AI制药成本迷雾：从互联网大厂回调看创新药经济账的重构

当互联网大厂的AI热潮逐渐褪去理性色彩，开始集体压缩非核心AI团队或重新审视Token投入时，这一成本控制的涟漪正迅速传导至更具专业壁垒的医疗领域。曾经被视为风口的AI制药，如今不得不面对一道更为复杂的经济算术题：在高昂的算力、数据与人才成本面前，AI究竟能为创新药研发带来多少可量化的商业价值？这不再仅仅是技术优越性的探讨，而是关乎生存与发展的财务生存战。

过去几年，资本以惊人的速度涌入AI制药赛道，从DeepMind的AlphaFold迭代到Anthropic切入药物研发内部项目，技术叙事往往掩盖了基础的经济逻辑。尽管AI在缩短药物发现周期、降低临床失败率方面的潜力已被广泛认可，但一款新药从立项到上市仍需十年以上、投入超十亿美元的事实并未改变。然而，AI正在悄然重塑这一格局，英矽智能等企业的管线推进至III期临床，大额BD交易的频繁出现，证明了AI介入的有效性。但有效性不等于经济性，算清这笔账，是行业走向成熟的关键一步。

深入拆解AI制药的成本结构，会发现其中存在多处容易被忽视的“隐形深坑”。传统视角下，人们往往关注模型训练的直接费用，却低估了全链条的隐性支出。基础设施费用是显性的大头，GPU服务器或云计算资源的高昂使用费，对于缺乏自建算力中心的中小型Biotech而言，构成了持续的财务压力。此外，软件和平台授权费通常按管线里程碑或年度计费，随着管线数量增加，这笔刚性支出会呈指数级累积，风险共担模式在扩张期往往变成成本黑洞。

更为棘手的是人才与数据成本。AI制药需要兼具AI算法与药学背景复合型人才，这类稀缺资源的薪酬水平远超传统程序或研究员，组建核心团队的人力成本常占据预算的三分之一。而真正的难点在于数据成本的核算。高质量的生物学数据、临床数据和真实世界研究数据获取极难，仅靠公开文献无法支撑大模型训练。行业内缺乏统一的数据成本核算共识，导致这部分支出在财务模型中常被严重低估。

尽管成本高昂，AI在收益端的贡献却相对直观，主要集中在临床前阶段。通过AI辅助的靶点优先级排序和虚拟筛选，部分Biotech已将靶点验证周期从2-3年压缩至1年以内。在ADMET预测等环节，迭代效率的提升和临床前研究周期的缩短，均能在账面上清晰呈现。数据表明，AI深度参与下，候选药物从立项到批准的潜在成功率可能从8%提升至18%，I期临床成功率更是高达80%-90%。ARK预测，单个新药总投入有望降至个位数十亿美元，这一预期极具吸引力。

然而，当视角转向决定药物生死的II期、III期临床试验，AI的收益逻辑便遭遇了严峻的现实阻滞。II期、III期试验的失败是消耗药企资金的最大黑洞，若AI能在此提升临床成功率10-15个百分点，将彻底改变行业ROI。但现实是，AI在临床阶段的渗透率远低于临床前。患者招募虽因病史数据结构化分析而受益，可将试验时间缩短20%-30%，但在关键的试验设计、终点指标选择及监管博弈环节，AI几乎缺席。

造成这种“头重脚轻”局面的根本原因，在于数据可得性的结构性矛盾。临床前拥有大量结构化数据，而临床数据分散于各药企、CRO及监管机构，受隐私和商业机密保护，难以形成大规模可标注训练集。更复杂的是，临床决策涉及大量难以量化的医学判断与伦理考量，无法转化为标准数据。加上监管层面缺乏明确的审批标准，无论是FDA还是NMPA，对AI生成的临床数据均持审慎态度，药企不敢轻易将关键决策托付给AI。

因此，AI制药的经济账不能简单套用互联网的短期ROI逻辑。互联网大厂可以轻易砍掉AI团队止损，因为AI对其而言多为成本中心；但AI制药的投入已转化为具体的分子开发沉没成本，中途终止的损失远大于即时止损。AI在制药中是研发工具，最终收益体现在药物上市后的长期销售，这是一个以十年为单位的账本。一旦启动，除非出现重大失败，否则很难中途掉头。

面对成本压力与收益不确定性的双重挑战，行业亟需建立新的合作与预算范式。在合作模式上，单纯的买卖关系正在向生态合作转变。英矽智能与赛诺菲的合作，采用首付款加里程碑付款及特许权使用费的模式，将技术价值与临床成果深度绑定。Exscientia与赛诺菲高达52亿美元的交易，更是涵盖了从靶点到商业化的全流程，体现了风险共担、利益共享的深度整合。这种模式让AI企业从“供应商”转变为“合伙人”，共同面对临床转化的不确定性。

在内部成本控制上，分层预算结构成为共识。将基础设施和核心平台授权作为固定成本，控制在总预算的5%-8%，而将按项目付费的服务设为可变成本，动态调整投入比例。同时，预留2%-3%的探索性预算用于前沿尝试，既不盲目全管线套用AI，也不因短期无回报而放弃。这种结构化的资源配置，旨在平衡短期效率与长期创新。

互联网大厂的回调并非否定AI，而是对价值的重新校准。对于AI制药而言，这意味着市场将不再为空洞的故事买单，而是对真实临床数据和商业价值提出更严苛的要求。头部效应将加剧，只有那些能拿出过硬临床数据、证明AI能实质性提升临床成功率的企业，才能继续讲述AI制药的长期故事。

AI制药的经济账，本质上不是关于AI的纯算术题，而是一道关于时间与耐心的问答题。在成本风波中，与其执着于短期成本的极致压缩，不如回归做药的本质。AI应当退回工具的位置，作为辅助手段解决临床未解的难题。只有当AI真正融入药物研发的全生命周期，并在最艰难的临床试验阶段找到突破口时，这笔经济账才能真正算清，AI制药也才能从概念验证走向大规模的商业化成功。