發現并加快藥物開發是筆大買賣，這個行業的運營成本很高，因此利用AI方法優化整個流程就成了這一快速發展行業中的首要考量因素。

德勤公司發現，其關注的全球20強生物制藥企業中，去年新藥開發的平均成本上漲了15%（增長數字為2.98億美元），總額來到約23億美元。這23億美元，涵蓋了從候選藥物發現、臨床試驗再到產品上市的全流程平均成本。

為了實現降本增效，不少生物制藥企業開始利用AI技術加速藥物開發。例如，使用關于先前候選藥物的蛋白質或氨基酸序列/3D結構及其特性信息來訓練機器學習模型。

關注該行業的朋友可能有所耳聞，此類候選藥物中只有不到10%能夠在臨床試驗階段取得成功，而每次臨床試驗的開發成本大約在3000萬美元到3.1億美元之間，如此高昂的投入必然要被分攤到最終獲得成功的藥品之上。此外，受試患者的實際診療周期也會限制藥物的研究進度。

AI與機器學習將在哪些領域帶來價值？

二者的作用體現在多個層面。首先，AI技術可用于藥物開發、加快部分研究過程，幫助降低成本并提高效率。研究發現，AI能夠將新藥的篩選時間縮短40%至50%，從而顯著降低成本。

尋求最佳方法來簡化整個藥物開發生命周期，已經成為制藥研發生態系統中各大主要參與者的首要目標。而如果不積極擁抱AI技術，他們根本就不可能與同行對等競爭。

為了接觸具有行業影響力的受訪者并帶來更加可信的專業意見，本文采訪了BioPhy公司創始人兼CEO Dave Latshaw博士，他曾在強生旗下的楊森制藥公司負責過早期AI項目。在嘗試利用機器學習監督大分子抗體制造之后，Dave博士成為強生AI研究小組史上最年輕的領導者。

Dave最熱衷的，就是將AI方法引入生物科技與制藥行業當中，希望借此簡化流程、優化決策并加強生命科學領域內的各類協作用例。他的目標是最終推動創新，加速為全世界患者開發出能夠挽救生命的診療方法。

BioPhy公司及其他領先AI創新生物科技公司（包括AtomWise, BioVia, Cradle, DNANexus, exScientia, Iktos等等）已經紛紛投身入場，而矛頭所指主要集中在兩大關鍵AI用例領域。

當然，傳統大型制藥巨頭也在積極擁抱AI技術，當然不乏自己的成果積累。這里暫且不談巨頭們如何運用AI提升價值鏈流程的整合效率，本文將專注于探討藥物的研發和生產邏輯。

首先，在藥物發現階段，其中的關鍵就是對生物與臨床可行性數據進行量化，從而讓生物技術初創公司與制藥大廠之間建立起透明、由數據驅動的橋梁。通過開發能夠分析大量信息（包括科學文獻、專利、臨床試驗數據和市場趨勢）的AI模型，早期生物技術初創公司能夠向潛在投資者證明自身的競爭優勢與差異化特性。如此一來，這些初創公司就能以AI驅動的分析工具及其生成的定量評估為支撐，通過展示獨特優勢與能力來提高融資成功率。另一方面，制藥企業也能借此為投資組合做出更優質的決策、提高資本部署效率，以更加有利的市場地位獲得批準并拉升投資回報率。

AI為藥物開發過程帶來的第二大實際價值，就是利用大語言系統來加快藥物中的關鍵開發能力，例如運營、質量與監管。具體來講，在情報監管領域，AI系統能夠分析大量文檔、指南與法規，確保制藥企業保持合規并及時了解監管機構的最新要求。這不僅提高了運營效率，也有助于降低不合規風險，避免藥物在開發和審批流程方面遭遇延誤。此類AI用例將幫助客戶在決策、風險緩解與整體效率方面迎來切實改進。此外，早期生物技術初創公司還發現，在AI驅動的創新定量評估支持下，小公司更容易籌得資金，大型藥企也能加快融資速度。

AI驅動方法正在顯著改善藥物發現這條復雜價值鏈上的優化空間。而除此之外，利用強大AI構建上市產品還有另一大回報——確保他人也能從中獲得真正的剖析和洞察。

AI領導之旅

Dave本人還分享了幾個非常有趣的觀點，講述了他自己在學習AI方面的真實經歷。這些觀點對于每一位從事設計AI產品、建立AI業務的領導者來說都相當重要，更將給制藥行業中的復雜難題帶來一點AI啟發。下面來看他自己親身學到的重要經驗和教訓。

首先，跨學科合作是重中之重。這是因為AI開發需要計算機科學、數學、認知科學和語言學等多個學科的專業知識，只有將來自這么多不同領域的專家知識整合起來，才能建立起強大且高效的AI系統。換句話說，如果從業者自己能夠跨越多個學科、將多領域信息集于一身，那么這種協同效應將尤其顯著。

其次，數據質量非常重要，而且這是一條怎么強調都不為過的經驗。AI算法能否成功，很大程度上取決于訓練數據的質量和多樣性如何。只有保證數據準確、具有代表性且盡量去除偏見，才能建立起在不同應用場景和用戶群體中均有良好表現的AI工具。總而言之，算法當然重要，但真正決定模型的是數據。

第三，積極擁抱AI的價值與機遇，否則就是在放棄背后的巨大可能性。AI有望顯著改變我們生活的各個方面，并為各行各業帶來突破性的進步。為了充分實現這些優勢，最重要的就是要對新的可能性保持開放心態，踴躍投資于前沿研究，并支持AI技術的發展，最終為個人乃至組織創造出更美好的未來。應當鼓勵負責任的AI開發并通過引導讓AI創新成為人類能力的放大器，這樣方可為所有人帶來更加包容且繁榮的前景。

第四，身為領導者，必須將道德保障視為慣例和常態。隨著AI在工作生活中各個層面變得愈發普遍，我們必須認真考慮由技術帶來的倫理與道德影響。必須制定出有助于防止數據濫用、取代人類員工和造成決策偏見等不良后果的指南與框架，確保AI工具更緊密地契合人類價值觀與社會規范。

第五，AI的學習之旅永無止境，每個人都應當持續跟進、不斷演化。AI領域仍在迅速發展，為了跟上創新前沿，持續學習將至關重要。擁抱新的發展能夠建立起更強大的AI系統，滿足不斷變化的現實需求。而掌握最新研究并加強學術界與工業界之間的合作，將能夠大大加快AI領域的進步。

我也一直嘗試在各種研討會上發現廣受好評的領先AI研究人才，他們的發現將幫助我們持續擴展自己的AI發掘能力與應用心得。

為AI研究者們喝彩

Dave最為關注和贊許的AI研究者之一，就是憑借開創性工作為AI發展做出長期貢獻的Jürgen Schmidhuber。他對機器學習和深度學習，特別是循環神經網絡的早期貢獻，為當今眾多AI技術奠定了實現基礎。他為通用人工智能（AGI）提出的愿景也持續激勵著全世界的研究人員。在整個職業生涯中，Schmidhuber一直以開發通用人工智能作為終極目標，希望建立起能夠跨廣泛領域執行任務的AI系統，而不再局限于狹窄的專用功能。這個課題近來再次引發公眾的廣泛關注。在追尋愿景的過程中，他始終保持著旺盛的好奇心和強大的創造力，希望打造出能夠以通用、無監督方式實現持續學習和自我改進的AI系統。

AI職業生涯規劃——您選擇了怎樣的路徑？

在討論末尾，我們邀請Dave向年輕的領導者們分享一點建議。他慷慨給出了經過深思熟慮的觀點，也樂于以負責任的方式引導下一代技術人才、賦予他們塑造AI新形態的堅實信心。

在AI世界里，我們既可以選擇成為推動前沿研究和突破的基礎理論創新者，也可以成為跨行業有效應用和實施AI解決方案的實踐者。這兩類角色對于AI技術的進步和普及都至關重要，但在發展路徑和關注重點上又各有不同。

身為基礎理論創新者，大家需要更深入地研究AI理論與底層技術，通常得拿到碩士甚至是博士學位才能參與其中。在AI相關領域，這類專業教育能幫助我們理解并投身于特定領域，例如自然語言處理、計算機視覺、強化學習或者機器人技術。在此類角色中，大家的工作就是通過開發新算法、推進AI與機器學習技術的當前狀態、或者探索AI的全新應用來做出貢獻。一般來說，基礎創新者通常會就職于學術研究機構、AI研究實驗室或者科技公司的研發部門。

另一方面，身為AI從業者，我們的重點則是運用AI技術和工具來解決醫療、金融或者交通等各個行業中的現實問題。而有效實施AI系統、優化性能表現并帶來切實效益的關鍵，就是將對AI技術的深入理解同目標行業的當前實踐結合起來。在此類崗位中，大家往往從事著AI系統集成、項目管理或者業務分析等工作，并需要與領域專家和利益相關方密切合作。

至于這兩條道路到底該如何取舍，無疑取決于各位的興趣和職業抱負。如果您熱衷于突破AI知識的邊界并創造顛覆性的進步，那么理論創新的道路可能更為適合。而如果應用AI技術來實現直接價值、推動跨組織及行業的高影響力變革能為您帶來更大的滿足感，那么實踐類職業生涯應該會是正確的選項。

而無論選擇哪條道路，大家都必須積累下扎實的AI基礎知識、與AI社區保持交互，并隨時關注最新趨勢與發展方向。

總結

總的來說，貫穿整個藥物開發生命周期的AI應用是筆大生意。與眾多以AI生物技術為中心的初創公司一樣，BioPhy正在為整個世界帶來不可估量的潛在影響。而Dave的分享之所以意義重大，不僅在于他們找到了一套契合現實的AI方法論，同時也體現在這位CEO卓越的情商以及對人才重要性的理解方面。他始終堅信，協作與信任才是解決人類一切最棘手難題的前提與核心，健康、醫療與藥物研發領域當然也不例外。