118 个结晶实验，40 天配方迭代，137 万元总投入。
这是华东一家做小分子改良型新药的药企（下称 H 公司）2026 年 6 月结项的固态形式筛选项目。同一个母核骨架，他们 2025 年用传统湿实验做过一轮：420 个实验、11 个月、274 万元。
省下的一半钱，是少做了 302 个注定失败的实验，试剂本身并没有便宜。下面这张账单来自 H 公司 2026 年 9 月的内部复盘，未经审计，但口径给得很细。
先把账单摊开
| 科目 | 传统湿实验（2025 年同骨架项目） | 生成式 AI 辅助（2026 年） |
|---|---|---|
| 结晶实验数 | 420 | 118 |
| 立项到锁定晶型 | 11 个月 | 3.5 个月（其中配方迭代 40 天） |
| 试剂耗材 + 表征 | 160 万 | 45 万 |
| 人力 | 69 万（27.5 人月） | 22 万（9 人月，含 0.4 名计算化学） |
| 算力与模型授权 | — | 18 万（3 个月推理节点 + 商业授权） |
| 历史 ELN 数据治理 | — | 7 万（22 万一次性投入，按 3 年摊） |
| 放大与稳定性起步批次 | 45 万 | 45 万 |
| 合计 | 274 万 | 137 万 |
单实验成本按 3800 元计，含溶剂、耗材、XRPD 与 DSC 表征、样品前处理；人力按 2.5 万元/人月全成本折算。
现金流的差别比总数更刺眼。传统路径前 6 个月就要烧掉 130 万试剂与表征费，H 公司这个项目一度排在季度预算第三位，因为“钱要先给临床样品生产让路”。AI 路径前 6 个月只花了 61 万，剩下那部分是在锁定晶型之后才花出去的。
40 天里，模型生成的是实验配方
先把一件事说清楚：这里的生成式 AI 不生成分子，它生成的是实验配方——溶剂体系、反溶剂比例、过饱和度、降温曲线、聚合物添加剂的组合。分子是已知的，难的是找到哪种条件能让它长出稳定、可放大、能压片的那个晶型。
H 公司用的是一套多模态组合：图谱编码器读 XRPD 和拉曼，分子图编码器读结构，一个生成模型出候选条件，外面套一层贝叶斯优化做排序。通用大模型干的是最脏的活——把 12 年里 3.1 万条电子实验记录本（ELN）里的自然语言描述，比如“缓慢滴加”“有油析出”“搅拌过夜”，结构化成可训练字段。这一步花了 9 天，是整个项目里最不性感、也最不能省的部分。
时间线是这样的：
- 第 1–9 天：数据治理完成后，模型生成 240 组候选条件，按“新晶型概率 × 可放大性”排序，前 60 组进实验室。
- 第 10–23 天：60 个实验里 14 个出了与已有晶型不同的衍射图，3 个是真新晶型（XRPD 峰位差异加 DSC 熔点差大于 2°C）。
- 第 24–33 天：模型把一水合物排在第一位，理由写得很漂亮——热力学更稳定。实测不符合预期：40°C/75%RH 放 4 周，含水率漂到 3.1%，无水物反而更稳。这是“看了文献、没看懂工艺”的典型错误，训练数据里的稳定性结论大多来自小试，缺放大后的干燥和压片应力信息。
- 第 34–40 天：18 个失败实验的图谱和工艺参数回灌，重排后锁定无水物 Form B，后续 3 批放大一次通过。
模型错了两次，第三次才排对。这一点很关键，因为它决定了 AI 在这条链上的位置：实验设计的先验，不是结论。
省下的钱在试错次数，不在试剂单价
传统路径的 420 个实验，实际是穷举：8 种溶剂 × 5 种反溶剂 × 4 个温度点 × 3 类添加剂，再按结果做二轮三轮。H 公司的结晶工程师自己估过，这 420 个里真正贡献信息的不到 130 个，其余是为了“确认它真的不长”。
生成模型的价值就是把“确认不长”这一步搬到算力上。118 个实验里，有 27 个是模型提出但被工程师砍掉的——车间做不了那么高的过饱和度，或者那个反溶剂他们拿不到药用级。剩下 91 个，一次排序就把最终晶型排进前 10 组的概率从 9%（拿未清洗数据做的对照）提到 31%。
这个量级和公开数据是能对上的。据德睿智药披露，其 AI 辅助项目 8 个月完成靶点发现到临床前候选化合物确认，传统需 3 到 4 年，合成验证的小分子不足 100 个，传统方式要数百甚至上千个；该公司测算临床前周期压缩 70%–80%、成本降低 50%–70%。罗氏旗下基因泰克年初披露，近 90% 的小分子研发项目已应用 AI，其中一个项目把分子研发周期从两年多缩到七个月；阿斯利康的开源生成式框架 Reinvent 把潜在新药分子结构识别周期缩短一半；强生首席信息官在 2026 年路透社 AI 大会上称靶点筛选时间缩短 50%。
但要注意，这些数字几乎都落在“靶点→先导化合物”这一段。CMC 环节的公开数字少得多，因为它的验证标准不是候选分子数量，而是图谱和批次。
三笔没被省掉的钱
监管验证。 ICH Q6A 对多晶型的要求没有给模型开口子。申报要 XRPD、DSC、TGA、动态蒸汽吸附的实测数据，模型输出只能进“实验设计说明”，进不了申报资料。省的是找晶型的路，不是证明晶型的活。
数据治理。 22 万一次性投入，摊 3 年。第一年不做，模型就只是个通用模型。H 公司拿 2024 年未清洗的 ELN 做过对照，前 10 组命中率 9%，清洗后 31%。
化学空间迁移。 第二个项目换了个骨架，只省 41%；第三个项目省 33%。模型在见过的化学空间附近才准。这和蛋白质结构预测要过湿实验关是同一个道理，可参考《当蛋白质可以被设计，材料科学会先发生什么》。
一年四个项目，账要怎么算
H 公司 2026 年排了 4 个固态筛选项目。投入侧：数据治理 22 万、平台私有化 35 万、年算力 60 万——推理节点是租的，没自建，理由和《8000P园区很大，中型公司的算力账要另算》里说的一样：负载不稳定，自建不划算。合计约 117 万。
产出侧：项目一省 137 万，项目二省 90 万，项目三省 70 万，项目四还在跑。全年净省约 180 万，回本约 5 个月。
那宣传里的“省 90%”是哪来的？弗若斯特沙利文与英矽智能招股书的口径是“药物发现阶段研发费用节约 90%+”，指的是靶点发现到先导化合物这一段，主要省的是化合物合成数量。固态筛选省不到这个量级，因为它的成本结构里实验表征是硬支出，人力也压不下去——2 个人盯 118 个实验的排期，已经接近饱和。
什么情况下别买
骨架全新、公司没有历史结晶数据，第一批项目省不到 20%，还要倒贴数据治理。共晶和盐型筛选比多晶型更依赖具体反离子与工艺，公开数据少，排序可靠性明显下降。团队里没有能读懂图谱的人也不行——模型给的 240 组条件里，有一半需要判断“这个条件在我们车间能不能实现”。
H 公司那位结晶工程师在这个项目里的作用，不是执行实验，是砍掉模型提出但不具备放大可行性的 27 组条件。这跟《AI Agent调度试验跑了三个月，调度员还在》写的是同一件事：模型能把响应时间压下来，但金额超线或首次出现的异常，还是要人签字。
真正值得算的，其实不是省了多少钱，是排期。H 公司 2 名结晶工程师 2025 年只能跑 2.5 个项目，2026 年跑了 4 个还没加人。对一家管线不多、现金流紧的中型药企，这个差别比 137 万更值钱。
