BIO / BIOLOGY20 SEP 2026
有意思的生物学进展 09｜药企抢显卡：真正的护城河是数据，但最慢的那段还是病人
一篇刷屏文章的标题是：《药王杀疯了！300 万失败药物 + 万卡集群：黄仁勋正颠覆全球制药帝国》。讲的是礼来、罗氏、百时美施贵宝（BMS）三家大药企，今年各自买下上千块英伟达最新的显卡，自建"AI 工厂"。
显卡谁都能买，买不来的是数据：药企几十年做过的实验，尤其是"失败了、为什么失败"的记录，公开数据库里没有。所以药企抢显卡，真正押的是"用自家数据训练自家模型"。但这改变的是找分子、筛分子的那一段；新药失败的大头在临床、在"对病人有没有用"，那一段显卡帮得最少。
3500+ 01 罗氏的显卡总数 |
几十万 02 礼来官方说的分子数据量 |
0 03 已获批的AI工厂新药 |
核对下来：硬件的数字基本都对，最吸引人的那句"300 万个失败药物"找不到出处，结论"研发从 10 年缩到 3 年"更是没有依据。但这篇文章背后有一个真正值得想清楚的问题：药企到底在买什么？
数据中心里一排排的服务器。显卡谁都能买，药企几十年的实验数据买不来。图片来源：panumas nikhomkhai / Pexels
刷屏说法和核对结果：三家药企买显卡属实；"300万个失败药物"找不到出处，礼来官方口径是"几十万个分子的实验数据"；"研发从10年缩到3年"没有依据。
BIO / 01
一、对的部分：三家药企确实在大买显卡
—礼来：今年 2 月在总部启用"LillyPod"，1016 块英伟达最新一代显卡，AI 算力超过 9000 千万亿次每秒，号称药企自有的最强 AI 计算集群。—罗氏：3 月宣布新增 2176 块显卡，加上云端，总数超过 3500 块，用于生物基础模型、药物发现和生产工厂的"数字孪生"（在电脑里把整座工厂模拟一遍）。—BMS：7 月宣布订购 8 套英伟达下一代"Vera Rubin"整机柜系统，官方说每兆瓦电的性能是上一代的约 10 倍。
这三条都有公司或英伟达的正式公告。药企成规模地自建算力，是真实发生的趋势。
BIO / 02
二、最吸引人的那句话，要打折
文章引用礼来 CEO 戴夫·里克斯的话："人类获批的药物只有 4000 种左右，科技公司拿这些训练模型；光我们礼来一家，就有超过 300 万个'失败药物'的数据。"
—我没有找到这句话的出处。礼来官方介绍它的 TuneLab 平台时，说的是：模型用的是几十万个不同分子的药物代谢、安全性和临床前实验数据，获取成本超过 10 亿美元。—"失败药物"这个说法不对。药企的数据库里绝大部分是在实验室里测过、没被选中的分子，大多数从没进过人体，不能叫"失败的药"。真正进了人体试验又失败的药，数量要少得多。—但这句话的道理是对的。公开数据库主要是成功的药和发表了的结果；"试过不行"的记录大多锁在药企自己手里。对 AI 来说，知道哪些路走不通，和知道哪些路走得通一样重要。
还有一句文章没提、但更值得记的话：今年 3 月，同一位里克斯在播客里说，今天的大语言模型在生物和化学问题上"不太行"，因为它们学的是人类语言，不是化学和生物的语言；AI 预测蛋白质结构已经做得很好，但这"大概只是药物发现中千分之一的问题"。他押的是用专门数据训练的窄模型，而不是通用聊天模型。
BIO / 03
三、说过头的部分
—"研发周期从 10 年缩到 3 年"：文章没有给出任何一款药的例子。我们在第 8 篇刚看过走得最远的 AI 设计药 rentosertib：前期 18 个月，临床还要八年左右。—"基因泰克把一个抗癌分子的开发从两年多压到七个月"、"BMS 的 AI 很快锁定了罕见病新靶点"：都没有给出是哪个分子、哪个靶点，没法核对。即使属实，说的也是临床前的一小段。—"新药产出速度 = 算力 × 私有数据 × 闭环速度"：这个公式漏掉了最大的一项——靶点选得对不对、病人选得对不对。第 7 篇讲过：新药失败一半左右是因为没疗效，有人类遗传学证据的靶点，临床成功率高 2.6 倍。这一项显卡给不了。—"自青霉素以来最波澜壮阔的大跃迁"：目前还没有一款"AI 工厂"产出的药获批，这是对未来的押注，不是已经发生的事。
BIO / 04
四、这件事真正说明了什么
—竞争的重心从"有没有好算法"移到了"有没有好数据"。算法会公开、显卡谁都能买；几十年的实验记录买不来。这对大药企有利，对只有算法、没有自家数据的 AI 制药初创公司不利。—大药企在用数据换生态。礼来的 TuneLab 让小公司用它的模型，条件是小公司使用中产生的数据要用来改进模型（用"联邦学习"，各家数据互相看不见）。这是一个"平台"打法：谁的模型被用得多，谁的数据就越来越多。—加速的是便宜的那段，瓶颈还在贵的那段。找分子、优化分子、模拟工厂，这些都会变快变便宜；但一款药是不是真能治病，仍然要招几百上千个病人、等几年才知道。第 7 篇说"瓶颈搬了家"，这篇是同一件事的又一个例子。
BIO / 05
五、对投资的几个问题
看一家宣传"AI 制药"的公司，可以问：
—它的数据是自己的，还是公开的？只用公开数据，别人也能做。—AI 用在哪一段？用在分子设计，省的是时间和钱；用在靶点和病人选择，才可能改变成功率。—显卡是资产还是成本？买显卡要花大钱、几年就过时；如果产出的药没有更高的成功率，这笔投入就只是更贵的研发费用。
（本文不构成投资建议。）
BIO / 06
六、边界
—三家药企的显卡数量来自公司和英伟达公告；"300 万"一语未找到出处，可能出自某次采访，但未能核实。—基因泰克"两年压到七个月"、BMS 罕见病靶点等说法未找到具体出处。—里克斯"AI 在生物化学上不太行"一语来自《财富》杂志对其播客访谈的报道。
BIO / 07
七、自测：合上文章回答
—"300 万个失败药物"这个说法，哪里不准确？礼来官方口径是什么？—刷屏文章的"新药产出公式"漏掉了哪一项最重要的因素？
BIO / 08
八、三行，留着复习
```
真的部分 礼来1016块、罗氏3500+块、BMS 8套下一代机柜；药企成规模自建算力是真趋势
说过头的 "300万失败药物"无出处，官方是几十万分子的实验数据；"10年缩到3年"无例子；没有AI工厂药获批
真正的意思 显卡人人能买，几十年实验数据买不来；AI加速临床前，瓶颈仍在靶点和病人；礼来CEO自己说通用大模型在生物上不太行
```