核心观点与关键数据
- 市场增长与预测：全球AI药物发现市场预计将经历高速增长，Roots Analysis预测2026年市场规模为86亿美元，2035年达到250亿美元，年复合增长率为12.6%；Deloitte则估计生成式AI将在研究、制造和商业功能中创造500亿至700亿美元的价值。
- 执行挑战：尽管大多数生物技术公司都尝试过生成式AI，但只有32%的公司采取了措施进行规模化，仅5%的公司将其视为持续且显著的财务差异化因素。MIT的研究发现，约95%的生成式AI试点项目未能实现盈利，主要原因是企业整合方面的“学习差距”。
- 成功关键：BCG的研究表明，采用“AI优先”运营模式的生物技术公司，遵循其提出的10/20/70原则（10%算法，20%数据和科技，70%人员和流程），将早期发现和候选物识别时间从4到5年压缩到8个月，并报告了5%到15%的收入提升。
五支柱路线图
- 战略基础与高管层协同：建立高管层和董事会层面的战略协同，明确AI解决的核心问题，并建立企业级目标。
- 数据基础设施与AI准备：解决数据孤岛问题，建立统一的数据清单和血缘关系，采用互操作性标准，制定计算策略，并建立数据治理和访问控制。
- 用例选择与排序：选择具有短期反馈循环和明确可衡量结果指标的高价值用例，如靶点识别筛选和制造产率优化，逐步推进到高风险、高监管审查的应用，如自主临床决策支持。
- 治理、风险管理与监管合规：建立基于FDA风险可信度框架和欧盟AI法案的治理和监管框架，进行模型风险分类，制定使用场景说明，并建立跨职能AI治理委员会。
- 人才、变革管理与组织设计：解决技能差距问题，通过再培训和外部招聘培养AI人才，建立变革管理所有权，并提供针对监管和科学背景的技能培训。
案例研究
- 成功案例：Novo Nordisk与OpenAI的全面管道集成，Roche与Nvidia的AI工厂建设，Insilico Medicine的AI发现药物rentosertib进入III期临床试验。
- 警示案例：Benevolent AI和Recursion-Exscientia的规模失败，展示了缺乏财务纪律或验证的运营模式的风险。
未来趋势
- 监管趋同：FDA和EMA的监管趋同将推动建立单一的全球AI治理框架。
- 并购与合作：AI原生药物发现的整合与合作关系问题仍待解决，合资企业模式正在兴起。
- 治理差距：建立董事会级AI素养和正式治理政策的公司将处于领先地位。
- 自主AI：自主AI系统将从试点阶段加速到生产阶段，对治理和变革管理提出更高要求。
- 市场规模：随着研究公司对标准化范围定义的趋同，AI药物发现市场的规模差异将逐渐缩小。
- 人才策略：人才策略将成为生物技术公司AI转型的关键约束，再培训比外部招聘更具成本效益。
结论
生物技术公司应抵制将AI视为单一 transformative 初始化或一系列孤立部门试点的诱惑，而是采取更 disciplined 的方法，优先考虑战略和治理，其次是数据基础设施，然后是优先级用例，接着是监管对齐，最后是人才和变革管理。
