AI制药的经济账：被低估的成本、难兑现的收益与必须回归的工具理性

互联网集体算账，只是AI制药困境的序章

过去半年，百度撤回token新规、字节跳动收紧AI投入回报考核、京东与阿里压缩非核心AI团队——这不是AI退潮，而是狂奔之后的理性刹车。互联网公司开始追问一个朴素问题：花出去的钱，能不能换回可量化的商业价值？ 这道题，正被推到医疗创新最前沿：AI制药。 但当语境从流量变现切换到新药上市，问题的维度陡然升级。十年周期、十亿美元起投、临床成功率不足10%——在这里，‘烧钱’不是成本项，而是沉没在分子结构里的时间与信任。

被系统性低估的四项真实成本

AI制药的成本常被简化为“买GPU+雇算法工程师”，实则远不止于此。业内共识将其划为四类：基础设施、软件授权、人才支出、数据成本——前三者尚可列支，最后一项却长期隐形。 算力是显性大头。中小biotech依赖云服务，GPU小时费按月结算，弹性极低；商业化AI平台多采用“按管线里程碑付费”，管线越多，授权费越滚雪球；复合型人才稀缺，六至八人核心团队的人力成本常占总预算三分之一以上。 而真正被低估的，是数据成本。公开文献无法支撑高质量训练集；经专业标注的生物学、临床及真实世界数据，获取难度高、合规门槛严、清洗成本重。更关键的是，模型越大，对数据量与质量的要求呈指数级上升——这笔支出既无标准报价，也无行业基准。 更隐蔽的是沉没成本核算缺失。一条AI辅助发现却最终失败的靶点，其训练耗时、算力消耗、人力投入，在财务统计中往往被抹去。项目成本法虽将AI费用分摊至各研发节点，但回避了失败管线的全量损耗。BMS等跨国药企已启动AI价值评估，但实践层面，成本仍普遍被低估。

收益集中在临床前，临床阶段仍是价值黑洞

AI的价值产出目前高度集中于临床前环节：靶点发现周期从2–3年压缩至1年内；ADMET预测显著提升分子优化效率；I期临床成功率可达80%–90%，远高于传统路径的40%。ARK预测，深度AI参与或使单药总投入从十几亿降至个位数十亿美元。 但进入II/III期临床后，AI的贡献骤然模糊。患者招募是当前落地最成熟的场景，可缩短试验周期20%–30%；而在方案设计、终点选择、生物标志物验证等核心决策环节，AI介入极少。 根源在于数据断层：临床前有海量结构生物学与化合物活性数据；临床数据却分散于药企、CRO与监管机构，受隐私、商业机密与伦理约束，难以形成规模化、可标注的训练集。医学判断、监管博弈、患者依从性等非结构化变量，更无法转化为AI可学习的标准化输入。 监管审慎亦成掣肘。FDA与国家药监局对AI生成的临床证据尚未建立明确接受路径，企业不敢将关键决策交由算法——AI在此阶段，仍是辅助工具，而非决策主体。 因此，AI对整体研发ROI的实质性改善，取决于临床数据的系统性打通与长期积累。这不是技术迭代问题，而是生态基建问题。

不能砍团队，只能重校准：AI制药没有止损键

互联网公司可随时关停AI实验室，但AI制药的沉没成本早已嵌入分子开发流程：靶点验证、化合物合成、早期毒理实验——一旦终止，前期投入归零。AI在这里不是成本中心，而是研发杠杆；回报不在当季财报，而在十年后的药品销售收入。 传统药企单资产平均研发成本已达22.3亿美元，AI投入的回收周期天然以十年计。此时谈“是否继续烧钱”已无意义，真正的问题只有一个：AI烧进去的钱，最终能否换来一款能上市、能卖出去、能解决临床未满足需求的药？ 行业逻辑亟需转向：从“AI能做什么”，转向“AI要怎么做才能兑现”。 合作模式正在分层演化。英矽智能与赛诺菲的6靶点合作，以首付款+里程碑+特许权使用费构建风险共担机制；Exscientia与赛诺菲52亿美元协议，则覆盖从靶点识别到商业化的全链条，AI企业提供端到端平台，药企承担研发与商业化成本。 成本管控也需结构化：将基础设施与核心平台授权设为固定成本（控在总预算5%–8%），按项目付费的服务列为可变成本动态调整，并预留2%–3%探索性预算——不求短期回报，但求技术预埋。

回归工具本质：AI不是答案，而是解题的笔

互联网算账的真正启示，不是警示AI制药降温，而是戳破一种幻觉：AI不是万能药，它无法替代临床洞察、医学判断与监管智慧。 往后，投资者将更关注真实临床数据而非技术叙事；市场头部效应将加剧，唯有持续输出高质量管线与扎实临床进展的企业，才能延续故事。 AI制药的经济账，短期内无法得出精确数值。它本质上是一道关于时间、耐心与敬畏的问答题—— 与其在成本风波中反复验证AI是否立得住，不如回归做药的本质：让AI退回工具的位置，成为连接靶点与患者的桥梁，而非替代医生与审评员的幻影。 毕竟，所有技术的终极价值，不在于它多聪明，而在于它让多少患者，早一天用上真正有效的药。