本文主要是介绍为什么说AI的尽头是生物制药？，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
AI的尽头究竟是什么？有投资者说是光伏，也有投资者说是电力，而英伟达给出的答案则是生物制药。
在英伟达2023年投资版图中，除AI产业根基算法与基础建设外，生物制药是其重点布局的核心赛道。英伟达医疗保健副总裁Kimberly Powell甚至直言：“既然计算机辅助设计行业捧出了第一家2万亿美元市值的芯片公司，计算机辅助药物发现行业为什么不能打造下一个价值万亿美元的药物公司呢？”
为什么说AI的尽头是生物制药？© 医曜
图：英伟达2023年投资版图
由此不难看出，英伟达对于“AI+生物医药产”赛道的未来充满信心，它是希望再造一个“英伟达”的。究竟为何英伟达如此看好这个赛道呢？想要弄明白这个问题，我们就必须先搞清楚医药赛道的核心痛点与底层逻辑。
反摩尔定律
AI技术之所以能够如此迅速的进入大众视野，离不开集成电路产业的高速发展。
英特尔创始人戈登·摩尔的在常年研究半导体产业后，提出这样一个经验之谈：集成电路上可以容纳的晶体管数目在大约每经过18个月到24个月便会增加一倍。这就是大名鼎鼎的摩尔定律。
摩尔定律意味着，随着产业不断发展，处理器的性能大约每两年翻一倍，同时价格下降为之前的一半。正是这个不断技术迭代的过程，才使得人类计算机技术飞速发展，越来越多“玄幻”的功能得以实现。
不同于半导体产业摩尔定律的发展，生物制药产业虽然也在不断进步，但其发展却是呈现出“反摩尔定律”的趋势。
一直以来，创新药研发都有着“双十定律”之说，即研发一块新药需要十年时间、需要耗费10亿美元成本。不过这些数据已经是过去式了，最先的数据显示，全球范围内创新药的平均研发成本约26亿美元，平均研发周期约为10.5年。
漫长的研发周期与不菲的研发成本导致，创新药研发风险极高，不仅需要大量的资金去做这件事，而且还存在极高的失败风险。更为致命的是，这其中的研发难度是随着时间推移而持续提升的，也就是当人类发现的药物与靶点越多，后续发现药物与靶点所需要的成本也就会更多，投资收益率也就不断下降。
https://images.tmtpost.com/uploads/images/2024/03/44328a4376c20e1c0a23d2239c8c4ded_1711523243.png© 医曜
图：创新药研发成本，来源：开源证券
在这种反摩尔定律下，创新药研发门槛不断提升，投资者的风险越来越大，渐渐地创新药成为产业巨头的生意。但实际上，医药产业发展却注定是由“边缘革命”推动的，新的技术也往往都出现在初创公司中，当技术不断得到验证，巨头才开始切入布局。
产业发展规律与产业发展驱动力之间，实则已经形成了明显的剪刀差。这是一种极不寻常的现象，意味着人类医疗技术的进步将逐渐停滞，相信没有人愿意看到这种情况。
生物制药产业存在必须改变的需求，而不断攀升的创新药研发成本又给这件事留有足够的空间。这两点是促使英伟达看好AI技术能够重塑医药产业的立足点。
经验与直觉
现代医药产业，是一座由直觉建起的围城。
创新药上市虽然需要经历严苛且系统化的临床验证，但药物发现的过程却充满随机性。药物研发路径呈现漏斗型，一款药物的确立，是需要经历药物发现、临床前期验证、临床期验证三个阶段的，每一阶段的成功管线的数量不断降低。
这其中最难的是药物发现阶段，需要在无数化合物中筛选出1万个左右适合的化合物，然后在一步一步的筛选，最后找到合适的化合物。某一个靶点的发现与确立，不仅颇具偶然性，而且验证过程极为繁琐，找到合适的分子更是难上加难。
https://images.tmtpost.com/uploads/images/2024/03/b325d1d8e2050feb2f87db77be994550_1711523244.png© 医曜
图：药物筛选过程，来源：浙商证券
尽管一代又一代的创新药研发努力使得药物发现逐渐有迹可循，但在庞大的化合物数据面前，一切还是高度依赖于研发人员的直觉，数据能够提供的帮助并不多。努力的前提是方向正确，如果选择了一条错误的赛道，那么再多努力也终将化为徒劳。过度依赖于直觉，使得传统药物研发偶然性不可控，这也是为何创新药研发成本不断抬升的本质原因。
如果现代医药产业想要成本降低，就必须摈弃过往依赖于专家直觉的方向，而是应该更多的以数据为导向。所谓数据，实则就是一次次经验的结晶，数据化并不代表创新药研发不会失败，而是可以将这次失败转化为下一次研发的基石。通过系统性的大模型训练，AI对于药物筛选将更加快速、准确。
实际上，创新药研发就好像一款Roguelike游戏，看似一切都是由随机构成的，每一次的游戏体验可能也不尽相同，但在一次又一次的失败过程中，游戏会不断积累经验与数据，从而降低下一次游戏的攻关难度。
AI制药，本质上就是摒弃过去的专家直觉，高度依赖于数据反馈，通过不断地模型训练，进而找到正确的研发路径。由依靠专家直觉，切换到AI大模型筛选，这是一种由具象化走向数据化的过程，也是由感性向理性过度的路径。
尤其在很多未攻克的空白适应症上，专家直觉的成功可能与掷骰子无异，持续高通量的AI模型试错才是降低失败率的最好方法。AI制药，不仅降低了研发成本，而且也能有效地提升研发效率。
数据资源最为珍贵
算法、算力、数据库，这是AI技术的三大核心要素。
在大多数场景的AI应用中，算法都是三要素中最终要的一环，算力与数据库虽然也很重要，可大多数投资者依然更关注大模型算法的构建。
但在生物制药领域，算法为王的情况却可能并不适用。与其他场景相比，生物制药赛道的数据资源更加珍贵，它是非开源的，是各大药企的核心资源。无论成功与失败，都是经过大肆烧钱的临床试验而得来的。由此可见，数据库才是AI制药赛道最核心的竞争力所在。
纵观国内火热的AI制药公司，多是由CRO公司转型而来。与普通医药公司相比，CRO公司拥有极为丰富的研发经验，虽然最终研发数据归甲方公司所有，但其却能够在一次又一次的研发中，潜移默化的积攒大量的过程数据与方法论，这使得CRO公司在构建数据库方面拥有得天独厚的优势。
基于生物制药数据的非开源性，AI制药的发展最终很有可能走向两个方向。第一种是财力雄厚的MNC，它们常年积累了大量的研发经验与数据，并且全面开始投资布局AI资产；第二种则是以国内为主向AI制药转型的CRO公司，由于它们此前承接了大量的国内外研发项目，因此具备很强的数据库构建能力，欠缺的只是算法大模型的构建，而算力问题完全可以通过与阿里云、腾讯云等科技公司合作解决。
由于国内生物制药产业刚刚起步，尚未形成拥有长期创新药研发布局的MNC，因此第一种模式很可能在国内难以行得通。在未来的数十年中，CRO公司很可能将切换成为中国AI制药的核心资产，而海外则更多是各家MNC之间的对立与竞争，并不会愿意将数据开放给第三方，就连英伟达想要入局都需要通过投资生物制药公司的方式才得以实现。
现阶段，国内AI制药正处于发展初期，大致上可以分为三个梯队。第一梯队是已经布局AI制药技术多年的公司，如成都先导、泓博医药、晶泰科技、药石科技等；第二梯队则是拥有丰富的研发经验，但在AI制药领域的布局却刚刚起步，如药明康德、美迪西、皓元医药等；第三梯队则是研发经验丰富，但暂时还没有在AI布局太深的其他CRO公司。
AI制药领域，数据才是产业第一性，数据库的价值远高于算法和算力的价值，这也是为何CRO公司会站在目前国内AI制药产业第一线的原因。
这篇关于为什么说AI的尽头是生物制药？的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
