过去半年，互联网大厂面对巨大的流动性AI成本，开始集体转向。
百度发布又撤回token新规，字节跳动的AI投入开始接受更严苛的回报审视，京东和阿里相继传出压缩非核心AI团队的消息。
并非AI赛道突然遇冷，而是互联网公司终于在狂奔之后开始低头算账，模型越来越贵，变现路径却远不如预期，烧钱的速度正在触碰管理层的容忍边界。这是不容忽视的趋势。
互联网算AI经济账，本质是回答一个问题：花出去的钱，能不能换回可量化的商业价值？
这个追问，正在向医疗领域传导。但从互联网的语境转换到创新药，这个问题的复杂程度陡然上升。
01、被低估的成本
自2023年前后以来，AI制药就是医疗投资圈最炙手可热的赛道之一。资本涌入的速度，甚至快于药物研发本身的节奏。
时至今日，AI制药仍然热点频出。大模型公司的介入，正掀起新一轮的热浪。
谷歌DeepMind持续加码生命科学，AlphaFold的迭代速度和市场渗透远超预期，字节跳动被曝正在推动旗下AI制药团队独立拆分、引入外部融资。
而Anthropic在推出专业的工作平台，与BMS、诺华等多家MNC试水后，宣布启动内部药物研发项目。
AI制药的逻辑很清晰，成效也很显著。AI可以缩短药物发现周期，可以降低临床失败率，可以颠覆传统制药的漫长流程。从靶点发现到分子设计，从先导化合物优化到临床方案制定，AI的渗透几乎覆盖了药物研发的全链条。
尽管铺天盖地的AI探索和应用，并没有改变创新药最客观的事实，即一款新药从立项到上市，平均需要十年、投入超过十亿美元。
但AI制药已经开始撼动新药研发原有的格局，基于AI开发的在研管线频频出现大额BD交易、英矽智能甚至将AI开发的新药管线推进到III期临床试验，都在说明这一点。
不过，想要算清楚AI制药的成本，并非易事。
“简单来讲，AI制药的成本大致可以分为四块：基础设施费用、软件与平台授权费、人才团队支出，以及数据成本。”一位从业者向动脉网介绍，“但具体到每类费用如何核算，行业内还没有形成共识。”
具体而言，基础设施、软件与平台授权费、人才团队支出等，是AI制药经济账中相对清晰的项目。其中，基础设施是显性成本的大头。
AI模型的训练和推理需要算力，算力需要GPU服务器或云计算资源。这部分成本按项目或按年度计费，弹性空间有限。对于没有自建算力中心的中小型biotech，云计算费用是持续性的财务压力。
软件和平台授权，是另一块刚性支出。
全球主流的AI制药商业化平台，多采用按管线里程碑或按年付费的模式。相关从业者表示，这种计费方式的好处是风险共担，但坏处是，随着管线数量增加，授权费用会快速累积。
人才成本是行业内公开的秘密。AI制药需要的是AI和药学的复合背景人才，这类人才在市场上极为稀缺，薪酬水平显著高于单一背景的程序员或药学研究员。组建一个六到八人的核心团队，人力成本往往超过整体预算的三分之一。
而AI经济账核算真正的难点，是数据成本的计算，这是多数人在算账时最容易低估的一块。
如果仅基于公开文献，很难形成高质量的训练数据集，而经过严格标注的生物学数据、临床数据和真实世界研究数据，获取成本极高。
随着AI模型规模的扩大，对数据量和数据质量的要求还在持续上升。
“目前行业内核算AI制药成本的主流做法，是项目成本法，将AI工具的使用成本，分摊到每条管线的每个关键节点，对比传统研发路径同阶段的成本，得出AI节省了多少时间或费用。”另一位从业者向动脉网表示，“但这个算法有水分。”
比如，失败管线的成本，往往在统计中被忽略。AI辅助的靶点发现失败了，AI的训练费用和算力消耗已经发生，这部分沉没成本往往被忽略。
客观来将，尽管以BMS为代表的MNC已经开始重视对AI价值的评估，但实践中的AI制药成本核算，是存在低估的。
02、AI的收益集中在临床前
在硬币的另一面，AI制药的收益核算相对容易。
目前，AI制药收益计算最直观的，是靶点发现环节。
通过AI辅助的靶点优先级排序和虚拟筛选，部分Biotech已经将靶点验证周期，从传统的2～3年压缩到1年以内。这类产出的衡量指标清晰，研发时间的压缩、研发成本的降低，账面上都有据可查。
此外，分子设计与先导化合物优化环节的产出同样可被量化。
以眼下AI应用最为成熟的场景之一ADMET预测为例，国内头部Biotech在这一环节的AI参与程度已相当深入，迭代效率的提升、临床前研究周期的压缩，都能通过数据直观呈现。
研究数据显示，在AI参与下，候选药物从立项到批准的整体成功率可能从目前约8%提升到18%左右；AI设计的药物在I期临床试验中成功率高达80%-90%，而传统方法仅约40%。ARK《Big Ideas 2025》预测，在AI深度参与的情景下，单个新药总投入有望从当前行业平均的十几至二十多亿美元降至个位数十亿美元。
但到了临床试验环节，尤其是涉及受试者更多的II期、III期临床试验阶段，情况就变得复杂。
一款进入临床试验的候选药物，最终获批上市的概率不足10%。
II期与III期临床试验的失败，是消耗药企资金与时间的最主要黑洞。真正能够从结构层面改变新药研发投入产出比的变量，是临床成功率的提升。
如果AI能够在试验设计、生物标志物发现及适应性试验设计等关键环节发挥更为主导的作用，临床成功率有望提升10至15个百分点。
但现实却相当骨感。
当前，患者招募是临床试验阶段落地程度最高的AI应用场景。
AI通过对病史数据的结构化分析，能够在更短时间内识别更匹配的患者群体。
据估算，这一应用可将临床试验时间缩短20%至30%，进而改善药物研发的内部收益率（IRR）。
在最关键的临床方案设计、落地、管理等环节，却鲜少接入AI工具。
“AI在药物研发中的渗透，远比想象中的更不均匀。”前述从业者补充道。
这背后的原因在于，数据可得性的根本制约。
临床前阶段拥有大量结构生物学数据、文献专利数据及已知化合物的活性数据，这些构成了AI模型训练的基础。
但临床阶段的数据则分散于各药企、CRO公司与监管机构，受隐私保护与商业机密约束，难以形成大规模、可标注的训练集。
与此同时，临床方案设计、终点指标选择、患者招募策略等环节，涉及大量难以量化的医学判断、监管博弈与伦理考量，这些变量无法被转化为可供AI学习的标准化数据。
此外，监管层面的不确定性进一步加剧了这一困境。
AI辅助临床决策目前缺乏明确的监管路径与审批标准，无论FDA还是国家药监局，对于AI生成的临床数据都持审慎态度，药企也不敢将关键临床决策完全托付于AI系统。
尽管AI制药投入产出比的实质性改善是确定的，但短期内可能还不会发生。
这一改善的前提，是临床数据的系统性打通与持续积累，即用以训练更精准的临床AI模型，以及足够长的时间窗口，用以观察AI对临床成功率的真实影响。
被低估的成本，和因难以估算而同样可能被低估的收益，让AI制药的经济账，短期内很难核算。
03、AI制药也要掉头吗？
"互联网大厂的问题，是可以砍掉AI团队止损的，但AI制药的沉没成本已经在分子开发过程中提前发生，提前终止的损失远大于及时止损的互联网公司。"前述从业者人士分析指出。“AI制药真正的价值需要放在更长的时间维度上去衡量。”他补充到，互联网AI投入是成本中心，可以随时压缩；AI制药的AI投入是研发工具，最终收益体现在药物上市后的销售。
这是一个以十年为单位的账本，不能用互联网的短期ROI逻辑去套。
一方面，传统制药从立项到商业化平均耗时约13年，在AI深度参与的情景下有望压缩至8年左右。这意味着AI制药的投入一旦启动，几乎无法在短期内获得回报；
另一方面，到2024年，国内头部药企单个资产平均研发成本已经达到22.3亿美元。AI制药的沉没成本可能集中在前期靶点发现和分子设计环节，一旦中途终止，这部分投资很难回收。
从这个意义上讲，AI制药的经济账，不是是否继续烧钱的问题，而是AI烧进去的钱最终能否换回一款能卖出去的药的问题。
不过，当成本问题被摆上台面，是时候重新梳理AI制药的逻辑，提出新的要求。
近年来，行业关于AI制药的讨论，始终围绕AI可以做什么。现在，行业需要回答，AI要怎么做，才能兑现这些预期。
一方面，AI制药探索至眼下，基本可以明确的是，AI是一种贯穿新药研发始终的生态化工具。
选择合适的合作模式，才能实现共赢。从行业实践看，这种生态合作的模式是多样化的。
最常见的是联合开发，2022年10月，英矽智能与赛诺菲签署战略合作协议，开发不超过6个创新靶点的候选药物。赛诺菲支付1250万美元首付款，英矽智能可使用其Pharma.AI平台完成先导化合物识别、合成和优化全流程。后续里程碑付款最高可达12亿美元，商业化成功后还可获得低两位数特许权使用费。截至2023年中期，双方合作确认收入约830万美元。
此外，技术授权加成本分担的模式也逐步兴起，部分项目中合作方承担研发成本及商业化成本，AI企业提供技术支持。
2022年，Exscientia曾与赛诺菲达成交易总额高达52亿美元的合作，是AI制药领域价值最高的合作项目之一。根据双方约定，赛诺菲将利用Exscientia的端到端AI驱动平台和患者样本开发多达15种针对癌症和免疫介导疾病的全新小分子药物候选物。合作范围从靶点识别到临床前开发、生产制造和商业化全流程。
另一方面，无论是制药企业还是AI企业，有必要建立分层预算结构来控制成本。
“可以采用分层逻辑，将基础设施和核心平台授权作为固定成本，控制在研发总预算的5%到8%。”前述从业者指出，将按项目里程碑付费的AI服务设为可变成本，动态调整。
同时，预留2%到3%的探索性预算用于尝试前沿应用，不要求短期回报，“当然，这个比例不是绝 对的，核心原则是避免两个极端，既不要将所有管线都强行套上AI工具，也不要因为短期看不到回报就完全放弃。”
而关注互联网大厂开始算AI经济账这件事本身，更重要的意义在于，它提醒行业，AI不是万 能药。
往后，投资者可能更加挑剔，对真实临床数据和商业价值的要求更严格。这也倒逼企业更加务实，精彩绝伦的AI故事终需真实的数据来填满。
同时，市场的头部效应将加剧，只有能够拿出过硬临床数据的公司，才可以继续把AI制药的故事讲下去。
AI制药的经济账，不是一道关于AI的算术题，短期内也很难给出相对准确的答案。
这是一道关于时间和耐心的问答题，与其拷问AI制药在成本的风波中能够立得住，不如回归做药的本质，让AI退回工具的位置，共同为临床未解的难题，寻找更好的解决方案。
