AI巨头悄悄布局，机器人要接管实验室？

当做大模型的公司开始狂造湿实验室，当做药的公司开始狂囤GPU，AI制药的时代，真的已经到来了。

最近半个月，AI制药大事件发生得有点密。

9月11日，OpenAI把专门面向生命科学的GPT-Rosalind结束研究预览，开始向更多机构开放。没过几天，诺和诺德宣布和Anthropic合作，把Claude Science往自己的药物发现体系里接。再过两天，AI巨头Anthropic已经在旧金山湾区悄悄建了实体生物实验室（湿实验室），准备将其AI技术拓展到新药研发领域。

一个天天研究token、推理能力和Agent的公司，最后还是绕回了培养皿。

另一头也挺魔幻。礼来拉着NVIDIA一起建AI研发实验室，未来五年最高投10亿美元，robotics、physical AI一股脑往里面塞；罗氏继续堆GPU，今年又上了两千多张Blackwell，整个AI基础设施已经到了几千张的量级。以前药企最爱讨论多少个实验室、多少条产线，现在年报里开始一本正经地聊算力。

事情开始变得复杂起来。

科技公司往biology里面钻，药企拼命给自己补计算能力，两拨原来离得挺远的人，现在都开始往同一张实验台旁边挤。

所以2026年再聊AI制药，和五年前已经完全不是一个味道。

01

制药业为什么一直

没有自己的“工业革命”

现代制药其实一直挺“人格分裂”的。

生产端早就工业化得不能再工业化。温度、压力、反应时间、纯化、灌装、质量控制，一条产线验证完成以后，大家研究的是怎么把良率再抠高一点，成本再压低一点，产能再做大一点。你走进工厂，会觉得这就是一个再标准不过的现代工业体系。

一脚踏进研发楼，画风立刻复古起来。

科学家看文献，想一个假设；药化做一批分子；实验室跑一轮；结果出来，一帮人进会议室开会，讨论下一轮怎么改。一个项目折腾三五年，最有价值的经验有时候没完整躺在数据库里，反倒在几个干了二十年的老科学家脑子里。

人离职，顺手把半本“武功秘籍”也带走了。

换个靶点，再来一遍。

所以制药行业过去几十年一直有件挺诡异的事。DNA测序便宜了不知道多少，高通量筛选、组学、CRISPR轮番登场，算力更不用说，手机今天的计算能力放几十年前都够吓人了。可做一颗新药，依然又慢又贵，该挂还是挂，完全不给科技进步面子。

2012年Scannell那篇著名文章干脆起了个挺损的名字——Eroom’s Law，把Moore倒过来写。半导体那边算力一路往上，制药这边单位研发投入换回来的新药产出，长期趋势居然往下走。按当时的统计，从上世纪50年代以来，每10亿美元研发投入能够换来的新药数量，大概每9年砍一半。

听着很离谱，但做药的人大概也笑不出来。

原因其实不复杂。药物研发每天对付的是一个极其复杂、噪声极大，而且反馈较贵的系统。细胞里好得不得了，动物上可能就一般；动物做得花团锦簇，一进人直接歇菜；机制全都讲得通，也可能死在PK、安全性、剂量窗口、患者分层，甚至最后发现药没啥问题，是临床设计把自己坑了。

制造业最舒服的一件事，是找到一个已经验证正确的过程，然后重复一百万遍。药物研发每天干的活，恰好相反。

昨天的正确答案，换个病人、换个适应症、换个剂量，今天未必还成立。

所以制药行业早就把“怎么稳定生产一千万盒药”研究透了，对“怎么稳定地产生下一颗新药”，多少还带点手工作坊气质。

AI偏偏撞的就是这里。

一个再勤快的药化科学家，也不可能同时读完几万篇论文，盯着几百万个结构，再把公司二十年来所有失败项目挖出来复盘一遍。人会烦，模型不会；人会选择性遗忘，服务器暂时还没有这个毛病。

更麻烦的是，AI现在还不只满足于帮人找资料。

Agent开始接工具，模型开始自己提方案。往后再接自动化实验室，过去靠一群人来回传Excel、开会、发邮件的Design-Make-Test-Learn，慢慢就有机会闭起来：模型出主意→机器去试→数据回来→模型再改。

听起来没多玄学，甚至有点像流水线，但这里面藏着一件挺大的事。

过去制药行业最难复制的资产，一直是人的经验。机器可以买十台，博士可以多招几十个，但你没法第二天早上突然复制十个干了二十年药化的人坐在工位上。

现在大家琢磨的，是科学家经验里那些能够被数据表达、被规律捕捉、被实验不断纠正的东西，能不能逐渐沉到系统里。

如果这事跑通，研发里会开始冒出很多以前不太像研发部门会讨论的问题：一次学习循环需要多久，一轮实验多少钱，同样一亿美元预算，A公司到底能比B公司多买回来多少次有效反馈；一个项目挂掉以后，留下来的东西能不能让下一个项目少交一点学费。

说白了，药企以后可能也得开始算“研发良率”。听着有点奇怪，但也没那么奇怪。

AI给制药行业带来的第一件大东西，搞不好真不是一颗神药。

它先让研发这门过去极难量化的生意，开始有了一点“产能”的味道。

02

革命开始，

医药行业的瓶颈会迁移

但凡技术革命，解决一个问题之后，通常都会顺手制造几个新问题。

假设AI真的很好用。

以前一年认真搞10个candidate，现在能搞100个；以前药化团队筛几十万个结构已经挺忙，模型现在一晚上可以在虚拟空间里扫掉几个亿。

PPT放到这里肯定特别好看。然后第二天问题来了：这100个candidate谁接？

GPU多十倍，实验动物不会连夜多生十倍；毒理团队不会，CMC不会，医院更不会。模型可以凌晨三点不睡觉跑一万轮，临床中心第二天还是八点半上班，周末搞不好还休息。

更别说患者。

AI最尴尬的一点就在这里：数字世界扩产太容易，生物世界脾气一直很大。

所以AI一旦真的把上游效率拉起来，整个医药行业很可能出现一个挺有意思的价格迁移。以前很贵的东西逐渐便宜，以前大家嫌麻烦的东西，反倒开始变成稀缺资源。

文献检索肯定越来越便宜，常规数据分析也会越来越便宜，虚拟筛选和基础分子生成更不用说，后面基本就是拼算力和模型进化速度。

再往下，世界突然恢复正常。

一个靶点在人类疾病里到底是不是强因果，没那么容易算；动物模型再漂亮，跨到人体没人敢打包票；Biomarker到底行不行，需要真实患者；Phase II有没有PoC，也只能老老实实往人身上做。

Phase III就更朴素了。几百几千个患者、全球中心、监管、随访，一个环节都不能少。

GPU再贵，也不能替你参加随访。

所以笔者现在越来越觉得，AI要是真成功，最后可能搞出一个挺反常识的结果：分子越来越便宜，验证越来越贵。

今年数据已经有那么一点意思。在它筛出来的一批AI-enabled新兴Biopharma项目里，最近三年的Phase I成功率做到75%，比可比的非AI项目明显好看；一到Phase II，双方基本又站回同一条线上。Phase III样本太少，现在也不好讲。

样本量当然还不够大，拿这组数据就宣布“AI已经把制药成功率干上去了”，多少有点跑在数据前面了。

但这个走势挺符合生物学的脾气。

前面找分子、选分子、优化分子，AI开始有机会占便宜；一进人体，大家重新平等接受生命科学毒打。

同一个靶点，在不同病种里可以是两回事；同一个病种，不同患者又能搞出完全不同的结果。器官功能、既往治疗、疾病阶段、免疫状态，随便一个变量都可能出来捣乱。

于是往后行业抢的东西可能会慢慢换。

高质量人源样本会贵，靠谱的转化医学会贵，能把Biomarker做明白的人会贵，能快速拿PoC的临床网络会贵。

患者甚至都可能被重新理解成“产能”。

这一点肿瘤圈其实早就有预演。一个靶点突然爆火，十家公司一起冲，钱都准备好了，药也都差不多能做，最后先发现病人不够用了。热门适应症的临床中心一天能收到十几个方案，PI看PPT估计都看烦了。

AI以后如果把前面的项目数量再放大几倍，热闹程度可想而知。

然后还会出现一个更烦的问题。

以前药企一年只有5个好项目，管理层天天催研发：还有没有新的？以后模型一次给你50个，看起来个个还挺眉清目秀。烦恼马上从“没得选”变成“选不过来”。

真这么干，再有钱的MNC也得烧成筛子。

所以以后药企可能得练一个挺反人性的能力：早点“杀”项目。

两轮实验已经很一般，砍。

内部团队特别喜欢，但数据就是没那么好，也得认。

以前项目少，一个项目做了三年，大家总觉得“再给它一个机会”。以后项目源源不断，舍不得反而会成为成本。

这块笔者觉得会很有意思。

AI能替公司制造大量option。

但到底把钱压给谁，什么时候加码，什么时候认赔走人，模型暂时还替不了董事会。

AI走到这里，已经不太像纯技术革命了。它开始考验管理层到底会不会花钱。

03

药企本身会被重新定义

最近这轮AI制药，还有个画面挺好玩。科技公司和药企，正在互相长成对方。

Anthropic去搞湿实验室很典型。

AI做到后面一定会遇到一个很现实的问题：互联网上能吃的数据总有边界。论文是公开的，数据库是公开的，蛋白结构以后搞不好也越来越公开。大家拿差不多的东西训练，模型再聪明，最后也容易卷成一团。

怎么办？自己造数据。

模型设计一个东西，拿去实验室测。结果回来，这条数据别人没有，再喂回去，下一轮接着做。

时间长了，就形成一个很简单的循环：模型→实验→独有数据→更好的模型→再做实验。

这时候AI公司突然发现，自己需要的已经不只是GPU工程师了。

需要实验科学家，需要自动化设备，需要生物学家，最好再来点临床能力。

Isomorphic Labs走的也是这条路。最早市场把它理解成AlphaFold的商业延伸，今天21亿美元融资拿在手里，自有pipeline继续往临床走，怎么看都越来越像Biotech。

药企那边则反着长。

礼来和NVIDIA搞联合实验室，罗氏自己堆GPU，Novo把Claude往研发流程里接。

很多MNC开始意识到，模型、数据和自动化如果以后真的成了研发底座，这玩意长期全放供应商那里，多少有点心虚。

所以“AI制药公司”这个标签，笔者估计寿命可能没大家想得那么长。

再过几年，大家都会有AI。

就像今天没有一家药企会站出来郑重其事宣布“公司已经接入互联网”，这种话说出来多少有点喜感。

以后一家像样的研发组织，大概默认就要有模型、有自己的数据、有湿实验室、有自动化，再往后接管线和临床。

区别只在于有没有接通。

有些公司六个部门各买了一套AI，然后互相不知道对方在干嘛；有些公司是真把数据、模型、实验和决策串起来。

这两个完全不是一回事。

以后看药企，笔者反而会越来越想问一些听着很土的问题：一个idea从提出到拿到实验数据，到底要几天？数据回来以后多久开始下一轮？同样1000万美元预算，到底能跑多少次有效学习？一个项目死了，公司到底有没有学到东西，还是开个复盘会、做个PPT，然后半年以后另一个部门再踩一次。

这些数字今天几乎没人披露。

以后搞不好比“公司有多少AI科学家”实在得多。

还有一点，笔者觉得现在市场多少低估了。

AI未必天然只利好小Biotech。

过去几年很流行一种想象：大药企组织臃肿、决策慢，新公司轻装上阵，有了AI以后直接弯道超车。

说得很爽。

但MNC手里还有一块资产，很多人容易忘——历史。

几十年的临床数据、几十年的PK、安全性、病理、组学、实验记录，以及一大堆花几十亿美元踩出来的失败项目。

这些东西以前很多散在公司不同部门里，甚至根本没人认真看。AI来了以后，这堆“历史包袱”突然可能值钱了。

尤其失败数据。

人类科学家很爱发表成功故事，失败结果一般没人愿意写三十页paper纪念一下。模型没这个情绪，失败对它一样是数据。

这个结构试过，不行。

这个剂量做过，毒。

这个靶点看起来很漂亮，最后临床翻了。

过去这些信息可能只是项目组心里永远的痛，现在全可以变成训练材料。

所以MNC如果真有本事把内部数据洗干净、接起来，再叠加实验平台和全球临床网络，它的壁垒未必被AI削薄，搞不好还会比以前更厚。

当然，前提是它真的找得到自己的数据。

大公司有一种挺神奇的能力：花几十亿美元做研究，然后把最值钱的数据分别存在十二个部门、十七套系统里，命名规则还互相不认识。

最后再成立一个数字化转型委员会研究怎么把它们接起来。

所以AI能不能先改变新药研发，笔者不确定。

先让MNC收拾一下自己的“电子垃圾”，大概率是真的。

04

当医药资本流向，

被AI扭转

最后还是得聊钱。

过去几年AI制药公司讲故事的模板，大家基本已经背熟了。

模型多强，参数多大，一天生成多少分子，命中率有多高，能覆盖多少靶点，签了几个BD。

早几年资本市场愿意为这些东西买单，很合理，新技术刚出来嘛，先把想象力的钱赚了再说。

以后恐怕没这么轻松，因为基础模型跑得实在太快。

今天一家AI Biotech拿出来讲半小时的核心能力，半年以后说不定被OpenAI、Anthropic或者Google顺手做成标准功能。要是每家公司花点钱就能买到越来越好的model，“公司用了AI”这件事本身很快就会变得跟“公司有Excel”差不多。

钱最后还是得去追那些稀缺的东西。

数据肯定算一个。尤其是持续产生、质量稳定、带实验结果的数据。PubMed谁都能看，公司过去十年做的十万次实验别人拿不到，这两者价值当然不一样。

而且模型挺不挑食，正结果吃，负结果也吃。

别人已经撞过的墙，对它也有营养。

另外就是实验闭环。

笔者现在对AI制药公司秀benchmark已经有点审美疲劳了。某个模型在某个榜单上比别人高3分还是5分，当然可以看，但看完也就看完了。

笔者更关心一天到底设计了多少东西，其中多少真的做进实验，多久能拿回结果，拿回来以后有没有立刻进下一轮。

一年跑20轮和200轮，第一年财报可能看不出区别。

几年以后差距可能很难追。

然后依旧逃不过临床。

英矽智能的rentosertib算一个挺有代表性的节点。AI参与找TNIK这个靶点，也参与设计分子，最后一路做到随机Phase IIa，在IPF患者里拿到安全性和初步疗效信号。

从行业发展史上看，这当然很重要，AI药物终于从电脑里跑到人身上了。

但从资本市场角度看，这件事又有点残酷。

前面讲了这么多年AI，真到了患者身上以后，大家突然又变得很传统。

该看FVC还是看FVC，该看安全性继续看安全性，该看剂量反应一个也不能少。

前面PPT里的AI logo可以很大。

进临床以后，药就是药。

AI最多帮你快一点走到赌场门口，坐上桌以后牌还是得一张一张翻。

然后笔者觉得资本配置会越来越重要。

假设一家药企以前一年搞出10个值得认真看的项目，AI以后给它100个，研发预算肯定没法一起涨十倍。

那怎么办？前面多做，后面少做。

早期便宜的时候多买option，尽快拿信息。数据不行就砍，数据不错再花钱，多拿一轮信息，再筛一次，最后真正进入昂贵临床阶段的只剩很少几个。

越来越像VC。

100个项目看一遍，最后真重仓也就那么几个。

所以以后优秀Pharma和普通Pharma之间的差别，搞不好也会越来越像优秀投资机构和普通投资机构。

大家项目都不少。有人舍得认错，有人特别恋爱脑。

有些项目数据已经烂成这样了，内部还在讨论“要不要再给一次机会”。

这种公司到了AI时代会尤其危险。

因为AI不光能生产更多idea，它还能帮你生产更多沉没成本。

项目越多，管理层犯傻的机会也会跟着增加。

所以以后再看所谓AI Pharma，笔者可能会越来越关心一些不性感的指标：从idea到feedback需要多久，一轮实验到底多少钱，一年能跑多少次真正有效的迭代，多少PCC最后敢进临床，多少Phase I值得继续烧Phase II。

还有一个特别土的问题：

每花掉一亿美元研发费，公司到底留下了什么？

如果钱烧完只留下几个死项目，那AI大概没起多大作用。

如果一次失败可以进入数据系统，让下一个项目更早避坑；实验越做越多，模型越聪明；模型越聪明，又让下一轮实验更有效率，这时候AI才算真的钻进了药企的生产函数。

要不然很多所谓AI转型，说得难听一点，无非是给原来的研发流程装了一个特别贵的聊天框。

后面两年AI制药肯定会非常吵。

大概率每家MNC官网都会单独开一个AI专区，每个CRO都会说自己AI-native，每个数据库都会给自己塞一个Agent。医药行业隔几年总要集体学几个新单词，这种热闹见多了也没啥。

但把这些东西稍微往旁边拨一拨，底下确实有些东西已经开始动了。

信息会越来越便宜，生成分子大概率也会越来越便宜；实验数据重新变贵，人体证据继续贵，好的转化医学和临床网络可能更贵。那些过去安静躺在公司服务器里、除了审计谁也不愿意翻的老数据，也突然有人开始把它们当宝贝。

然后药企会收到AI送来的一份很有意思的礼物：项目太多了。

以前大家发愁没东西做。

以后搞不好天天发愁，这一桌子东西先砍谁。

这也是笔者现在看AI制药最感兴趣的地方。某个模型把生成分子的速度提高30%还是300%，当然也重要，但说实话，现在已经没那么刺激了。

笔者更想看，当产生一个药物假设的成本不断下降以后，整个行业的钱会往哪里流，人会往哪里挤，什么能力突然开始涨价，什么能力又一夜之间成了基础设施。

如果有一天真的形成这样一套东西：模型不断出idea，机器快速去试，数据自动回来，普通项目早点死，好项目快速加钱，每一次失败还能顺手给下一次留下点遗产。

那药物研发这门生意，确实就和过去不一样了。

AI最后留给制药行业最大的东西，搞不好不会是某一颗具体的药。

它会逼这个干了一百多年的行业，开始认真琢磨一个以前多少有点不敢想的问题：研发这件事，到底能不能成为产能。

图片来源：摄图网

声明：本内容仅用作医药行业信息传播，为作者独立观点，不代表药智网立场。如需转载，请务必注明文章作者和来源。