生物科技：AI能否革新药物研发？

开篇：这项技术已渗透到制药实验室的各个环节。然而，投资者是否应该为此投入资金？

人工智能已经验证了它能够加速人类本就熟练的工作：代码编写、财报会议摘要以及日常事务的自动化

人工智能能否助力人类探索未知领域，这是一个价值连城的命题。没有什么比优化阿尔茨海默病和癌症等疾病的新药研发流程更能检验人工智能的潜力了

然而，药物研发恰恰是人工智能与人类生物学内在规律正面交锋的领域。华尔街仍在等待人工智能改变药物生产经济格局的证据。在此之前，投资者几乎没有理由像奖励人工智能工具开发商那样奖励制药企业

在实验室环境中，人工智能已经显著提升了效率，包括预测蛋白质折叠结构、锁定潜在药物靶点以及虚拟筛选海量分子

传统上，科学家主要依赖人工筛选药物靶点，他们会依据自己最了解的相关文献来推断哪些蛋白质可能与特定疾病相关，随后在实验室中耗费数月乃至数年验证这些假设

在罗氏旗下的基因泰克公司，计算生物学团队开发了一套"循环实验室"系统。人工智能模型预先筛选有潜力的靶点和分子，研究人员通过实验验证这些预测，并将结果数据反馈给模型，以优化后续轮次的预测

这种方法扩大了科学家实际可执行的研究项目范围。人工智能的优势不在于其智力超越人类，而在于它能整合和运用远超任何个人研究者所能掌握的生物学知识

"人工智能并不比人类更聪明，但它对我们科学家的帮助在于，它能够极其广泛地编码和整合信息。"

毫无疑问，当前正进行着令人瞩目的科研探索。关键在于，这些研究成果最终能否转化为实际应用价值

近数十年间，基因组学、自动化和高通量筛选等技术大幅提升了科学家产生和验证想法的能力，但始终未能真正改善每笔科研投入的回报率

问题不在于创意匮乏，而在于如何将这些创意转化为对人体有效的药物。进入临床试验的候选药物中，最终仅有约十分之一能够获批上市，而许多失败案例都发生在耗费数年时间和数十亿美元投资之后

在计算机领域，摩尔定律描述了创新推动芯片性能指数级增长的动态过程。但药物研发在某种程度上却背道而驰：研发速度随时间推移而放缓，成本也持续攀升。科学家将这种逆转现象命名为埃鲁姆定律（Eroom's Law），即摩尔定律的镜像

部分问题在于简单的收益递减：每种新药都必须比已有药物更具疗效，包括那些已证明有效且价格低廉的仿制药。理论上，人工智能正是为打破这种障碍而设计，通过检索积累的科学知识，挖掘人类研究人员无法触及的可能性

但发现可能性并不等于证明其有效性。细胞培养、实验动物和计算机模型仍无法完美模拟人体环境

斯坎内尔巧妙地比喻了这一挑战：用当前数据训练人工智能，"如同试图通过让一只青蛙在新墨西哥州阿尔伯克基骑自行车，来训练你的Waymo自动驾驶汽车在旧金山行驶"

自动驾驶汽车之所以能够运行，是因为真实车辆已积累数百万英里的实际行驶里程数据。而医学界从未拥有过接近完整的人体图谱

正因如此，即便是人工智能的坚定支持者也承认，证明其潜力仍需数年时间。人工智能将通过同时突破多个瓶颈来扭转局面，从而提升药物的临床成功率

然而，就在Anthropic公司推出新平台Claude Science之际，他也指出，整个行业目前仍处于"第二局"

对投资者而言，这造成了一种两难困境。当药物上市成本持续攀升时，很难对制药企业给予肯定。然而，人工智能在药物研发领域的进步不容忽视

包括礼来公司和诺华公司在内的制药企业掌门人，正投入数十亿美元用于计算能力、合作伙伴关系和新型研究平台。高盛估算，未来十年，人工智能通过缩短研发周期、降低成本和提升药物成功率，为药物研发带来的现值可能高达4000亿美元

区别在于当前的经济现实与未来发展的可能性。目前，人工智能提升了科研实验室的效率，但并未改变最关键的衡量标准：每美元科研投入能催生多少成功药物。在这一数字改善之前，华尔街几乎没有理由重新评估该行业

随着时间推移，这种情况可能会改变。人工智能或许会成为生物技术复兴的关键组成部分，但这只有在生物技术行业能够改善发现与临床证据之间的反馈机制时才能实现

这意味着需要更丰富的人类数据、更优化的患者监测方法，以及能够更快得出结果的临床试验

生物科技投资者认为，来自中国的日益激烈竞争可能成为这一转变的催化剂。中国的优势在于企业能够快速将研究成果转化为临床证据。这种压力可能迫使美国重新审视其日益缓慢且成本高昂的临床试验体系

如果这些因素最终汇聚到一起，埃鲁姆定律或许终将有所改变。如果真是如此，最终的赢家可能并非那些自行构建人工智能模型的企业，而是那些将强大工具与最深层的生物数据以及开展全球药物研发项目的能力相结合的企业

但生物系统自有其运行规律，而非半导体周期。这场革命或许终将到来，但我们还需数年时间才能确定。在药物研发领域，"真正到来"和"即将到来"很少是同一回事