2020 年底，DeepMind 的 AlphaFold2 在蛋白质结构预测竞赛中把准确率拉到了接近实验水平——一个卡了生物学五十年的难题，被一个算法基本解决了。新闻标题立刻跟上：「AI 将让新药研发成本暴跌」「十年缩成两年」。五年过去，是时候冷静地对一次账：AI 到底压缩了赌局的哪一段？
先把赌局的账单摊开
第四章说过，一款新药十到二十亿美元、十到十五年。要回答 AI 能不能压扁它，得先看钱花在哪一段。粗略拆开：早期发现（找靶点、筛分子）约占两三成；临床前（细胞和动物实验）约占一两成；临床试验占大头，五到七成。记住这个比例，它是全章的关键。
AI 已经做到的：前端加速是真的
AlphaFold 解决的是「蛋白质长什么样」的问题——知道形状，才知道药物分子往哪结合。这件事过去靠 X 射线晶体学等实验手段，一个结构做几个月甚至几年，现在算法几小时出结果，而且 AlphaFold 团队干脆把两亿多个蛋白质结构预测公开了，等于给全世界发了一套免费的靶点地图。
顺着这个突破口，AI 在药物前端确实干成了几件事：找靶点（从海量基因和文献数据里挖出「这个病可能和哪个蛋白有关」）、设计分子（生成式模型直接「画」出理论上能和靶点结合的新分子）、预测性质（这个分子毒性大不大、好不好吸收，先在计算机里筛一遍）。一批 AI 制药公司（Insilico Medicine、Recursion、Exscientia 等）已经把 AI 设计的分子推进了临床试验，早期发现阶段的时间从四五年压到一两年、成本明显降低——这些都是真的。
AI 还没做到的：临床这堵墙纹丝不动
但是——回到那个账单。AI 加速的是前两段，而钱和时间的大头在第三段：临床试验。人体试验为什么这么贵这么慢？因为它不是在算，是在等：等几千个真实病人服药、等副作用显现、等统计显著性积累。一个抗癌药的三期临床要观察「病人多活了多久」，这个时间物理上没法加速——你总不能把两年随访压缩成两周。
这就是为什么「AI 把新药研发从十年缩到两年」是误导：它顶多把十年的前两三年缩成一年，后面七八年的临床马拉松一步没少。赌局的入场费便宜了，赌局本身还是赌局。
还有一个更扎心的证据：AI 设计的分子进临床后，一期通过率似乎不错（毒性预测确实是 AI 的长项），但在二期——验证「这药对真人到底有没有效」——照样大量阵亡。目前为止，全球尚无任何一款「AI 发现」的药物走完全程获批上市。AI 提高了进入赌局的效率和分子质量，但没有明显提高赢下赌局的概率。
真正的变量：数据，不是算法
AI 制药的天花板其实不在算法，在数据。训练模型需要高质量、成规模的生物医学数据，而这样的数据散落在医院的孤岛里、药企的保险柜里、失败的实验记录里（没人发表失败数据，而失败数据恰恰是模型最需要的）。所以行业里一个清醒的共识是：谁能积累独家的、结构化的生物数据资产，谁才有真正的壁垒——算法正在快速同质化，数据不会。这也解释了为什么大药企一边和 AI 公司合作，一边把核心数据攥得更紧。
所以结论是什么
三件事同时成立。一，AI 在药物发现前端的价值是真的、已被验证的，它会持续压低早期成本。二，临床和监管的墙短期内纹丝不动，整体研发周期不会被数量级压缩。三，最深远的影响可能是结构性的：如果早期发现变便宜，小公司也玩得起赌局的前半段，行业会从「大药企通吃」向「小公司做发现、大药企做临床」的分工演化——第八章说的中国创新药崛起，有一部分正是踩在这个成本曲线上。
药说完了。还剩最敏感的问题：人。AI 会不会让医生失业？下一章，正面回答。