AI藥物發現面臨華爾街四千億美元的考驗

人工智慧已證明它能加速科學家已知的工作，但在藥物開發領域，AI正面臨人類生物學頑固現實與華爾街耐心的碰撞。

「AI並沒有更聰明，」羅氏旗下基因泰克的計算生物學家Aviv Regev表示。「但它能幫助我們科學家的是，它能非常廣泛地編碼資訊。」

在基因泰克，Regev建立了一個她稱之為「實驗室閉環」的系統——AI模型預測有潛力的藥物靶點和分子，研究人員通過實驗驗證這些預測，然後將結果數據反饋回模型中。這種方法擴大了科學家可以探索的研究範疇。然而，進入人體臨床試驗的候選藥物中，最終僅有大約十分之一能成功上市，許多失敗發生在耗費數年研究與數十億美元投資之後。

高盛估計，透過縮短時間表、降低成本和提高成功率，AI對藥物研發的收益現值在未來十年內可能高達四千億美元。但就目前而言，AI只是讓研究實驗室的效率更高，卻並未改變最重要的指標：每一美元研發資金能產出多少種成功的藥物。

Eroom's Law 的困境

藥物研究一直朝著摩爾定律的反方向發展：速度更慢、成本更高。科學家稱之為Eroom's Law——也就是摩爾定律的倒寫。Jack Scannell是2012年提出該術語論文的共同作者，他認為每一種新藥都必須超越前代藥物，包括那些已經有效的廉價學名藥。

理論上，這正是AI被設計來突破的壁壘——透過搜索累積的科學知識，發現任何人類研究人員都無法找到的可能性。但發現可能性與證明其有效是兩回事。細胞培養、實驗動物和電腦模型仍然是模擬人體的不完美替代品。

Scannell用一個生動的比喻來說明困境：用當今的生物數據來訓練AI，「就像抓一隻青蛙在阿布奎基騎自行車，卻試圖以此訓練你的Waymo在舊金山自動駕駛。」自動駕駛汽車之所以可行，是因為真正的汽車已經累積了數百萬英里的行駛數據。而醫學領域從未擁有過任何接近人體完整地圖的東西。

AI生物科技的第二局

即便是AI的支持者也承認，證明其潛力還需要數年時間。Anthropic生命科學部門負責人Eric Kauderer-Abrams表示，AI將透過同時攻克多個瓶頸來提高藥物的臨床成功機率，從而扭轉曲線。不過，在Anthropic推出其全新的Claude Science平台之際，他指出整個行業仍處於「第二局」。

對於投資者來說，這造成了一個兩難局面。當將藥物推向市場的成本幾乎只升不降時，很難給予藥廠應有的肯定。包括禮來公司CEO David Ricks和諾華CEO Vas Narasimhan在內的製藥巨頭高層，正投入數十億美元用於算力、合作夥伴關係和新的研究平台。然而，這其中的區別在於當前的經濟效益與未來的可能性之間。

生物科技投資人、RTW Investments管理合夥人Rod Wong認為，來自中國日益加劇的競爭可能成為推動變革的催化劑。中國的優勢在於企業能從研究構想快速推進到臨床證據的速度。這種壓力可能迫使美國重新審視其變得日益緩慢且昂貴的臨床試驗體系。

如果這些要素能夠到位，Eroom's Law或許終於開始鬆動。最終的贏家可能不是那些建立AI模型的公司，而是那些將強大工具與最深層的生物數據相結合，並有能力運作全球藥物開發計劃的企業。花旗醫療保健策略師Traver Davis指出，這些優勢有利於規模最大的老牌製藥公司。

但生物學有自己的節奏，而非半導體的週期。這場革命或許終將成真，但我們還需要數年才能確定。在藥物開發領域，真實與快速鮮少是同一回事。

本文僅供參考，不構成投資建議。