第九章讲了 AI 的胜利，第十章讲了 AI 最辉煌的胜利。这一章必须讲硬币的另一面——不是因为要泼冷水，而是因为看不清边界的乐观，和看不见价值的悲观，是同一种错误。
边界一：AI 是数据的镜子，而生物数据又脏又偏
机器学习的第一定律：模型只能学到数据里有的东西。药物前端的数据很好——分子结构是精确数字，性质是标准化实验。但越往人体走，数据越糟糕：
- 阴性结果被吃掉了。科学界只发表成功的实验。一个分子「对某靶点无效」的数据，十次里有九次躺在某个实验室的抽屉里。可训练一个「预测什么会失败」的模型，恰恰最需要这些失败样本。用只记录成功的数据训练模型，就像用只记录胜局的棋谱学棋——学到的全是幸存者偏差。
- 实验不可重复。生物医学有一个公开的伤疤：多项大规模复现项目发现，已发表的明星研究里，能在独立实验室重复出来的比例可能不到一半。喂给 AI 的训练集里混着大量「事实上的假数据」，而 AI 没有火眼金睛。
- 临床数据量小得可怜。训练图像模型动辄几亿张图，而人类历史上所有三期临床试验加起来才几万个，每个还不可比（不同病、不同设计、不同终点）。想用机器学习「预测临床成败」，样本量先天不够。
边界二：最贵的问题不在算力，在认知
第六章说过：临床失败的一半死因是疗效不足，而疗效不足的根源是靶点假设错——我们对疾病的理解错了。这类错误的特点是：它不在任何数据集里。「β-淀粉样蛋白可能不是阿尔茨海默的病因」这个认识，无法从既有数据中「训练」出来，因为既有数据全都是在这个假设下产生的。AI 擅长在规则明确的空间里搜索，而这里连「问题的形状」都还没画对。
这就是为什么 AI 制药公司喊了十年「成功率将大幅提升」，而行业的整体临床成功率并没有显著变化。一些被寄予厚望的「AI 发现药物」在临床阶段一样会死：Exscientia 和日本住友合作的 DSP-1181 曾以「全球首个 AI 设计进入临床的分子」刷屏（设计周期据称不到一年），后来一期之后悄悄停止开发——它证明了 AI 能大幅压缩「发现阶段的时间」，但对「进入临床之后能不能活」这个最贵的问题，没有给出额外保证。
边界三：伊鲁姆定律——越算越慢的制药业
半导体行业有摩尔定律：芯片性能每两年翻倍。制药业有一个名字故意反着写的伊鲁姆定律（Eroom's law，把 Moore 倒过来拼）：大约每过九年，「每十亿美元研发投入产出的新药数」就减半。过去几十年，计算能力涨了上万倍，DNA 测序成本掉了一百万倍，而新药研发的单位成本不降反升。
这个反直觉的趋势告诉我们一件事：计算的进步从来没有自动传导成药的进步。原因不难理解——研发瓶颈一直在迁移：筛选快了，瓶颈挪到优化；优化快了，瓶颈挪到毒理；毒理快了，瓶颈挪到临床；而临床的瓶颈是「人体的复杂度」和「疾病的异质性」，这两个都不服从摩尔定律。AI 会继续压低前端的成本，这真实且有价值；但只要我们没能更好地理解疾病本身，漏斗最陡的那一段就依然陡峭。
大白话：AI 目前解决的是『找到好钥匙』的速度问题；而制药业最贵的失败是『找错了门』。前者是工程，后者是科学。工程进步快，科学进步慢——这不是 AI 不行，是问题的种类不同。
那么，诚实的结论是什么
把九章到这一章合起来：AI 把「从靶点到候选分子」这段原本要四到六年的路，在最好的案例里压到了两三年；它让十亿级分子筛选成为日常；它解开了蛋白质结构。这些都是真金白银的进步。但它没有改变（至少还没有）临床成功率，没有回答「这个靶点对不对」，没有让伊鲁姆定律掉头。下一章——也是最后一章——我们把目光放到未来十年：哪些环节真的会被缩短、会以什么方式缩短，以及人类科学家在这个新分工里站在哪。