大厂紧缩AI支出，AI制药也得算经济账

过去半年，互联网大厂面对持续膨胀的 AI 支出，开始集体算账。百度在发布后又撤回了 token 新规，字节跳动的 AI 投入被曝接受更严苛的回报审视，京东和阿里相继传出压缩非核心 AI 团队的消息。模型越来越贵，变现路径却远不如预期，烧钱速度正在触碰管理层的容忍边界。这一趋势同样向医疗健康领域传导——AI 制药作为最热门的医疗投资赛道之一，也被迫面对同一道题：花出去的钱，能否换回可量化的商业价值？

被低估的成本

AI 制药的成本大致可以分为四块：基础设施费用、软件与平台授权费、人才团队支出，以及数据成本。其中，基础设施是显性成本的大头——AI 模型的训练与推理需要 GPU 服务器或云计算资源，按项目或按年度计费，弹性空间有限，对没有自建算力中心的中小型 biotech 而言，是持续性的财务压力。

软件和平台授权是另一块刚性支出。全球主流的 AI 制药商业化平台多采用按管线里程碑或按年付费的模式，好处是风险共担，坏处是随着管线数量增加，授权费用会快速累积。人才成本则是行业公开的秘密——AI 与药学复合背景人才极度稀缺，薪酬水平显著高于单一背景的程序员或药学研究员，一个 6 至 8 人的核心团队，人力成本往往超过整体预算的三分之一。

真正的难点在于数据成本。公开文献难以构成高质量训练集，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。更棘手的是，行业目前对 AI 制药成本的主流核算方法是项目成本法：把 AI 工具的使用成本分摊到每条管线的关键节点，再与同阶段传统研发成本对比。这种算法存在水分——失败管线的沉没成本（训练费用与算力消耗）在统计中往往被忽略。

收益集中在临床前

AI 制药的收益核算相对清晰的部分集中在临床前。AI 辅助的靶点优先级排序与虚拟筛选，已使部分 Biotech 的靶点验证周期从传统的 2–3 年压缩至 1 年以内；ADMET 预测等分子设计环节的 AI 参与同样深入，迭代效率的提升有据可查。

• 研究数据显示，在 AI 参与下，候选药物从立项到批准的整体成功率可能从目前约 8% 提升到 18% 左右；AI 设计的药物在 I 期临床试验中成功率可达 80%–90%，而传统方法仅约 40%。
• ARK《Big Ideas 2025》预测，在 AI 深度参与的情景下，单个新药总投入有望从当前行业平均的十几至二十多亿美元降至个位数十亿美元。

但进入 II 期、III 期临床试验后，情况变得复杂。候选药物最终获批上市的概率不足 10%，II 期与 III 期试验的失败是消耗资金与时间的主要黑洞。当前落地程度最高的临床 AI 应用是患者招募，可将临床试验时间缩短 20%–30%；但在更关键的临床方案设计、生物标志物发现及适应性试验设计等环节，AI 介入仍然有限。原因在于数据可得性的根本制约——临床数据分散于各药企、CRO 与监管机构，受隐私与商业机密约束，难以形成大规模可标注的训练集，同时监管层面对 AI 辅助临床决策的审批标准尚未明确。

因此，AI 制药投入产出比的实质性改善是确定的方向，但短期内还不会发生。

不能用互联网逻辑算长期账

AI 制药的沉没成本在分子开发过程中提前发生，一旦中途终止，损失远大于可以随时砍团队的互联网公司。AI 制药的 AI 投入属于研发工具，最终收益要靠药物上市后的销售兑现，这是一个以十年为单位的账本。

• 传统制药从立项到商业化平均耗时约 13 年，在 AI 深度参与的情景下有望压缩至 8 年左右。
• 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。

行业正在探索两种应对路径。一方面，AI 作为贯穿新药研发始终的生态化工具，需要选择合适的合作模式：典型案例是 2022 年 10 月英矽智能与赛诺菲达成战略合作，首付款 1250 万美元，后续里程碑付款最高可达 12 亿美元，截至 2023 年中期确认收入约 830 万美元；同年 Exscientia 与赛诺菲达成总交易额高达 52 亿美元的合作，覆盖最多 15 个全新小分子候选物的端到端开发。

另一方面，制药企业与 AI 企业都有必要建立分层预算结构：把基础设施与核心平台授权作为固定成本，控制在研发总预算的 5%–8%；把按里程碑付费的 AI 服务设为可变成本动态调整；预留 2%–3% 的探索性预算用于前沿尝试，不强求短期回报。

大厂收紧 AI 预算这件事本身，更大的意义在于提醒行业：AI 不是万能药。往后投资者会更挑剔，对真实临床数据与商业价值的要求会更严格；市场头部效应也将加剧，只有能拿出过硬临床数据的公司，才能继续把 AI 制药的故事讲下去。这道题短期内没有精确答案，考验的是时间与耐心。