困在商业模式墙外的AI创业者们

　　现在应该是认真反思AI制药的时间。

　　AI制药在2020-2021迎来了最高光的时刻，但随后便在资本寒冬之中逐渐偃旗息鼓。现在，一批嗅觉敏锐的创业者正在与“AI制药”做切割，他们有些人选择淡化AI概念，老老实实推管线;另外一部分则放弃管线的独立推进，转型合作开发和服务。

　　推管线是个很难的事情。AI领域的创业者往往缺乏biology方面的背景，是否有能力去选择靶点就是个大问题。即使他们排除万难最终确定了几个有价值的靶点去做，那么在拿到了PCC之后，AI平台的价值会逐步让位于管线的价值，AI平台本身的优势将不复存在。

　　既然推管线是个坑，那么利用已经建好的AI技术平台去为药企提供服务是否可行呢?

　　然而时至今日，我们不得不说绝大多数的AI+Biotech公司在商业模式上的探索是完全失败的——一谈技术猛如虎，一看收入两万五，伟大的梦想在骨感的收入支撑下瑟瑟发抖。

　　为什么会这样?

　　其实很多创业者和投资人都没有意识到，Biotech领域存在着两种创业逻辑：项目逻辑和产品逻辑。

　　项目逻辑的典型例子是创新药，创业者们需要做的是在亲和力、选择性、PK/PD等相关参数中进行优化、取舍和平衡，从而将一个分子推上市。而产品逻辑则是说我们需要设计一款能够解决客户需求且客户愿意付费的产品，绝大部分产业链上游的设备、原料、服务基本都属于产品逻辑。

　　项目逻辑的评价标准非常直观，而产品逻辑则很难去标准化。显然，创新药的消费者是患者，在危及生命的疾病面前，医生和患者当然首选选择“缓解率”这个简单直接的标准去评估一款药物的好坏。但产品逻辑需要考虑的因素则很多，而且大部分是非技术层面的因素，因为很多时候“高级”和“好用”并不等价。

　　一个非常现实情况是，很多AI+Biotech领域的创业者虽然正在进行产品开发，但他并没有意识到自己是在“开发一款产品”，对创业的理解仍然停留在“项目逻辑”的层面。他们最关心的事情就是数据，见投资人的时候讲的最多的也是数据，对市场、需求、商业逻辑则很少提及。

　　当前AI+Biotech领域的成功案例屈指可数，整个行业正面临困局。当我们把这些为数不多的AI+Biotech的成功案例与大模型、自动驾驶、搜索推荐等方向的代表性公司放在一起研究的时候，会发现成功者的身上往往可以找到一些共同点。

　　成功的AI产品通常遵循以下规律：

　　(一)应用场景：可以快速验证和迭代的场景

　　将AI技术与合理的使用场景结合起来尤为重要。快速验证和迭代能够对AI平台的结果进行快速验证，这确保了良好的用户体验和感知。

　　用户感知很重要，它直接决定了用户愿不愿意为你的产品掏钱。因为绝大多数用户购买的往往是产品的“感知价值”，而不是产品的“实际价值”。用户其实不会关心你采用的究竟是什么模型和算法，他们只关注你最终交付的是什么样的产品。

　　也许上面的描述太抽象了，我们可以先从消费领域来想想这件事：

　　消费领域的用户感知过程显然是很快的。比如ChatGPT，我相信大多数用户根本无需钻研大语言模型背后的基本原理和优势，仅需几分钟的对话交流便能感知到这款产品的价值，从而决定是否要为其付费。

　　而这也是AI制药领域的难题所在。因为一款药物的验证周期极其漫长，AI世界以外的人往往需要长达数年的时间去认知这个新鲜事物。这就造成了信AI制药的人对其很推崇，不信的人则一黑到底的局面。信的人有信的理由，不信的人有不信的借口，但都很难说服对方。

　　为什么很多药企明明听懂了我的AI技术，但是却连一个20万人民币的订单都不愿意给我?为什么AI癌症早筛产品已经很灵敏了，但就是这么难卖?诸多销售难题背后，我想这可能是原因之一。

　　因此，对于AI领域的创业者来讲，创业应该首先从需求出发去寻找最适合AI的场景，再去针对场景去设计产品和进行相应的技术布局，而非抓起一个技术平台就往外卖。

　　有人可能会问，biotech领域有这种“快速验证和迭代”的场景吗?其实是有的，但在这里就不展开讲了。

　　(二)数据来源：个性化的信息

　　个性化指的是成千上万个个体(可以是人、细胞、细菌等)产生的大量数据。来自大量个体的个性化信息保证了AI的盈利空间和技术优势。

　　这里要注意区别一下“个性化”与“海量”，单纯的海量数据并不足以凸显出AI在biotech领域的优势。

　　例如，有些公司希望能够从海量的测序数据中寻找新靶点、或者biomarker，这当然可以用AI来做(事实上AI也能做得很好)，但很多时候AI的优势并不非常显著，在大多数场合下仅仅是缩短了几个月的研发周期和一些成本而已。因为这些数据虽然足够“海量”，但并不够“个性化”。而在个性化的场景之下，AI的优势就不仅仅是时间和成本那么简单，很有可能是“只有我能做，别人都做不了”。

　　但显然单纯的个性化的信息并不一定能确保AI技术在商业模式上的成功，前提还是应用场景。例如AI肿瘤早筛的数据虽然足够个性化，但由于其他方面的原因整个赛道依然举步维艰，现在大家都不怎么提了。

　　(三)交付形式：以个性化的信息形式交付用户

　　AI处理的是数据，交付的肯定也是数据。但在这里我想突出的一个词是“个性化”。如果你的AI产品能够为每条个性化的数据去交付相应的个性化的结果(而非归纳总结)，这将进一步确保AI平台相比于传统技术路线的竞争优势。

　　例如，ChatGPT可以针对每个人的每句话生成独一无二的文字接龙;AI自动驾驶可以为每个人的路况生成实时决策。这都是“个性化信息交付”的典型案例。

　　但目前在医疗领域的大多数应用场景中很难允许个性化的信息交付。例如，尽管AI可以通过分析患者的个性化测序数据去进行诊断，但目前绝大多数适应症的药物是极其有限的，可供选择的治疗方案并不多，再个性化的诊断结果也没什么大用。

　　只是做几个有限分类的话，AI的优势并不十分显著。所以现在很多biotech领域的创业者希望从“生成”这个角度来进行尝试。

　　作者：夏玉坤