AI制药究竟是风口还是泡沫？风投公司副总裁一文讲清楚了

编辑丨coisini

在 AI for Science 领域，生物基础模型及 AI 驱动的药物发现因发展速度快，前景广而备受关注。特别是，随着 AlphaFold、ChatGPT 等前沿 AI 模型的出现，AI 制药一次又一次地被推向投资风口。

例如，2023-2024 年，仅英伟达一家科技巨头就投资了 10 余家制药公司；而由诺贝尔化学奖获得者 Demis Hassabis 创办的 Isomorphic Labs 更是在今年第一季度宣布完成 6 亿美元融资。

这种趋势很大程度上是因为人工智能（AI）展现出变革生物学和药物研发的潜力。

近期，风险投资公司 Scale Venture Partners 副总裁 Maggie Basta 发表了一篇博客，深入分析了生物基础模型的未来，探讨了 AI 驱动的药物发现中的价值创造。

ScienceAI 对博客主要内容进行了不改变原意的编译、整理，内容如下。

基因组测序、前几轮 AI 浪潮以及无数生物技术趋势都曾吸引科技投资者与创业者涌入，但商业模式复杂、软件方案难以规模化、回报周期漫长且高风险等现实，最终使大多数人铩羽而归。

这并非否定创新技术在新药研发中的作用，但确实从未形成过成熟的商业模式。无论是否拥有专利技术，无人能逃脱药物临床试验的基础经济学与风险。

生物技术行业进展缓慢、成本高昂且充满不确定性，即使最前沿的技术平台最终都不得不承认一个事实：在这个领域，价值积累于实体资产而非软件。

虽有理由认为此次 AI 掀起的变革可能不同，但绝不能简单类比 OpenAI 的成功经验。核心问题在于：对于科学软件领域而言，AI 是否代表着一种根本性的全新商业机遇？还是以资产为核心的传统生物技术经济模式将再次占据主导地位？

药物研发工具的前车之鉴

软件工面临困境

过去的问题根源何在？行业共识是：仅靠出售研发软件无法实现规模效益，必须实际研发药物。这一结论已被反复验证 —— 目前行业仅有的软件成功案例来自商业化运营与数据管理层面（如Veeva），而非能提升科研效能的前沿研究工具。

典型案例是 Schrödinger 开发了业界最广泛使用的计算建模套件，却因纯软件收入无法支撑上市规模，最终转向自主药物管线开发。

这一模式在 2000 年代初尤为明显。人类基因组测序完成后，Celera、Gene Logic 等大批软件与数据工具初创企业试图挖掘基因组数据的价值。但基因与疾病的关联远比预期复杂，将基因组数据转化为临床突破需要多年基础研究与验证，这远超当时销售通用软件的初创企业所能承担的时间与资源成本，多数企业转向药物开发后仍以失败告终。

平台化战略的探索

当然，上述情况并不意味着技术驱动型初创企业全无机会，只是其商业模式比销售通用软件更为复杂。常见的策略是生物技术「平台化战略」—— 拥有专利技术的初创企业不再像传统药企那样专注单一疗法，而是通过能产生多重创新资产的技术实现商业化。

此类企业除自主开发管线外，还会通过与大型药企合作实现技术变现。极少数企业选择纯合作模式，但此类合作并非 SaaS 许可，而是以药物上市后特许权使用费为主的服务协议，成功案例屈指可数。

最终包括 Abcellera 在内的多数合作导向企业，都不得不接受与 Schrödinger 相同的结论：真正的价值在于推进自主药物研发 —— 尽管这意味着必须承受非盈利的经济模式。

当下 AI 浪潮的革新之处

过往历程曲折，如今各界却争相涌入这一领域，最直接也最显而易见的原因就是 AI 技术的发展。更微妙的深层原因是 AI 可能会引发商业格局重心转移。

从专有资产转向横向工具

历史经验已证明一个事实：试图以药物发现软件的形式向药企兜售研究成果，本质上是对高度复杂且具有专有属性的研发流程进行「供应商化」改造。其症结在于：药物发现的核心价值并不在于科研突破本身，而在于验证这些研究能否真正转化为新疗法 —— 这正是制药公司的立命之本。

因此，任何承诺新发现的研究提供方都不得不通过自主开发药物或提供重度服务型产品来承担转化责任。

当前，最先进的生物模型不仅能探索未经验证的发现或药物类别，更能实现：

(a) 加速药物研发管线的瓶颈环节；

(b) 自动化昂贵实验与模拟；

(c) 优化现有流程并预防代价高昂的后期失败。

AlphaFold 2 标志着第一波浪潮的兴起。其预测蛋白质三维结构的能力虽非首创 ——X 射线晶体衍射等实验方法已深耕该领域数十年，但传统方法耗时耗力。通过实验解析单个蛋白质结构可能需要数月时间，成本超过十万美元。相比之下，AlphaFold 仅需几分钟和微不足道的成本即可完成预测。

尽管 X 射线晶体学仍是原子分辨率精度的黄金标准，但 AlphaFold 能在研发管线早期以前所未有的通量筛选结构假说，大幅降低了昂贵实验的试错成本。

AlphaFold 的次生效应

当然，不可否认的是，AlphaFold 本质上仍非商业产品，只是研究实验室的开源项目。DeepMind 将其开源后，这个长期占据巨额研发预算的瓶颈环节，瞬间变得对任何拥有笔记本电脑和网络连接的人免费开放。

但恰恰是开源决策对行业产生了决定性影响。

DeepMind 没有采用生物医药工具领域常见的重度咨询服务型企业销售模式，而是免费开放模型，迫使药企主动适应。没有现成的服务团队帮药企集成系统 —— 要使用 AlphaFold 就必须自建技术团队，否则就会被淘汰。

突然间，生物公司开始争相招募能直接应用这些模型的人才。这种转变虽待验证，但很可能大幅降低新兴 AI 初创公司向成熟买家销售软件的门槛。

AI 在生物领域的新机遇

这种向具有即时横向价值的科学工具转型的趋势，加上成熟的买方群体，正开启无数可能性。

更深入的分子建模

AlphaFold 2 攻克了静态蛋白质结构预测这一单点难题。但更具生物学和治疗意义的问题关乎相互作用，例如：靶蛋白如何与药物靶点等小分子及其他蛋白质结合。这些动态的、依赖情境的现象需要分子对接、结合亲和力估算、分子动力学（MD）模拟等远超静态折叠的建模工具。

包括 AlphaFold 3 在内的领先模型正朝此方向发展，而Achira等新兴初创企业则更进一步 —— 通过整合物理学和量子化学关键要素的模型推进模拟技术。

值得一提的是，Schrödinger 深耕数十年软件市场，直到他们意识到必须自建药物管线才能实现规模化。问题症结并非预算不足（生物医药行业每年在这些工作流程上投入数十亿美元），而是单靠软件无法充分捕获价值。其核心产品要面对与开源工具的竞争，实际支出又主要流向算力而非软件授权。

现有迹象表明这种格局可能正在改变。AlphaFold 3 选择禁止商业用途授权，或许是前沿模型将逐步封闭的早期信号 —— 毕竟大规模全开源模式的经济可行性日益严峻。

此外，当模型超出买方自建基础设施的承载能力时，最省力的解决方案或许仍是全盘托管给模型供应商。

但与其他行业相比，该领域获得大量公共及非营利资金来支持开源工具，曾导致多家初创企业折戟。要在 AI 驱动的分子建模领域规模化纯软件业务，必须提供相对开源标准化方案具有代际差异的能力。

下游预测与测试

当然，分子建模远非人工智能唯一取得实质性突破的领域。一个不容乐观的现实是：约九成临床阶段分子仍以失败告终，其中多数源于药效和安全性问题 —— 这些往往无法仅通过结合特性或分布等分子属性完全预测。

市场边界远不止于制药领域 —— 化工、化妆品和农业都是分子建模领域的巨额支出方。值得注意的是，采购方并不寻求专有洞见，他们只需要一个简单的「通过 / 不通过」信号。因此，大部分工作最终都外包给了能提供最精准检测服务且性价比最高的外部供应商。

虽然还需要大量监管工作，但Certara等生物模拟领域巨头已经证明：即便只是作为传统方法的补充也存在可观市场。

分子设计优化与从头设计

分子设计领域的核心已逐步转向全新分子的生成：既包括利用蛋白质模型设计新型生物疗法，也涵盖通过生成式 AI 发现全新小分子化合物。

Xaira、Isomorphic 等融资近十亿美元的企业，似乎会采取建立自有药物管线的生物技术公司模式；Cradle 等玩家则押注纯软件解决方案，依托具备人才和基础设施的成熟客户群实现即插即用；而 Latent Labs、Profluent 等企业选择了折中的合作开发路径。

无论采用何种商业模式，本次变革的鲜明特质在于 AI 技术的深度参与。由于药企普遍缺乏自建基础模型所需的 AI 人才，因此重任将落在初创企业肩上。

需要提醒的是，虽然 AI 正在深刻改变游戏规则，但本质上仍是资产密集型投资。若以软件投资的风险承受能力追逐生物技术的回报预期，结果很可能令人失望；但对那些敢于冒险的人而言，收益空间或许不可限量。

原文链接：https://www.scalevp.com/insights/the-future-of-biological-foundation-models-and-value-creation-in-ai-driven-drug-discovery/