问题所在
尼古拉·特斯拉曾说，“一点理论和计算”本可以为托马斯·爱迪生省去90%的辛劳。一个多世纪过去了，制药行业和材料科学界仍在沿用爱迪生的老办法——合成并实际测试海量化合物库，指望碰巧撞上一个赢家。数字精确地揭示了这套方法已经失灵到什么程度。
类药分子可能的空间估计在10^60到10^100之间。而你最好的一次高通量筛选活动大约测试一百万个化合物。这意味着你只覆盖了可选范围的0.000000000000000000000000000000000000000000000000001%。白皮书说得很直白：这就像靠每隔一段时间随机舀一茶匙水来绘制太平洋的地图。如果你在湿实验室里测试新材料而不先做模拟，那就是在烧钱。
这不是技术上的奇闻异事。这是研发经济学的结构性危机。“爱迪生式”方法——蛮力试错——用人力替代智力。随着目标复杂度的提升，这种取舍会呈指数级恶化。简单小分子这块低垂的果实早已摘完。剩下的课题需要一种根本不同的方法：先模拟，然后只合成概率最高的候选物。
为什么这与你的业务息息相关
财务损失已经清晰地体现在你们行业的账面上。以下是应该让董事会警惕的数字：
- 每个新药22.3亿美元 —— 这是截至2024年开发单个药物资产的平均成本。这个数字吞噬了每一个成功背后数千次失败的成本。
- 1.2%的内部收益率 —— 医药研发在2022年跌至12年低点，2024年才回升至5.9%。这次反弹主要靠GLP-1激动剂之类的离群值拉动，而非系统性改善。
- 约90%的失败率 —— 绝大多数研发候选物永远无法上市。花在实际测试某个本可被模拟淘汰的化合物上的每一美元，都是从可行候选物那里挪走的每一美元。
- 成本感知型AI可将试剂成本削减多达90% —— 将实验价格与其信息价值一并纳入考量的算法已经展现出惊人的节约效果。
研发生产率的这种下滑有个名字：反摩尔定律（Eroom's Law）——把摩尔定律倒着拼写。每一代药物的发现都更难、更贵。你的竞争对手面对同一堵墙，但率先转向模拟优先发现模式的人将比你早数年翻越它。
对损益表而言，影响是直接的。高通量筛选的重心在运营支出：耗材、试剂、人员时间和设备工时。通过更好的预测避免的每一次实验都直接落到净利上。与此同时，专利时钟滴答不止。研发中省下的每一天都是市场独占期的额外一天。Exscientia等公司AI设计的小分子大约12个月就进入I期试验，而行业平均需要四到五年。
引擎盖下真正发生的事
根本性失败在于：传统发现模式筛选化合物而不是设计化合物。筛选假设答案已经存在于预建的化合物库里。但当你进入复杂生物制剂、多元合金和纳米结构材料的领域，最优解恰好位于任何一个物理上可行的库中的概率趋近于零。
这样想吧。你有一个100位的密码锁。传统筛选把随机组合逐一尝试。模拟优先的方法则先研究锁的机械结构，把可能性缩小到少数几个，然后再转动转盘。
市场上充斥着只从数据相关性中学习的黑箱AI模型。实验数据稀疏、嘈杂且采集成本高昂，这些模型在新领域就会失效。标准机器学习在训练数据范围内表现良好，但被要求预测全新材料类别的性质时就会失败。更糟的是，构建在大语言模型之上的生成式AI工具会“产生幻觉”——生成的分子描述看似合理却违背基本化学。它们可能提出破坏化合价规则或无视质量守恒的结构。分子是由原子和化学键构成的三维图，不是文本字符串。把它们当作句子来处理，产出的就是物理上不可能的结果。
替代方案是物理信息机器学习（Physics-Informed Machine Learning，简称PIML）——把物理定律本身（能量守恒、热力学、量子力学）直接嵌入AI架构的模型。由于化学规则内建其中，这类模型所需的训练数据少得多。它们向未知领域的外推能力更强。而且它们从结构上就不可能提出违反基本物理约束的分子。有一个名为FlowER的系统显式追踪化学反应中电子如何重新分布，确保质量与电荷始终守恒。任何标准语言模型都做不到这一点。
什么行得通（什么行不通）
三种看起来有希望但都不够格的方法：
- 更大的筛选化合物库： 从一百万扩大到十亿个化合物，仍然只覆盖化学空间中微不足道的一小部分。面对10^60种可能性，你无法靠蛮力硬闯过去。
- 套在公开语言模型上的通用AI外壳： 这类工具有助于文献综述和方案起草，但缺乏分子设计所需的领域特定物理约束。外壳无法在化学反应中强制执行质量守恒。
- 不做模拟的“快速失败”： 在湿实验室里失败代价高昂——试剂、合成时间和设备都在烧钱。与只需几毫秒算力的虚拟失败相比，再快的实体失败依然又慢又贵。
真正行得通的是三步闭环架构：
预测与选择（输入）： 贝叶斯优化引擎——一种平衡“探索未知化学领域”与“精炼已知有前景区域”的数学框架——识别出下一个最有价值的实验。它不瞎猜，而是计算相对于成本而言信息增益最大的位置在哪里。该算法的多保真度版本将廉价的计算机仿真与昂贵的实验室结果融合，只在仿真的置信度过低时才触发物理实验。
自动化与合成（处理）： 机器人平台接收AI的指令，合成预测的材料并运行表征测试——光谱分析、X射线衍射、显微成像——全程无需人工干预。劳伦斯伯克利国家实验室的A-Lab用这种方法在17天内合成了41种新型无机化合物。当某次合成失败时，AI会分析结果、调整配方并自主重试。
学习与更新（输出）： 每一个结果——无论成败——都会回馈给模型。负数据正是在这里变成黄金。失败的实验磨砺了AI对“什么行不通”的理解，永久性地绘制出化学中的死胡同地图。你的组织从此不再在这些路径上浪费资源。这种不断积累的失败图谱知识是持久的知识产权。
对你的合规与审计团队而言，这个闭环创造了传统研发所缺乏的东西：对每一次预测、每一条决策依据、每一个实验结果的完整且可追溯的记录。AI不只是说“试试这个化合物”。它会向你展示为什么在所有备选方案中选择这个化合物、它预期学到什么、以及结果如何改变了它的模型。这条决策轨迹可审计、可复现、经得起辩护。
你的数字孪生——实体实验室的虚拟副本——又增加了一层保护。在任何机器人动作之前，实验先在模拟中运行。这能在样品或设备被毁之前捕获操作规程错误、时序冲突和设备碰撞。孪生预测与真实传感器数据的实时对比能在整批样品报废之前标记出堵塞的移液枪或漂移的温度等异常。
经济账一目了然。自主设备以接近100%的正常运行时间全天候运转，而人工实验室通常只有30%–40%。Insilico Medicine将一个AI发现的纤维症候选物从靶点发现推进到临床前阶段用时不到18个月，成本只是常规的一小部分。这些不是预测。这些是已经在生产环境中交付的成果。
关键要点
- 化学空间容纳多达10^100个可能的分子——即使筛选十亿个化合物也只覆盖可忽略的比例，蛮力发现在统计上注定失败。
- 如今开发单个新药平均耗资22.3亿美元，医药研发回报率于2022年触及1.2%的12年低点。
- 物理信息AI模型直接内嵌化学定律，杜绝了标准语言模型产生的幻觉分子。
- A-Lab等闭环自主实验室在17天内合成了41种新材料——这项任务人类研究员需要数月甚至数年。
- 成本感知贝叶斯优化可在取得相同结果的同时将实验试剂成本降低多达90%。
总结
账目很清楚：物理试错无法搜索10^60量级的分子空间，而每一次未经模拟的湿法实验都有把资本烧在本就违背基础物理的化合物上的风险。内嵌物理定律、从每次失败中学习、并留下可审计决策轨迹的闭环AI，才是修复研发经济学的正道。问问你的AI供应商：当模型提出一个新分子时，它能证明该预测遵守质量守恒与热力学稳定性吗？它能向你完整展示为何选择该候选物而非其他所有备选方案的决策轨迹吗？