你打开医药新闻，满眼都是AI发现新药的传奇。但礼来数字官Diogo Rau最近跟《华尔街日报》聊了几句大实话——这笔钱，压根没花在刀刃上。
钱砸进了哪里，回报就在哪里
礼来这几年在AI上出手阔绰。和英伟达的十亿美元合作、自建行业顶级超算，这些动作让外界以为他们要用AI颠覆新药研发。Rau却坦承：AI带来的真金白银，完全不在药物发现环节。
真正见效的是后台运营和生产线。
以替尔泊肽（Mounjaro和Zepbound的核心成分）为例，礼来搭建了生产流程的"数字孪生"（数字化镜像系统），用机器学习筛选压力与温度的最优组合。结果是生产时间缩短、产能提升——没有突破性的科学发现，只有实打实的成本账。
这种反差颇具讽刺意味。行业把AI的故事讲在实验室，利润却来自工厂和Excel表格。
临床数据不给面子
RBC分析师Trung Huynh的态度更直接：没有确凿证据表明AI能提高临床试验成功率。这句话戳破了一层窗户纸——过去几年，AI制药的承诺很大程度上建立在预期而非结果上。
Recursion Pharmaceuticals的案例尤为尴尬。这家AI药物发现的早期先锋，创立近13年仍未推出任何一款AI研发的上市药物，去年被迫裁员20%。公司最初的雄心是破解行业90%的药物研发失败率，如今连自己的生存都成了问题。
当然，Recursion并非全无进展。他们设计的一款实验性抗癌药仅用18个月，而行业平均需要约4年。但Huynh的提醒依然有效：人体试验仍需数年，这款药最终能否上市仍是未知数。
90亿美元的账怎么算
RBC预测，未来五年AI将为美国医药行业节省约900亿美元。这笔钱从哪来？
拆解一下：生产优化、供应链调度、合规文档自动化、临床试验患者招募——这些"无聊"的环节构成了节省的主体。药物发现环节的贡献，在总盘子中占比有限。
这揭示了一个被忽视的真相：医药行业的成本结构里，研发失败是显性损失，而运营低效是隐性出血。AI目前止住的，是后者。
礼来的选择具有代表性。当同行还在追逐"AI发现下一个重磅炸弹"的叙事时，他们先把数字孪生搬进工厂。这种务实或许不够性感，但现金流不会撒谎。
为什么实验室的AI难赚钱
药物发现的特殊性在于时间尺度。一款新药从靶点确认到上市平均需要10-15年，AI介入的历史才短短几年。即便算法真能加速早期环节，人体试验的漫长周期也会稀释整体效率收益。
更关键的是验证困境。AI可以生成海量候选分子，但生物学复杂性意味着，预测与真实效果之间的鸿沟仍需实验填补。Recursion的18个月设计周期 vs. 数年临床等待，正是这种张力的写照。
相比之下，制造业的反馈回路短得多。温度调低两度、压力升高5%，本周就能看见产量变化。AI的优化能力在这里有明确的用武之地。
后台办公同理。合同审核、监管申报、财务对账——规则明确、数据结构化，正是大语言模型和自动化工具的舒适区。
行业叙事 vs. 商业现实
罗氏、GSK、阿斯利康、默克近期纷纷签下十亿美元级别的AI合作。这些交易的公关价值与战略价值孰轻孰重，值得玩味。
一个可能的解释是：资本市场需要故事，而"AI revolutionize drug discovery"是最性感的版本。但当CIO们关起门来算ROI，汇报的重点往往是工厂效率提升了几个百分点、合规成本下降了多少。
Rau的坦诚因此显得珍贵。作为大型药企的数字负责人，他本可以重复"AI正在改变一切"的安全话术。选择区分"宣传"与"实效"，某种程度上是在为行业校准预期。
这种校准对从业者尤为重要。如果你是医药领域的工程师或产品经理，资源该投向哪个战场？答案或许不在最前沿的生成式模型，而在如何把现有技术嵌入生产管线。
给你的行动清单
第一，重新评估你手中的AI项目。如果目标是降本增效，优先看制造、供应链、临床运营——这些环节的ROI可量化、周期可预期。
第二，对"AI颠覆研发"的叙事保持审慎。关注Recursion等先锋的后续进展，但不要把未来五年的预算押在尚未验证的路径上。
第三，如果你是技术供应商，调整话术。向药企CIO推销时，"数字孪生优化批次产量"可能比"生成式AI设计新分子"更容易拿到PO。
医药AI的剧本正在改写。实验室里的革命或许终将到来，但眼下，真正的赢家是那些把算法送进工厂的人。
热门跟贴