最近美国生物医药圈出现一个非常大胆的讨论：OpenAI和Anthropic为什么不直接收购一家大型制药公司？McCabe Trowbridge提出，真正值得买的不是药物管线，而是数据。假设收购一家拥有3000名研发人员、数十年抗体和细胞治疗研发经验的药厂，AI公司得到的将不仅是现成药物，还有海量实验记录、失败项目、临床数据以及能够持续产生新数据的科学家。这可能比训练一个更大的模型更有价值。

为什么？因为AI药物研发正在遭遇一个尴尬的问题：模型越来越强，真正能够用于训练和验证的数据却远远不够。公开文献主要记录成功实验，药厂内部却保存了大量失败的分子、无效的靶点、有毒性的候选药物以及不同实验条件下的结果。这些失败数据恰恰能够告诉AI，哪些方向不值得继续投入。更重要的是，AI需要的不只是历史数据，还需要不断产生新实验结果的能力。

另一位生物医药投资人Bruce Booth提出相反方向的警告：AI短期内可能让药物研发更加拥挤。过去开发一个候选药物需要大量人力和资金，现在AI可以帮助更多公司快速设计针对同一成熟靶点的分子。结果可能是几十家公司追逐相同适应症，候选药物数量暴涨，真正具有临床差异化的产品却没有同步增加。AI降低了研发门槛，但没有自动解决靶点选择和临床成功率问题。

Alnylam创始人John Maraganore指出，真正的瓶颈是数据。他认为，能够将生物实验数据生成、药物技术平台和机器学习结合的公司，才更有机会改变行业。这背后的商业逻辑非常清晰：AI提出假设，实验平台验证，结果返回模型，模型再设计下一轮实验。每一次失败都能成为下一轮研发的训练材料。相比一次性购买庞大的数据库，这种持续产生独有数据的能力可能更有竞争力。

未来药厂之间的竞争，可能不再只是比较谁拥有更多科学家、更多专利和更多临床管线，而是比较谁能用最低成本、最快速度产生最有价值的科学证据。大型药厂拥有历史数据和实验基础设施，AI公司拥有模型、算法和自动化能力。两者结合究竟通过收购、合作还是AI原生Biotech实现，仍然存在巨大不确定性。但有一个趋势越来越清楚：未来药物研发最稀缺的资产，可能不是AI模型本身，而是让AI不断学习真实生物学的能力。

#人工智能制药 #AI药物研发 #生物医药 #药物发现 #制药行业 #生物技术 #医药投资 #临床研发 #大模型 #药研智能社