問題所在
尼古拉·特斯拉曾說，「一點理論和計算」本可以為湯瑪斯·愛迪生省去90%的辛勞。一個多世紀過去了，製藥業與材料科學界仍在沿用愛迪生的老方法——合成並實際測試龐大的化合物庫，指望碰巧撞上一個贏家。數字精確地揭露了這套方法已經失靈到什麼程度。
類藥分子可能存在的空間估計介於10^60到10^100之間。而你最好的一次高通量篩選活動大約測試一百萬個化合物。這意味著你只涵蓋了可選範圍的0.000000000000000000000000000000000000000000000000001%。白皮書說得非常直白：這就像靠每隔一段時間隨機舀一茶匙水來繪製太平洋的地圖。如果你在濕式實驗室裡測試新材料而不先做模擬，那就是在燒錢。
這不是技術上的奇聞軼事。這是研發經濟學的結構性危機。「愛迪生式」方法——蠻力試誤——用人力取代智力。隨著目標複雜度的提升，這種取捨會呈指數級惡化。簡單小分子這顆低垂的果實早已摘完。剩下的課題需要一種根本不同的方法：先模擬，然後只合成機率最高的候選物。
為什麼這與你的業務息息相關
財務損失已經清楚反映在你們產業的帳面上。以下是應該讓董事會警覺的數字：
- 每個新藥22.3億美元 —— 這是截至2024年開發單一藥物資產的平均成本。這個數字吞噬了每一個成功背後數千次失敗的成本。
- 1.2%的內部報酬率 —— 醫藥研發在2022年跌至12年低點，2024年才回升至5.9%。這波反彈主要靠GLP-1受體促效劑之類的離群值拉動，而非系統性改善。
- 約90%的失敗率 —— 絕大多數研發候選物永遠無法上市。花在實際測試某個本可被模擬淘汰的化合物上的每一美元，都是從可行候選物那裡挪走的每一美元。
- 成本感知型AI可將試劑成本削減多達90% —— 將實驗價格連同其資訊價值一併納入考量的演算法已展現出驚人的節省效果。
研發生產力的這種下滑有個名字：反摩爾定律（Eroom's Law）——把摩爾定律倒著拼寫。每一代藥物的發現都更難、更貴。你的競爭對手面對同一堵牆，但率先轉向模擬優先發現模式的人將比你早好幾年翻越它。
對損益表而言，影響是直接的。高通量篩選的重心在營運支出：耗材、試劑、人員時間和設備工時。透過更好的預測避免的每一次實驗都直接落到淨利上。與此同時，專利時鐘滴答不止。研發中省下的每一天都是市場獨占期的額外一天。Exscientia等公司的AI設計小分子大約12個月就進入第一期臨床試驗，而產業平均需要四到五年。
引擎蓋下真正發生的事
根本性的失敗在於：傳統發現模式是篩選化合物而不是設計化合物。篩選假設答案已經存在於預建的化合物庫中。但當你進入複雜生物製劑、多元合金和奈米結構材料的領域，最佳解恰好位於任何一個物理上可行的庫中的機率趨近於零。
這樣想吧。你有一個100位的密碼鎖。傳統篩選把隨機組合逐一嘗試。模擬優先的方法則先研究鎖的機械結構，把可能性縮小到少數幾個，然後再轉動轉盤。
市場上充斥著只從資料相關性中學習的黑箱AI模型。實驗資料稀疏、嘈雜且蒐集成本高昂，這些模型在新領域就會失效。標準機器學習在訓練資料範圍內表現良好，但被要求預測全新材料類別的性質時就會失敗。更糟的是，建構在大語言模型之上的生成式AI工具會「產生幻覺」——生成的分子描述看似合理卻違背基本化學。它們可能提出破壞價數規則或無視質量守恆的結構。分子是由原子和化學鍵構成的三維圖，不是文字字串。把它們當作句子來處理，產出的就是物理上不可能的結果。
替代方案是物理資訊機器學習（Physics-Informed Machine Learning，簡稱PIML）——把物理定律本身（能量守恆、熱力學、量子力學）直接嵌入AI架構的模型。由於化學規則內建其中，這類模型所需的訓練資料少得多。它們向未知領域的外推能力也更強。而且它們從結構上就不可能提出違反基本物理限制的分子。有一個名為FlowER的系統顯式追蹤化學反應中電子如何重新分布，確保質量與電荷始終守恆。任何標準語言模型都做不到這一點。
什麼行得通（什麼行不通）
三種看似有希望但都不夠格的方法：
- 更大的篩選化合物庫： 從一百萬擴大到十億個化合物，仍然只涵蓋化學空間中微不足道的一小部分。面對10^60種可能性，你無法靠蠻力硬闖過去。
- 套在公開語言模型上的通用AI外殼： 這類工具有助於文獻綜述和方案起草，但缺乏分子設計所需的領域特定物理約束。外殼無法在化學反應中強制執行質量守恆。
- 不做模擬的「快速失敗」： 在濕式實驗室裡失敗代價高昂——試劑、合成時間和設備都在燒錢。與只需幾毫秒算力的虛擬失敗相比，再快的實體失敗依然又慢又貴。
真正行得通的是三步閉環架構：
預測與選擇（輸入）： 貝葉斯優化引擎——一種平衡「探索未知化學領域」與「精煉已知有前景區域」的數學框架——識別出下一個最有價值的實驗。它不亂猜，而是計算相對於成本而言資訊增益最大的位置在哪裡。該演算法的多保真度版本將廉價的電腦仿真與昂貴的實驗室結果融合，只在仿真的信心水準過低時才觸發物理實驗。
自動化與合成（處理）： 機器人平台接收AI的指令，合成預測的材料並執行表徵測試——光譜分析、X射線繞射、顯微成像——全程無需人工干預。勞倫斯柏克萊國家實驗室的A-Lab用這種方法在17天內合成了41種新型無機化合物。當某次合成失敗時，AI會分析結果、調整配方並自主重試。
學習與更新（輸出）： 每一個結果——無論成敗——都會回饋給模型。負資料正是在這裡變成黃金。失敗的實驗磨礪了AI對「什麼行不通」的理解，永久性地繪製出化學中的死巷地圖。你的組織從此不再在這些路徑上浪費資源。這種不斷累積的失敗圖譜知識是持久的智慧財產權。
對你的合規與稽核團隊而言，這個閉環創造了傳統研發所欠缺的東西：對每一次預測、每一條決策依據、每一個實驗結果的完整且可追溯的紀錄。AI不只是說「試試這個化合物」。它會向你展示為什麼在所有備選方案中選擇這個化合物、它預期學到什麼、以及結果如何改變了它的模型。這條決策軌跡可稽核、可重現、經得起辯護。
你的數位分身——實體實驗室的虛擬副本——又增加了一層保護。在任何機器人動作之前，實驗先在模擬中執行。這能在樣品或設備被毀之前攔截操作程序錯誤、時序衝突和設備碰撞。分身預測與真實感測器資料的即時比對能在整批樣品報廢之前標記出堵塞的移液管或漂移的溫度等異常。
經濟帳一目了然。自主設備以接近100%的正常運作時間全天候運轉，而人力實驗室通常只有30%–40%。Insilico Medicine將一個AI發現的纖維化候選物從靶點發現推進到臨床前階段用時不到18個月，成本只是常規的一小部分。這些不是推測。這些是已經在生產環境中交付的成果。
關鍵要點
- 化學空間容納多達10^100個可能的分子——即使篩選十億個化合物也只涵蓋可忽略的比例，蠻力發現在統計上註定失敗。
- 如今開發單一新藥平均耗資22.3億美元，醫藥研發報酬率於2022年觸及1.2%的12年低點。
- 物理資訊AI模型直接內嵌化學定律，杜絕了標準語言模型產生的幻覺分子。
- A-Lab等閉環自主實驗室在17天內合成了41種新材料——這項任務人類研究員需要數月甚至數年。
- 成本感知貝葉斯最佳化可在取得相同結果的同時將實驗試劑成本降低多達90%。
總結
帳目很清楚：物理試誤無法搜尋10^60量級的分子空間，而每一次未經模擬的濕式實驗都有把資本燒在本就違背基礎物理的化合物上的風險。內嵌物理定律、從每次失敗中學習、並留下可稽核決策軌跡的閉環AI，才是修復研發經濟學的正道。問問你的AI供應商：當模型提出一個新分子時，它能證明該預測遵守質量守恆與熱力學穩定性嗎？它能向你完整展示為何選擇該候選物而非其他所有備選方案的決策軌跡嗎？