所有的实验室数据、动物数据，到这一章全部变成背景音。药物研发的终极裁判只有一个：生病的人体。临床试验（clinical trial）就是在人身上验证药物的过程——这是漏斗最陡的一段，一半以上的项目死在这里，烧掉的钱也最多。它分三期，一期比一期人多、一期比一期贵。
三期各问一个问题
一期：安全吗？几十个健康志愿者（抗癌药等剧毒药物例外，直接在病人身上做），从极小的剂量开始往上加，看人体能耐受多少、血药浓度怎么走。一期不问疗效，只问「这药在人身上的脾气」。
二期：有苗头吗？几百个真正的病人，开始看疗效信号——肿瘤有没有缩小、血压有没有降。同时继续盯安全性。二期是整个流程里死亡率最高的一期：大约三分之二的候选药死在这里，死因几乎都是一个：动物和细胞里的疗效，在人身上没复现。
三期：真的比现有疗法强吗？几千甚至几万个病人，遍布多个国家的几十上百家医院，通常要跑好几年。三期的结果将直接决定监管机构批不批。一项三期花掉几亿美元很常见——这就是为什么二期末期的「继续还是止损」是药厂最难的决策：往前一步是天文数字，往后一步是前功尽弃。
临床试验的心脏：一个极其精巧的「对照实验」
程序员都懂 A/B 测试。临床试验本质上就是 A/B 测试，但难度高到离谱，因为你的「用户」是病人，而人这个系统充满了噪声。三期试验的标准设计叫随机双盲对照（randomized double-blind controlled trial），拆开看每一层都是在堵一个具体的噪声源：
- 随机分组：病人被随机分到吃药组或对照组。不随机行不行？不行——如果让医生挑，他多半会把病情轻的分给新药，结果新药「显得」有效。随机化是为了让两组的病人除了吃没吃药之外，其他所有方面都统计上一样。
- 双盲：病人不知道自己吃的是什么，医生也不知道。为什么要蒙住医生？因为医生的期望会漏进他的观察里——「我觉得这个病人好转了」是一种主观判断，期望会扭曲它。
- 对照：对照组吃的要么是现有最好的疗法，要么是安慰剂——外观一模一样、不含药的面粉片。为什么不能「吃 vs 不吃」？因为有安慰剂效应：光是「我在接受治疗」这个信念，就能让相当一部分病人的症状真实改善——这不是幻觉，信念能调动真实的生理变化。在疼痛、抑郁这类指标主观的病上，安慰剂效应能解释掉三到六成的「改善」。不扣掉它，你测的根本不是药效。
大白话：临床试验是给『生命这个史上最复杂的黑箱』做控制变量。随机化堵选择偏差，双盲堵期望偏差，安慰剂堵信念本身——三层装甲全是因为被坑过才焊上去的。
为什么失败集中在疗效上
行业内有个统计：临床失败的原因里，「疗效不足」占一半左右，远超「安全性问题」。这很反直觉——前面筛了那么多轮，怎么疗效还会不够？
答案藏在第二章里：靶点假设从头到尾都没被真正验证过。分子在细胞里关掉开关有效，是「分子层面的正确」；但「关掉这个开关能不能治好这个病」是「生物系统层面的问题」——人体有冗余通路、有代偿机制，关掉一个开关，系统可能绕路走。这个问题只有真人试验能回答。所以二期的高死亡率不是设计失误，而是漏斗在正常工作：这里是「靶点假设」第一次接受真人检验的地方，之前所有环节都只是在确认「分子配得上这个假设」。
理解了这一点，你就会明白为什么行业对「用 AI 提高临床成功率」寄予厚望又屡屡受挫——失败的根源在生物学认知，不在计算能力。这个话题第十一章展开。先看活过三期的幸运儿下一关要面对什么：药监部门的签字。