微信公眾號：智藥局　 王蘇

龍年伊始，萬象更新。

開年的王炸仍然來自OpenAI，Sora能夠根據文本提示輸出長達60秒的視頻，驚艷到讓已經發布的視頻大模型顯得有些尷尬。

目前，我們暫時還看不出Sora對生物醫藥的影響。通用AI技術在垂直細分領域的發展通常呈現“一米寬百米深”的特點，主要受制于高質量數據的獲取和積累。

但人工智能的發展速度還是震驚世界。

而后，英偉達創始人黃仁勛又一次為生物學站臺：人人都必須學會計算機的時代過去了，人類生物學才是未來。

不止老黃，馬斯克、李彥宏、張一鳴、黃錚等一眾功成名就的大佬們都表現出對生命科學的強烈興趣。

顯然他們都意識到了，相較于計算機科學、軟件、芯片等領域，生命科學的復雜度要高得多，也是理解起來最難的科學。

也意味著，計算科學與生命科學的結合將帶來大量的機會。

如果說2023年生物醫藥彌漫著彷徨與危機，今年海外生物醫藥復蘇的關頭，無論是尋找新的融資，找到客戶或是繼續推進研發管線，不少AI藥企都表現出樂觀的態度。

01  當AI的價值回歸

近年來，AI制藥行業賽道的價值被大規模討論。 

人們對于AI與藥物研發的態度要么是“完全走不通”，要么則是顛覆式創新。

當然，行業不可避免地存在著泡沫。但炒作并不都是壞事，這意味著該領域有資本和產業的力量涌入，技術和研發開始市場化，行業有了從無到有的基礎建設。

同樣，承認當前人工智能的局限性，理性地看待AI與藥物研發的關系，讓我們不會幻想AI直接生成上市的藥物，而是更多在早期研發階段切實地讓企業降本增效。

一個趨勢是，過去幾年建立的生物技術從生物學人工智能（尋找新靶點）到化學人工智能（藥物設計）的轉變。

這并不意味著AI+生物學不重要，而是人工智能開始解決不同療法上“更加落地的問題”，例如難成藥分子的結合口袋，嵌合抗原受體的優化，蛋白質親和力優化，RNA序列設計等。

這類趨勢代表著從“first-in-class”方法到“best-in-class”方法的轉向，機器學習有助于加速針對既定靶點和已知生物學的設計迭代。

當AI技術清楚地用于藥物發現過程的特定領域，幫助企業獲得具體的藥物，是許多大型制藥公司引入合作伙伴關系的關鍵：幫助開發可上市的藥物，而不是一句口號。

也就是說，人工智能作為基礎技術在主流公司得到了一定程度的驗證。

輝瑞、葛蘭素史克、諾華等全球*生物醫藥公司建設數據科學驅動的機器學習中心，賽諾菲立志成為首家由AI大規模驅動的大藥企。

阿斯利康此前宣稱人工智能賦能超50%的小分子管線，強生聘請了超過6000名數據科學與人工智能專家，優化研發和組織決策。

2023年11月，阿斯利康宣布推出Evinova，進軍CXO業務，使用 AI 和機器學習算法來幫助臨床開發和運營團隊設計臨床研究。

去年，美國多家初創AI+生命科學的公司也拿到了超億美元的大額融資，整個行業仍然懷抱對交叉技術的看好。

據智藥局監測，2023年Top20的生物醫藥公司在AI+藥物研發領域達成超30項合作，已披露的總價值約100億美元。

行業和技術的長期基本面沒有改變，無論是AI公司還是跨國大藥企，他們都在尋找場景落地，拓展商業機會，畢竟顛覆式創新源于長期的差異化解決方案。

02  AI制藥的二次進化

AI制藥日新月異，我們始終得以發展的眼光看待整個行業。

2021年，AlphaFold點燃了人們對生物醫藥和人工智能模型的興趣，AI+藥物研發賽道揭竿而起，成為資本的寵兒。

現階段我們處于“后疫情時代”，資本從生物醫藥流向其他領域，眾多biotech面臨著降本增效，應對融資艱難的處境。

表面上我們已經難以再現下一個AlphaFold2，實際上業內對于技術與商業化的探索和調整并沒有停下。

近年來，海外更多地開始用“TechBio”區別傳統藥物研發的“Biotech”，描述生物學前沿與AI、軟件和硬件的工程化變革下，處于新一代的混合型公司。

海外*風投機構認為，人工智能推動生物學和藥物研發是從經驗學科到工程化方法的持續基礎性轉變。

簡而言之，生物學正在迅速發展并成為一門工程學科。

業內普遍認為三大技術推動了TechBio的新發展：

1、生物學的數字化：DNA 合成、測序和傳感器等技術越來越便宜，使人們能夠將模擬生物學轉化為數字數據，并返回到模擬合成DNA/生物學。

2、計算和機器學習：使用計算工具和新興的機器學習/人工智能工具來深度理解數據。

3、機器人實驗室技術：以手動為主的實驗室轉變為大規模進行高通量自動化，特別是機器人實驗技術在化學合成領域的落地，可以批量獲取更完整、更標準化的高質量數據，持續投喂給AI模型迭代。

TechBio這樣更寬泛的名詞，不僅包含了人工智能輔助藥物研發，更指向當下行業的整體趨勢：技術的深度集成。這些系統開始與iPhone的復雜性和集成性相媲美。

學術界的創新也進入了快車道。前不久，卡內基梅隆大學（CMU）研究團隊開發開發的“AI化學家”Coscientist，這是款基于GPT-4的大型語言模型的AI機器人合成系統。

最令人矚目的是，Coscientist在極短的時間內自主設計出一個準確的實驗方案，復現了2010年諾貝爾化學獎的研究成果——鈀催化偶聯反應。

不止卡內基梅隆大學，還包括DeepMind等眾多公司和課題組都在積極地嘗試，可以預料，未來以人工智能+機器人實驗的深度集成，對行業有深遠的影響。

這些努力實際上都指向了一個背景：化學和生物數據仍然是數據驅動的藥物發現方法的核心問題。

顯然，AI+生物醫藥的競爭已經走向了數據競爭。由于AI需要投喂大規模數據，因此公司對于數據獲取渠道、清洗以及使用，以及需要哪些思維方式、團隊和文化來實現顯得尤為珍貴。

因此，投資人的關注的重點也發生了巨大的轉變：從哪家擁有*的AI模型，轉變為了哪家公司擁有*的“閉環”機器學習系統，可以從實驗室生成的真實數據中實際學習。

行業頭部公司已經開始落地，打造獨有的文化和平臺。包括Recursion、Relay、晶泰科技等一直在集成軟硬件技術，不局限于AI模型，而是整合高質量數據、量子物理、高通量自動化實驗室等技術和工具，完成了人工智能、機器人實驗、高質量數據的正向反饋和閉環，這種復雜性也為生物學和藥物研發創造新的價值。

未來新一代的TechBio公司，是能明確定義相關問題并產生解決方案，融入復雜的研發流程，并持續工程化的不斷試錯和迭代，也是該領域的*挑戰。

03  創新與新技術的共振

2015年，畢井泉上任國家藥監局局長后啟動了一系列系統改革，藥品監管開始和國外接軌，也為我國的創新藥萌芽鋪平了道路。

幾乎是同一時間，以晶泰科技為首的*批AI藥企也陸續成立，成為中國創新藥的新興力量。

但以中國的創新藥土壤，難以培育出FIC藥物，模仿海外企業做Me-too或者Fast Fellow藥物，研發風險低，研發成本低，成為主流的選擇。

彼時，亦步亦趨地跟隨海外研發動向，人工智能與藥物研發結合的不成熟，都讓藥企沒有嘗試新技術的驅動力。

但創新藥終究回歸到以創新為核心競爭力的舞臺。

正如畢井泉所說，生物醫藥產業是創新驅動的產業，是實施創新驅動發展戰略的主戰場。生物醫藥產業發展水平就是一個國家科學技術水平的具體體現。

2023年，我國創新藥企的大航海時代正式拉開帷幕，與海外MNC接連不斷的license-out，標志著我國創新藥真正從監管接軌走向了產品力接軌，融入全球醫藥創新生態的過程。

經過近10年的發展，中國的AI技術也開始在全球范圍內嶄露頭角，提升國際競爭力。

例如晶泰科技通過AI預測算法結合實驗驗證，將輝瑞新冠*藥PAXLOVID傳統確認藥物優勢晶型的時間從數月縮短到六周；百圖生科和賽諾菲達成突破性的合作，共同研發基于生命科學領域的大模型。

與國際大藥企合作的過程中，國內的TechBio也能夠向跨國藥企學習，提升研發質量與標準，這種長期潛移默化的影響有可能給國內創新藥生態帶來深刻的變革。

此刻，我們正值中國創新藥產業升級的轉型期，也是AI藥企機遇的窗口期。AI制藥等技術經過近10年的發展，滲透到了多個研發環節，勢必要承接新的創新浪潮。

隨著行業對人工智能認知的不斷加深，對創新分子的共同渴求，傳統藥企與AI藥企有“共同語言”的時代已經到來。

當然，AI具體能發揮多大價值，中國藥企在新的創新浪潮中能否脫穎而出，還需要漫長的檢驗。

中國創新藥的長期基本面沒有改變，生命科學數字化與信息化的趨勢也沒有變，人工智能等新計算方式作為創新藥的研發手段，注定不會缺席。

04  時代賦予的更多可能

近日，隨著英偉達2023年Q4季報的發布，這家AI新貴的市值一路飆漲，已經超越兩萬億美元。

與之相比，當前全球市值最高的藥企禮來，市值距離萬億美元仍然一部分差距。

跳出AI制藥的視角，我們會發現無論是商業化難以閉環，還是管線風險高技術難度高，也是生物技術公司的永恒話題，創新藥難以言說的痛。

也就是說，醫療健康領域的規模化效應，很難和半導體、汽車、光伏等產業抗衡。

難怪黃仁勛說出那句：“在人類歷史上，生物學*次有機會成為工程而不是科學。當某件事變成工程而不是科學時，它就會呈指數級改進。”

ChatGPT帶來的新一波AI浪潮，生物科技的蓬勃發展，都預示著深度交叉的巨大機會。麥肯錫預計，生成式AI每年可為制藥和醫療行業帶來600億至1100億美元的經濟價值。

然而AI的價值兌現，需要復雜且規模極大的數據來訓練。

數據匱乏下，自動化實驗不僅僅是解決人效比的問題，更重要的是彌合人工智能在藥物發現方面的前景與數據瓶頸之間的差距。

這也意味著，當TechBio擁有了規模化的基礎設施和經過產業化驗證的技術及解決方案，底層平臺能夠遷移，與化學、材料、農業、環境等產業銜接。沿著這條邏輯有諸多的競爭和投資機會。

例如當前以AI+機器人實驗的公司客戶來源正在多元化，盡管醫藥的客戶占比*，但來自材料、農業、護膚品等行業的客戶也在不斷增長，正在打開更大的市場。

這也意味著IT+BT作為高速成長的賽道，人們既有的認知正在不斷被挑戰和完善，我們很難用簡單的思維去判斷。

算法的推陳出新，算力成本降低，工程學上不斷與科學完善，都將是驅動生命科學乃至整個以大規模并行實驗為基礎的產業變革。

這是一個基礎性的轉變，也意味著未來TechBio能夠撬動巨大的市場規模與增量。

當然，這個過程還需要不斷付出人力、資源和智慧的付出。畢竟沒有潛龍在淵，就沒有飛龍在天。