DSP-1181作为首个由AI设计并进入临床的分子，最终因未达预期被放弃，这一案例说明AI医疗宣称的“降本增效”与现实之间存在明显差距。AI制药的核心价值在于缩短研发周期、降低研发成本并提高成功率，但临床失败的风险并未因AI介入而消失，成本结构只是发生了转移而非减少。AI医疗的盈利模式能否自洽，取决于能否在数据、算力、临床试验等真实成本环节上建立可持续的商业模式。
AI制药的成本结构：钱花在了哪里
AI制药并非“省钱”的魔法，而是改变了研发成本的分配方式。传统制药研发周期平均需要10-16年，而AI技术理论上可将研发周期缩短1/2-2/3，研发投入至少降低10%，成功率提高4%。然而，这些效率提升建立在巨大的前期投入之上。
从产业链看，AI制药的成本大头并未消失，而是转移到了三个环节：上游的数据集供应与云计算算力、中游的模型搭建与训练、以及下游绕不开的临床试验。其中，医药数据是行业的关键竞争壁垒，算力供给则保障底层架构运行。值得注意的是，临床试验仍是新药研发中耗时最久、资金花费最高、最容易出问题的环节——近三分之一的III期临床因患者招募问题而失败，这一成本并不会因为药物分子是AI设计的而自动消失。
三种商业模式的成本收益特征
当前AI制药市场主要存在三种商业模式，各自的成本结构与风险收益特征截然不同：
| 商业模式 | 核心业务 | 成本特征 | 风险收益 |
|---|---|---|---|
| AI SaaS | 售卖软件工具 | 研发投入高，边际成本低 | 收入稳定但天花板有限 |
| AI CRO | 提供研发外包服务 | 按项目投入，人力密集 | 现金流较好，市场格局或趋于集中 |
| AI Biotech | 自主研发药物 | 前期投入巨大，周期长 | 高风险高回报，市场空间不受限 |
从发展趋势看，纯SaaS模式未来可能逐渐消失，企业将更多向AI CRO和AI Biotech转型。AI Biotech因发展潜力大、整体市场空间不受限，会成为大部分AI+新药企业的选择；而AI CRO则可能像传统CRO领域一样，最终形成几家巨头占领大部分市场的格局。
常见问题
DSP-1181的失败是否意味着AI制药路线走不通？
不能简单下此结论。DSP-1181的失败说明AI设计的分子仍需经受与传统药物同样的临床检验，AI并不能消除药物研发固有的高风险。目前全球获批临床的AI药物管线中，绝大多数仍处于临床早期阶段，AI在药物研发中仍主要起辅助作用。
AI医疗宣称的“降本增效”是否名不副实？
AI确实能在药物发现阶段显著缩短周期、降低投入，但临床试验这一最昂贵的环节并未因AI而变得便宜。AI的介入更多是将成本从早期发现环节转移到了数据获取、算力建设等新方向，整体风险并未消失，只是重新分布。
投资者应如何看待AI医疗企业的商业模式？
关键看企业能否在成本结构与收入模式间找到平衡。AI Biotech模式潜力最大但风险最高，适合能承受长周期、高投入的资本；AI CRO模式现金流相对稳定，但竞争格局可能走向集中。无论哪种模式，开发具有差异化临床价值的产品都比AI技术本身更重要。