ผู้เชี่ยวชาญด้าน AI กล่าวว่าภายใน 5 ถึง 10 ปี จะสามารถรักษาโรคส่วนใหญ่ได้ แต่เบิร์นสไตน์บอกให้รอสักหน่อย ในวันที่ 26 สิงหาคม เบิร์นสไตน์ได้เผยแพร่รายงานอุตสาหกรรมชีวเภสัชกรรมของสหรัฐฯ โดยสรุปอย่างเป็นระบบถึงความก้าวหน้าที่แท้จริงของ AI ในการพัฒนายา: มีโครงการที่มาจาก AI ประมาณ 70 โครงการที่เข้าสู่กระบวนการทางคลินิก ส่วนใหญ่ยังอยู่ในระยะเริ่มต้น และการทดสอบที่แท้จริงจะเกิดขึ้นในอีก 3 ถึง 5 ปีข้างหน้า
ซีอีโอของ DeepMind เดมิส ฮัสซาบิส กล่าวว่า “อาจใช้เวลา 10 ปี AI จะรักษาโรคทั้งหมดได้” ในขณะที่ซีอีโอของ Anthropic ดาเรียโอ อามอดีอิ กล่าวอย่างรุนแรงกว่า: “ภายใน 5 ถึง 10 ปี จะรักษาโรคส่วนใหญ่ของมนุษย์ได้” แบร์นสไตน์มองว่าคำพูดเหล่านี้ดูเหมือนเป็นการป้องกันคุณค่าทางสังคมของ AI มากกว่าการอิงกับความเป็นจริงของการพัฒนายา ตั้งแต่การค้นพบเป้าหมาย การทดลองทางคลินิก ไปจนถึงความสามารถของระบบการแพทย์ในการรองรับ ทุกระดับล้วนเป็นข้อจำกัด AI อาจเร่งกระบวนการบางขั้นตอนได้ แต่ชีววิทยาสุดท้ายต้องได้รับการยืนยันในร่างกายมนุษย์ ซึ่งจังหวะนี้ไม่สามารถบีบอัดได้ด้วยอัลกอริทึม
การเพิ่มอัตราความสำเร็จมีคุณค่ามากกว่าการเร่งความเร็ว
เบอร์นสไตน์คำนวณว่า การเพิ่มอัตราความสำเร็จขึ้น 20% สร้างผลตอบแทนจากการวิจัยและพัฒนาที่สูงกว่าการประหยัดเวลาและต้นทุนในระดับเดียวกัน ค่าใช้จ่ายจากความล้มเหลวมักเกิดขึ้นในขั้นตอนสุดท้าย การหลีกเลี่ยงความล้มเหลวมีค่ามากกว่าการเร่งกระบวนการ
ผลกระทบของ AI ต่ออัตราความสำเร็จขึ้นอยู่กับปัญหาที่มันแก้ไข หาก AI ใช้หลักๆ ในการปรับปรุงโมเลกุลที่มีเป้าหมายที่รู้จักแล้ว อัตราความสำเร็จอาจสูงขึ้น แต่คุณค่าของ “ปัญหาที่ง่าย” เหล่านี้มีจำกัด หาก AI ใช้เพื่อแก้ไขโรคที่รักษาได้ยากซึ่งยังไม่เข้าใจทางชีววิทยาอย่างเพียงพอ แม้อัตราความสำเร็จโดยรวมจะไม่สูง แต่คุณค่าที่สร้างขึ้นอาจมากกว่า
เบอร์นสไตน์ชี้ให้เห็นข้อสรุปที่ขัดกับสัญชาตญาณ: ยิ่งใช้ AI มากเท่าใด งานทดลองทางกายภาพก็อาจต้องทำมากขึ้นเท่านั้น ปัญหาที่ยากที่สุดกำลังเผชิญกับภาวะขาดแคลนข้อมูลการฝึกอบรม ซึ่งการสร้างข้อมูลใหม่ต้องใช้การลงทุนในการทดลองอย่างมาก AI และงานทดลองทางกายภาพเป็นความสัมพันธ์ที่เสริมกัน ต้นทุนของการทำงานทดลองทางกายภาพเพิ่มอีกหนึ่งครั้งต่ำกว่ามากเมื่อเทียบกับโครงการที่ล้มเหลวในขั้นตอนปลาย
การจัดวาง AI ของบริษัทยา: Eli Lilly มีการกระจายกว้างที่สุด, Amgen มีความลึกที่สุด, และ Roche มีความหนาแน่นด้านกำลังการคำนวณสูงที่สุด
เบอร์นสไตน์ได้รวบรวมการร่วมมือด้านการค้นพบยาด้วยปัญญาประดิษฐ์จากบริษัทยาขนาดใหญ่ 15 แห่ง จำนวน 183 รายการ กลยุทธ์ของแต่ละบริษัทแตกต่างกันอย่างชัดเจน
Eli Lilly มีเครือข่ายความร่วมมือภายนอกกว้างที่สุด โดยมีการดำเนินการทั้งหมด 25 รายการตั้งแต่ปี 2019 ถึงปัจจุบัน โดยมีเงินตอบแทนเริ่มต้นที่เปิดเผยประมาณ 353 ล้านดอลลาร์สหรัฐ ผู้ร่วมมือรวมถึง Insilico Medicine, Profluent, Verge Genomics, Genesis Therapeutics เป็นต้น Eli Lilly ยังมี NVIDIA Co-Innovation AI Lab ซึ่งเป็นการผสมผสานระหว่างความกว้างภายนอกกับพลังการประมวลผลภายในอย่างสมดุลที่สุด
罗氏以 20 项合作位列第二，明确聚焦肿瘤（8 项）และ神经科学（4 项） Genentech ผสม AI ฟาร์มถูกเบิร์นสไตน์เรียกว่า “การติดตั้ง GPU แบบท้องถิ่นที่ใหญ่ที่สุดเท่าที่เคยเปิดเผยในอุตสาหกรรม” Recursion มีการร่วมมือมูลค่า 1.2 พันล้านดอลลาร์สหรัฐ ซึ่งเป็นธุรกรรมเดียวที่ใหญ่ที่สุด
Amgen มีความร่วมมือภายนอกน้อยที่สุด (5 รายการ) และมีการจัดวาง AI และพลังการประมวลผลภายในที่มีความแตกต่างชัดเจนที่สุด การเข้าซื้อ deCODE Genetics ในปี 2012 ให้เครื่องยนต์จีโนมิกส์ของประชากรที่นำหน้าอุตสาหกรรม ซึ่งสามารถระบุและยืนยันการกลายพันธุ์ทางพันธุกรรมที่เกี่ยวข้องกับโรคเพื่อจัดลำดับเป้าหมาย Amgen ได้ฝึกโมเดลภาษาแอนติบอดีเฉพาะตัวห้าโมเดลบน DGX SuperPOD ของตนเอง ซึ่งมีแนวป้องกันข้อมูลที่ชัดเจน
จำนวนการซื้อขายของ AstraZeneca 19 รายการ เศรษฐกิจมีความเข้มข้นสูงในข้อตกลงสามข้อกับ CSPC Pharmaceutical Group ซึ่งคิดเป็นส่วนใหญ่ของเงินตอบแทนแรกที่เปิดเผย
诺和诺德的10项合作均集中在2022年之后，其中7项针对心血管代谢和肾脏疾病，是治疗领域最聚焦的大型制药企业。
Pfizer มีความร่วมมือแบบแพลตฟอร์มมากที่สุด (9 รายการในขอบเขตสายผลิตภัณฑ์ทั้งหมด) ความสัมพันธ์กับโมเดลพื้นฐาน AI สามารถติดตามย้อนกลับไปถึง IBM Watson ปี 2016 ไม่พบความร่วมมือด้านพลังการประมวลผลเฉพาะทาง
เบอร์นสไตน์เน้นย้ำว่าสิ่งเหล่านี้ล้วนเป็นการตัดสินจากมุมมองภายนอก และการบูรณาการคุณภาพและการเปลี่ยนแปลงวัฒนธรรมภายในนั้นยากที่จะวัดผลได้
AI ชีวการแพทย์: ทรัพย์สินทางคลินิกคือเครื่องวัดที่แท้จริง
ประมาณ 70 โครงการที่มาจากแหล่งข้อมูล AI ส่วนใหญ่เน้นที่บริษัทจดทะเบียน ซึ่งมีนิยามที่แตกต่างกันอย่างมาก ตั้งแต่การใช้ AI ในการค้นหาการใช้งานใหม่ของยา ไปจนถึงการค้นพบเป้าหมายด้วย AI พร้อมการออกแบบโมเลกุลด้วย AI
Rentosertib ของ Insilico เป็นตัวอย่างที่เป็นตัวแทนของการใช้ AI ในการพัฒนายาแบบครบวงจร แพลตฟอร์ม AI PandaOmics ระบุ TNIK เป็นเป้าหมายของโรคปอดบวมแบบไม่ทราบสาเหตุ Chemistry42 ใช้ AI แบบสร้างสรรค์เพื่อออกแบบโมเลกุล โดยใช้เวลาประมาณ 18 เดือนตั้งแต่สมมติฐานเป้าหมายจนถึงผู้สมัครก่อนการทดลองทางคลินิก ยาตัวนี้ได้เข้าสู่ระยะที่ III และคาดว่าจะได้ผลลัพธ์หลักในเดือนตุลาคม 2029 ซึ่งเป็นหนึ่งในจุดข้อมูลที่สำคัญที่สุดของอุตสาหกรรมยาที่ใช้ AI
Recursion ร่วมมือกับ Roche, Bayer และ Sanofi โดยใช้การถ่ายภาพเซลล์และการค้นพบเป้าหมายที่ขับเคลื่อนด้วยหลายกลุ่มข้อมูล
Generate Biomedicines ออกแบบยาโปรตีน GB-0895 (แอนติบอดี TSLP) ได้เข้าสู่ระยะที่ III เพื่อยืนยันว่าโปรตีนที่ออกแบบด้วย AI สามารถแปลงเป็นแนวทางการให้ยาที่แตกต่างได้
Relay Therapeutics ออกแบบยาผ่านการจำลองการเคลื่อนไหวของโปรตีน โดย zoogalalisib (ตัวยับยั้ง PI3Kα) ได้เข้าสู่ระยะที่ III เพื่อทดสอบว่าสามารถปรับปรุงช่วงการรักษาผ่านการเลือกสรรรูปแบบได้หรือไม่
Schrödinger ใช้กลยุทธ์ที่เน้นการคำนวณทางฟิสิกส์ โดย Zasocitinib (TYK2 inhibitor) ได้ยื่นคำขออนุมัติการวางตลาดแล้ว เป้าหมายนี้มี deucravacitinib ของ BMS ที่ได้รับการยืนยันทางคลินิกอยู่แล้ว จึงควรมองว่าเป็นตัวอย่างความสำเร็จของการปรับปรุงด้วยการคำนวณช่วยเหลือ ไม่ใช่การพัฒนาเป้าหมายใหม่โดย AI ยังไม่ปรากฏการปฏิวัติในด้านนี้ ระยะเวลาตั้งแต่การเลือกเป้าหมายจนถึงการทดสอบทางคลินิกใช้เวลา 8 ถึง 10 ปี ยังไม่ได้ลดระยะเวลาตามมาตรฐานอุตสาหกรรม
ข้อมูลการอนุมัติของ FDA ยังไม่ได้สะท้อนผลกระทบของ AI
ในห้าปีที่ผ่านมา องค์การอาหารและยาของสหรัฐฯ อนุมัติยาใหม่เฉลี่ยปีละ 48.5 ตัว เพิ่มขึ้นประมาณ 43% เมื่อเทียบกับค่าเฉลี่ยปีละ 33.8 ตัวในช่วงปี 1985 ถึง 2025 แบรนสไตน์เชื่อว่า สิ่งนี้สะท้อนถึงการทันสมัยของกระบวนการกำกับดูแล การเติบโตของยาชีวภาพ และผลสะสมจากการลงทุนด้านการวิจัยและพัฒนาในอดีต ขณะที่ AI ยังไม่มีผลกระทบชัดเจนต่อข้อมูลการอนุมัติ เนื่องจากขนาดของแหล่งข้อมูล AI ยังเล็กอยู่และต้องใช้เวลาในการยืนยันทางคลินิก สถานการณ์นี้จึงยังไม่เปลี่ยนแปลงในระยะสั้น
ข้อสรุปของเบิร์นสไตน์มีความเป็นจริงสูง AI ได้เข้ามามีบทบาทในการออกแบบโมเลกุล การกรองเสมือนจริง และการค้นหาเป้าหมาย โดยบางโครงการระยะเริ่มต้นได้ก้าวเข้าสู่ระยะสุดท้ายของการทดลองทางคลินิก การ “รักษาโรคทั้งหมด” ต้องข้ามอุปสรรคหลายประการ เช่น ความเข้าใจทางชีววิทยา การทดลองทางคลินิก การอนุมัติจากหน่วยงานกำกับดูแล และขีดจำกัดของระบบการแพทย์ ซึ่งไม่ใช่ปัญหาที่สามารถแก้ไขได้ด้วยการปรับปรุงอัลกอริทึม คุณค่าของ AI ในอุตสาหกรรมยาอาจอยู่ที่การช่วยให้อุตสาหกรรมตัดสินใจได้ดีขึ้น ไม่ใช่การเร่งกระบวนการ คำตอบที่แท้จริงยังต้องรออีก 3 ถึง 5 ปี
Disclaimer
บทความนี้เป็นการรวบรวมและตีความรายงานการวิจัยจากบริษัทนายหน้าหลักภายนอก (Bernstein, วันที่ 26 สิงหาคม 2026) ร่วมกับข้อมูลตลาดสาธารณะ คำแนะนำ การประเมินราคาเป้าหมาย การคาดการณ์กำไร และข้อสรุปอื่นๆ ที่อ้างอิงในบทความนี้ เป็นมุมมองของนักวิเคราะห์ของบริษัทนั้นๆ เท่านั้น และสะท้อนจุดยืนขององค์กรที่พวกเขาสังกัด ไม่ใช่มุมมองของ Chaoxiang Research และไม่ถือเป็นคำแนะนำในการลงทุนใดๆ
ตลาดมีความเสี่ยง การตัดสินใจต้องเป็นของตนเอง บทความนี้ไม่ควรใช้เป็นพื้นฐานในการซื้อหรือขายหลักทรัพย์ใดๆ
เขียนโดย: Rita