最后一章，我们把前十一张拼图拼成一幅完整的画：未来十年，新药研发会变成什么样？AI 会站在哪里，人会站在哪里？回答的依据很简单——沿着这本书走下来的逻辑推：每个环节按「它是计算瓶颈还是认知瓶颈」分类，前者 AI 会吃掉，后者 AI 只能帮衬。
会明显变快的：前端闭环
第三、四章讲的「找分子、雕分子」正在连成一条自动化流水线，行业里叫闭环实验室或者「设计-合成-测试-分析」循环：AI 设计一批分子，机器人自动合成，自动化平台测性质，结果回灌给模型，模型据此设计下一批。一圈过去，模型比一圈前更聪明。这件事没有魔法——它就是第四章化学家手工迭代的机械化，但迭代速度从「每月一轮」变成「每周几轮」，而且每一次实验（包括失败的）都被完整记录下来，反哺给 AI。还记得第四章那个伏笔吗——「没有数字化的知识，AI 就学不到」？闭环实验室正是整个行业在补这门课：把化学家脑子里和抽屉里的隐性知识，变成模型能吃的数据。这个环节的时间从四五年压到两三年，是正在进行的事实，不是预测。
会慢慢变好的：靶点，靠「人」的数据
第六章和第十一章说，最贵的失败是靶点假设错，而 AI 无能为力，因为认知不在数据集里。但注意第二章埋的线索：人类遗传学证据能让成功率翻倍。过去二十年，生物银行（biobank，大规模人群基因 + 健康档案的数据库，如英国生物银行的五十万志愿者数据）正在成熟，单细胞测序让「疾病时每个细胞里发生了什么」变成可测量的数据。这意味着靶点发现正在从「生物学家的直觉 + 零散文献」变成「在全人群数据上做假设检验」——这是 AI 的主场。
这是未来十年最值得期待的结合点：不是 AI 变聪明了，而是「人的数据」变多了。更多带着真实结局的人群数据，会把「靶点假设」这个纯认知问题，一部分转化为可计算问题。别指望它让成功率翻倍再翻倍，但把二期死亡率从三分之二往下磨，是现实的期望。
大概率不会变的：人体的考场
三期临床的巨兽会继续存在。监管的铁律——「终点在人体验证」——是七十年事故史堆出来的，不会因为算法进步而松绑。「数字病人」「数字孪生」这类概念会有所帮助（比如用模型优化试验设计、挑选更可能获益的病人入组、用外部数据替代一部分对照组），但它们是让考场更有效率，不是取消考场。罕见病和基因疗法这类人群极小的领域，可能是例外：那里本来就没有传统三期的空间，监管正在学着接受新证据形式。
所以，那句宣传语该怎么拆
回到第一章结尾的问题：「AI 将让新药研发从十五年变成五年」，可信吗？
- 发现阶段的四到六年压到两三年：可信，已在发生。
- 临床前的一两年压缩一部分：部分可信，毒理预测和 fail-fast 在省钱。
- 临床阶段的六到八年大幅缩短：不可信。人体的试验时间由生物学节奏（要等肿瘤进展、要等心血管事件发生）和监管要求决定，不由算力决定。
诚实的版本是：十五年变成十到十二年，是大概率事件；变成五年，需要的不只是更好的 AI，而是对疾病的理解出现范式级的进步。前者是工程趋势，后者是科学机遇，把两者混为一谈的宣传，就是在卖融资 PPT。
人站在哪
这本书里，人被机器替代的地方都是同一类：穷举、打分、重复迭代——把「在明确规则里搜索」的工作交给了机器。人留下的位置也清晰了：提出假设、定义问题、为选择负责。选哪个靶点，赌哪个适应症，二期数据暧昧时继续还是止损，面对「统计显著但病人无感」的结果怎么判断——这些决定没有评价函数可算，它们的依据是经验、品味和勇气，而责任终究要落在签名的人身上。
一颗药的诞生，过去是、未来仍然是人类好奇心和耐心跑赢生命复杂度的故事。AI 没有改变这个故事的主角，它只是——终于——给了主角一双好得多的眼睛。而从一万个候选里活下来的那一个，走到药店货架上时，身上背的不再只是九千九百九十九个兄弟的尸体，还有成千上万次代码里的「早点失败」。这，就是 AI 在这门古老行业里真实的价值。