Token燒不起，大廠控成本，給AI製藥也算一筆經濟賬

Token烧不起，大廠控成本，給AI製藥也算一筆經濟賬

過去半年，互聯網大廠集體陷入對AI投入的“成本焦慮”。百度短暫發佈又撤回token計費新規，字節跳動的AI業務面臨更嚴苛的回報審視，京東、阿里相繼傳出壓縮非核心AI團隊的消息。這波降溫並非AI賽道遇冷，而是管理層開始正視一個現實：模型越跑越貴，變現路徑卻遠未明朗，燒錢的速度正觸及容忍邊界。 大廠算AI經濟賬，問到底是一個問題：花出去的錢，能不能換來可量化商業價值？如今，這股“算賬風”正向醫療領域吹來。但當話題從互聯網轉到創新藥，問題的複雜程度陡然升級——因為AI製藥的投入產出比，遠比一個token的成本更難計算。 被低估的成本結構

AI製藥自2023年以來持續升溫，從谷歌DeepMind深化AlphaFold佈局，到字節跳動傳出推動旗下AI製藥團隊獨立，再到Anthropic啟動內部藥物研發項目，資本與巨頭的步伐並未放緩。然而，興奮之餘，行業對成本結構的認知仍顯模糊。 一位業內人士向記者表示，AI製藥的支出大致可分為四塊：基礎設施費用、軟件與平臺授權費、人才團隊支出以及數據成本。前幾塊相對透明——算力倚賴GPU服務器或雲資源，軟件按管線或年限收費，而複合型人才薪酬遠高於普通程序員或藥學研究員，一個核心團隊的人力成本往往佔總預算三分之一以上。 真正的核算硬骨頭在於數據。高質量的標註生物學數據、臨床數據和真實世界研究數據獲取成本極高，且隨模型規模擴張持續攀升。當前主流核算方法是項目成本法，將AI工具成本分攤到每條管線的關鍵節點，再對比傳統研發路徑，得出節省的費用與時間。“但這個算法有水分，”前述人士指出，“失敗管線的成本常常被忽略”——靶點發現失敗了，訓練與算力已經發生，這部分沉沒成本往往被撇開不計。 換言之，儘管部分跨國藥企已開始重視AI價值評估，但實踐中的AI製藥成本仍存在系統性低估。 收益集中於臨床前

相比成本，AI製藥的收益核算是相對清晰的——但僅限於研發早期。在靶點發現環節，AI輔助的虛擬篩選與優先級排序已將驗證週期從傳統的2至3年壓縮到一年以內。分子設計與先導化合物優化階段，尤其在ADMET預測等成熟場景，迭代效率與週期壓縮效果均可被數據直觀呈現。研究表明，在AI參與下，候選藥物從立項到批准的整體成功率可能從約8%提升到18%，I期臨床成功率甚至可達80%至90%，而傳統方法不到40%。 但一到臨床試驗環節，尤其涉及大規模受試者的II、III期，情況頓生變化。當前AI滲透率最高的臨床應用是患者招募——通過病史數據結構化分析提升匹配效率，可縮短試驗時間20%至30%，進而改善內部收益率。然而，最關鍵的臨床方案設計、終點指標選擇及試驗管理，AI幾乎還未真正介入。 背後是數據可得性的根本制約：臨床階段數據分散於藥企、CRO與監管機構，受隱私與商業機密限制，難以形成標準化訓練集；同時方案設計包含大量醫學判斷、監管博弈與倫理考量，無法轉化為機器學習可用的結構化數據。監管層面的審慎態度更令藥企不敢把關鍵決策完全託付給AI。 因此，AI製藥投入產出比的實質性改善，短期內恐怕還不會發生。前提是臨床數據的系統性開放與足夠長的觀察周期。 不是掉頭，而是回本質

互聯網大廠尚可砍團隊止損，但AI製藥不一樣。“沉沒成本已經在分子開發過程中提前發生，提前終止的損失遠大於及時止損的互聯網公司。”一位資深人士分析。一款新藥從立項到上市平均需十年、投入超十億美元，AI能將其壓縮到八年左右，但這依然是一個以十年為單位的賬本。國內頭部藥企單個資產的研發成本已達22.3億美元，一旦中途終止，前期在靶點和分子設計上的投資極難回收。 因此，AI製藥的經濟賬，不是要不要繼續燒錢的問題，而是燒進去的錢最終能否換回一款能上市的藥。當成本問題被抬上桌面，行業需要從“AI可以做什麼”轉向“AI怎麼做才能兌現預期”。 業界已在探索可行路徑。合作模式上，聯合開發與技術授權加成本分擔日漸成熟。以英矽智能與賽諾菲的合作為例，前者輸出Pharma.AI平台，後者支付首付款與里程碑費，雙方共擔風險；Exscientia更與賽諾菲達成總額52億美元的全流程合作。預算管理上，專家建議採用分層結構：基礎設施與核心平台授權作為固定成本，控制在研發預算的5%至8%；按里程碑付費的AI服務設為可變成本；另留2%至3%的探索性預算用於前沿嘗試，不強求短期回報。 “核心原則是避免兩個極端——不要把所有管線都套上AI工具，也不要因為短期看不到回報就完全放棄。”

關注互聯網大廠算經濟賬，最緊要的啟示或許是：AI不是萬能藥。往後，投資者會更加挑剔，市場頭部效應加劇，只有拿出過硬臨床數據的公司才能繼續講故事。AI製藥的經濟賬，短期內很難給出準確答案。它更像一道關於時間和耐心的問答題——與其追問AI在成本風波中立不立得住，不如回歸做藥的本質：讓AI退回工具的位置，一起為臨床未解的難題尋找更好的解決方案。