从ChatGPT到DrugGPT：AI制药的机遇、瓶颈与未来路径

在刚刚过去的2023WAIC世界人工智能大会上，生成式AI的热潮几乎贯穿了整场大会。作为当前最受关注的变革性风口，投资人、产业界、学术界都对其抱有诸多期待，尤其是如何在应用层面挖掘出碘伏性的机会。AI+医药是被看到的机会之一。在本次大会上，美国超威半导体公司（AMD）董事会主席兼首席执行官苏姿丰在发言中就表示，医疗保健是AI能真正影响人类结果的领域，会帮助医生作出更好的诊断，加速疾病预防研究。她的老对手动作更快。7月12日，英伟达宣布以私募股权的形式向AI制药公司Recursion投资5000万美元。其创始人兼CEO黄仁勋在公告中表示，在开发新药和新的疗法方面，生成式AI是一种革命性的工具。Recursion正在使用英伟达的相关产品在生化领域进行开创性的工作，加速开发世界上最大的生物分子生成型AI模型，以此推动生物科技的发展并加速制药公司的药物发现。

AI制药在国内一直是风口之一，已经涌现出一批在技术上跑到世界前列的头部企业。当时代的机会来临，身处一线的AI制药企业如何认知当前的变化？《科创板日报》邀请到腾迈医药联合创始人、CEO何骑、晶泰科技首席科学官张佩宇、深势科技战略负责人王小佛三位产业界代表，分享他们眼中的机会和挑战。

一、生成式AI浪潮下的行业回温

对生成式AI浪潮带来的影响，三位企业家共同的感知是“热度”起来了。

• 腾迈医药CEO何骑表示，现在整个医药行业还处于寒冬中，但AI制药的赛道已经开始回温。腾迈在今年3月份完成了3500万美元A轮融资，当时得到了很多头部机构的支持，现在也有不少机构表示对业务模式感兴趣。
• 晶泰科技首席科学官张佩宇和深势科技战略负责人王小佛都认为，生成式AI的影响还没有直接传导到AI制药上，但已经给行业带来了正面的信号。张佩宇提到，“现在GPT的投资热点还是围绕大模型、数据库、图形计算这些，这只是开始，未来肯定是要向医药、制造这些更细分的应用层迁移，这是向上生长的必然过程。”

在ChatGPT爆火出圈前，AI赋能新药研发已经成为行业的共识。研报显示，通过机器学习（machine learning，ML）、深度学习（deeplearning，DL）等方式赋能药物靶点发现、化合物筛选等环节，能够使新药研发的成功率从12%提高到14%，每年为全球节约化合物筛选和临床试验费用约550亿美元。

二、真正的“卡脖子”不是算力，而是数据

尽管前景广阔，AI制药也面临着瓶颈。目前AI制药主要应用在药物发现、先导化合物筛选等早期阶段，在临床试验阶段更多还是要依靠人来完成相关工作。同时AI制药也受限于数据同质化的影响。通俗意义上说，AI的学习资料是人类已经创造的实验数据，对于冷门的靶点数据，AI无法无中生有。这也意味着生成式AI最具想象空间的能力受到了限制。

因此摆在AI制药企业面前的困境和现在的大模型公司是截然不同的。张佩宇在采访中直言，算力、算法都不是限制AI制药企业发展的核心关卡。几百个GPU和当前不断迭代的算法已经足够支持一家AI制药公司的需求，关键在于数据。 “不论是通过AI算力优势进行模拟计算，加速筛选优化先导物，还是基于经验和大数据的训练，设计全新的分子结构，都需要大量的数据作为支撑。

对于AI制药企业来说，它的核心就建立在数据生产能力上。”张佩宇表示。

在何骑看来，现在AI之所以在药物后期开发当中能发挥的作用还相对有限，主要问题就是数据匮乏，尤其是在临床阶段或者是转化医学上所需要的数据。这对大模型的训练造成了很大的挑战。

数据的匮乏不止体现在量上，王小佛进一步剖析了问题的核心：“现在数据的量是不够的，因为通过实验产生数据的成本非常高。更麻烦的是质也无法得到完全保证，比如同样的实验，甲来做和乙来做，可能做出来的结果会不一样，它本身是有很多场外因素的影响和关联误差存在的。底层数据的量、质无法保证，直接结果就是AI学习的表现和成果就大打折扣了。”