AI的盡頭究竟是什么？有投資者說是光伏，也有投資者說是電力，而英偉達給出的答案則是生物制藥。
在英偉達2023年投資版圖中，除AI產業根基算法與基礎建設外，生物制藥是其重點布局的核心賽道。英偉達醫療保健副總裁KimberlyPowell甚至直言：“既然計算機輔助設計行業捧出了第一家2萬億美元市值的芯片公司，計算機輔助藥物發現行業為什么不能打造下一個價值萬億美元的藥物公司呢？”
圖：英偉達2023年投資版圖
由此不難看出，英偉達對于“AI+生物醫藥產”賽道的未來充滿信心，它是希望再造一個“英偉達”的。究竟為何英偉達如此看好這個賽道呢？想要弄明白這個問題，我們就必須先搞清楚醫藥賽道的核心痛點與底層邏輯。
1、反摩爾定律
AI技術之所以能夠如此迅速的進入大眾視野，離不開集成電路產業的高速發展。
英特爾創始人戈登·摩爾的在常年研究半導體產業后，提出這樣一個經驗之談：集成電路上可以容納的晶體管數目在大約每經過18個月到24個月便會增加一倍。這就是大名鼎鼎的摩爾定律。
摩爾定律意味著，隨著產業不斷發展，處理器的性能大約每兩年翻一倍，同時價格下降為之前的一半。正是這個不斷技術迭代的過程，才使得人類計算機技術飛速發展，越來越多“玄幻”的功能得以實現。
不同于半導體產業摩爾定律的發展，生物制藥產業雖然也在不斷進步，但其發展卻是呈現出“反摩爾定律”的趨勢。
一直以來，創新藥研發都有著“雙十定律”之說，即研發一塊新藥需要十年時間、需要耗費10億美元成本。不過這些數據已經是過去式了，最先的數據顯示，全球范圍內創新藥的平均研發成本約26億美元，平均研發周期約為10.5年。
漫長的研發周期與不菲的研發成本導致，創新藥研發風險極高，不僅需要大量的資金去做這件事，而且還存在極高的失敗風險。更為致命的是，這其中的研發難度是隨著時間推移而持續提升的，也就是當人類發現的藥物與靶點越多，后續發現藥物與靶點所需要的成本也就會更多，投資收益率也就不斷下降。
圖：創新藥研發成本，來源：開源證券
在這種反摩爾定律下，創新藥研發門檻不斷提升，投資者的風險越來越大，漸漸地創新藥成為產業巨頭的生意。但實際上，醫藥產業發展卻注定是由“邊緣革命”推動的，新的技術也往往都出現在初創公司中，當技術不斷得到驗證，巨頭才開始切入布局。
產業發展規律與產業發展驅動力之間，實則已經形成了明顯的剪刀差。這是一種極不尋常的現象，意味著人類醫療技術的進步將逐漸停滯，相信沒有人愿意看到這種情況。
生物制藥產業存在必須改變的需求，而不斷攀升的創新藥研發成本又給這件事留有足夠的空間。這兩點是促使英偉達看好AI技術能夠重塑醫藥產業的立足點。
2、經驗與直覺
現代醫藥產業，是一座由直覺建起的圍城。
創新藥上市雖然需要經歷嚴苛且系統化的臨床驗證，但藥物發現的過程卻充滿隨機性。藥物研發路徑呈現漏斗型，一款藥物的確立，是需要經歷藥物發現、臨床前期驗證、臨床期驗證三個階段的，每一階段的成功管線的數量不斷降低。
這其中最難的是藥物發現階段，需要在無數化合物中篩選出1萬個左右適合的化合物，然后在一步一步的篩選，最后找到合適的化合物。某一個靶點的發現與確立，不僅頗具偶然性，而且驗證過程極為繁瑣，找到合適的分子更是難上加難。
圖：藥物篩選過程，來源：浙商證券
盡管一代又一代的創新藥研發努力使得藥物發現逐漸有跡可循，但在龐大的化合物數據面前，一切還是高度依賴于研發人員的直覺，數據能夠提供的幫助并不多。努力的前提是方向正確，如果選擇了一條錯誤的賽道，那么再多努力也終將化為徒勞。過度依賴于直覺，使得傳統藥物研發偶然性不可控，這也是為何創新藥研發成本不斷抬升的本質原因。
如果現代醫藥產業想要成本降低，就必須擯棄過往依賴于專家直覺的方向，而是應該更多的以數據為導向。所謂數據，實則就是一次次經驗的結晶，數據化并不代表創新藥研發不會失敗，而是可以將這次失敗轉化為下一次研發的基石。通過系統性的大模型訓練，AI對于藥物篩選將更加快速、準確。
實際上，創新藥研發就好像一款Roguelike游戲，看似一切都是由隨機構成的，每一次的游戲體驗可能也不盡相同，但在一次又一次的失敗過程中，游戲會不斷積累經驗與數據，從而降低下一次游戲的攻關難度。
AI制藥，本質上就是摒棄過去的專家直覺，高度依賴于數據反饋，通過不斷地模型訓練，進而找到正確的研發路徑。由依靠專家直覺，切換到AI大模型篩選，這是一種由具象化走向數據化的過程，也是由感性向理性過度的路徑。
尤其在很多未攻克的空白適應癥上，專家直覺的成功可能與擲骰子無異，持續高通量的AI模型試錯才是降低失敗率的最好方法。AI制藥，不僅降低了研發成本，而且也能有效地提升研發效率。
3、數據資源最為珍貴
算法、算力、數據庫，這是AI技術的三大核心要素。
在大多數場景的AI應用中，算法都是三要素中最終要的一環，算力與數據庫雖然也很重要，可大多數投資者依然更關注大模型算法的構建。
但在生物制藥領域，算法為王的情況卻可能并不適用。與其他場景相比，生物制藥賽道的數據資源更加珍貴，它是非開源的，是各大藥企的核心資源。無論成功與失敗，都是經過大肆燒錢的臨床試驗而得來的。由此可見，數據庫才是AI制藥賽道最核心的競爭力所在。
縱觀國內火熱的AI制藥公司，多是由CRO公司轉型而來。與普通醫藥公司相比，CRO公司擁有極為豐富的研發經驗，雖然最終研發數據歸甲方公司所有，但其卻能夠在一次又一次的研發中，潛移默化的積攢大量的過程數據與方法論，這使得CRO公司在構建數據庫方面擁有得天獨厚的優勢。
基于生物制藥數據的非開源性，AI制藥的發展最終很有可能走向兩個方向。第一種是財力雄厚的MNC，它們常年積累了大量的研發經驗與數據，并且全面開始投資布局AI資產；第二種則是以國內為主向AI制藥轉型的CRO公司，由于它們此前承接了大量的國內外研發項目，因此具備很強的數據庫構建能力，欠缺的只是算法大模型的構建，而算力問題完全可以通過與阿里云、騰訊云等科技公司合作解決。
由于國內生物制藥產業剛剛起步，尚未形成擁有長期創新藥研發布局的MNC，因此第一種模式很可能在國內難以行得通。在未來的數十年中，CRO公司很可能將切換成為中國AI制藥的核心資產，而海外則更多是各家MNC之間的對立與競爭，并不會愿意將數據開放給第三方，就連英偉達想要入局都需要通過投資生物制藥公司的方式才得以實現。
現階段，國內AI制藥正處于發展初期，大致上可以分為三個梯隊。第一梯隊是已經布局AI制藥技術多年的公司，如成都先導、泓博醫藥、晶泰科技、藥石科技等；第二梯隊則是擁有豐富的研發經驗，但在AI制藥領域的布局卻剛剛起步，如藥明康德、美迪西、皓元醫藥等；第三梯隊則是研發經驗豐富，但暫時還沒有在AI布局太深的其他CRO公司。
AI制藥領域，數據才是產業第一性，數據庫的價值遠高于算法和算力的價值，這也是為何CRO公司會站在目前國內AI制藥產業第一線的原因。
