生命科学 AI：一键式药物研发
本文作者：Elijah Yi
每年一月，医疗健康领域都会齐聚旧金山参加 JPM 大会。这通常会给这座城市带来两样东西：滂沱大雨，以及令生命科学界振奋的重磅消息。过去几年里，叙事的核心一直是 AI 在“草堆中找针”的能力——通过识别全新靶点并构建新的科学模型。
但当我们把目光投向 JPM 2026，话题正在发生转变。针已经找到了，问题在于，草堆背后横亘着一座耗资数十亿美元、历时十年的“收费桥”，由大量人工实验、临床试验摩擦以及监管障碍构成。
在 Cathay Innovation，我们在过去一年中一直在追踪生命科学技术栈中的一场根本性转变。
我们正从将 AI 仅视为研究助手，迈向一个自主生命科学的时代。
在这里，药物走向市场过程中那些混乱、碎片化且高度依赖人工的环节，正被压缩为由软件定义的工作流程。
目标是什么？ 让科学家只需一次点击即可完成药物开发。
价值逾 10 亿美元的好点子“坟场”。
我们行业的数据发人深省，提醒人们为何医疗成本依然居高不下。尽管以 AI 为驱动的发现不断涌现，研发的开发环节却仍然停留在 20 世纪：
- 90%的药物一旦进入临床试验，最终都会失败。
- 将单一药物资产推向市场的成本，如今通常已超过 10 亿美元 。
- 埃鲁姆定律（Eroom’s Law）：指的是尽管技术不断进步，药物发现却变得更慢、成本更高的现象。这一趋势持续困扰着大型制药公司的资产负债表。
瓶颈已不再是要构建什么 ，而是如何让它通过重重关卡。如果 AI 能够预测科学界已知的每一种蛋白质结构（正如 Jensen Huang 所说： 我们终于在与蛋白质对话 ），那么下一步的合理演进，就是利用 AI 自动化那些证明这些蛋白质在人类中有效所需的物理和行政劳动。
行动中的进展。
1. 加速实验：从手动循环走向自主实验室
在传统实验室中，迭代循环异常缓慢。尽管科学家掌握着前所未有的海量数据，但对其进行解读并转化为可执行行动的过程仍高度依赖人工。由于行政和物流开销的影响，往往存在大量“空转时间”，期间几乎没有实质性的科研活动发生。
我们正在看到一类新兴公司将实验室转变为可编程环境。诸如 Bioptimus 这样的公司，正通过其基础模型揭示新的生物学认知层面。与此同时，另一批公司正致力于打造“AI 科学家”，通过自动化实验设计，并利用 AI 在物理世界中的最新进展，来简化湿实验室流程。
未来的实验室或将成为一个由 AI 驱动的闭环系统，在人类指导下完成实验的设计、执行与迭代。这或许意味着，实验室可以在凌晨 3 点无人值守的情况下持续运转。
2. 一键式优化：及早扼杀失败
临床试验失败事后回看往往并不令人意外。患者分层中的靶点选择不当，可能意味着把正确的药物用在了错误的人群身上。
预测建模如今已达到足够高的保真度，使我们能够在任何一名患者接受给药之前就识别出潜在的失败模式。我们正在关注若干旨在解决这一问题的新兴创新类别：
- 高保真生物模拟： 通过大规模的数据收集，Axiom 等公司能够构建用于预测毒性的 AI 模型，从而避免下游的实验性失败。
- In Silico 试验设计： 像 Quant Health 这样的公司通过模拟不同患者队列对疗法的反应，对试验设计进行压力测试并指导决策。
通过前移失败曲线，我们确保资本只投入到成功概率最高的试验中。
3. 一键式招募：解决 80% 难题
也许在整个体系中，最具人为属性的瓶颈就是招募。80% 的临床试验未能按时完成入组。 试验每延误一天，一家尚未产生收入的生物科技公司就会在现金消耗中损失数百万美元，并流失数月的专利生命周期。摩擦无处不在：患者与试验的匹配依赖人工完成，而研究中心之间的沟通仍通过陈旧的门户网站和 PDF 文档进行。
像 Inato 这样的公司正通过 AI 驱动的平台，将研究机构、患者和赞助方汇聚在一起，高效地将治疗方案送达社区。
通过消除入组过程中的历史性摩擦，我们确保突破性发现能够触达最需要的患者，同时也确保药物在推进过程中不再受到行政延误的影响。
4. 监管 AI：跨越收费桥
FDA 常被视为终极路障，但实际上他们早已走在前沿，已经在利用 AI 来审查申报材料并检测异常。对于制药公司而言，监管流程就像一座由文件构成的收费桥——成千上万页的临床研究报告（CSR）和新药临床试验申请（IND），都需要极其繁琐的人工处理。
我们开始看到“魔法”正在发生：像 Bluenote 这样的公司正利用 LLMs 自动化完成从复杂源文档中对这些庞大文件的起草、交叉引用和审核。
AI 监管工具不仅能够降低人力成本，还能缓解 FDA 申报滞后——对于重磅药物而言，这种滞后每天都可能意味着数百万美元的机会成本损失。而这不仅关乎成本，更关乎准确性。一次小小的文书错误就可能导致课程进度延误数月；AI 可以充当终极的“保险政策”。
战略之辩：内部构建 vs. 外部创新
作为一名投资人，我经常在制药行业领导者面前看到一个关键决策节点：自建还是外购。
制药公司掌握着全球最具价值的专有数据，并正开始向 AI 原生文化转型。我们的观点是，制胜策略应当是一种混合模式：
- 制药企业应当拥有数据： 凡是涉及其特定专有化合物或独特生物学洞见的内容，都应在内部完成。外部工具可以用于支持对这些数据的挖掘。
- 外部创新的理由： 哪些领域并非制药企业的核心能力？这可能包括为监管申报、人才招募匹配、实验室自动化等构建稳健的 AI 工具，这些都是横向共性问题。上述提到的初创公司可以打造灵活的、本地部署或支持 VPC 的解决方案，其迭代速度远超任何内部 IT 团队。
真正的赢家不会是那些试图从零开始自建完整 AI 技术栈的公司，而是那些将一流 AI 工具整合进现有工作流程的企业。
商业之争：需要关注的关键点
鉴于生命科学组织的复杂性与行业特性，我们并不指望像医疗领域通过医学记录员那样实现一夜之间的快速采用。在这一行业，实现规模化的路径具有独特性；不同于其他 AI 领域在几年内即可达到 0 至 1 亿美元年经常性收入（ARR）的增长轨迹，医药科技需要对证据积累和系统整合投入更长期的承诺。
在这样的环境下，100万美元的试点项目只是立足点。
打造一家可持续发展的企业，关键不仅在于赢得最初的那笔交易，更在于积极解决不断叠加的运营难题，从而在药物全生命周期中扩大公司的业务版图。
尽管采购周期往往进展缓慢，但重点仍应放在交付即时、可量化的投资回报率（ROI）上，以顺利度过增长过程中的过渡阶段。
我们正处于这一采用阶段的初期，并且相信这一环境将成为下一代具备长期生命力的生命科学企业的试验场。
展望 JPM 2026
改变生命的药物可以说是人工智能最具优先级的应用领域。NVIDIA、OpenAI 和 Google 等科技巨头已表明，这将是它们下一个重要前沿。
在 Cathay Innovation，我们与一批创始人携手合作，将药物研发领域的这些变革变为现实。Bioptimus 正在构建基础模型，以解锁对生物学更深层次的理解；AQEMIA 则利用基于物理的 AI 引擎生成独特洞见。Inato 通过赋能社区研究中心大幅提升临床试验招募效率，而 AI 原生生物科技公司 Owkin 则展示了高保真数据如何与医学深度融合。它们共同代表了这一领域 AI 革命的最前沿。
对于 2026 年的 JPM，我预计讨论将不再聚焦于准确性的担忧，而是更多转向行动。我们正在寻找那些意识到“一个假设加一次点击”才是实验室中最强大工具的创始人。如果我们能够让从发现候选先导化合物到启动一期临床试验的路径，像部署代码一样顺畅，我们不仅能节省成本，还将对人类寿命产生深远影响。
如果你正在这一领域创业，或希望在大型组织内部部署这一技术栈，欢迎今年一月在旧金山一起喝杯咖啡。
