第 26 章什么不会被压缩：时间锁、原子、数据、信任

如果智力涨到 1000，药物从想法到病人的 12 年会缩短到几年，还是几乎不变。

上一章论证了设计层会被商品化。本章处理相反的问题：在同样的假设下，哪些环节不会被压缩，为什么，以及压不掉的部分到底有多大。这是全书论点的承重墙。如果本章的四把锁都能被智力打开，那么本书主张的杠铃策略就失去了依据，正确的做法反而是全仓押注最强的模型公司。

本章的方法是分解与量化。把一个多肽药物从靶点到病人的全过程拆成 18 个环节，给每个环节标出今天的典型耗时，然后对"智力接近 1000"的情景给出一个可压缩比例的估算区间。所有压缩比例都是推演值，来自机制分析而非实证数据，读者应当把它们当作可以争论的假设，而不是结论。

26.1 时间锁：把 12 年拆成 18 段

先给基线。按公开的行业统计，临床前研究平均约 31 个月，一期临床平均约 1.52 年，二期约 2.47 年，三期约 2.42 年。工业界发起的三期试验，入组期的中位数从 2008 到 2011 年的约 13 个月上升到 2016 到 2019 年的约 18 个月，试验总时长中位数升到约 28 个月。从进入临床到上市的总时长，美国卫生与公共服务部的一份报告估计约为 90.3 个月，即 7.5 年左右。加上临床前，从靶点确认到病人手里，12 年是一个诚实的中位数。

下表把这 12 年拆开，并给出在"智力 1000"情景下的可压缩比例估算。压缩比例的判据只有一条：这个环节的耗时是由信息处理能力决定的，还是由物理过程、生物过程或人类制度决定的。

环节	当前典型耗时	限速因素的性质	AGI 可压缩比例（推演）	压缩后耗时
靶点选择与验证	12 到 24 个月	信息与基因组数据分析	70% 到 90%	2 到 6 个月
先导分子设计	6 到 24 个月	信息	85% 到 95%	2 周到 3 个月
体外活性与选择性	3 到 6 个月	物理实验，可并行	50% 到 70%	1 到 3 个月
动物药代与药效	6 到 12 个月	动物的生理时间	20% 到 40%	4 到 9 个月
工艺开发与放大	12 到 24 个月	化工过程与设备	30% 到 50%	6 到 15 个月
GMP 批次生产	6 到 12 个月	产能排期与放行检验	10% 到 30%	5 到 10 个月
毒理（含 6 个月长毒）	9 到 15 个月	动物的生理时间与法规要求	0% 到 20%	8 到 15 个月
监管申报与 IND 审评	2 到 4 个月	制度	0% 到 30%	2 到 4 个月
一期临床入组与随访	12 到 24 个月	人的时间与伦理审查	20% 到 40%	9 到 18 个月
二期临床	24 到 36 个月	疾病进展的生物学时间	10% 到 30%	18 到 30 个月
三期入组	18 个月（中位数）	招募真人	30% 到 50%	9 到 13 个月
三期治疗与随访	12 到 36 个月	终点事件的发生速率	0% 到 15%	12 到 32 个月
数据清理与统计分析	3 到 6 个月	信息	70% 到 90%	2 周到 2 个月
申报资料撰写	3 到 6 个月	信息	80% 到 95%	2 周到 1 个月
监管审评	6 到 12 个月	制度与人力	20% 到 50%	4 到 9 个月
上市前商业化产能建设	18 到 36 个月	钢铁、水泥、设备交付	10% 到 30%	14 到 32 个月
支付方谈判与准入	6 到 18 个月	制度与谈判	0% 到 30%	5 到 18 个月
医生处方习惯形成	12 到 36 个月	人类社会学习速度	0% 到 30%	10 到 30 个月

把中位数加总，会得到一个反直觉的结果。今天从靶点到首个病人处方的中位总时长约 144 个月（12 年），按上表的中位压缩比例重算，得到的是约 96 到 108 个月，即 8 到 9 年。压缩幅度大约是 25% 到 33%，不是 90%。

原因藏在结构里。可压缩比例高的环节（设计、数据分析、文件撰写），本来占总时长的比例就小，加起来不到 20%。占据时间大头的环节（临床各期、工艺与产能、随访与准入），压缩比例都在 30% 以下。这就是本书所说的时间锁：不是某一个环节锁住了全局，而是时间的分布本身对智力不敏感。

还有一个更硬的约束，它不在上表里，叫做并行度。今天的药物研发已经高度并行，一家大药企同时推进几十个项目。智力提升会让并行的项目更多，但对单个项目的关键路径影响有限。一个以心血管事件为终点的试验，需要积累足够数量的事件才能达到统计效力，事件的发生速率由入组人群的基线风险决定，与研究者的智力无关。SURMOUNT-MMO 这样以全因死亡率和主要心血管事件为主要终点的试验，就是这个约束的直接体现，它需要的是时间和人数，不是聪明。

26.2 原子：反应器、冻干机与 18 到 36 个月

第二把锁是物理产能。这一把最容易被低估，因为它在财务报表上表现为资本开支，看起来只是钱的问题。它不是。

一条大规模固相合成产线的交付周期，从签合同到通过验证可以生产商业化批次，行业普遍给出 18 到 36 个月。这个数字里，设备制造本身占一部分，厂房建设占一部分，剩下的是安装、确认、验证和监管检查。合成反应器要定制，容量从几十升到几千升不等，制造商全球只有少数几家，排队本身就要一年以上。冻干机的情况类似，而且冻干是多肽注射剂制造里最常见的瓶颈工序之一，因为单批次的冻干周期以天计，且难以通过增加人手来缩短。

可以做一个思想实验来检验这把锁的硬度。假设 2027 年出现了一个智力接近 1000 的系统，它可以瞬间给出最优的车间布局、最优的工艺参数、最优的排产方案。这能把 18 到 36 个月压到多少？工程经验给出的答案是压到 14 到 30 个月，改善幅度 10% 到 30%。因为限速的是钢材的交货、洁净室的施工、设备的调试、培养基与树脂的供应、以及监管机构派人来现场检查的排期。这些都是把原子从一个地方搬到另一个地方并让它们保持在特定状态的过程。智力可以减少返工，可以让第一次就做对，但不能让混凝土提前固化。

2026 年的现实数据支持这个判断。全球多肽 CDMO 在这一年宣布的扩产投资超过 24 亿美元，参与方包括 Lonza、Bachem、PolyPeptide、Almac 和 Thermo Fisher。Bachem 在瑞士 Bubendorf 总部的新楼 Building K 于 2026 年 4 月落成，预计 2026 年下半年才开始贡献商业化原料药销售，这栋楼从规划到出货的周期超过四年。PolyPeptide 在瑞典 Malmö 投入 1 亿欧元使固相合成产能翻倍，是在 2025 年 1 月宣布的；它在比利时 Braine-l'Alleud 的新产能 2024 年 12 月投产。这些都不是钱不够造成的延迟，是物理过程的固有节奏。

固相合成本身的物理限制也值得讲清楚，因为它决定了产能为什么不能靠堆钱线性扩张。在树脂上逐个接上氨基酸，每接一个残基要经历脱保护、洗涤、偶联、再洗涤四步，一条 30 个残基的肽就是 120 步操作，每一步的收率哪怕是 99%，总收率也只剩约 30%。溶剂消耗量巨大，每公斤粗肽要用掉几百到上千升的有机溶剂，其中二甲基甲酰胺一类试剂在欧洲面临日益严格的环保限制。这意味着产能扩张不只是买反应器，还要配套溶剂回收、废液处理和排放许可，而排放许可的审批周期本身就是一到两年，并且受地方政治影响。一个智力极高的系统可以设计出溶剂用量减半的工艺，但它不能替企业拿到排污许可证。

纯化是另一个隐形瓶颈。粗肽要经过制备型高效液相色谱纯化，柱子的直径、填料的价格、每批次的处理量都是硬约束，高端填料的全球供应商同样只有少数几家。业内的经验是，合成产能翻倍容易，纯化产能翻倍难，冻干产能翻倍最难。这三者之间的失衡，是 2024 到 2026 年多肽供应紧张的真实技术原因，也解释了为什么宣布的扩产金额很大而实际可用产能释放很慢。

更关键的是人。多家 CDMO 明确把人才而非资本列为扩产的首要约束。工艺化学家、冻干工程师、质量保证与质量控制人员，这几类岗位的培养周期是五到十年，而且相当一部分知识是隐性的，存在于手感和经验里，不存在于文档里。AGI 可以把显性知识的传授时间大幅压缩，可以让一个新人在半年内掌握原本需要三年才能读完的文献，但它不能替一个人做完五百次放大试验。这条限制会在 2027 到 2030 年间逐步松动，因为自动化与传感技术在把隐性知识显性化，但松动的速度是渐进的。

26.3 人体数据：衰老终点需要多少年

第三把锁是数据，而且是特定一类数据：来自真实人体、按真实时间积累的纵向数据。

这把锁的硬度可以用一个具体问题来测量：要证明一个多肽能延缓人的衰老，需要多少年？

如果终点是死亡，答案是十年以上。TAME 试验提供了参照。这个由 FDA 在 2015 年就设计方案达成一致的试验，测试二甲双胍能否延缓一组年龄相关慢性病（心肌梗死、心衰、卒中、多数癌症、认知障碍与痴呆、死亡）的复合终点，随访期设计为 4 到 6 年。截至 2026 年，它仍因为缺乏商业资助而进展缓慢，主要结果不早于 2027 到 2028 年。一个药物专利已经过期、因此没有人愿意出钱的试验，本身就说明了这类研究的经济学困难，第 27 章会回到这一点。

如果终点是替代指标，比如表观遗传时钟，时间可以压到 1 到 3 年，但代价是这个终点目前不被监管接受。截至 2026 年 8 月，通过 FDA 生物标志物资格认定程序正式获得资格的生物标志物总共只有 8 个，表观遗传时钟不在其中。2026 年发表在《自然医学》上的研究整理了 51 项人体干预研究，计算了 16 个主流表观遗传时钟的反应性，结论是不同的时钟对不同干预的敏感度差异很大，学界尚未就哪一个时钟测的是什么达成共识。UCSD 在 2026 年给出的随机对照证据显示司美格鲁肽在多个经验证的时钟上减缓生物年龄，有研究报告细胞衰老速度减缓约 9%，这是重要的信号，但它是替代指标上的信号，不等于人类寿命延长的证据。

这里要讲清楚一个容易被绕过的逻辑。有人会说，AGI 可以用已有的生物数据训练一个人体模拟器，从而不需要真人试验。问题在于，训练这样一个模拟器所需要的，恰恰是大规模的、带干预的、长期随访的人体数据，而这种数据今天极度稀缺。现有的人群队列（英国生物银行、弗雷明汉心脏研究等）大多是观察性的，干预是自然发生的而非随机分配的，因而无法回答因果问题。要生成足够训练一个可信模拟器的随机干预数据，需要先做大量的真人试验，也就是说要先付出时间成本才能省下时间成本。这是一个自举问题，它有解，但解的时间尺度是几十年。

还有一个结构性的问题叫做世代速率。人体的衰老过程以几十年为单位展开，任何一个试图干预它的研究，其观测窗口都必须覆盖足够长的一段生命周期。今天正在服用司美格鲁肽的人群，要到 2040 年前后才能提供关于长期用药与寿命关系的可靠数据，因为这一批人在 2026 年才刚刚开始大规模用药。换句话说，未来十五年里能拿到的所有人体长期数据，都是过去十五年里已经开始积累的那些。数据的存量是历史决定的，AGI 改变不了历史。这一点让人体数据成为四把锁里最难被绕过的一把，也是本书认为大型队列、长期随访能力与真实世界数据资产会持续升值的原因。

第二个绕不过去的点是效应量。衰老干预的效应量小，而统计效力对效应量的依赖是平方关系。要在 5 年内检出一个把年死亡率降低 10% 的干预，需要的样本量是检出降低 20% 干预所需样本量的四倍左右。这意味着衰老终点试验的规模会大到数万人，成本会到十亿美元量级，参与者招募和保持依从性的难度随规模上升。这些都是社会工程问题，不是智力问题。

在基准线情景下，本书的推演是：以硬临床终点衡量的抗衰老适应症，在 2035 年之前不会有第一个正式批准。以复合终点或功能终点（比如预防虚弱、维持肌肉量与认知功能）衡量的部分适应症，可能在 2030 到 2033 年间出现首批批准。如果哪一天 FDA 正式认定某个生物年龄指标可以作为替代终点，这个时间表会整体前移三到五年，这是本书最重要的单一先行指标之一。

26.4 监管与信任：制度的时钟

第四把锁是制度，它和前三把的性质不同。前三把锁是自然律，这一把是社会约定，理论上可以在一夜之间改变。但实际上它变得比自然律还慢，原因在于它的更新需要共识，而共识的形成需要经历事故、诉讼、听证与政治周期。

FDA 在 2025 到 2026 年确实在推进与 AI 有关的规则制定，包括对 AI 在药物与生物制品研发中使用的可信度框架、贝叶斯方法在适应性设计与罕见病试验中的应用指南、以及真实世界证据的整合路径。2026 年 4 月关于实时临床试验的讨论，暴露出一个结构性问题：当 AI 系统同时是被研究的干预和收集解释结果的工具时，传统的试验设计假设不再成立。这类问题的解决需要方法学共识，而不只是算力。

监管机构自身的处理能力也是一个物理约束。审评员的数量是有限的，一份申报资料无论由谁撰写，都需要人类审评员阅读、质询、召开咨询委员会会议。如果上游的候选分子数量因为设计成本崩塌而增长 10 倍，而审评资源不变，排队时间会变长而不是变短。这是本书对基准线情景的一个具体推演：2028 年之后，IND 申报量的增长会超过审评资源的增长，中位审评时间在某些治疗领域会上升。

中国的情况需要单独说明，因为读者的多数资产可能在这个市场。国家药品监督管理局在 2015 年之后的审评改革显著缩短了排队时间，临床试验默示许可制度把 IND 等待期压到 60 个工作日，这在制度层面是一次真实的加速。但中国面临的是另一组约束：三期临床的研究者资源集中在少数几十家中心，同一适应症的多个国产管线在抢同一批患者，减重与代谢领域尤其拥挤。制度的时钟可以被改革拨快，人群的时钟不能。所以在中国，第一把锁（时间）与第三把锁（数据）的相对硬度比在美国更高，而第四把锁（制度）的硬度相对更低。这个差异会影响本书第 28 章中不同情景下中外产业形态的分化。

信任是制度锁的另一半，而且更慢。一个医生从听说一个新药到把它写进常规处方，通常需要 12 到 36 个月，中间要经过同行讨论、指南更新、自己的前几个病人的经验。支付方从批准到纳入报销目录，需要 6 到 18 个月的谈判。这两个过程都以人类的社会学习速度运行。一个由 AI 设计、由 AI 优化试验、由 AI 撰写申报材料的药物，在进入临床实践时仍然要面对同一批人类医生的同一套怀疑。而且可以合理推测，AI 参与程度越高，最初的怀疑越强，采纳曲线可能反而更平。

26.5 把四把锁换算成钱

四把锁的讨论如果停在时间上，对定位没有直接用处。要把它换算成价格。

方法很简单：一项资产的稀缺租金，等于它的需求增速减去供给增速，乘以下游愿意支付的溢价。下表给出四大资产在基准线情景下 2026 到 2032 年的推演。需求增速的假设是：设计端产出以每年 30% 到 50% 增长，进入临床前开发的多肽候选分子数量相应增长。

稀缺资产	需求年增速（推演）	供给年增速（推演）	租金方向	可观察的价格信号
高端 GMP 多肽产能	20% 到 35%	10% 到 18%	上升	CDMO 报价、预定排期长度、预付款比例
临床试验入组能力	25% 到 40%	5% 到 10%	明显上升	每例受试者成本、入组期中位数
长期人体纵向数据	30% 以上	接近固定	大幅上升	队列数据授权费、真实世界数据交易价
监管注册通道	25% 以上	0% 到 5%	上升	审评排队时间、优先审评凭证的市场价
设计与计算能力	40% 以上	100% 以上	下降	模型许可费、计算化学外包报价

表的最后一行是对照组。设计能力的供给增速超过需求增速，所以它的租金下降，这正是第 25 章的结论。前四行的供给增速都低于需求增速，所以租金上升。这张表就是本书杠铃策略的全部数学依据。

有一个反驳值得预先回应：供给受限的资产会吸引资本进入，资本进入会消除超额利润。这在长期是对的，但这里的"长期"有具体长度。对多肽产能，从决定投资到产能可用是 18 到 36 个月，再加上产能爬坡，一轮供给响应大约 4 年。对临床入组能力，响应周期更长，因为它取决于研究中心网络与患者人群，而这两者都不能用钱在两年内造出来。对长期人体数据，供给响应周期等于随访年数本身，无法压缩。所以在 2026 到 2032 年这个窗口里，超额利润有足够的时间存在。窗口之后会怎样，取决于是否出现替代技术，第 28 章的三条情景会分别处理。

还要标注这张表最大的不确定性。它假设多肽的需求继续增长。如果 orforglipron 这类口服小分子在 2027 到 2029 年拿走主流减重市场的大部分份额，第一行的需求增速会从 20% 到 35% 掉到个位数，甚至转负。届时多肽产能从稀缺资产变成过剩资产，本书防守端的逻辑会失效。这是整条论证里最需要持续监控的变量，第 32 章会把它列为第一号失败模式。

26.6 智力 1000 能加速什么

到这里，本章的论证有偏向压制的风险。必须诚实地列出智力提升确实能带来的加速，否则这套框架会变成一种偷懒的怀疑论。

第一，减少无效的尝试。今天的研发时间里，有相当大一部分被浪费在了注定失败的方向上。二期临床约 60% 的失败率里，大部分源于靶点选错。如果 AI 能把靶点验证的准确率显著提高，节省的不是某个环节的时长，而是整条失败路径的全部时间与资本。这是最大的一块收益，而且它不体现在单个项目的周期上，体现在组合层面的成功率上。按波士顿咨询的估算，AI 已经把从临床到上市的概率从 5% 到 10% 提高到 9% 到 18%。如果这个数字在 2030 年进一步提升到 30%，对行业整体产出的影响相当于把研发预算翻倍。

第二，同时优化多个目标。多肽的开发是一个多目标问题：活性、选择性、半衰期、免疫原性、溶解度、化学稳定性、合成成本。人类化学家一次只能调两三个维度，反复来回；生成模型可以在同一个目标函数里塞进十几个约束。这会显著减少"优化了活性却毁了溶解度"这类返工，实际效果是把先导优化阶段从 12 到 18 个月压到 3 到 6 个月。

第三，试验的设计与运营。患者招募是三期临床最大的时间变量，入组期中位数已经上升到 18 个月。用电子病历数据精准识别符合入组标准的患者、预测哪些研究中心能真正招到人、动态调整试验方案，这些能把入组期压缩 30% 到 50%。这是上表中压缩比例最高的临床环节，也是最现实的一块收益。

第四，制造的良率与排产。工艺放大过程中的失败批次是产能的隐形损耗。用过程分析技术加模型控制，把一次成功率从 80% 提到 95%，相当于凭空多出 15% 的产能，而且不需要新建厂房。在产能紧张的 2026 到 2030 年，这块收益的经济价值非常高。

第五，把隐性知识显性化。前面说工艺人才的培养要五到十年。如果传感器与模型能把老师傅的手感转化成可测量的参数，培养周期可能压到两到三年。这一条的实现概率中等，时间尺度在 2030 年之后。

把五条加起来，智力提升带来的总加速大致是：单个项目的周期缩短 25% 到 35%，组合层面的成功率提升一倍到两倍，单位产出的成本下降一半以上。这是一个巨大的改善，但它不是"12 年变成 1 年"。

26.7 四把锁的相互作用与总加速的上限

最后要处理的是四把锁之间的关系。它们不是并联的，是串联并且相互耦合的，这让总加速的上限比逐项估算还要低。

举一个具体的耦合例子。假设 AI 让某家公司在 2028 年同时拿出 20 个优质的多肽候选分子。它需要为每一个做 GMP 批次生产，而全球高端多肽产能在 2028 年仍然紧张，排期要等 12 到 18 个月。于是设计上的加速被产能吞掉。假设它买到了产能，接下来 20 个分子要同时进入临床，需要 20 套研究者网络、20 份伦理审批、数千名受试者，而受试者是有限的，同一类适应症的试验之间会互相抢人。于是临床的加速被人群吞掉。假设它解决了招募，20 份申报材料同时递交，审评员的排期又成为瓶颈。

这个链条说明了一件事：在一个环节上的加速，只有当下游环节有冗余时才能转化为总体加速。今天多肽领域的下游几乎没有冗余，这正是 2026 年 CDMO 扩产投资超过 24 亿美元仍然供不应求的原因。所以本书对基准线情景的总结论是：

在基准线情景下，到 2035 年，一个多肽药物从靶点到上市的中位周期从今天的 12 年缩短到 8 到 9 年，而不是 2 到 3 年。缩短的部分主要来自靶点验证、先导优化、试验运营与文件工作。不缩短的部分是毒理、临床随访、产能建设、监管审评与临床采纳。

如果这个结论错了，最可能错在两个方向。一个方向是监管的范式发生根本变化，比如接受基于模拟的证据替代部分人体试验，或者接受生物年龄作为替代终点。这会一次性削掉 2 到 4 年。另一个方向是自动化制造的突破，比如连续流合成加上模块化产线，把新建产能的周期从 24 个月压到 9 个月。这会削掉 1 到 2 年。两个方向如果同时发生，总周期可能降到 4 到 5 年。本书把这种组合归入第 28 章的加速线情景，并给出它的先行信号。

本章要点

把 12 年的研发周期拆成 18 个环节后，可压缩比例高的环节合计占不到 20% 的时间，时间的分布本身对智力不敏感。
在智力接近 1000 的情景下，本书推演单个项目的中位周期从 12 年缩短到 8 到 9 年，压缩幅度约 25% 到 33%。
大规模固相合成产能的交付周期 18 到 36 个月，智力最多把它压到 14 到 30 个月，限速的是钢材、洁净室、设备调试与现场检查。
衰老相关的硬终点需要 4 到 6 年以上的随访，TAME 的主要结果不早于 2027 到 2028 年；表观遗传时钟至今未通过 FDA 生物标志物资格认定。
要训练一个可信的人体模拟器，需要先做大量真人随机试验，这是一个必须先付出时间才能省下时间的自举问题。
智力提升的最大收益不在单个项目的周期，而在组合层面的成功率，AI 已把临床到上市的概率从 5% 到 10% 提到 9% 到 18%。
四把锁串联耦合，上游的加速只有在下游有冗余时才转化为总体加速，而今天多肽领域的下游几乎没有冗余。

与定位的关系

对资本定位，本章提供了持有产能类资产的核心理由。如果设计端的产出以 10 倍速增长，而承接这些产出的物理产能以 18 到 36 个月的节奏扩张，那么产能的价格会上涨，产能持有者的议价能力会增强。这个逻辑对高端多肽 CDMO（Bachem、PolyPeptide、Lonza）成立，对中国有 cGMP 认证与海外 DMF 备案的多品种原料药公司同样成立，但对单一品种的仿制原料药公司不成立，因为后者面对的是价格战而不是产能稀缺。本章同时提示一个风险：如果口服小分子拿走主流减重市场（第 20 章），多肽产能的需求曲线会下移，这把锁的价值就会打折。这不构成投资建议。

对事业定位，本章是全书最重要的一章。四把锁里，有三把（原子、数据、信任）的守门人都是人，而且是特定类型的人：工艺化学家、冻干工程师、临床运营者、监管事务专家、质量体系负责人。这些岗位的共同特征是知识隐性、培养周期长、且与物理世界或人类制度直接接触。在设计能力人人可得的世界里，这些岗位的相对价值上升。最稀缺的是同时理解模型输出与物理约束的人，因为只有这种人能判断一个模型给出的序列到底能不能造出来。

对个人定位，本章给出一条时间上的纪律。在基准线情景下，一个今天进入临床前的抗衰老多肽，最早要到 2034 年左右才可能有人体硬终点的数据。这意味着未来八到十年里，市场上关于抗衰老多肽的所有说法，证据等级都不会高于替代指标或动物模型。一个理性的个人策略是：把决策建立在已经完成的随机对照试验上，把其他一切当作值得关注但不值得下注的信号，并且明确地把"等待"也看作一种有价值的选择。本书不构成医疗建议。

第 26 章 什么不会被压缩：时间锁、原子、数据、信任