着药物发现变得更高效，更多公司会涌向同样有吸引力的靶点。

当一个靶点足够有吸引力时，更好的工具会让整个领域更容易围绕它生成多种分子、多种模态和多种开发假设。结果不会是“每个靶点只有一个完美药物”，而是“每个靶点有许多看起来可行的药物”。这造成了一个悖论：AI 可能让创造药物变得更容易，但这并不必然让每个药物变得更有价值。事实上，反过来的情况也可能发生。随着生成一个可行资产的成本下降，早期资产的供给会上升。更多公司能够做出看起来足够可信、可以融资、合作或推进的东西。但丰富会改变经济学。边际上的已发现药物会变得更便宜、更容易复制，因此也更不稀缺。

我们已经在看到这种情况。过去二十年里，针对每个靶点开发的药物数量已经明显增加：从每个靶点大约 2 到 3 个药物，增加到 7 或 8 个，在某些情况下甚至达到 15 个以上。如果发现工具持续改进，有理由预期这个数字会进一步上升；对最有吸引力的靶点而言，可能会出现 20、30，甚至 50 个项目。例如，2025 年时，针对 PD-1 和 GLP-1 的项目分别都超过了 100 个。这对价值创造有重大影响。

图 2：每个有吸引力靶点对应的药物数量持续上升，异常值已经达到数百个。来源：McKinsey Life Sciences, 2025。区间覆盖典型有吸引力靶点。PD-1/PD-L1（200+ 个项目，DelveInsight 2025）和肥胖/GLP-1（193 个资产，IQVIA 2025 年 10 月）这样的超级靶点，已经在 2025 年远超这些水平。2030 年预测假设典型靶点约为当前水平的 2 倍，来源包括 Quantum Black by McKinsey 等。

临床前资产和发现阶段公司将面临越来越大的估值压力，因为市场会认识到早期资产正在变得更丰富。如果其他人也能围绕同一靶点生成类似分子，那么单个分子本身将无法再获得同样的溢价。差异化会转向那些更难、更慢才能证明的东西：更强的转化证据、前瞻性临床数据、正确的终点、更好的患者选择，以及更快、更可信的获批路径。

这并不意味着发现不重要。它意味着，仅靠发现本身，越来越不可能成为持久的价值拐点。过去 10 年的市场已经用经验数据证明了这一点：已发现药物候选物的估值随时间下降，尤其是二期临床前的药物。

三、预测模型会以不均匀的方式进步

AI 会改善整个制药行业的预测能力，但并不是所有预测都同样困难。进步的顺序会是不均匀的，而这种顺序非常重要。预测能力会最先在数据丰富、变异性较低、基准更清晰、反馈回路更短的领域提升。它会较晚才在那些生物学更异质、结果更难定义、验证需要长期且昂贵前瞻性研究的领域提升。

简单说：药物发现与设计会最先改善，毒性预测随后改善，临床疗效会最后被解决。

图 3：三个前沿，三条时间线。对角线展示 AI 预测能力可能成熟的顺序。横轴反映反馈回路长度，纵轴反映基准清晰度。

1. 药物设计与发现：最容易突破的前沿

我们可以把药物设计定义为识别能够有意义地调节目标靶点的分子，无论这种调节是激动、拮抗、抑制、降解，还是以其他方式改变其功能。

在药物开发的主要前沿中，发现最可能是 AI 最容易处理的部分，因为它的反馈回路相对较短。实验往往可以在几分钟、几小时或几天内完成。基准也非常清晰：我们知道需要哪些实验来理解什么与什么结合、结合效率、效力，以及 PK/PD 属性。实验更容易规模化。搜索空间可以用计算方式探索。模型可以生成假设，用已有数据测试假设，并通过反复迭代改进。

这并不意味着发现很容易，但它确实比药物开发的其他环节更像软件。理解一个药物是否能被设计成与给定靶点结合、激动或拮抗，正在变得越来越高效。数十亿美元正在流向致力于解决这个问题的公司。但这一切加在一起意味着，药物发现很可能最先被商品化；除非你能把这些发现转化为临床读出后的验证，否则价值不会在产业链这一环节持续积累

1. 毒性：更难，但会紧随其后

毒性预测比发现更难，但它很可能是下一个被 AI 显著改善的前沿。我们可以把毒性预测定义为：利用计算机模拟模型、细胞系统、类器官和低阶动物模型的证据，预判某个分子是否会在人体中产生有害影响。

这里的生物学更复杂，但问题本身仍然相对结构化。我们通常知道毒性信号是什么样子。这里存在反复出现的失败模式、已建立的实验、历史数据集，以及从细胞到类器官、到遗传上相似的动物模型、最终到人的分阶段实验系统。

相比发现，毒性的反馈回路更长；但相比临床疗效，它仍然短得多。实验可能需要几周，而不是几年。许多毒性问题受益于分子、组织、物种、剂量和机制之间反复出现的模式。

这让毒性成为 AI 驱动改进的自然下一个领域。它不像发现那样“软件化”，但它有足够的结构、重复性和可测信号，足以让模型随着时间变得越来越有用

1. 临床疗效：最难的前沿
   

我们把临床疗效预测定义为：在不开展试验的情况下，预测候选药物是否会在患者身上起效。这是圣杯，我们预计它会是最后被解决的前沿。

临床疗效依赖于人类生物学的全部复杂性：疾病异质性、患者选择、剂量、用药时长、终点、标准治疗、依从性、试验设计、中心执行和统计效能。一个模型也许可以预测一个分子会结合某个靶点，也许可以预测这个分子大概率是安全的。但要预测这个药物能否在真实世界试验条件下、在正确患者身上产生具有临床意义的获益，仍然困难得多。

原因之一是，解决这个问题所需的数据集基本还不存在。为了可靠预测疗效，我们很可能需要某种“加强版 UK Biobank”：覆盖数百万患者的多模态、纵向、深度表型、多组学数据集，并且与治疗、结局、疾病进展、生物标志物、影像、临床记录、依从性、环境和真实世界随访相关联。不仅如此，这些数据不能只是观察性的，还需要覆盖足够多的扰动：足够多的药物、剂量、机制、患者亚型和受控干预，让模型学习哪些生物学变化真正会转化为临床获益。

今天，这些数据稀疏、碎片化、有偏，并且不均匀地分布在机构、试验、电子病历、注册登记、生物样本库、组学平台和药企档案中。互联网规模 AI 可以从自然产生的海量文本中学习；临床疗效预测却需要来自昂贵、缓慢且受伦理约束的人体实验的数据。最重要的标签——一个药是否有效、对谁有效、在什么剂量下有效、针对哪个终点有效、在什么条件下有效——都来自需要多年才能完成的试验。

与毒性不同，许多毒性失败模式可以在分阶段系统中观察、重复和测量；疗效往往缺乏干净的基准。我们并不总是知道“变好”应该如何以一种稳定、可量化、便于模型学习的方式呈现，尤其是在阿尔茨海默病、自身免疫疾病、代谢疾病和许多神经系统疾病等复杂疾病中。

即使在我们理解更好的疾病中，疗效仍然难以预测，因为人的反应是异质的。患者在基线生物学、疾病进展、合并症、既往治疗史、依从性、环境以及对干预的反应方面各不相同。我们往往仍然不确定自然变异、响应者和非响应者人群，以及小规模生物学扰动如何在人体尺度上转化为有意义的结果。

这带来一个重要的顺序含义：

1. 首先，行业会拥有比其能够开发的数量更多的、有前景的已发现分子。

2. 然后，行业会拥有更多看起来可能安全的分子。

3. 最后一个重大未知，是这些分子是否真的能在患者身上有效；而在行业拥有更丰富的人体数据和更多前瞻性临床反馈回路之前，这种不确定性仍然很难解决

换句话说，临床疗效预测不只是一个更难的建模问题。它也是一个数据缺失问题、一个人类生物学问题，以及一个反馈回路问题。这就是临床开发仍然是核心瓶颈的原因。

即使有一天我们拥有一个能够高准确率预测临床疗效的黑箱模型，监管机构也不太可能马上允许药物在没有前瞻性临床试验的情况下获批。他们需要看到这个模型在实践中反复有效。需要多少个前瞻性试验正确读出之后，监管机构才会愿意依赖这样的预测？5 个？10 个？20 个？即便如此，一个疾病领域的验证也不会自动迁移到另一个领域。一个在肿瘤学中表现良好的模型，仍然需要在神经学、免疫学、心血管代谢疾病和其他治疗领域证明自己。

由于每个前瞻性验证周期都可能需要数年，监管采纳会滞后于模型能力。AI 可能会提高我们的信心、使开发决策更敏锐，并提高成功概率，但它不会在短期内消除临床证明的必要性。

只要监管机构仍然要求前瞻性人体临床试验，临床开发就仍然是瓶颈。不同于发现或毒性预测，临床开发受制于药物开发的物理现实：制造临床试验用药、完成 CMC 工作、招募患者、按要求时长治疗他们，并等待终点达成。这些步骤可以变得更快、更高效，但不能从几年压缩到几天或几周。限制因素不只是计算，而是在人体中测试药物所需的不可压缩时间。我们怀疑，未来某一天试验可以在计算机模拟中完成；但训练这类预测性 AI 模型所需的数据还不存在，例如加强版 UK Biobank：数百万患者、基因组、蛋白组、转录组、影像、纵向研究和多重扰动。

这就是临床开发仍然是制药核心瓶颈的原因。市场已经反映了这一现实。资产在二期临床读出后价值更高，因为最重要的不确定性正是在这里开始消解：不只是一个药能否被发现，也不只是它是否安全，而是它能否真正帮助患者，并调节一个重要的临床终点。

图 4：一个假设峰值销售额为 10 亿美元的药物，价值在哪里被创造。图中展示各开发阶段经风险调整后的资产价值。二期临床读出锚定为 10 亿美元；数值采用行业标准成功概率和 13% 的折现率（典型生物技术公司水平）。最陡峭的单一拐点是从一期临床读出到二期临床读出，约为 4 倍跃升。

四、关键认识论问题：你如何知道自己真的优于行业平均？

几乎每一家生物技术公司都必须面对一个根本性的认识论问题。即使你拥有一个模型或平台，并且相信它能够以更高概率预测临床阶段疗效，你究竟何时、又如何知道自己确实优于行业平均水平？

临床证明需要时间，小样本很难解释。如果基线二期临床成功概率约为 30%，你做了 5 个二期临床试验并成功 3 个，也就是 60%，这说明你确实更强，还是只是运气好？如果你做了 10 个二期临床试验并成功 5 个，这令人鼓舞，但仍然不能说明统计上显著优于行业。由于二期临床试验可能需要 2 到 4 年才能读出，市场、监管机构，甚至公司自身，可能需要十年甚至更久，并且需要横跨多个治疗领域的许多前瞻性读出，才能有信心把真正由模型驱动的优势与方差区分开。

即便模型在历史数据上表现良好，市场也不太可能在前瞻性临床证明出现之前给予充分认可。对于 first-in-class 药物尤其如此，因为没有干净的先例，核心问题也不仅是模型能否从过去插值，而是它能否预测一种新的生物学和临床现实。对于 best-in-class 药物，也就是基于已知生物学优化出来的分子，投资人可能会对正面读出打折，因为疗效通常已经大体可知。

这可能造成一种估值悬而未决。投资人也许相信 AI 可以提高成功概率，但在看到反复的前瞻性证据之前，他们不太可能完全按这一提升来定价。这一点尤其真实，因为第一代 AI 生物技术公司尚未清楚证明其临床成功概率出现了阶跃式改善。

简单说，优势仍然必须在临床中被证明。要可信地声称自己拥有统计显著优势，很可能需要 10 到 20 次前瞻性临床尝试，并且表现显著优于行业基准。若要在 p = 0.048 水平达到统计显著性，大致需要 10 个中至少 6 个成功，或 20 个中至少 10 个成功。但如果一家公司从发现阶段开始，它可能在产生足够多二期临床读出之前，就耗尽时间或资本。至少现在，证明仍然来自临床。但有一种优势我们可以更早知道：你是否能够更快、更高效地做药物开发和临床试验。这就是为什么胜利策略不是只依赖更好的成功预测，而是把更好的预测与结构上更优的药物开发引擎结合起来。如果我们的模型帮助我们选择更好的资产，这当然很强；但只有等药物临床读出之后，你才知道自己是否真的更擅长预测。如果我们还能更快、更便宜、更稳定地开发这些资产，那么我们就创造了一个可衡量的优势。从功能上看，如果能以传统公司相同的成本和时间做更多次尝试，就会显著提高击中赢家的概率。

这就是战略楔子。

五、逆帕斯卡赌注：按行业平均值测算，并确保你能打出足够多次射门

帕斯卡赌注讨论的是不确定性下的决策。帕斯卡认为，即使我们无法知道上帝是否存在，相信上帝也是理性的，因为收益结构是不对称的：如果你相信，而上帝存在，上行收益是无限的；如果你相信，而上帝不存在，下行损失有限。期望价值由无限上行的可能性主导。当然，如果你不相信，而愤怒的上帝确实存在，下行损失就是无限糟糕的。

对于临床成功概率预测，我们相信一种“逆帕斯卡赌注”。

图 5：逆帕斯卡赌注示意图。

人们很容易相信，更好的模型应该转化为显著更高的临床成功概率。随着时间推移，这可能会发生。但如果我们过于激进地按这一信念测算，而事实证明我们错了，下行风险将是生死攸关的。我们会为资产付出过高价格，做太少次尝试，围绕虚假信心过度建设，错误配置资本，并冒着杀死公司的风险。

更安全的战略姿态是：在被证明不是这样之前，先假设成功概率等于行业平均水平，并在这个假设下建立仍然可行的商业模式。打造一家即使在行业平均胜率下，也能进行足够多次、经过充分尽调的尝试的公司。目标是建立一家能够进行足够多次高质量下注的公司，使它不依赖于“必须拥有更高 PoS”才能成立。当然，我们仍然要尽一切努力提高 PoS。

如果基线二期临床成功概率约为 30%，那么任何单一项目失败的概率都高于成功。但组合会改变风险结构。一个包含 10 个相互独立二期临床项目的组合，产生零个赢家的概率只有约 2.8%。换句话说，即便在行业平均胜率下，足够多且有纪律的尝试，也会大幅降低完全失败的风险。这就是我们想要的不对称性。

图 6：包含 10 个项目的组合，零赢家概率只有 2.8%。二项分布，n = 10 个试验，p = 0.30（行业平均二期临床成功概率）。来源：BIO 以及 Wong, Siah & Lo。即使在平均胜率下，一个构建良好的 10 项目组合也具有正向期望结果，完全失败概率极低。

如果我们按行业平均值测算，而模型实际上更好，我们就会跑赢。如果我们假设模型更好、但它们实际上只是平均水平，我们就可能错误定价风险、为资产支付过高价格、做太少次尝试，并毁掉公司。

所以原则很简单：按行业平均成功概率来测算公司，并让任何预测优势以实际上行的方式体现出来。这里有一个重要细节。我们当然应该使用预测模型，尽一切可能提高 PoS、对资产排序、确定项目优先级、估算风险调整净现值（rNPV），并决定哪些尝试值得做。AI 模型应该影响组合选择。但公司战略不应依赖这样一个假设：我们预测出来的成功概率已经优于行业水平。否则公司会暴露在生死攸关的风险之下。如果我们拥有更好的预测模型，能够更便宜、更快地开展试验，并且能够更高效地商业化，那么我们会赢两次：第一次来自有纪律的组合构建，第二次来自高于基线的实际表现。

在这些问题得到回答之前，正确的策略是在资产层面保持谦逊，在组合层面保持纪律：假设平均胜率，进行足够多次、价格合理的下注，并让更好的预测创造上行，而不是脆弱性。

六、Formation 的策略：围绕 AI 改变制药时出现的瓶颈来构建能力

对 Formation Bio 来说，机会在于围绕我们认为会持续存在的瓶颈来构建公司：临床开发。我们授权引入最有前景的药物，并以更快、更便宜、更高效的方式推动它们完成临床试验。短期内，我们会在重大价值拐点之后，例如二期临床读出之后，把经过验证的资产出售或合作交回给药企。长期来看，我们会走向自主商业化自己的药物。

如果找不到想要的资产，我们最终也可能自己做药物发现，尤其是在发现周期进一步崩塌之后。但在一个“好药数量多于可用开发能力”的世界里，即使花一到两年再生成一个候选物，也有真实的机会成本。这段时间更应该花在稀缺能力上，也就是最接近创造持久市场价值的能力上：识别已经存在的最佳资产，将其匹配到正确适应症，并以更高速度和纪律推动它们完成临床证明。这就是 Formation 背后的战略前提。

我们的平台不是一种泛泛的 AI 策略。它建立在我们对不均匀前沿的具体判断之上：发现最先变容易，毒性预测随后改善，而临床疗效和临床开发仍然是最困难、也最有价值的瓶颈。随着 AI 改变行业，我们正在围绕制药中稀缺性和价值将会集中的环节构建系统；我们先做什么、后做什么，这个顺序本身很重要。

如果不均匀前沿按预期展开，AI 将首先让行业发现出远多于现在的药物候选物，然后带来更多预测毒性风险更低的候选物，最终形成一批不断增多的“看起来可行”的药物。它们最大未解的问题，是是否真的能在人身上有效。

这将创造一个非常不同的世界：稀缺资源不再是一个分子，而是知道哪个分子、在哪个适应症、面对哪类患者、采用哪种试验设计，才真正值得推进。许多资产在纸面上可能看起来有希望，能结合预期靶点，并且在临床前看起来可开发，但仍然有大量关于临床疗效的未解问题。与此同时，许多靶点与适应症的组合仍然未被探索、未被充分测试或理解不足。

如果事实如此，三种能力会变得最重要。

第一，我们需要最擅长选药

在资产数量多于行业开发能力的世界里，资产选择会成为制药行业最重要的能力之一。胜出的公司不会是看见最多药物的公司，而是能比别人更早、更准确地识别哪些资产最可能成为有价值药物的公司。

这一直如此，但现在，随着 AI 和中国改变我们的行业，已发现候选物的宇宙会大幅扩张。

我们的平台包含药物开发全生命周期中的几项关键能力。我们的 AI 系统 Atlas 让我们能够以比人工团队和流程更高效、更大规模的方式，绘制和筛选药物资产宇宙、竞争格局以及靶点—适应症机会。但看到更多机会，只有在我们能更好判断它们时才有价值。真正的优势来自把 AI 规模的搜索与卓越的人类判断结合起来。

最好的团队仍然会因为品味、判断力和模式识别而差异化：知道哪些风险是致命的，哪些风险是可管理的，哪些信号才真正重要。目标不是做孤立的一次性决策，而是把专家判断，例如前研发负责人、生物技术投资人和博士，嵌入评估资产的 AI 系统中，让 Formation 的资产选择能力随着时间复利增长。

我们的 Delphi 系统闭合了这个回路。它追踪全行业的临床读出，让我们不仅能从自己拥有的药物中学习，也能从市场运行的每一个相关试验中学习。通过将结果与我们先前的预测比较，Delphi 会持续磨炼我们对成功概率的理解。每一次读出都是一次学习事件：哪些风险真正重要，哪些信号发生了转化，哪些假设是错的，哪些模式应当影响我们评估下一个资产。

Atlas 和 Delphi 共同构成一个复利式选药引擎的基础。Atlas 扩大我们能够看见的资产宇宙。专家判断教会系统重视什么。Delphi 把临床结果转化为改进未来决策的反馈。随着时间推移，资产选择会成为一种机构能力；我们评估的每个资产、行业读出的每项试验，都会让这种能力更强。

第二，我们需要最擅长精准药物开发，并把正确药物匹配给正确患者

随着每个靶点出现更多药物，价值将越来越取决于能否把每个资产匹配到正确适应症、患者群体、终点和开发路径。同一个分子在一种场景中可能表现平庸，在另一种场景中可能极具价值。差异往往不只来自分子本身，而来自围绕它的开发策略。

这个搜索问题过于庞大，纯人工流程很难全面、彻底地完成。对于每个资产，都存在许多可能的适应症、患者细分、生物标志物、终点、对照、试验设计和商业路径。评估这些选项需要整合遗传学、真实世界证据、文献、组学、竞争情报、监管先例和市场结构。

AI 可以压缩这个过程。它能帮助我们评估远更多药物—适应症组合，比较更多开发策略，并识别一个资产最有机会成为有价值药物的场景。

这正是我们的 Forge 和 Cassini 系统的作用。Forge 帮助评估开发路径、模拟项目选项，并与既往研究进行基准比较。Cassini 帮助判断一个项目能否满足可创造有意义市场价值的目标产品画像。二者结合，让我们从“这是一个好药吗？”转向一个更重要的问题：“这个药在哪里、如何、为谁，才能成为一个有价值的药物？”

第三，我们需要开发与资本优势，也就是更多次高质量射门

如果临床试验仍然是药物开发的瓶颈，那么能够以更低成本和更快速度运行更多高质量试验的公司，将拥有有意义的优势。Formation 在这里有一种结构上不同的模式。如果我们能用每一美元做更多次尝试，并以更低的有效资本成本为这些尝试融资，我们就能提高产生赢家的概率，而不按比例增加母公司的风险。

药物开发是一门概率生意。即使选择得很好的资产也会失败。因此，优势不仅来自选择更好的项目，也来自能否高效地为更多经过充分论证的项目融资并执行。一家公司如果能更快、更便宜地开发资产，并更少依赖公司股权融资，就可以在相同资产负债表压力下推进更广的组合。

这会改变数学。每一美元带来更多次尝试，会扩大组合广度。更低资本成本会保留上行并减少稀释。更快执行会更早解决不确定性。这些优势结合起来，会增加 Formation 产生多个成功读出的可能性，同时避免生物技术公司最常见的失败模式之一：在到达有意义临床价值拐点之前耗尽资本。

在一门概率生意中，进行更多次聪明尝试的能力非常有价值。在我们这个行业，一个有意义的赢家就可以覆盖许多损失；但前提是公司能在不破坏资本纪律的情况下，进行足够多次经过充分论证的尝试。更多尝试、聪明选择、高效开发、创造性融资，可以复利成为一种持久优势。

图 7：在行业基线二期临床 PoS = 30% 的情况下，一个包含 n 个相互独立二期临床项目的组合产生零个赢家的概率。来源见图 6。

Apollo 是我们的 AI 赋能 CRO，建立在多年 TrialSpark 基础之上，旨在赋予我们执行优势：更快、更便宜、并以更强运营控制开展试验。更快启动、更低试验执行成本、更好的患者招募、更强方案设计、自动化工作流和更紧密的运营反馈回路，都会提高我们能够进行的开发下注的数量和质量。如果临床证明是行业瓶颈，那么减少生成这种证明所需的时间和成本，就是最重要的杠杆之一。替代性资本工具给予我们资本优势。临床阶段资产可能需要数千万美元，才能到达有意义的读出。如果每个项目都必须直接由公司资产负债表出资，资本成本会迅速复利，稀释也会随之加剧。公司要么募集更多股权、接受稀释，要么放慢速度、减少尝试次数。替代性资本结构可以改变这个方程。更多内容我们很快会展开。如果一家公司能够通过专门为资产开发设计的结构来融资更多项目，而不是必须只在自身资产负债表上为每个药物融资，那么它可以减少稀释、提升资本效率，并在相同公司资产负债表压力下追求更多机会。这创造了一种结构性优势。更好的预测帮助我们选择更好的资产。更快、更便宜的开发引擎让我们更高效地测试这些选择。专门的资本工具让我们能够扩大可尝试次数，而不会让公司负担过重。每一项试验还会创造机构学习：每个方案、入组曲线、监管互动、终点决策和读出，都应当让下一项试验更快、更便宜、信息更充分。在 Formation，如果不能解决 AI 改变药物发现时出现的核心瓶颈，我们就无法收获 AI 的果实，最终也无法为患者带来更多治疗方案。随着不均匀前沿成形，我们正在构建的系统旨在依次解决这些瓶颈。Atlas 帮助我们在药物丰富世界中获胜，方法是绘制候选物宇宙，并浮现最值得开发的资产。Delphi 帮助我们估算成功概率、建模价值，并在预测模型不均匀改善时对开发路径进行压力测试。Forge 帮助我们设计和模拟临床项目，因为在一个药物—适应症匹配和研究设计决定价值的世界里，这些能力至关重要。Apollo 帮助我们压缩试验运营的时间和成本，因为临床执行仍然是约束瓶颈。ARK 是这一切之下的数据基础，整合临床、基因组、真实世界证据和竞争情报，让整个系统能够复利。

随着发现所需成本和时间进一步崩塌，我们未来可能会进入发现领域，并闭合完整回路。但正确的起点是今天价值最集中的地方：最接近临床证明、最接近二期临床读出这个重大价值拐点的位置。

七、复利优势

最重要的优势在于，这套系统会复利。传统药企往往把每笔交易、每个资产、每项试验都当作离散事件。知识被分散在数千人的团队、文件、顾问、供应商和个人记忆中。经验教训会被学到，但并不总是被系统化捕捉。错误会重复。洞见会衰减。机构知识会随着人离开而流失。Formation 被设计成不同的样子。我们的平台创造了一个飞轮：每个被评估的资产、每项被执行的试验，都应当让整个系统更聪明。每个被筛选的资产都会改进我们的格局模型。每次评估都会磨炼我们的预测系统。每项试验都会细化我们关于终点、招募、中心表现、成本、时间线和执行风险的基准。每次监管互动都会改善我们对可行开发路径的理解。每次商业评估都会提升我们对哪些读出创造价值的理解。随着时间推移，每个项目都应当为 Formation 的“外脑”增加内容：一个关于如何更好开发药物的持久记录系统。在 AI 赋能的制药世界里，胜出的公司不会只是拥有最佳公开模型访问权的公司。那些模型会变得广泛可得，它们的价值会无处不在。更持久的优势将来自专有工作流、专有数据、反复决策，以及竞争对手不容易复制的组织学习回路。

Formation 的目标应当是让每笔交易、每个项目都改善下一个项目。我们评估的每个资产，都应当让我们更擅长资产选择。我们运行的每项试验，都应当让我们更擅长执行。每次读出都应当让我们更擅长预测。每次融资都应当让我们更擅长结构化风险。

八、前沿是不均匀的，这就是机会

制药行业的下一个十年，不会由单一 AI 突破定义。它会由一系列能力迁移定义。药物发现会变得更快、更便宜。毒性预测会改善。临床疗效预测会滞后。开发仍然是瓶颈。这个世界会拥有多于其开发能力的药物、多于其测试能力的假设，以及多于资本能够高效支持的资产。这种不均匀性就是机会。它也提出了每一种 AI 战略背后的问题：防御性不只是今天什么有效，而是随着模型进步，你的位置会变得更有价值，还是更没必要。正因如此，我们并不试图完美预测未来。在一个快速变化的世界里，战略并不建立在确定性之上，而是建立在对时机的有根据判断之上。

答案是围绕瓶颈来构建。如果我们建立了最好的系统来选择药物、把药物匹配给正确适应症、设计更好的试验、高效为开发融资，并更快执行，那么每一波 AI 进步都会强化我们的模式，而不是威胁它。不均匀前沿会奖励那些知道自己应当站在连续谱哪个位置上的公司。Formation 站在药物丰富与开发稀缺相遇的地方。那里就是价值将被创造的地方。而这件事的意义极其重大。在后 AI 世界里，人类最重要的抱负之一，将是活得更久、更健康。下一个时代最重要的公司之一，将是能够以更高速度、精度和规模，把正确分子转化为药物，并让这一愿望成为可能的公司。

新闻来源：

https://www.a16z.news/p/uneven-frontiers