引發年薪百萬美金“搶人戰”，AI製藥憑什麼？
要看AI製藥到底有多火，就看企業挖人有多狠。
2019年底，華為就開始大力招聘基因組研發算法工程師、藥物研發算法工程師，最高年薪超百萬；2020年底，字節跳動招聘生物信息工程師，月薪也開出了40k左右；而百度最狠，近日在高調官宣旗下的生命科學公司百圖生科後，用100萬美元的天價年薪挖人。
雖然近些年，諸如線上教育、社區團購等熱門賽道，總也無法避免BAT或TMD的“插足”，但讓華為也高調入場的熱點也是少見。劑泰醫藥CEO賴才達就表示完全在其意料之外，創業之初根本沒想到這個賽道一下子“集齊”了這麼多巨頭。
相比於巨頭的高薪挖人，有過之而無不及的恐怕就是投資機構。一家知名資本2021的醫療招聘計劃中明確寫道：醫藥分析師第一年基本年薪加績效就能高達100萬美元。生物醫藥博士們幾乎成為了年度最稀缺“物種”。
一場搶人大戰，足以可見巨頭和資本們對AI製藥寄予厚望。但另一方面也體現出，生物醫藥這個傳統行業的複雜性，往往創業者和投資人之間，一個講不清楚、一個聽不明白。相比於其它垂直行業，AI製藥無論是創業還是投融資都面臨更大的挑戰。
關於AI製藥，關注者們有很多似懂非懂般的困惑。在上週小飯桌的卓見線上沙龍【AI製藥】專場直播中，參與沙龍的創業者和投資人們提出了以下疑問：
1.為什麼AI製藥是大勢所趨？為什麼爆發是現在？
2.到底哪些環節適合AI，如果AI不行還有哪些技術方案？
3.商業模式上，做好技術“工具”後要不要參與“淘金”？
4.早期階段，AI製藥泡沫何在？
5.AI製藥會是否是中國創新藥彎道超車的機會點？
6.巨頭跑步入場後，行業格局幾何？
為了解行業發展風向，小飯桌結合以下6位創業者和2位投資人的精彩分享。
峯瑞資本執行董事 馬睿
光速中國助理合夥人 高健凱
劑泰醫藥創始人&CEO 賴才達
康邁迪森創始人&CEO 萬小波
費米子科技創始人&CEO 鄧代國
智化科技創始人&CEO 夏寧
億藥科技CEO 謝正偉
煥一生物創始人&CEO 文雯
試着回答以上問題，總結部分AI製藥的未來發展機遇。
一個沒人敢錯過的賽道製藥行業是少見的“奇葩”，其投資 10 億美元得到的上市新藥數目，每 9 年就減少一半。這種反摩爾定律的行業，幾乎很難找到第二個。
在深陷“反摩爾定律“泥潭下，新藥研發自然愈發“吃力不討好”。2017年全球前12位生物製藥巨頭在研發上的投資回報率僅有3.2%，處於8年來最低水平。而單個NME（新分子實體）的平均投入也自1995年的3億美元攀升至2020年的13億美元。
這種“反常”的現象讓行業開始去思考，是不是還沒有找到最科學的方法去發現新藥物？
簡單來講，新藥物發現的過程一般是，先確定好某疾病的靶點，而靶點相當於“鎖”，我們需要在10^60個藥物分子可能性中，設計和篩選最合適的分子作為“鑰匙”去解鎖。要知道，太陽系裏所有的原子數量也就10^54個，在藥物分子數量如此龐大的情況下，傳統的做法確實依賴科學家們“徒手”去設計、驗證。
而類似的，在篩選好分子後，要形成真正的藥物還需要進行有機合成和分子改進等等過程，而這些依然依賴於科學家們的人工嘗試，因此成功的偶然性極高，且沒有規模效應。
本質上，藥物發現過程是個數據和工程化問題。而與製藥的反摩爾定律形成鮮明對比的是“算力”，在自動駕駛多領域遍地開花的AI，其算力隨着投入越大，邊際成本則越低，AI等計算切入製藥幾乎是順理成章。
於是，隨着數據的積累、前沿的計算方法等多方面的深入，大概2015年前後，國內以晶泰科技為代表的第一批AI製藥企業應運而生。根據不完全統計，目前除中國外的全球地區大概有230多家AI製藥企業，而中國至少有50家。
但是在起步的頭幾年，國內大多數AI製藥企業還是處在一個舉步維艱的境地：故事雖美好，但驗證週期過長，怎麼説服藥企，拿不到藥企的訂單又怎麼説服投資人？
“我們都知道醫藥領域數據特別多，用AI來做可能會革新些什麼，但是製藥的週期太長，失敗率也很高，沒有任何人可以去證明AI真的能有所作為，也沒有任何人敢為結果買單。”一位一線投資機構投資人談到起初對該賽道的遲疑。
費米子科技創始人鄧代國接觸投資人的感受也是如此，一是因為學科交叉性強，創業者和投資人之間溝通難度比其它垂直行業大很多，很複雜；二是好的商業模型沒有完全跑出來，大家都拿不準。
但時間來到2020年，多維度的標誌性事件打破了僵局。
首先是疫情之下，新冠病毒疫苗的研發速度極受矚目，這無疑將行業對藥物研發的技術提效手段的關注推向了一個高點。
一些全球頭部藥企對AI製藥企業也更積極擁抱。小飯桌按照公開數據統計（詳細見下圖），諾華、拜耳、強生等等企業都已經和AI製藥企業合作，很多交易金額在上億美金以上。
藥企在AI賦能下也取得了一些突破。2020年2月，英國Exscientia公司稱其已利用AI開發出首款臨牀前候選化合物DSP-1181，並於同年3月開始進入臨牀試驗階段。相比於傳統研發模式動輒數年，AI助力下只用了1年時間。
在AI製藥的價值被初步認可的同時，美國一二級市場的投資熱也傳導到國內。
薛定諤（Schrodinger）、Relay Therapeutics兩家AI製藥企業先後上市。兩家公司如今市值都在50-60多億美金左右，薛定諤的股價從首發價17美元，一度漲到近百美元。
除了給一直在觀望但不知從何下手的投資人們更大的信心外，兩家上市公司的商業模型和估值邏輯也讓其有了基本的參考。
國內先是晶泰科技拿到了輝瑞訂單，並很快獲得了軟銀的超3億美金超大額融資。這迅速鼓舞了國內整個一級市場的投資，AI製藥創新企業開始頻繁融資，紅杉、經緯、五源、啓明、高榕等主流基金幾乎扎堆出現，且大多押注了一個賽道的多家企業。在多方追捧下，晶泰科技的估值也到了10億美金，一些早期的企業估值也漲到了上億美金的地步。
智化科技創始人&CEO夏寧認為，科創板對於醫療醫藥產業的支持，也在其中起到了一定的利好作用。
數據來源於企名片、IT桔子，歡迎補充指正
擅長捕捉機會的巨頭也都紛紛湧了進來。騰訊成立雲深智藥、百度成立百圖生科、阿里雲與全球健康藥物研發中心合作開發AI藥物研發和大數據平台，而華為、字節跳動也在積極佈局。
從 AI 製藥領域融資交易率來看，中國已經成為了除美國外最大的新興市場。近 5 年來在 AI 製藥領域有 50.6% 的融資交易發生在美國，中國則佔據9.4% 。
全球不同國家AI製藥企業投融資分佈圖
而這場AI製藥熱還將持續下去。
2020底，AlphaFold 2成功預測蛋白質結構，解決了科學家們半個世級未破解的難題。2021年初，英矽智能（Insilico）也宣佈，其全球首次利用人工智能發現了一種全新機制的用於治療特發性肺纖維化(IPF)的臨牀前候選化合物。
至此，AI沒有創造性的質疑聲被消除。AI製藥幾乎成為了沒有人敢錯過的賽道。
AI製藥創新羣像AI製藥是一個挺複雜的過程。
一般一款新藥上市可大致分為藥物發現、臨牀前研究、臨牀研究、審批上市四個階段。而計算機就需要從靶點開始的藥物分子挖掘過程中，找到合適的環節，以及匹配該環節的技術手段，將原本全靠科學家或者其它人工的“手動化”變為“自動化”。
高健凱提到，不同環節的Know-how差異很大，導致所需要的技術架構幾乎完全不一樣。這也就解釋了為什麼大多數AI製藥企業選擇從一兩個單點切入。所以到底哪些環節更有“價值”或更有商業潛力是創新企業首先要考慮的問題。
1.在未來潛力和商業化落地中如何平衡？
細分下來，AI等計算可應用在靶點發現，化合物篩選、化合物合成、晶型預測、製劑研發等多個環節。
小飯桌根據公開資料統計了部分AI製藥企業的佈局環節。從圖中不難看出，藥物發現階段的靶點發現和化合物篩選這兩個藥物發現的最核心環節，也是參與者較多的環節。
康邁迪森CEO萬小波分享到，在藥物研發相對成熟的歐美國家中，目前一些大藥企更關注的往往是複雜疾病的新的藥物靶點發現。比如AI新藥研發公司 insitro利用機器學習在至今無藥可醫的疾病當中致力於找到一個新的可成藥的靶點。雖然團隊只有30多個人，但已經與吉利德科學和BMS都達成了合作，並於上週（2021年3月16日） 完成了4億美金超大額融資,這透露出AI在全新藥物靶點發現是非常有潛力的方向。
但靶點發現環節雖然潛力很大，也意味着難度更大，且驗證週期會很長，一般一個創新的靶點的發現通常需要花費4~5年時間和數千萬甚至數億美元的投資。
現階段用不成熟的技術來做最難的事情，是不是最好的選擇，值得商榷。對於一家初創企業而言，現階段需要在未來潛力和商業化落地上做出權衡。
因此很多公司在致力做靶點前，先選擇的是確定靶點後也相當重要的其它藥物研發環節。
比如在分子設計和篩選環節，大家該如何從10^60的化學空間中，找到合適的數十種？康邁迪森和薛定諤邏輯類似，其用基於物理學原理的模型來研究蛋白質和小分子三維相互作用關係；而費米子科技選擇差異化的分層模型，專注於數據的爬取和數據化。
億藥科技則採用逆向思維，先發現功能化合物，再去發現靶點。具體來説，其通過基於藥物基因組學和深度學習的DLEPS系統適用於靶點不明確或不夠有效情況下的藥物研發，先通過基因指紋的聯繫預測化合物藥效，在細胞或者動物上驗證有效後，再通過計算、分子生物學和結構生物學來反推其作用的詳細機制，該方案可以從源頭髮現新靶點，進而進行first-in-class的藥物研發。
該方案目前也提交了具有護城河作用的專利。在非酒精性肝炎（NASH）和延長壽命的研發中，億藥科技既找到了有效的小分子化合物，又發現了新靶點。
拿到了篩選好的分子後需要做有機合成，這就是智化科技切入的環節。在技術路徑上，以往有兩種模式，一是依賴於完全深度學習算法，雖然自動化高，但是可解釋性較差，模型準確度較難提升。二是專家規則的技術路徑，需要人工去寫大量的規則，再用機器來利用這些規則再做判斷和選擇，這樣雖然解釋性和準確度提升了，但是效率變差了。因此智化中和了二者，做到既有數據又有規則。
但相對而言，分子設計的驗證週期依然很長，到成藥基本還要兩三年。在光速中國助理合夥人高健凱看來，大家都在扎堆做小分子，所以該領域的競爭較為激烈，但相對來説，這其中的核心價值驗證也挑戰較大，怎麼評估和選擇也會是個難題，最終值得押注的可能只有頭部的小分子平台。
所以還有一類企業選擇了離驗證更近的臨牀前研究階段。
畢竟從先導化合物優化到真正成藥的過程，還要解決藥性問題。晶泰科技切入的是晶形預測。而劑泰醫藥便從製劑開發和藥物遞送切入。
劑泰醫藥賴才達提到，受限於高通量數據平台的壁壘，該環節還沒有任何一家AI企業去突破，因此這也成為了他看到的機會點。劑泰醫藥打造了高通量數據平台，讓劑泰的數據量遠遠大過傳統專家能夠產生的數據量，“我們一週可以產生到萬級的數據，傳統情況下可能只有百級的數據。”
在不同的應用環節，技術路徑也具有很大的差異化。峯瑞資本執行董事馬睿表示，是不是所有的環節都適合AI，如果AI不合適又該怎麼解決，也是需要進一步思考的核心問題。
2.是基於第一性原理用物理計算，還是基於數據用AI?
一般物理計算精度非常高，但對於算力的要求也非常高。所以，物理計算更適合確定靶點之後，更精準地挖掘。而AI的方法則是在數據條件允許的情況下，能夠快速探索，找到更多用於後期精準計算和實驗測試的源頭。
馬睿提到，AlphaFold 2之所以能通過AI成功預測蛋白質結構，是因為雖然蛋白的種類很多，但是蛋白摺疊的形式也一共只有1800多種，AI足以理解這個問題。但是蛋白產生小分子過程中，目前已有的公開數據集只有幾萬，而化學空間則是10^60方，在他看來，分子設計和篩選環節更適合物理計算，而非AI。
但這不意味着物理計算和AI各自為營，相反是相輔相成。
比如賴才達在一次公開直播提到，微球釋放的過程在體外可以用第一性原理模擬，但微球在體內的反應，整個過程的複雜度非常高。這一塊IVIVC（體內外相關性）就要透過不同的注射地點、輸送的途徑等等數據，來做一些預測模型，需要把AI和第一性原理結合起來。
總結來看，AI更適合存量數據多的環節、以及高通量環節。比如虛擬分子產生、批量的性質預測，包括可合成性評價、自動化合成等領域。
3.是賣工具還是淘金？
除了切入的環節和技術路徑不同之外，AI製藥企業究竟如何定義自己的商業模式。幾乎每一個創業者或者投資人都會被問到這樣的問題：做完技術服務後還要不要自己做產品？
瞭解這個問題之前，我們可以先看美國薛定諤（Schrödinger）和Relay兩家上市公司的運營模式和對應的估值。
無論是薛定諤（Schrödinger）和Relay，一方面都為藥企、CRO機構等提供SaaS類的軟件服務，另一方面也都有自主研發的管線。
但由於薛定諤自主研發的管線還在發現階段，而Relay自研的三款產品中，有兩款處於兩牀階段，兩種估值上產生了很大的區別。前者主要還是按照SaaS企業的估值邏輯，而後者則是藥企的估值邏輯。
基本上可以判定，市場上的所有AI製藥企業的走向不是Schrödinger就是Relay模式。
億藥則有七八條重定向管線，聚焦在延長壽命、肥胖症、高尿酸血癥、抗氧化、肌腱癒合、癌症免疫療法增敏等領域，其中延長壽命的化合物可以延長小鼠壽命45%以上，相當於延長人類壽命30年，其中有3條產生的化合物已達到出售要求。而費米子科技也有聚集腫瘤、炎症和疼痛這三個領域的七八條管線，“部分作為早期化合物已經成功出售。”
基本上一個共識是，僅僅通過技術平台來切CRO的市場份額，目前看比較難發展成超級獨角獸企業。
AI製藥企業用技術平台來賦能藥企藥物研發的同時，還可以進行自有藥物管線的研發。國內最新推出的藥品上市許可持有人制度非常利於這類企業。可以預測，未來國內會出現越來越多的輕資產運營的持有IP的創新藥研發企業，中試和生產端會向中部以及頭部CDMO企業靠攏，產業格局發生變化。
這也就是為什麼相比於其它垂直領域，現階段AI製藥企業估值似乎相對較貴，但依然被投資人追捧。
五源資本井緒天曾在2020小飯桌青年創業者大會上提到，目前全球最大的兩家藥企估值都在兩千億美金左右，之所以它能做到這麼大的體量，是因為它在臨牀研究和銷售端都有非常強的規模效應。未來隨着藥物研發和臨牀階段的規模效應被解決，新一代的藥企的研發平台是可以持續地產生新的管線，並通過自我的迭代，做出更多更好的藥，從長期的投資回報率來看，其實現在並不貴。
但在光速中國助理合夥人高健凱看來，無論是賣系統、賣IP聯合開發、或者自研管線其實都很有潛力，核心在於你專注的這一部分最後有沒有真正創造高價值。
峯瑞資本馬睿也是類似看法，無論是做服務還是產品其實都有潛力，但核心還是要看有沒有絕活，如果説對於藥企而言完全可用或不用，那你肯定賺不到大錢。
即使做某個單一環節的技術服務，也一樣可以找到新的增長曲線。比如説智化科技除了為藥企賦能之外，未來還會在化工等多領域橫向複製。
而煥一生物，聚焦在更復雜且極具潛力的免疫系統，既有靶點發現平台，也有自己的生物標記物發現平台，會重點鉚定在AI精準診療這一非常有潛力的方向上。
AI製藥泡沫何在？對於國內的AI製藥企業而言，如今最大的問題依然在於如何拿到藥企的訂單，相比美國，國內除了晶泰科技拿到了輝瑞的訂單之外，幾乎沒有企業可以拿到大藥企的訂單。
為什麼在資本逐熱的同時，藥企斷依然難以推進？有三個層面的根本原因。
一是國內創新藥發展相對早期。費米子科技CEO鄧代國提到，目前國內藥企依然大多是做仿製藥，這和做創新藥是兩個邏輯，也就是説藥企對創新藥研發服務的訴求到底有多高很難説，藥企現階段雖然願意嘗試但是付費意願很低，因此在合作了一些國內藥企後，費米子也開始和部分國外藥企合作。
煥一生物也進一步解釋道，“國內外的風險偏好可以説是兩個極端，國外偏好高風險高回報，支持顛覆性創新，而國內偏好低風險，偏保守，希望等到更完善驗證後再出手。所以，AI製藥企業想要在比較早期有商業化成果，還是要立足於全球市場。”
二是和藥企合作中到底如何推進是個難題。AI製藥企業本質上和藥企的研發部門是競合關係，億藥科技CEO謝正偉提到，如果直接接觸到BD部門，對方要求企業做到一二期臨牀可能才接受，而一旦接觸到研發部門更難推進，對方更關心你的技術手段這樣的商業秘密。找到可以協同推進的合作伙伴也成為了AI製藥企業一個具有挑戰的環節。
康邁迪森萬小波也有同感，一方面你既需要和大藥企合作，推廣自己的新技術，但同時又擔心對方掌握新技術後自己獨立研發，如何與合作者建立相互信賴，共同發展其實是初創企業面對大藥企面臨的考驗。
除了這兩個外部環境的桎梏之外，本質上問題還在於AI製藥企業技術能力還不夠。夏寧認為，整體來看，AI製藥還處在非常早期的階段，如果用百米賽跑作比喻，大家大概跑了五米。
一方面是數據的侷限性，費米子科技提到，中國藥企其實沒什麼有價值的數據，創新藥研發力度不足，數據庫基礎，也不全面。同時在數據採集上，公開數據昂貴，藥企也不會貿然給，自己依賴於少量數據如何持續喂數據，自產數據，是大家需要不斷更新迭代的問題。
另一方面是算法等交叉技術的現有瓶頸，人工智能的黑箱模型如何和化工等的白箱模型結合起來，真正把科學家們的經驗通過AI等技術做到複製，還有很長的路要走。
尤其是中國的教育體制下，交叉學科人才、系統性的人才目前較為缺失。謝正偉提到，計算和實驗的結合有非常高的壁壘，藥化團隊、藥理團隊和深度學習專家之間需要長時間磨合，最好的解決方案可能是培養同時掌握多個重要方向技術的複合人才。
這也就不難解釋，為何AI製藥領域會有搶人大戰，以及團隊上有很多跨國際人才的加入。比如説煥一生物引入了海外的科學家和首席戰略官來補足技術和開拓國際市場，劑泰也有波士頓分部。
相比於其它垂直行業，醫藥行業投資人考察項目過程中，創業公司的團隊背景的權重相對更大。
總結來看，AI製藥企業的問題各有不同：比如不懂藥物化學、缺乏做AI的數據、所需的藥物研發的人才不夠；以及其技術成熟度和藥企的要求匹配度不高等等，都是需要創業者和投資人深入辨別。
中國創新藥，或迎來“電商式”機遇？AI製藥熱最先從美國發散，這也讓很多關注者對於中美差距有多大存有疑問。
億藥科技謝正偉認為，綜合規模和產業成熟度等宏觀環境來看，基本上有個10-20年的差距。
但是從微觀上來講，具體到某個實驗室，中國並不比美國差，本質上大家都在同步做前沿的、前所未有的東西，而這些方面的成功具有很大的偶然性，不一定誰更快得到突破性進展。比如億藥科技的基於深度學習的藥效預測系統DLEPS有望成為一個範例。
而在藥物遞送環節，前文提到，AI在該環節的賦能上，目前劑泰在全世界範圍都是領先在做；智化的逆合成技術，在開拓國外市場時基本上也是首批經受了頭部客户的檢驗。
在劑泰看來，國內創新藥起步比歐美晚，或許是一個“電商式”的機遇。中國零售業的不夠成熟給了中國電商成為全世界範例的機會，同理，在國內創新藥不夠成熟的階段，AI+賦能下的中國創新藥，或許迎來了彎道超車的機會。一是國內藥企在新藥獲取上會動力足，二是其沒有歷史包袱，對於新技術的嘗試會更迫切。三是，中國人口基數決定了數據會最多，會為未來的計算提供更大的便利。
而峯瑞資本馬睿認為，未來的AI製藥無外乎有三個層面的機會點。
一是計算的迭代。在算力、算法上的迭代，比如説如何用新的算法或者語言，讓電腦和AI更好的理解分子和蛋白，甚至是計算基礎設施的迭代，比如美國現在已經有公司在做基於量子計算機驅動的藥物。
二是交叉技術加速數據化。例如AlphaFold2能夠測出來很多蛋白的結構，增加了可成藥的靶點，會利好下游的計算。峯瑞資本非常看好新的數據化方法，比如電鏡、質譜，或者單細胞、表型測試、基因編輯、自動化或者高通量平台和藥物研發的交叉，來更快更好地產生數據做計算。
三是應用場景的變化。目前大多數公司切入的是藥物研發的臨牀前階段，但其實最大的數據斷層還在進入人體前後，一些藥物分子在猴子身上有效但很有可能在人身上無效。最有價值的公司可能會是在前面的基礎上，能夠再往後走一點，比如能預測臨牀的結果。未來分佈式的組織臨牀實驗可能還會出現更多的公司，這也是一個值得關注的方向。
在競爭上，巨頭高調進入對於行業發展有一定的催化作用。同時，大多數創業者或投資人認為，巨頭雖然在一些行為數據和計算上有一些優勢，但侷限性也很大：一是人才的瓶頸，畢竟最頂尖的人才都自己創業，二是醫藥行業體系複雜，巨頭到底能沉下去多深沉多久還待驗證。
而初創企業的成長或許會比想象中更快。光速中國高健凱預判，2023-2024年，一批公司將可能完成臨牀二期。一般在得到基礎驗證後，企業基本上能達到上市標準，屆時市場格局會愈發清晰，一定會出現三五個獨角獸或上市公司。