在 III 期临床试验中失败的药物已耗费 5 亿至 10 亿美元。AI 在假设阶段就能识别出同样的失败，此时总投入尚不足 10 万美元。如今近 40% 的高管将研发列为受益于 AI 投资的首要职能。
This article was translated from the English original. Translations are machine-assisted and reviewed on a rolling basis.
传统研发的经济逻辑建立在一种令人痛苦的不对称之上：失败发生得越晚，代价就越高。在实验台上失败的假设，只需数天时间、数千美元。而在 III 期临床试验中发现的同一失败，已耗费数年时间与数亿美元。整个分阶段决策（stage-gate）的研发学科，正是为管理这种不对称而设计的——尽可能早地淘汰糟糕的想法。
AI 并未改变这一目标。它改变的是淘汰糟糕想法的速度与精度，以及发现优秀想法的广度。
01 — 从狭窄搜索到扩展的选项空间
AI 在研发中改变的第一件事就是搜索的规模。无论多么专业，人类研究者都受限于其职业生涯内所能阅读、综合与测试的内容。而 AI 系统则不然。
Merck KGaA 部署 AI，在其化合物库中对化学靶点进行虚拟筛选。该系统能在几分钟内筛选超过 600 亿个化学靶点，生成候选清单，再由化学家进行评估。以往需要数年实验工作才能完成的任务，被压缩为一个预筛选步骤。其结果不仅是速度提升——更是从根本上扩大了搜索空间。Merck KGaA 报告称，这一方法节省了 70% 的时间与成本。
Insilico Medicine 的智能体研究平台更进一步：从靶点识别到临床前候选物的端到端 AI 驱动药物设计。该公司目前平均临床前候选物的开发时间为 13 个月——这一时间线在五年前的传统制药研发中会被认为是不可能实现的。
02 — 早失败，还是昂贵地失败
传统研发的成本结构是一种层层递进的级联。每个阶段消耗的资本都比上一阶段更多。一个进入 III 期后失败的候选药物，已吸纳了大部分投资，却毫无回报。AI 通过将失败检测前移到尽可能早的阶段，改变了这一成本模型。
Lundbeck 在其神经科学研发项目中部署 AI，实践中体现了”早失败”原则。该公司构建了一个整合 5,400 万份医疗记录的知识图谱，使 AI 能够识别药物靶点与禁忌症，靶点识别速度比传统文献综述快 80%。那些本会推进到高成本实验室工作的靶点，在知识综合阶段就被筛除。
Ignota Labs 在时间线的另一端展示了同样的原则：曾在试验中失败而被放弃的候选药物，通过 AI 重新设计，在不到两年、成本低于 100 万美元的情况下重返临床项目。传统的重新设计需要七到八年、耗资 1,000 万美元甚至更多。AI 并没有让科学变得更容易，而是缩短了迭代周期。
03 — 从实物原型到虚拟验证
在各类产品行业——不仅仅是制药领域——WEF/Accenture 2026 报告发现，AI 正将早期测试从实物转向虚拟。其逻辑始终一致：数字孪生与仿真能够以极低的成本和极短的时间验证实物原型所用于验证的大部分内容。实物测试则被保留给少数已通过计算审查的高置信度候选物。
Landing Med 使用 AI 驱动的液体处理系统实现细胞培养处理的自动化，将筛选通量从每小时 12 个样本提升至 60 个——生产力提升 5 倍——同时完成了超过 1,300 万次筛选。如今可通过计算完成的验证工作量，在人工操作的通量下根本无法实现。
Google 在软件研发中部署 AI 遵循相同的结构逻辑：大语言模型生成合成测试交互、自动化安全测试，并已被证明能够处理测试工作流中约 12% 的重复问题。其原则——在投入昂贵的人工审查之前，用 AI 扩展测试面——在各个领域都是一致的。
04 — 以短学习周期作为运营模式
AI 为研发带来的最深刻变化，并非孤立的速度或规模，而是假设、测试与学习之间间隔的坍缩。传统研发的学习周期以月或年计。AI 赋能的研发学习周期则以天或周计。这改变了研究组织的运营模式。
SandboxAQ 构建了一个分层的智能体协作研究员，它作为持续运行的研究助手，而非某个时点的工具运作。该系统并行开展多项调查，跨文献与内部数据综合结果，并将发现上报给人类研究者进行评估。SandboxAQ 报告称，其直接结果是项目通量提升 4 倍、竞争时间缩短 50%。
JLL 为其工程与技术团队提供端到端 AI 赋能，在非科学背景下展示了同样的复利效应。前端开发团队报告称，在常规任务上节省了 75–85% 的时间，整个项目的资源减少了 30%。其机制是相同的：AI 压缩了测试—构建—验证周期，而人力向真正需要人力的决策迁移。
领先的研发组织并非只是在运行 AI 工具。它们正在重新设计组合治理、重新定义什么构成可接受的早期失败，并围绕 AI 输出而非人工审查周期重构决策关口。技术压缩了时间线。而组织架构决定了这种压缩能否转化为竞争优势。
Frequently asked questions
How is AI accelerating drug discovery?+
AI enables organizations to screen billions of molecular candidates computationally before committing to lab work. Merck KGaA can virtually screen over 60 billion chemical targets in minutes, narrowing to a shortlist for human review — compressing what previously took years into weeks.
What is virtual-first validation in R&D?+
It means shifting most early testing from physical prototypes to simulations and digital twins, reserving physical testing only for high-confidence candidates. This lowers the cost and cycle time of early R&D, allowing more programmes to run simultaneously.
How much can AI reduce R&D cycle times?+
The WEF/Accenture 2026 report cites 20–80% acceleration in R&D cycle times across product industries, up to 50% reduction in time-to-market, and 70% increase in R&D success rates.
Free download
2026 AI Transformation Executive Brief
The WEF data, distilled. Key findings, adoption stages, and the five structural decisions — in one PDF. Or read it now: The 15% Gap (PDF).