生技政策作家 Ruxandra Teslo 认为，AI 迟迟没有开发出足以改变世界的新药，问题不在模型是否足够聪明，而在现有制度能否吸收这类技术。她指出，一款新药从发现到上市平均要花 7 年，成本超过 10 亿美元，而大量时间并不消耗在科学研究本身，而是耗在法规定义下的审查与流程之中。
在近期文章中，Teslo 把这个判断拆成两条线索。一条来自旧金山科技圈。她说，当地长期存在一种几近信念式的乐观情绪，任何不认为 AI 是万能解法的人，都容易被视为不够了解技术。另一条则来自她熟悉的医学与生技政策领域，在那里，现实瓶颈并没有因为工具升级而自然消失。
研发投入增加，新药产出却在下滑
Teslo 提到一次个人经历：一名 AI 实验室员工在得知她还要继续写临床试验政策时，看她的眼神像在看一只等宰的仓鼠。对方相信，AGI 很快就会比职业辩士更会说服人，剩下的问题都不算问题。
但她列出的证据指向相反方向。她提到 Eroom 定律，也就是把 Moore 定律反过来拼写后的说法：过去几十年里，每投入 10 亿美元研发经费，最终能够获得核准的新药数量持续下降。科学工具的确更强了，研发效率却没有同步提升，这和“工具越强，进度越快”的直觉并不一致。
科学上可行，不代表制度上可复制
她举出的具体案例之一是生技公司 Adaptimmune。该公司两款细胞疗法都拿到了 FDA 加速核准，也治疗了罕见癌症患者，但因为开发成本过高，企业一路苦撑，最终走到面临纳斯达克下市的处境。
“baby KJ”的案例也被她拿来说明同样的问题。医疗团队曾用客制化基因编辑疗法救活一名患有罕见代谢疾病的婴儿。从科学角度看，这套方案站得住脚，但受制于法规驱动的制造成本，这种路径很难复制到下一个孩子身上。
替代终点可能提速，但验证流程本身很慢
Teslo 最看好的方向之一，是用 AI 找出更好的替代终点和生物标记。按她的说法，与其等待患者服药多年后才判断药物是否有效，不如找到能更早、持续反映疗效的信号。她估计，如果能找到合适的替代终点，临床试验速度最多可提升 10 倍，成本也会随之下降。
不过，这个方向卡住的原因，同样不是模型能力，而是治理与数据可得性。她说，试图构建这类生物标记的公司经常被困在同一关口：拿不到数据。已有公司等了一年，仍在等待美国国立卫生研究院（NIH）放行影像数据集。如果还要经过 FDA 对终点本身的验证，时间会拖得更长。
她举例说，骨密度（BMD）作为骨质疏松试验替代终点的资格认定，验证流程就花了 12 年。她同时指出，支撑这一结论的数据其实早已齐备，分析方法说穿了只是回归模型。
Teslo 还特别提到一个常见误判：很多人把法规理解成只在药物获批那一刻发生作用，认为只要药效足够好，监管就不是实质问题。她认为，这种看法忽略了真正拖慢研发节奏的部分。监管影响更多发生在核准之前，决定人体数据能不能被收集、收集后又能不能被真正使用。
专利保护分子，不保护“靶点值得打”这件事
在她看来，生技行业还有一个更深层的结构性瓶颈，即“靶点扎堆”。多数药企更愿意挤进同一批已经被验证过的生物靶点，因为那里的失败风险最低。这也让产业实际探索的生物空间，远比其能力原本能够覆盖的范围更窄。
她把药物研发风险分成两类。一类是靶点风险，也就是某个蛋白质是否真的与疾病相关，打中它之后是否既安全又有效。另一类是分子设计风险，即在靶点已经确定后，如何把化合物做得更精准、更安全。后者本质上属于化学问题，相对更可控；给定一个靶点，优秀团队通常都能做出可用的分子。
问题在于，现行专利制度主要保护的是后者。物质组成专利保护的是具体分子，而不是“这个靶点值得开发”这一科学洞见本身。结果就是，最早验证出新靶点的人承担了最大风险，却拿不到与之匹配的回报；一旦某款同类首创药跑出漂亮的临床数据，这个靶点就等于被公开验证，后来者只要设计出不同分子，仍然可以获得有力专利保护。
在这样的激励结构下，一波又一波药物会继续挤在同一种生物学路径上，而更少有人愿意去寻找下一个新靶点。
资金流向分子设计，而不是新靶点发现
Teslo 认为，这套被扭曲的激励机制，也解释了为什么资本持续流向同一类 AI 生技公司。
她提到，今年融资规模最大的两家 AI 生技公司，本质上都在做同一件事。Chai Discovery 在今年 7 月完成 4 亿美元 C 轮融资，估值达到 38 亿美元，7 个月内接近翻了 3 倍，其模型已经被礼来、辉瑞和诺华用于药物开发。
Google DeepMind 旗下的 Isomorphic Labs，则在今年 5 月完成 21 亿美元 B 轮融资，合作对象同样包括诺华。按照 Teslo 的归纳，这两家公司的核心能力，都是在给定靶点后，把分子设计得更快、更准。换句话说，它们覆盖的仍然是风险最低、专利保护最完整的那一半工作，而不是“找到新靶点”这个更难、也更关键的环节。
瓶颈不在智商，在制度能否改革
文章最后，Teslo 的结论很明确：在生技领域，眼下缺的不是再进步几代的 AI，而是谁愿意为 7 年的临床试验、12 年的终点验证流程，以及一套只保护分子、不保护靶点的专利制度付出改革代价。
按她的判断，如果这些制度约束没有变化，AI 即使继续进步，也很难单靠模型能力改写新药研发的整体速度与产出。