01 触发事件

a16z 在 2026 年发文讨论 Big Pharma 与 Big Software 的估值对等可能性。原文给出的核心数字是：Eli Lilly 市值已超过 $1T；全球预计有超过 300 款年销售额超过 $1B 的药物；进入人体临床试验的药物最终获批率不足 10%。

更值得 AI builder 注意的是，a16z 已从 2015 年开始投资 insitro、Formation Bio、BigHat Bio 等 75+ 家生命科学创业公司。其判断是，AI models for science 正在改善药物研发的成功率，同时缩短开发周期、降低成本。

但这不是一次模型发布，而是一笔押注：AI 正在从软件工具进入高价值、长周期的 regulated workflow。

02 这事的真正含义

问题不在于 AI 能不能帮 pharma 少做几个实验，而在于 AI 会不会改变药物研发资产的收益率结构。

Pharma 原本是 hits business：研发投入高度前置，失败率极高，少数成功药物贡献大部分收入。获批后，它又变成 annuity business：专利、临床数据、医生处方和制造能力共同构成 moat。

AI 的战略意义，是同时攻击这两端：

  • 在前端，提高 target validation、分子设计、临床试验设计和 candidate selection 的胜率。
  • 在后端，通过更好的伴随诊断、药物发现与患者匹配，提高商业化效率。
  • 在周期上，把十年级别的开发链条压缩，从而提高资本周转率。

这才是 a16z 所说的“Big Pharma Can Rival Big Software”。真正被重新定价的，不是某个 lab SaaS 合同，而是“每美元研发投入能产出多少个获批药物，以及每个获批药物能形成多长的现金流”。

原文列出的集中度很能说明问题：top 25% 的药物贡献约 85% revenue；top 10 pharma 中，top 3 assets 大约贡献 50% revenue。Eli Lilly 2025 年 63% 的收入来自 GLP portfolio。

所以 AI 若真能提升命中率，提升的不是一个平均数，而是少数关键临床项目的过闸概率。对拥有庞大数据和资金的大型药企而言，这是 leverage；对小型 AI-native drug company 而言，则可能第一次让“自己开发药”成为可行路径。

不过，我没在内部跑过这些 science models，也不能据此判断文中乐观判断已经兑现。原文目前提供的是产业逻辑与投资方向，不是 prospective trial 的真实成功率数据。

03 历史类比 / 结构对照

这更像 2004—2009 年 AWS 改造软件公司的过程，而不是 2007 年 iPhone 式的终端替代。

iPhone 改变的是用户界面和 distribution；AWS 改变的是 software company 的固定成本结构和资本配置。后者让更多公司从“先重资产建设”转向“先租算力，再验证需求”。

AI for Pharma 也可能产生类似效果。传统药企先建实验室、临床网络和制造体系；AI-native company 则可能用模型、自动化 wet lab 与外部基础设施拼出一张更轻的研发网络。

但 pharma 比 software 更难“租基础设施”。药物不能靠更快部署赢，也不能只凭 benchmark 赢。临床终点、监管批准、专利保护和 manufacturing scale 缺一不可。

历史类比也有反面：数据库compression 曾被认为会消灭数据库公司，结果只是让更多应用建立在上游。AI 不会消灭 Lilly，更可能让它拥有更多数据、更强模型、更快迭代能力。

真正的结构竞争因此不是“AI 药企替代 Big Pharma”，而是两种组织形态争夺同一批高价值靶点：

  • Big Pharma 拥有真实世界数据、临床执行、distribution 和资产负债表。
  • AI-native biotech 拥有模型速度、实验闭环和更低的组织摩擦。

前者 moat 深但决策慢，后者 iteration 快但验证能力弱。能否把 AI 的速度嫁接到 pharma 的执行体系上，才决定最终谁拿到超额收益。

04 对 AI builder 意味着什么

这周值得调整的，不是立刻注册一家 drug company，而是重新评估 AI for Science 的 productization 边界。

1. 不要只卖模型访问权

opc.club 提供的 model access 能让外部团队调用通用模型，但 pharma 的核心价值不会停留在“能调用哪个模型”。客户真正愿意付高价的，是模型与实验数据、instrument、lab workflow、clinical evidence 形成闭环后的决策改善。

纯 model wrapper 很容易被 OpenAI、Anthropic、Google 的平台能力压平。更有防御力的 positioning，是占据特定 assay 的数据接口、实验反馈闭环或 regulatory workflow。

2. 优先寻找高价值、低延迟决策

药物研发不适合从“AI 写一份科研摘要”切入。更可行的入口是 candidate ranking、response prediction、trial site selection、patient stratification 等环节。

判断标准可以很朴素：

  • 这个错误决策目前要浪费多少实验资金？
  • 决策周期是几周还是几年？
  • 能否拿到 outcome data 验证模型？
  • 错误是否可逆？

如果一次错误选择会浪费 $1M、决策只需数周，而且结果能回流训练，那么它比生成一份没人验证的报告更适合做成产品。

3. 数据协议可能比模型更接近 moat

Science AI 的 switching cost 不只来自 fine-tuning。它来自 instrument calibration、sample metadata、实验记录、失败样本以及跨实验室的可复现性。

这意味着 developer tooling 战争会进入更窄但更深的领域：谁控制 lab data schema，谁就可能控制模型训练与验证飞轮。模型本身可以被替换，累积的数据闭环不容易被复制。

4. 对模型 API 消费策略保持保守

短期内，药物发现仍会混合使用 foundation model、专用 model、simulation 和实验结果。不要因为 AI-for-Science 叙事而立刻迁移全部 production traffic。

我会把 AI-for-Science traffic 视为评测 workload：比较不同模型在结构化推理、tool use、长 context 检索和代码执行上的实际成本，同时保留多模型 routing，避免被单一供应商锁死。

这里可能低估了专用模型的价值。若客户愿意为某个 assay 或 molecule class 支付显著溢价，general-purpose API 就不是唯一采购形态，专有 deployment 与 data flywheel 可能更有价值。

05 反方观点 / 风险

我可能高估了 AI 对药物研发经济结构的影响，至少高估了近期影响。

第一，原文最关键的说法——“AI models for science are getting better, fast”——缺少严格证据。公开 benchmark 提升不等于 randomized clinical outcome 提升，更不等于 approval rate 提升。从 molecule generation 到获批药物，中间隔着 biology failure、clinical failure、regulatory risk 与 manufacturing execution。

第二，更快、更便宜的候选分子可能增加 pipeline，而不是增加成功药物。Grove 的 survival 逻辑在这里很适用：如果研发成本下降 50%，但候选数量增加 100%，失败项目总量反而上升。AI 可能让 pharma 更擅长生产 hypotheses，却不更擅长证明它们。

第三，synthetic data 存在自我强化问题。模型用已有 literature 和实验数据训练，生成更多相似候选，实验结果又回灌模型。如果数据分布没有真正扩展，这可能把低质量 hypothesis 规模化，而不是创造新 biology。

第四，AI-native drug company 面对的是比软件公司更残酷的 economics。software 可以靠 subscription 重试很多次；biotech 的资本周期更长，失败后剩余 runway 很少。模型能力提升未必足以抵消融资、专利和临床执行风险。

第五，a16z 同时是投资人和产业倡导者。它的案例选择天然偏向“AI 正在改善 pharma”的一面。原文提到的是投资组合和市场结构，而不是具体项目从 AI 预测到临床成功的前瞻性统计。

因此，我不会把 Eli Lilly 超过 $1T 或 GLP-1 的增长当成 AI 改写 pharma 的证据；这恰好符合行业既有的 hits business 逻辑。真正的拐点信号应该是：前瞻性研究中，AI 辅助项目的临床成功率相对对照组出现可重复提升，并且开发周期缩短的收益没有被更低质量候选抵消。

在看到这类数据前，AI for Science 更像一张长期看涨期权。模型可以卖，工具可以建，workflow 可以占，但把它当成已验证的 pharma operating leverage，还为时过早。