发现并加快药物开发是笔大买卖，这个行业的运营成本很高，因此利用AI方法优化整个流程就成了这一快速发展行业中的首要考量因素。
德勤公司发现，其关注的全球20强生物制药企业中，去年新药开发的平均成本上涨了15%（增长数字为2.98亿美元），总额来到约23亿美元。这23亿美元，涵盖了从候选药物发现、临床试验再到产品上市的全流程平均成本。
为了实现降本增效，不少生物制药企业开始利用AI技术加速药物开发。例如，使用关于先前候选药物的蛋白质或氨基酸序列/3D结构及其特性信息来训练机器学习模型。
关注该行业的朋友可能有所耳闻，此类候选药物中只有不到10%能够在临床试验阶段取得成功，而每次临床试验的开发成本大约在3000万美元到3.1亿美元之间，如此高昂的投入必然要被分摊到最终获得成功的药品之上。此外，受试患者的实际诊疗周期也会限制药物的研究进度。
AI与机器学习将在哪些领域带来价值？
二者的作用体现在多个层面。首先，AI技术可用于药物开发、加快部分研究过程，帮助降低成本并提高效率。研究发现，AI能够将新药的筛选时间缩短40%至50%，从而显著降低成本。
寻求最佳方法来简化整个药物开发生命周期，已经成为制药研发生态系统中各大主要参与者的首要目标。而如果不积极拥抱AI技术，他们根本就不可能与同行对等竞争。
为了接触具有行业影响力的受访者并带来更加可信的专业意见，本文采访了BioPhy公司创始人兼CEO Dave Latshaw博士，他曾在强生旗下的杨森制药公司负责过早期AI项目。在尝试利用机器学习监督大分子抗体制造之后，Dave博士成为强生AI研究小组史上最年轻的领导者。
Dave最热衷的，就是将AI方法引入生物科技与制药行业当中，希望借此简化流程、优化决策并加强生命科学领域内的各类协作用例。他的目标是最终推动创新，加速为全世界患者开发出能够挽救生命的诊疗方法。
BioPhy公司及其他领先AI创新生物科技公司（包括AtomWise, BioVia, Cradle, DNANexus, exScientia, Iktos等等）已经纷纷投身入场，而矛头所指主要集中在两大关键AI用例领域。
当然，传统大型制药巨头也在积极拥抱AI技术，当然不乏自己的成果积累。这里暂且不谈巨头们如何运用AI提升价值链流程的整合效率，本文将专注于探讨药物的研发和生产逻辑。
首先，在药物发现阶段，其中的关键就是对生物与临床可行性数据进行量化，从而让生物技术初创公司与制药大厂之间建立起透明、由数据驱动的桥梁。通过开发能够分析大量信息（包括科学文献、专利、临床试验数据和市场趋势）的AI模型，早期生物技术初创公司能够向潜在投资者证明自身的竞争优势与差异化特性。如此一来，这些初创公司就能以AI驱动的分析工具及其生成的定量评估为支撑，通过展示独特优势与能力来提高融资成功率。另一方面，制药企业也能借此为投资组合做出更优质的决策、提高资本部署效率，以更加有利的市场地位获得批准并拉升投资回报率。
AI为药物开发过程带来的第二大实际价值，就是利用大语言系统来加快药物中的关键开发能力，例如运营、质量与监管。具体来讲，在情报监管领域，AI系统能够分析大量文档、指南与法规，确保制药企业保持合规并及时了解监管机构的最新要求。这不仅提高了运营效率，也有助于降低不合规风险，避免药物在开发和审批流程方面遭遇延误。此类AI用例将帮助客户在决策、风险缓解与整体效率方面迎来切实改进。此外，早期生物技术初创公司还发现，在AI驱动的创新定量评估支持下，小公司更容易筹得资金，大型药企也能加快融资速度。
AI驱动方法正在显著改善药物发现这条复杂价值链上的优化空间。而除此之外，利用强大AI构建上市产品还有另一大回报——确保他人也能从中获得真正的剖析和洞察。
AI领导之旅
Dave本人还分享了几个非常有趣的观点，讲述了他自己在学习AI方面的真实经历。这些观点对于每一位从事设计AI产品、建立AI业务的领导者来说都相当重要，更将给制药行业中的复杂难题带来一点AI启发。下面来看他自己亲身学到的重要经验和教训。
首先，跨学科合作是重中之重。这是因为AI开发需要计算机科学、数学、认知科学和语言学等多个学科的专业知识，只有将来自这么多不同领域的专家知识整合起来，才能建立起强大且高效的AI系统。换句话说，如果从业者自己能够跨越多个学科、将多领域信息集于一身，那么这种协同效应将尤其显著。
其次，数据质量非常重要，而且这是一条怎么强调都不为过的经验。AI算法能否成功，很大程度上取决于训练数据的质量和多样性如何。只有保证数据准确、具有代表性且尽量去除偏见，才能建立起在不同应用场景和用户群体中均有良好表现的AI工具。总而言之，算法当然重要，但真正决定模型的是数据。
第三，积极拥抱AI的价值与机遇，否则就是在放弃背后的巨大可能性。AI有望显著改变我们生活的各个方面，并为各行各业带来突破性的进步。为了充分实现这些优势，最重要的就是要对新的可能性保持开放心态，踊跃投资于前沿研究，并支持AI技术的发展，最终为个人乃至组织创造出更美好的未来。应当鼓励负责任的AI开发并通过引导让AI创新成为人类能力的放大器，这样方可为所有人带来更加包容且繁荣的前景。
第四，身为领导者，必须将道德保障视为惯例和常态。随着AI在工作生活中各个层面变得愈发普遍，我们必须认真考虑由技术带来的伦理与道德影响。必须制定出有助于防止数据滥用、取代人类员工和造成决策偏见等不良后果的指南与框架，确保AI工具更紧密地契合人类价值观与社会规范。
第五，AI的学习之旅永无止境，每个人都应当持续跟进、不断演化。AI领域仍在迅速发展，为了跟上创新前沿，持续学习将至关重要。拥抱新的发展能够建立起更强大的AI系统，满足不断变化的现实需求。而掌握最新研究并加强学术界与工业界之间的合作，将能够大大加快AI领域的进步。
我也一直尝试在各种研讨会上发现广受好评的领先AI研究人才，他们的发现将帮助我们持续扩展自己的AI发掘能力与应用心得。
为AI研究者们喝彩
Dave最为关注和赞许的AI研究者之一，就是凭借开创性工作为AI发展做出长期贡献的Jürgen Schmidhuber。他对机器学习和深度学习，特别是循环神经网络的早期贡献，为当今众多AI技术奠定了实现基础。他为通用人工智能（AGI）提出的愿景也持续激励着全世界的研究人员。在整个职业生涯中，Schmidhuber一直以开发通用人工智能作为终极目标，希望建立起能够跨广泛领域执行任务的AI系统，而不再局限于狭窄的专用功能。这个课题近来再次引发公众的广泛关注。在追寻愿景的过程中，他始终保持着旺盛的好奇心和强大的创造力，希望打造出能够以通用、无监督方式实现持续学习和自我改进的AI系统。
AI职业生涯规划——您选择了怎样的路径？
在讨论末尾，我们邀请Dave向年轻的领导者们分享一点建议。他慷慨给出了经过深思熟虑的观点，也乐于以负责任的方式引导下一代技术人才、赋予他们塑造AI新形态的坚实信心。
在AI世界里，我们既可以选择成为推动前沿研究和突破的基础理论创新者，也可以成为跨行业有效应用和实施AI解决方案的实践者。这两类角色对于AI技术的进步和普及都至关重要，但在发展路径和关注重点上又各有不同。
身为基础理论创新者，大家需要更深入地研究AI理论与底层技术，通常得拿到硕士甚至是博士学位才能参与其中。在AI相关领域，这类专业教育能帮助我们理解并投身于特定领域，例如自然语言处理、计算机视觉、强化学习或者机器人技术。在此类角色中，大家的工作就是通过开发新算法、推进AI与机器学习技术的当前状态、或者探索AI的全新应用来做出贡献。一般来说，基础创新者通常会就职于学术研究机构、AI研究实验室或者科技公司的研发部门。
另一方面，身为AI从业者，我们的重点则是运用AI技术和工具来解决医疗、金融或者交通等各个行业中的现实问题。而有效实施AI系统、优化性能表现并带来切实效益的关键，就是将对AI技术的深入理解同目标行业的当前实践结合起来。在此类岗位中，大家往往从事着AI系统集成、项目管理或者业务分析等工作，并需要与领域专家和利益相关方密切合作。
至于这两条道路到底该如何取舍，无疑取决于各位的兴趣和职业抱负。如果您热衷于突破AI知识的边界并创造颠覆性的进步，那么理论创新的道路可能更为适合。而如果应用AI技术来实现直接价值、推动跨组织及行业的高影响力变革能为您带来更大的满足感，那么实践类职业生涯应该会是正确的选项。
而无论选择哪条道路，大家都必须积累下扎实的AI基础知识、与AI社区保持交互，并随时关注最新趋势与发展方向。
总结
总的来说，贯穿整个药物开发生命周期的AI应用是笔大生意。与众多以AI生物技术为中心的初创公司一样，BioPhy正在为整个世界带来不可估量的潜在影响。而Dave的分享之所以意义重大，不仅在于他们找到了一套契合现实的AI方法论，同时也体现在这位CEO卓越的情商以及对人才重要性的理解方面。他始终坚信，协作与信任才是解决人类一切最棘手难题的前提与核心，健康、医疗与药物研发领域当然也不例外。
