AI 制药的 Scaling Law，不在 GPU 在实验室

这两年 AI 圈里张口闭口都是 Scaling Law，算力加数据加参数，堆上去模型就变聪明，很多人的直觉是制药这件事也能照方抓药，模型再大一点，再堆一排 GPU，新药就会从显卡里掉出来。但制药的原料和其他行业不太一样，大语言模型吃的互联网文本可以无限爬取，而真正值钱的生物学数据——比如基因扰动后的细胞表型、多组学信号、患者对药物的真实响应——爬是爬不来的，只能一个实验一个实验做出来。数据不能爬，就只能造，这个差别决定了 AI 制药走的是另一条路。

所以 AI 制药真正的 Scaling Law，写成公式大概是模型乘以独家生物数据再乘以自动化实验，和大模型那边的算力加数据加参数形成一组镜像。湿实验室就是生物数据工厂，核心竞争力不是模型有多少参数，而是一年能跑完多少次高质量的预测、实验、学习循环。AI 提出预测，机器人做实验验证，结果变成新数据喂回模型，循环越快学习越快，一年几百次和一年几万次之间的差距，几年之后会拉得非常大。一个有意思的信号是 Anthropic 这样的纯模型公司都开始自建湿实验能力了，让 Claude 指挥机器人做实验，而 Scaling 未来会同时发生在算力、机器人和实验吞吐量三个维度。

光有飞轮还不够，制药的时间瓶颈很长时间卡在监管那一层。AI 确实把发现阶段的周期从 4 年左右压到 18 个月，但候选分子走到 IND、再到首次人体试验的流程基本没变快，美国这边有些项目光是把试验准备妥当就要两年，时间优势被截断在了临床门口。变化发生在最近这一年，一系列新政陆续落地，FDA 启动了 Expedited IND 试点计划，把原本串行的伦理审查、机构合同、试验启动等步骤并行化，同时推进模型指导药物开发、替代动物实验这一整套新范式，还和欧洲药监部门一起公布了十项 AI 应用的良好实践原则。这些动作的本质，是在压缩 AI 药物的监管不确定性溢价，监管机构的态度，从过去那种 AI 找的药认不认的迟疑，变成了有条件的放行——场景明确、验证充分、风险分级、可审计。

更关键的是，验证 AI 价值需要的那批数据终于开始积累。截至 2025 年底，已经有超过 100 个 AI 参与的药物资产进入临床，越来越多项目从一期往二期、三期迁移，这意味着行业第一次有机会把“模型的预测”和“真实人体的结果”放在一起对照。英矽智能的 Rentosertib 是目前最有说服力的样本，从 AI 提名靶点、设计分子一路推进到临床，二期试验交出了有统计显著性的疗效数据，连《自然》子刊都专门发文记录了这个里程碑。往前翻几年，DeepMind 的 AlphaFold 早就把两亿多个蛋白质结构预测公开出来，把结构问题变成计算问题，大幅缩小了药物研发的搜索空间；而 Recursion 这类公司则用自动化平台批量积累基因、药物、细胞和疾病之间的表型数据。这些拼图拼在一起，指向的是同一个判断：谁能更快、更便宜、更可靠地让模型向现实世界提问并拿到高质量答案，谁就领先。

至于怎么判断一家 AI 制药公司值不值得押注，标准其实不难列：有没有别人难以复制的实验和临床数据，预测到实验反馈的周期有多短，候选药能不能持续从发现推进到临床阶段，成功率有没有高于传统研发的迹象，项目失败之后系统能不能吸收教训让下一代项目更聪明。前面几条决定当期价值，最后一条决定平台有没有复利能力。制药行业被 Eroom 定律困扰了几十年，研发投入越堆越高，效率却不见涨，如果监管松绑、数据闭环、临床对照三者共振，这个行当有可能是第一次真正拿到类似科技行业的学习曲线，毕竟 GPU 决定模型能思考多少，自动化实验室决定模型能学习多少，而临床数据决定这些知识值多少钱。