AI制药成本风暴：算力与数据黑洞下的经济账本重构

随着2026年上半年的市场波动，互联网科技巨头对人工智能的投入策略发生了显著转向。百度在发布Token新规后又迅速撤回，字节跳动对AI项目的回报审视愈发严苛，京东与阿里则相继传出压缩非核心AI团队的消息。这一现象并非意味着AI赛道遇冷，而是互联网企业在经历狂奔后，终于开始低头审视那些令人咋舌的流动性成本。模型训练的费用不断攀升，而变现路径的清晰度却远未达预期，烧钱速度已触及管理层容忍的边界。

这种“算账”的逻辑正迅速从互联网行业向医疗领域传导，但其复杂程度呈指数级上升。在互联网语境中，花出去的钱能否换回可量化的商业价值是一个直接的财务问题；而在创新药领域，这个问题的答案被拉长至十年甚至更久。自2023年以来，AI制药虽持续成为投资热点，谷歌DeepMind的AlphaFold迭代、Anthropic的内部研发项目启动，以及多家大型药企MNC的试水，都显示出海量的资本涌入速度甚至超越了药物研发本身的节奏。然而，喧嚣之下，一道关于时间、耐心与经济理性的问答题，正摆在所有参与者面前。

要理清AI制药的经济账，首先必须直面那些被严重低估的成本结构。业内从业者通常将成本划分为基础设施、软件平台授权、人才团队以及数据成本四大块。其中，基础设施费用是显性成本的大头。AI模型的训练与推理高度依赖GPU服务器或云计算资源，对于缺乏自建算力中心的中小型生物科技公司（Biotech）而言，这是一笔持续且刚性的财务压力，弹性空间极小。

软件与平台授权费同样是刚性支出。全球主流AI制药平台多采用按管线里程碑或按年付费的模式，虽然看似实现了风险共担，但随着管线数量的增加，授权费用会呈线性甚至指数级累积，形成沉重的财务负担。此外，人才成本也是公开的秘密。AI制药需要兼具AI技术与药学背景的高端复合型人才，这类人才市场稀缺，薪酬水平远超单一背景的程序员或药学研究员。组建一个六至八人的核心团队，人力成本往往占据整体预算的三分之一以上。

然而，最容易被忽视且真正构成“黑洞”的，是数据成本。仅依靠公开文献难以形成高质量的训练数据集，而经过严格标注的生物学数据、临床数据和真实世界研究数据，获取成本极高且合规门槛极严。随着模型规模的扩大，对数据量和质量的要求持续上升，这部分隐性成本往往在初步预算中被大幅低估。目前行业主流的“项目成本法”，即将AI工具使用成本分摊到每条管线，对比传统研发路径以得出节省费用，往往忽略了失败管线的沉没成本。AI辅助的靶点发现若以失败告终，其背后的算力消耗与训练费用已真实发生，却在统计中被轻易抹去，导致整体ROI被人为美化。

硬币的另一面是收益核算，其结构性特征尤为明显。目前，AI制药的收益主要集中在临床前阶段，特别是靶点发现与分子设计环节。通过AI辅助的靶点优先级排序和虚拟筛选，部分Biotech已将靶点验证周期从传统的2至3年压缩至1年以内。在ADMET预测等成熟场景中，迭代效率的提升与临床前研究周期的压缩均有据可查。数据显示，AI介入后，候选药物从立项到批准的整体成功率可能从约8%提升至18%左右，I期临床试验成功率也可达80%至90%。ARK预测，在AI深度参与下，单个新药总投入有望降至个位数十亿美元。

然而，一旦进入临床试验阶段，尤其是II期和III期试验，情况变得异常复杂。这两款试验是消耗药企资金与时间的最大黑洞，也是决定药物最终能否获批的关键。尽管AI在患者招募方面已有落地应用，可通过结构化分析病史数据缩短20%至30%的招募时间，但在关键的临床方案设计、终点指标选择及适应性试验设计等环节，AI的渗透率极低。

造成这一困境的根本原因在于数据可得性的制约。临床前阶段拥有大量结构生物学数据、文献专利及已知化合物活性数据，易于构建训练集；而临床阶段数据分散于各药企、CRO及监管机构，受隐私保护与商业机密约束，难以形成大规模、可标注的训练集。更关键的是，临床决策涉及大量的医学判断、监管博弈与伦理考量，这些非标准化变量难以转化为AI可学习的格式。此外，FDA与国家药监局对AI生成的临床数据持审慎态度，缺乏明确的监管路径与审批标准，使得药企不敢将关键临床决策完全托付给AI系统。

因此，AI制药的经济账并非简单的算术题，而是一道关于时间维度的长周期评估。互联网大厂若遇冷，可立即砍掉团队止损；但AI制药的沉没成本已提前发生在分子开发过程中，中途终止的损失远大于互联网公司的调整成本。传统制药从立项到商业化平均耗时约13年，即便在AI深度参与下有望压缩至8年，这也意味着投入一旦启动，短期内几乎无法获得回报。到2024年，国内头部药企单个资产平均研发成本已达22.3亿美元，前期靶点发现的投入若无法通过后续成功回收，将是巨大的财务黑洞。

面对这一挑战，行业亟需重构AI制药的商业逻辑。首先，应明确AI作为贯穿新药研发全程的生态化工具定位，探索多样化的合作模式。例如，英矽智能与赛诺菲的联合开发模式，或Exscientia与赛诺菲涵盖全流程的技术授权与成本分担模式，均为风险共担提供了范本。其次，企业需建立分层预算结构以控制成本。建议将基础设施和核心平台授权作为固定成本，控制在研发总预算的5%至8%；将按里程碑付费的服务设为可变成本，动态调整；并预留2%至3%的探索性预算用于前沿尝试，不追求短期回报。

市场的头部效应正在加剧，投资者对真实临床数据和商业价值的要求将更加严苛。精彩绝伦的AI故事终需硬性的临床数据来支撑，那些无法拿出过硬数据的公司将被市场淘汰。AI制药不应被神化为万能药，而应退回工具的位置。在成本的风波中，唯有回归做药的本质，结合AI的效率优势与传统研发的严谨逻辑，共同为临床未解的难题寻找解决方案，才能真正算清这笔关乎生存与发展的经济账。这不仅是财务上的理性回归，更是行业走向成熟与务实的必经之路。