沒有AI能力的藥廠，將不再被稱作藥廠

2026-05-21 16:34

醫曜

關注

本文系基于公開資料撰寫，僅作為信息交流之用，不構成任何投資建議

1913年，亨利·福特在密歇根高地公園的工廠里裝上了第一條移動流水線。此前，一輛T型車的組裝耗時12.5小時；此后，93分鐘。

同行的反應分兩種。一部分人拆掉老式工坊，照著福特的樣子重建。另一部分人說，這種粗制濫造的東西，怎么可能比得上手工打磨。不到十五年，堅守手工作坊的汽車公司幾乎全部消失了。

流水線不只改變了汽車，它重寫了制造業的底層邏輯：在此之前，制造能力長在工人的手指上；在此之后，制造能力長在工廠的系統里。

一百多年后，同樣的邏輯切換正在制藥業發生：

北京時間昨天（5月20日）凌晨，2026年Google I/O大會最值得被記住的部分，不只是Stitch新增了實時語音協作，不只是Gemini Spark學著OpenClaw去24/7蹲在云端干活，也不只是Gemini 3.5 Flash在Benchmark上把3.1 Pro甩開了三百多分。

真正重要的事，藏在發布會末段，藏在德米斯·哈薩比斯（Demis Hassabis）那句幾乎被忽略的話里。他說，目標是重新構想藥物發現過程，直至有朝一日治好所有的病（one day solving all disease）。

一條新流水線

過去三十年，藥物研發的效率不升反降。整個行業有一句自嘲，叫“Eroom's Law”——把Moore's Law倒過來拼。摩爾定律說芯片每18個月性能翻倍，Eroom定律說的是，每投入10億美元研發費用，獲批的新藥數量每隔九年就減少一半。這不是某一家公司的失敗。這是一個系統性困局。

現在，谷歌正在把這個困局拆開重裝。

第一件工具，AlphaFold。AlphaFold 3不止預測蛋白質折疊，它模擬蛋白質與DNA、RNA、小分子、離子的相互作用，也就是藥物分子在體內起作用的核心機制。

過去要搞清一個蛋白質的結構，需要幾個月X射線晶體學或冷凍電鏡實驗，還不一定成功。AlphaFold 3把這個過程壓縮到了幾小時，這相當于重寫了規則。哈薩比斯透露，過去兩年Isomorphic Labs積累的蛋白結構數據，已經超過了人類歷史上所有傳統實驗手段產出的總和。

第二件工具，Gemini for Science。谷歌在I/O大會上推出的這個科研版Gemini，可以追蹤最新論文、將研究目標轉化為可用代碼、生成新的假設。它整合了UniProt、AlphaFold Database、AlphaGenome API、InterPro等30多個生命科學數據庫，把從前需要數小時的復雜分析壓到了幾分鐘。

第三件工具，是一套AI藥物設計引擎：Isomorphic Labs剛剛獲得21億美元B輪融資后準備全力推動的IsoDDE（詳見《143億元，AI制藥剛剛拿到了最大一筆融資》）。

三個工具疊加一起，邏輯很清楚：AlphaFold負責“看見”疾病的分子結構，IsoDDE負責“設計”針對這些靶點的藥物分子，Gemini for Science負責在人類研究員協作下生成假設、設計實驗、分析結果。

也就是說，谷歌是在為這個行業造一條新的流水線。

那條正在被替換的老流水線，是人類制藥史上最漫長、最昂貴、失敗率最高的生產線。高盛去年給過一組數字：從發現靶點到藥物上市，全球傳統藥企平均需要14年，累計投入超過10億美元，進入臨床試驗后超過90%的候選藥物最終失敗。

而新產線上跑出來的數字是這樣的：AI設計的候選藥物，從靶點發現到進入臨床前階段，已經能在13到18個月內完成（傳統方式下這至少需要三年）。AI-native生物科技公司的I期臨床試驗成功率達到了80%至90%，幾乎是歷史行業均值50%的兩倍。

制藥業的集裝箱

1940年代末，一種叫“集裝箱”的標準化鐵盒子開始改變全球貿易。在此之前，貨物從輪船卸到卡車、從港口運到倉庫，全靠碼頭工人手搬肩扛。一個標準噸的貨物從美國運到歐洲，運費里裝卸成本占了將近一半。集裝箱把這件事的底層邏輯改了：海運成本從此不再是貿易的決定性變量。

接著發生的事情，沒有人能預料。

日本汽車廠發現，以前因運費太高無法覆蓋北美市場的配件采購成本驟降。于是豐田發明了準時制生產——零部件在需要的那一刻才送到產線，庫存成本被壓到極限。然后Nike和蘋果發現，既然海運成本可以忽略不計，工廠就不必靠近消費市場。全球供應鏈由此從“就近生產”切換為“最低成本生產”，一個完整的全球化時代從此展開。

從集裝箱上路到準時制生產誕生，花了20年。從準時制生產到全球供應鏈重組，又花了20年。

這條弧線，跟AI制藥正在走的路徑幾乎平行。

AlphaFold已經上路四年了，像極了集裝箱在港口被嘲笑是“標準化的粗糙玩意兒”的那個階段。但它正在悄悄滲透進制藥鏈條的每一個縫隙。IsoDDE這類AI藥物設計引擎，更像早期的豐田產線，它把多個流程串成一個自洽系統，而非某個環節的加速工具。

2025年，全球AI在藥物發現領域的市場約31億美元，到2026年預計約88億美元。不同機構的預測口徑不同，但所有預測都指向同一個方向。要知道，2019年這個數字還不到10億。

百科全書、黃頁與汽車

當一種新技術開始系統性地降低行業成本，它的沖擊從來不是溫和的。

1993年，大英百科全書年銷售額12億美元，擁有全球最龐大的百科內容庫和最權威的學術品牌。不到三年，微軟以免費捆綁的Encarta掀了桌子，接著維基百科用開源協作完成了最后一擊。

大英百科全書不是被一個更好的百科產品打敗的，它是被一種新的內容生產方式和分發邏輯淘汰了。同樣的故事發生在報紙身上：分類廣告被Craigslist拆走，財經內容被彭博和路透收走，地方新聞被Nextdoor蠶食。整個過程花了十五年。

制藥業過去之所以沒有被“數字化”，因為它的核心資產不是信息，而是分子。分子不會因為互聯網的到來而改變結構。但AI不一樣。AI處理的不是信息交換，而是知識發現——藥物研發本質上是一種知識密集型勞動，正是AI最擅長的領域。

具體到產業鏈上，沖擊的傳導路徑正在變得清晰。

最直接感受到壓力的，是那些以“試錯效率”為核心競爭力的企業。在AI重構早期研發的背景下，基于人力試錯的先發優勢正在快速消退。

更深層的重構，將發生在傳統CRO身上。藥明康德、康龍化成這些以人工實驗為主的早期研發外包公司，正在直接面對AI平臺的能力替代。CRO的核心價值之一是“規模化的人類科學家加濕實驗體系”，但AlphaFold和IsoDDE正在把早期發現的核心環節從“實驗驅動”變為“計算驅動”。

而競爭最激烈的戰場，是AI平臺與MNC之間的最后一公里。Isomorphic Labs已經與諾華和禮來建立了深度合作關系。這也正是谷歌最深的意圖：用AI重做整個藥物發現的價值鏈，然后將其作為服務出售給全球藥企。

這與福特當年做的事情毫無區別，不是取代汽車，是重新定義汽車的制造方式。而在這場范式遷移中，如同所有技術革命一樣，最大的贏家往往不是舊體系中的優勝者，而是掌握了新操作系統的新玩家。

沒有AI的藥廠，將不再被稱作藥廠

當一個產業的關鍵技術指標從1%爬升到50%，它大概率不會“慢慢發生”。它會在某個臨界點之后加速，然后不可逆轉。

電力在1900年只驅動了美國制造業不到10%的機器，到了1930年這個數字超過80%。早期采用電力的工廠只是把蒸汽機換成電動機，并沒有改變工廠本身的布局，機器還是圍著同一根中央驅動軸轉，傳動皮帶吊在天花板上，效率提升很有限。

真正的突破來自一個所有教科書都忘了名字的人：Burton Moore。他提出，應該把中央驅動軸拆掉，讓每一臺機器擁有自己的獨立電動機。這個想法在當時近乎離經叛道，因為投資新的獨立驅動不僅成本高昂，而且會中斷生產。但獨立驅動使得工廠不必再圍繞一根軸來布置，從而催生了流水線，并最終帶來了汽車、鋼鐵、化工產業的全面爆發。

AI制藥當下的進展程度，大致就處于這個“電機換軸”的臨界點上。

CPHI 2026年度報告預測，未來十年超過50%的獲批藥物將涉及AI，將比上一輪互聯網對零售業的滲透至少快了一倍。這個數字在今天聽起來也許像樂觀假設，但制藥業歷史上也從未有過當前如此密集的技術滲透——從AlphaFold到IsoDDE，再從21億美元融資到全球Top10 MNC半數以上開始與AI制藥平臺簽約。

2026年一季度，僅僅前15天，跨國藥企AI制藥合作已超9起，總金額超過60億美元。禮來與英偉達宣布投入10億美元建立聯合AI藥物發現實驗室。這些交易節奏共同預示著：AI正在不可逆地滲透進制藥鏈條的每一個環節。

這個滲透的邏輯線索與電力如出一轍：先是作為替代能源出現，提高單個環節的效率，正如今天的AlphaFold加速結構生物學，然后逐漸變成獨立動力源，開始重新組織整個生產流程；也正如Isomorphic Labs正在做的從靶點發現到臨床候選全鏈條AI化，最終成為默認的基礎設施。

2026年的制藥業，正站在這條曲線的拐點上：就像沒有100年前電力的工廠將不再被稱作工廠，未來沒有AI能力的藥廠將不再被稱作藥廠。

原文標題 : 沒有AI能力的藥廠，將不再被稱作藥廠