为什么说生物制药是人工智能的终结者？

快速回答： A practical enzyme or food-ingredient decision starts with the process target, then checks activity, application window, sensory impact, and batch-to-batch consistency before scale-up.

对于人工智能未来的发展方向，投资界众说纷纭，有人认为是光伏产业，有人认为是电力行业，而英伟达则认为是生物制药领域。在英伟达2023年的投资布局中，除了人工智能领域的核心算法和基础设施建设，生物制药也成为其重点投资领域。英伟达医疗业务副总裁金伯利-鲍威尔曾明确表示："如果计算机辅助设计行业能够推出第一家市值$2万亿美元的芯片公司，为什么计算机辅助药物研发行业不能催生下一个万亿美元市值的制药公司？"

 

很显然，英伟达看好人工智能+生物制药的未来，并致力于创造另一个英伟达式的成功故事。英伟达为何对这一领域寄予如此厚望？要回答这个问题，需要深入了解制药行业的核心挑战和内在逻辑。

反摩尔法
人工智能技术的飞速发展离不开集成电路产业的突飞猛进。英特尔创始人戈登-摩尔经过多年对半导体行业的深入研究，总结出集成电路上的晶体管数量大约每 18 到 24 个月就会翻一番的观点。这就是著名的摩尔定律。摩尔定律指出，随着技术的不断进步，处理器的性能大约每两年翻一番，而价格将下降到原来的一半。正是由于技术的不断迭代和进步，计算机技术才得到了飞速发展，实现了越来越多令人惊叹的功能。

然而，与半导体行业的摩尔定律不同，生物制药行业的发展趋势呈现出 "反摩尔定律 "现象。长期以来，创新药物的开发被称为 "两个十定律"，即开发一种新药通常需要十年时间，花费十亿美元。然而，这些数据现在已经过时，最新数据显示，全球创新药物的平均研发成本约为 $26 亿美元，平均研发周期约为 10.5 年。研发周期长、研发成本高，使得创新药物研发风险极大，不仅需要大量资金支持，还面临着高失败率。更为棘手的是，随着时间的推移，研发难度会不断增加，因为开发新药和新靶点的成本会不断上升，而投资回报会随着发现的药物和靶点的增多而减少。

 

在这种反摩尔定律的环境下，创新药物研发的门槛越来越高，投资风险越来越大，创新药物研发逐渐成为大企业的专利。然而，医药行业的创新动力往往来自于边缘创新，许多新技术最初都诞生于初创企业。只有当这些技术逐步得到验证时，大型企业才开始介入和布局。
行业发展规律与行业发展动力之间出现了明显的矛盾，这种极不正常的现象可能会导致人类医疗技术的发展陷入瓶颈，这是任何人都不愿意看到的局面。
生物制药行业亟需变革，而创新药物开发成本的不断增加也为这种变革提供了空间。正是基于这两个因素，英伟达坚信人工智能技术有可能为制药行业带来变革。
经验与直觉
现代制药业常常被比作一座建立在直觉基础上的围城。尽管创新药物在上市前需要经过严格、系统的临床验证，但其发现过程却充满了不确定性。整个药物发现过程就像一个漏斗，从药物发现到临床前验证，再到临床验证，每个阶段成功的候选化合物数量都在逐渐减少。其中，药物发现阶段尤为困难，研发人员需要从无数化合物中筛选出约 10,000 个潜在候选化合物，经过层层筛选，最终锁定合适的化合物。发现和确定一个特定的靶点不仅具有偶然性，而且验证过程复杂繁琐，成功定位到合适的分子更是难上加难。

 

虽然经过几代人的努力，药物研发的流程已经标准化，但面对海量的化合物数据，研发工作仍然高度依赖科研人员的直觉，数据所能提供的帮助非常有限。正确的研发方向是成功的先决条件，一旦走错了路线，再多的努力也可能徒劳无功。这种对直觉的过度依赖是传统药物研发成本持续上升的根本原因。
要降低制药业的研发成本，就必须转向更加以数据为导向的研发方法。数据本质上是经验的积累，其数字化并不意味着消除研发失败，而是可以将失败转化为下一次研发的学习基础。通过大规模的模型训练，人工智能可以使药物筛选过程更快、更准确。
创新药物的研发可以比作一款 Roguelike 游戏；虽然每次闯关看似随机，每次的体验也可能不同，但通过不断的失败和数据积累，可以逐步降低下一次挑战的难度。
人工智能制药本质上是一个从依靠专家直觉到依靠数据反馈的转变过程，通过不断的模型训练找到最佳研发路径。这种转变标志着从直觉到数据的转变，从感性到理性的进步。尤其是在许多尚未攻克的疾病领域，依靠专家的直觉未必比随机成功更好，而人工智能模型的不断试错才是降低失败率的最有效途径。人工智能制药不仅降低了研发成本，还显著提高了研发效率。
数据资源是最宝贵的
算法、算力和数据库构成了人工智能技术的三大核心要素。在大多数人工智能应用场景中，算法是关键环节，虽然算力和数据库同样重要，但投资者往往更关注大型模型算法的开发。然而，在生物制药领域，算法的主导地位可能并不那么明显。与其他领域不同，生物制药领域的数据资源弥足珍贵，通常不开源，是各大制药公司的核心资产。无论是成功还是失败的结果，都是通过高成本的临床试验获得的。

由此可见，在人工智能制药领域，数据库是核心竞争力的关键。观察国内热门的 AI 制药公司，很多都是由 CRO 公司转型而来。与传统制药企业不同，CRO企业拥有丰富的研发经验，虽然研发数据归甲方所有，但在多个研发过程中能够积累大量的过程数据和方法论，这为其构建数据库提供了优势。考虑到生物制药数据的非开源性，人工智能制药的发展可能有两个方向。一是资金雄厚的跨国公司（MNC），它们长期积累了丰富的研发经验和数据，已经开始全面布局人工智能技术；另一种是国内主要从事人工智能制药转型的 CRO，它们拥有强大的数据库建设能力，欠缺的只是大模型算法的开发，通过与阿里云、腾讯云等科技公司合作，可以解决计算能力的问题。第一种模式在中国可能较难实现，因为国内生物制药产业起步较晚，缺乏长期进行创新药物研发的跨国公司。

未来几十年，CRO 公司可能会成为中国人工智能制药的核心资产，而在国外主要是跨国公司之间的竞争，跨国公司不愿意将数据开放给第三方，即使像 Nvidia 这样的公司也只能通过投资的方式参与到生物制药领域。目前，国内人工智能制药处于发展初期，大致可分为三个梯队。第一梯队包括布局人工智能制药技术多年的公司，如成都先导、鸿博药业、景泰科技、药石科技等；第二梯队是研发经验丰富但在人工智能制药领域刚刚起步的公司，如药明康德、美迪西、昊源医药等；第三梯队是经验丰富但尚未在人工智能领域深度布局的其他CRO公司。在人工智能制药领域，数据是最关键的资源，数据库的价值远远超过算法和算力，这也是CRO企业能够在当前国内人工智能制药行业中占得先机的原因。

How buyers usually evaluate enzyme and food-processing ingredients

In enzyme and food-processing projects, the most useful decision frame is usually application fit plus process stability: which ingredient performs under the intended pH, temperature, time, and substrate conditions without creating a downstream quality or compliance problem.

• Define the processing target first: flavor, hydrolysis, texture, fermentation, cleaning, and bioprocess applications often need very different activity profiles.
• Check the real operating window: pH, temperature, residence time, and substrate type often matter more than a headline product claim.
• Review consistency and downstream impact: dosage, sensory influence, filtration, and shelf-life behavior can all affect the final commercial value.
• Use pilot validation: small production tests usually reveal the most useful differences in activity, efficiency, and process fit.

推荐的产品参考

• CHLUMIAF 094: 水性涂料和许多通用消泡剂的平衡参考。
• CHLUMIAF 3037: 更强大的过程消泡选项，可在更严酷的条件下持久起泡。
• Longzyme Lipase: A direct product reference for lipase-related food, cleaning, or bioprocess discussions.
• Longzyme Beta-Amylase: A practical enzyme reference when starch conversion and food-processing activity are under review.

买家和配方师的常见问题解答

Why is a high-activity enzyme not automatically the best commercial choice?
Because the best enzyme is the one that performs reliably under the actual process conditions and gives the desired downstream result without creating new issues.

Should food and biotech ingredients be selected from data sheets alone?
It is usually safer to pair the specification review with a pilot or application test because real substrates and process windows can change the result a lot.

立即联系我们！

如果您需要价格，请在下表中填写您的联系信息，我们通常会在 24 小时内与您联系。您也可以给我发电子邮件 info@longchangchemical.com 请在工作时间（UTC+8 周一至周六，上午 8:30 至下午 6:00）或使用网站即时聊天工具获得及时回复。

复合葡萄糖淀粉酶	9032-08-0
普鲁兰酶	9075-68-7
木聚糖酶	37278-89-0
纤维素酶	9012-54-8
柚皮苷酶	9068-31-9
β-淀粉酶	9000-91-3
葡萄糖氧化酶	9001-37-0
α-淀粉酶	9000-90-2
果胶酶	9032-75-1
过氧化物酶	9003-99-0
脂肪酶	9001-62-1
过氧化氢酶	9001-05-2
TANNASE	9025-71-2
弹性蛋白酶	39445-21-1
尿素酶	9002-13-5
DEXTRANASE	9025-70-1
L 乳酸脱氢酶	9001-60-9
苹果酸脱氢酶	9001-64-3
胆固醇氧化酶	9028-76-6