今年2月，AI制藥行業迎來一項突破，
AI藥物研發公司Insilico Medicine（英矽智能）宣布獲得全球首例完全由AI驅動發現的特發性肺纖維化（IPF）疾病新靶點，并針對該靶點設計出全新化合物，
這家李開復參與投資的公司稱，他們將新藥研發周期縮短至18個月，成本降至280萬美元，遠優于傳統新藥物研發耗時2-5年、投入1098萬美元的平均數據，
在大陸，2020年被稱為AI制藥元年。
這一年，阿里云與全球健康藥物研發中心合作，開發 AI 藥物研發和大數據平臺，騰訊發布AI驅動的藥物研發平臺“云深智藥”，李彥宏親自帶隊成立百圖生科，字節跳動開始招募AI-drug團隊，華為也推出EIHealth正式進入AI制藥領域，
互聯網巨頭的加入，令沉寂了一段時間的賽道又火熱起來。
據動脈網統計，截至2020年10月，大陸已有19家AI制藥公司獲得融資，總額達14.16億美元——合人民幣近百億元。
但與互聯網造神故事、資本追捧的火熱賽道形成對比的是，大陸至今少有項目，能證明AI輔助制藥的價值，
不只是IT與BT技術的對接，機器學習與專家經驗的對抗，追求短期高回報的互聯網，與周期長但不確定性高的藥物研發，兩種截然不同的思路和邏輯在AI制藥行業內部碰撞，
沒有人質疑AI制藥的潛力，但無往不利的AI，并沒有像故事里那樣輕松顛覆這個行業。
一組反復被提及的觀點和數據是，傳統藥企研發已經到了費時費力但效率越來越差的衰退階段，
據統計，將一種新藥推向市場需要投入30-120億，耗時10年-15年。高投入并沒有帶來高回報，從2010到2019年，十年間，全球TOP12的制藥公司平均投資回報率下降了80%。
AI制藥，試圖解決藥企的研發之痛。
工程師們將過去幾十年來累積的大量生物學、醫學、藥學數據喂給機器，從而獲得了具有一定預測力的模型。
通過這些模型，AI制藥公司能為藥企提供知識圖譜，協助發現靶點和候選藥物，優化臨床實驗設計，提高研發的成功率，
這些神乎其神但又合理推測的功能，讓投資者有理由相信，AI制藥可以顛覆整個制藥行業，藥企要做me-better，AI可以在更短的時間內設計出更有效的分子，而且成本更低；藥企做不出來first-in-class的新藥，AI可以超過“人的限制”從體量更大的數據空間中找到新的靶點、合適的分子，
夢想家們希望AI可以帶領大陸藥企彎道超車，為夢想付費，是互聯網的傳統，
醫健基金還在觀望的時候，TMT投資人早已先下手為強，
據動脈網統計，截至2020年10月，大陸已有19家AI制藥公司獲得融資，總額達14.16億美元，
創立于2014年，以晶型預測起家的大陸獨角獸晶泰科技，C輪獲得超3億美元的融資，賽道內遙遙領先，
晶泰科技企業傳播總監王汝予告訴八點健聞，晶泰可以將小分子藥物從靶點發現到臨床前階段向前推進二分之一到三分之二。
△ 圖片來源：視覺大陸
但AI制藥的關鍵詞“預測”，目前具有極大的不確定性，
這讓大陸大多數AI制藥公司的前景，蒙上了一層陰影——他們仍處于為藥企提供服務、創建平臺的階段，
藥企給出一個靶點，希望AI制藥公司找到對靶點起作用，可能開發成藥物的分子，
但AI制藥公司利用已有模型篩選出來的分子，未來開發成藥物的幾率并非100%：a分子有80%的幾率，再高一點的b分子有90%的幾率……
“這樣的交付結果，很難通過藥企專家的拍板，”一位觀察者向八點健聞分析，“這個80%和90%很可能沒有任何意義，置信區間很可能不過關。”
得不到藥企專家的認可，AI制藥公司就只能拿到合同的首付款；即使給出100%真實有效的預測，回報也并不可觀。“做服務的市場極小，藥物研發是一個極其漫長的過程，AI能提供的幫助并不大，”上述觀察者告訴八點健聞。
百濟研發BTK抑制劑澤布替尼，研發速度之快已是業界神話——5個月篩選出候選化合物，臨床前過程歷時2年零1個月，臨床過程歷時5年零3個月，從立項到在美國上市共經過了7年4個月，
AI的預測結果既替代不了分子合成，也替代不了動物實驗，更替代不了臨床試驗，假設AI為百濟成功預測出了候選化合物，百濟依然要花7年時間研發澤布替尼。
巨大的不確定性，決定了藥企不愿意花高價買單。
八點健聞了解到，一筆200萬元的訂單在業內已是高價，而絕大多數AI制藥企業一年接到的訂單也屈指可數，
更重要的是，被視為核心資源的研發數據，藥企大多不愿意貢獻給平臺，為他人做嫁衣，對既不缺錢、也不缺數據的大藥企來說，繞開第三方平臺，組建自己的AI團隊才是上上選。
曾經躊躇滿志，以為可解決藥企痛點的AI制藥從業者，入局后才發現自己根本不清楚“藥企到底痛不痛？痛點到底在哪兒？”
大型藥企不買單，AI制藥的玩家們不得不自己下場做藥。自己下場做藥，又意味著天量資金的投入，
“AI制藥1.0時代，80后IT狂人攢局燒錢；AI制藥2.0時代，CADD（computer aided drug design，計算機輔助制藥）大佬親自下場做藥”。
一位觀望入局的投資人告訴八點健聞，早期創業者都聚焦在炫麗的算法上，現在的公司開始注重布局管線，
AI衍生于互聯網，提供的是面向商家或面向用戶的服務，而制藥這個傳統的行業，最終的訴求，是藥，兩種截然不同的邏輯，在AI制藥行業內相互碰撞，卻很難和解。
AI制藥1.0時代，“懂藥的不懂AI，懂AI的不懂藥”，雙方在基本的溝通和理解上都存在壁壘，
“大陸AI制藥公司普遍估值偏高，帶上AI，更容易融資”。靠算法起家的AI制藥公司想著把數據、模型做到極致，也無從得知它是不是跟做藥有關系，這種底層邏輯，使得一些公司更看重AI技術而輕制藥，
而頂尖的藥化專家，多集中在藥企和高校，他們認為現階段的AI技術不過如此，甚至比不上傳統的藥物研發工具。
八點健聞了解到，由于早期商業模式不清晰導致的利益分配問題，不止一家AI制藥公司的藥化學成員出走，
即便到了2.0時代，AI制藥的矛盾依然不可調和，頭部公司開始花大價錢引進“懂藥的人”。
曾任美迪西生物部和化學部高級副總裁、GSK葛蘭素史克公司化學總監的任峰博士，今年2月加入了英矽智能。他在今年5月的生物計算大會上打趣，“3個月，換身西裝，就能成為AI制藥專家，”
即便如此，一位AI制藥行業的創業者告訴八點健聞，“市場上可用的人才很少，人真的很難招”，AI制藥頭部公司尚且可以靠名聲和財力招攬到稀缺的優秀人才，那些既拿不到訂單又拿不到投資的“無名”創業公司，根本沒有足夠的財力參加搶人大戰。
除了人才，AI制藥的突破還受制于數據之困。
人工智能有三要素：算法、算力和數據，
制藥作為AI技術相對成熟后瞄準的一個新場景，最大的難點在于數據。
目前的AI制藥企業主要依靠公開數據來進行模型訓練，同時，通過合作的方式從藥企、醫院、CRO、實驗室獲得差異性數據，
一種較為普遍的看法是，AI制藥公司間的競爭，關鍵是要看誰的自有數據體量更大、質量更優。
索智生物的創始人許大強博士認為，制藥行業數據化、資訊化才剛開始不久，包括藥企在內的整個行業都沒有高質量的可用數據，
一位業內人士告訴八點健聞，“所謂的AI制藥公司，根本用不到（AI），或者只是象征性地用一下（AI），用了也沒什么價值”，
困境之下，靠AI起家的制藥公司，似乎又回到了傳統打法。沒有數據的初創公司，很快便陷入了同質化競爭。“大家都依靠公開數據做模型，今天你的模型預測性好，明天可能就是我的更好，后天就是他的更好”。
受制于高質量數據的稀缺，藥企、CRO、AI制藥公司的AI布局，都回到了同一起點。
某種程度上來說，在隱私政策相對寬容的大陸，更容易進行原始數據的積累，
2019年，英矽智能將總部從美國遷到大陸香港，創始人Alex Zhavoronkov接受采訪時表示，“未來5年大陸創新藥企業將迎來一場大爆發，成為世界醫藥創新中心，原因是美國遵循的通用數據保護條例（GDPR）讓AI公司發展受限，而大陸較為靈活。并且，大陸人口基數大，數據量龐大，數據質量也更好，有利于AI公司發展。”
行業革命發生之前，首先要活下來
早期創立的AI制藥公司曾經歷過的輝煌，初創企業很難再復制。
創立于1990年的上市公司Schrödinger，有十幾個與藥企合作的在研項目，公司自2018年開始啟動自有管線藥物研發，目前公開的5個自有癌癥藥物中預計會有3個藥物在近期提交IND申請，
創立于2013年的英國獨角獸公司BenevolentAI官網顯示，公司有近30個藥物研發項目，其中一款特異性皮炎的藥物已經進入了臨床一期。
成立于2012年，剛剛獲得C輪融資的Exscientia也在加大自有管線的藥物開發。
AI 制藥1.0時代的紅利期已過，徘徊在AI制藥未來發展的十字路口，大陸大部分AI制藥初創公司面臨著繼續做AI服務，還是轉型做藥的戰略選擇，但無論哪一個方向，都不再會是坦途，
八點健聞采訪了多位AI制藥相關的投資人、學者、從業人員、觀察者，他們的共識是，“未來的AI會為藥物研發帶來一場革命，但現在還處在摸索階段”，
許大強博士做了一個形象的比喻，“以前的計算機輔助制藥（CADD）就像多架馬車，你可以通過增加馬匹的數量，讓馬車跑得更快，但是總有一個最大容量，相比起來，AI輔助制藥（AIDD）就是汽車”，
五源資本董事總經理井緒天認為，AI技術具有可延展性，技術一旦成熟，平臺型AI制藥公司就能通過AI多線程、高效率地進行藥物研發，從而產生規模效應。
施一公曾將人工智能定義為生命科學領域的方法革命。
借助這種全新的工具，學者們希望可以突破人類自身已有的知識和思維限制。藥物研發者們希望可以從更廣闊的空間中發現和設計新藥，解決先前工具尚未攻克的疾病，
但在1到N之前，還需要一個 0到1的技術突破。現階段的AI，還停留在概念里，裹挾在泡沫中，對于創業公司們而言，最現實的問題是，手里的錢，能不能支撐到黎明到來的那一天，
于煥煥｜撰稿
陳思｜責編
本文首發于微信公眾號“八點健聞”（ID：HealthInsight）
尊重原創版權，未經授權請勿轉載
