【now.com財經】華爾街資金其中一個最愛的 narrative，莫過於「AI 將徹底顛覆製藥業」。這個故事性感、宏大，充滿想像空間——簡直是為投行（i-bank）的 pitch deck 量身訂造，足以令那些手握重金的退休基金資產配置委員會集體高潮。
問題是，這個完美的故事，正被一個極其尷尬的數字篤破：49%。
這不是某隻 meme stock 的日內跌幅，而是目前最頂尖 AI 模型在模擬藥物分子與靶點結合（target binding）時的預測準確率。四成九。各位，擲一枚散銀的命中率也有五成。換言之，矽谷燒了幾十億美元算力訓練出來的神級模型，在預測一顆藥分子能否黏上指定蛋白質這回事上，表現得比你褲袋裡那枚五毫子更削。如果你的 quant fund 模型只有 49% 的 hit rate，你不會稱之為「突破性顛覆技術」，你會叫它做「隨機漫步」（Random Walk），然後即日炒掉整個團隊。
但好戲還在後頭。假設你想把這 49% 的勝率拉高——畢竟 VC 的 slide 總會寫著「隨著數據累積，準確率將呈指數級上升」——你需要將實驗室的「濕實驗」（wet lab）數據 feed 回模型裡。而取得這些真實數據的時間，是 AI 生成候選分子時間的三十倍。整整三十倍。
這還只是試管級別的數據，連活體動物的皮毛都未碰到。如果你要的是人體臨床數據——招募受試者、給藥、追蹤半年的副作用——這個時間倍數會大到令你的 Excel 直接爆 flow。
這正是 AI 製藥敘事的核心矛盾：AI 最擅長的部分（生成分子、篩選文獻、設計 trial protocol），恰好是整條 drug discovery 價值鏈中耗時最短的環節；而真正的時間黑洞——濕實驗驗證、臨床試驗（clinical trials）、長期毒理觀察——AI 幾乎無能為力。它可以讓你極速標到起跑線，但這場馬拉松的賽道，一米都沒縮短過。一個為期六個月的 Phase 2 trial，不會因為你用了 GPT-Whatever 就縮減成三個月；正如你不會因為買了一部更貴、運算更快的超聲波儀器，就能令十月懷胎縮減到四個半月。
Bitter Lesson 信徒與生物學異教徒的萬億美元對決
要拆解這場涉資萬億美元級別的認知分歧，你得先摸清兩大陣營的世界觀。
站在 AI 那邊的，是 Scaling Laws 的死忠信徒。他們的教義很簡單暴力：算力（compute）夠大、數據夠多、模型夠深，萬物皆可被屈服。這套邏輯在 AlphaGo 捉圍棋、AlphaFold 的蛋白質折疊預測、以至 coding 生成上都被完美驗證。因此，他們理所當然地覺得：下一個被降維打擊的，就是藥物開發。學者 Richard Sutton 提出的 "The Bitter Lesson"——別搞人工設計（feature engineering）那些花臣，暴力運算才是王道——被他們奉為圭臬。
但當生物學界聽到這套偉論時，表情大概等同你跟一位頂尖心臟外科醫生說：「我看了三小時 YouTube 教學，現在可以幫你揸刀了。」
他們的反駁並非出於守舊，而是基於對問題本質的敬畏：人體從來不是一個封閉、rule-based 的博弈系統。它是一個由數十萬億個細胞、每個細胞內數以萬計蛋白質交互作用、受基因與環境共同塑造的開放式複雜系統。你掉一顆新藥進去，引發的不是線性的 A 去 B 反應，而是 n 階的連鎖效應（cascading effects）——我們目前連 n 的基數是多少都未摸透，遑論去預測每一階的變異結果。
最諷刺的是，即使是生物界裡最擁抱 AI 的那批人——那些熱衷於在發布會上展示 AI 節省了多少成本的樂觀派——當你問到「AI 能否發現全新靶點」或「AI 能否自主推演出全新因果生物學機制」時，他們也會禮貌而堅定地答你：短期內，絕不可能。
更 mean 但真實的一句話是：就算你現在塞一個 ASI（超級人工智能）給我，它也無法從現有的生物學數據中「煉」出隱藏療法。因為那些 breakthrough 根本不存在於現有數據庫中；它們藏在那些我們從未做過的實驗、從未觀察到的現象、從未收集過的數據裡。你不可能用全球最勁的 search engine，去搜出一本根本還未被寫出來的書。
虛擬細胞（Virtual Cells）的海市蜃樓
「但 Virtual Cells 呢？」AI 大好友通常會如此反擊。
無可否認，虛擬細胞模型的確有突破，AI 居功至偉。但請留意一個致命的量級問題：目前虛擬細胞能模擬的基因擾動（perturbations），僅佔全集的一小撮。這情況就像你建了一個「虛擬中環」模型，但裡面只有三棟商廈、兩條街和一個紅綠燈，然後你大聲公佈自己已經成功預測整個港島的繁忙時間車流。數學上，這叫 undersampling（欠採樣）；在金融界，我們稱之為 overfitting（過度擬合）；用街坊語言，這叫「自欺欺人」。
更深層的死穴，在於人類獨有的疾病。大腦是最後的堡壘。神經元的細胞身份（cellular identity）有相當大程度是人類特有的，這意味著你在白老鼠身上做出的漂亮數據，其轉化價值（translational value）極其有限。腦退化症（Alzheimer's）、柏金遜症、思覺失調——這些折磨全球數億人的疾病，正正落在這個盲區。你既不可能把活人的腦袋切片做 in vitro（體外）實驗，也不能指望 AI 憑幾隻老鼠的數據去幻想出人腦特有的病理機制。這不是欠缺算力的問題，而是 data 本身就不存在。
投資啟示：別用 Software 的 Multiple 替 Biology 定價
作為一個理性的投資者，我們應該怎樣定調這場 game？
首先，我絕對不是 AI 醫療應用的死淡友（permabear）。AI 在加速 dry lab 運作、優化臨床試驗設計、自動化文獻 screening 等方面，創造了實實在在的 alpha。但這些價值的本質，是「將一個 15 年的藥物開發週期縮短 1 到 3 年」，而絕對不是「將整個製藥業 timeline 壓縮 10 倍」。前者值得給予合理的 valuation premium（估值溢價），後者則是華爾街的集體妄想（collective hallucination）。
致命傷在於，目前市場給予 AI Biotech 公司的定價模型，正暗盤假設了後者。
當你看到一家連 Phase 2 都未入、連一隻商業化藥物都沒有的 AI pharma startup，市值竟然高過幾間手握多隻已上市新藥的傳統藥廠時，你看到的不是市場對技術的信仰，而是對物理定律的傲慢與無知。臨床試驗的時間成本是硬約束（hard constraint），不是 SaaS 行業那種靠堆工程師和狂加 GPU 就能壓縮的 scaling 問題。觀察期六個月就是六個月，因為你面對的是一個碳基生命體對外來化學物質的代謝反應——而碳基生命體，是絕對不會因為你的 LP（限量合夥人）趕著要 IRR 而提早代謝的。
其次，真正 smart money 應該盯緊的，永遠是 bottleneck（瓶頸），而不是亮點。AI 生成分子的速度的確令人驚豔，但那從來不是限速步驟（rate-limiting step）。真正的限速，是濕實驗數據的產出率、是臨床試驗不可壓縮的 timeline、是人類對自身生物機制理解的巨大黑洞。誰能攻克這些瓶頸——哪怕只是 incremental（漸進式）的突破——誰才是真正值得下注的 target。
最後，把話說得直白一點：如果有人在財報會上跟你吹噓，AI 將在五年內「攻克癌症」或「治癒腦退化」，你應該用看待神棍的眼光去打量他——帶著極度專業且深沉的懷疑。AI 是人類史上最強的工具之一，但工具無法改變問題本身的複雜度。一把更鋒利的手術刀，不會令開腦手術變得像砌模型般簡單；它只能讓一位浸淫了十年的頂級外科醫生，切得更精準。
生物學的 Bitter Lesson 不是「算力終將勝利」。
生物學真正的 Bitter Lesson 是：大自然，根本不 care 你的算力。
