ยาหนึ่งตัวใช้เงิน $2,600 ล้านและเวลา 13 ปี — ถ้า AI ลดมันลงได้ครึ่งหนึ่งล่ะ?

เพื่อจะเข้าใจว่าทำไมคนถึงตื่นเต้นกับเรื่องนี้ ต้องดูตัวเลขที่น่ากลัวของการทำยาแบบเดิมก่อน การพายาใหม่หนึ่งตัวจากห้องแล็บไปถึงชั้นวางในร้านขายยา โดยเฉลี่ยใช้เงิน ราว $2,600 ล้าน และเวลา 10–15 ปี และที่โหดที่สุดคือ — ยาที่ได้เข้าสู่การทดลองในคนแล้ว ราว 90% สุดท้ายก็ล้มเหลว ไปไม่ถึงผู้ป่วย

เงินมหาศาลส่วนใหญ่ไม่ได้หายไปกับยาที่สำเร็จ แต่หายไปกับ “ยาที่ล้มเหลว” ทุกตัวที่ตายระหว่างทางต้องถูกหารกลับเข้าไปในต้นทุนของยาที่รอด นี่คือเหตุผลที่ยาแพงขึ้นเรื่อยๆ และเป็นเหตุผลที่บริษัทยาไม่ยอมแตะโรคที่ตลาดเล็กหรือ target ที่ “ยากเกินไป” เพราะความเสี่ยงไม่คุ้ม

นี่คือจุดที่ AI เข้ามาเปลี่ยนสมการ ถ้าเราคัดทิ้งโมเลกุลที่จะล้มเหลวได้ เร็วขึ้นและถูกลง ตั้งแต่ด่านต้นทาง — ก่อนเสียเงินสังเคราะห์จริงหรือทดลองในสัตว์ — ต้นทุนรวมก็ลดลง และที่สำคัญกว่านั้นคือ เวลา ทุกปีที่ร่นลงได้ คือยาที่ถึงมือผู้ป่วยเร็วขึ้นหนึ่งปี และเป็นสิทธิบัตรที่ขายได้นานขึ้นหนึ่งปี

และนี่ไม่ใช่แค่เรื่องของบริษัทเล็กๆ ที่ฝันไกล เม็ดเงินจริงกำลังไหลเข้ามา ในปี 2024 Isomorphic Labs (บริษัทลูกของ Alphabet) เซ็นดีลกับ Eli Lilly และ Novartis รวมมูลค่าสูงถึง ~$3,000 ล้าน ส่วน Nvidia ก็จับมือ Eli Lilly ลงทุนสูงสุด ~$1,000 ล้าน ในแพลตฟอร์ม AI ชีวภาพ BioNeMo และในปี 2025 บริษัทจีน XtalPi เซ็นดีลค้นพบยากับพาร์ตเนอร์รายหนึ่งมูลค่าสูงถึง ~$6,000 ล้าน ตัวเลขพวกนี้บอกอย่างหนึ่งชัดเจน — บริษัทยายักษ์ใหญ่เชื่อแล้วว่า AI ในด่านค้นพบยา “มีของ”

วิธีที่ดีที่สุดในการเข้าใจ AI Drug Discovery คือมองมันเป็น “กรวยคัดกรอง” ปากกรวยด้านบนกว้างมหาศาล — โมเลกุลที่เป็นไปได้นับล้านนับพันล้าน ปลายกรวยด้านล่างแคบจิ๋ว — เหลือแค่ไม่กี่ตัวที่จะได้ไปทดลองจริงในคน หน้าที่ของ AI ไม่ใช่การข้ามด่านไหน แต่คือการ คัดทิ้งของที่ผิดให้เร็วและฉลาดขึ้น ในแต่ละชั้นของกรวย

กุญแจสำคัญของทั้งหมดนี้คือก้าวกระโดดในปี 2021–2022 ชื่อ AlphaFold ของ Google DeepMind — AI ที่ทำนาย “รูปร่าง 3 มิติ” ของโปรตีนได้จากลำดับกรดอะมิโน ปัญหาที่นักวิทยาศาสตร์พยายามแก้มา 50 ปี AlphaFold ปล่อยฐานข้อมูลโครงสร้างโปรตีนกว่า 200 ล้านตัว ออกมาให้ใช้ฟรี — เกือบทั้งหมดของโปรตีนที่วิทยาศาสตร์รู้จัก งานชิ้นนี้สำคัญถึงขั้นได้ รางวัลโนเบลสาขาเคมีปี 2024 เพราะการ “เห็น” รูปร่างของ target คือก้าวแรกที่ขาดไม่ได้ในการออกแบบยา

ภาพประกอบ (funnel.png)

ตำแหน่งของ AI Drug Discovery ในแผนผังเมกะเทรนด์น่าสนใจตรงที่มันเป็น “ตัวเชื่อม” มากกว่าจะเป็นแค่สาขาหนึ่ง มันยืนคร่อมระหว่างโลกของ biotech กับโลกของ AI

• พึ่งพา Artificial Intelligence โดยตรง: มันคือลูกค้าตัวยงของชิป GPU และโมเดล AI ขนาดใหญ่ ทุกการทำนายโครงสร้างโปรตีน ทุกการเจนโมเลกุล ล้วนกินพลังประมวลผลมหาศาล นี่คือเหตุผลที่ Nvidia โดดเข้ามาเล่นเองด้วยแพลตฟอร์ม BioNeMo — มันมองเห็นว่าวงการยาคือตลาดประมวลผลก้อนใหญ่ก้อนใหม่
• เป็นเครื่องเร่งให้สาขาพี่น้องทุกตัวใน Biotech: AI Drug Discovery ไม่ได้แข่งกับ Oncology หรือ Gene & Cell Editing — มันเป็น “เครื่องมือ” ที่สาขาเหล่านั้นเอาไปใช้ บริษัทมะเร็งใช้ AI หา target ใหม่ บริษัทยีนใช้ AI ออกแบบโปรตีนตัดต่อยีนให้แม่นขึ้น
• คู่กับ Tools, Diagnostics & CDMO: AI เก่งแค่ไหน สุดท้ายก็ต้องมีคนสังเคราะห์สารจริงและทดสอบในแล็บ ผู้เล่นรุ่นใหม่หลายรายจึงสร้าง “แล็บหุ่นยนต์” ที่ AI สั่งทดลองได้เอง วนลูป ทำนาย–สังเคราะห์–วัดผล–เรียนรู้ ให้เร็วที่สุด
• ป้อนดีมานด์ให้ สังคมสูงวัยและ Longevity: โลกที่คนแก่ขึ้นต้องการยาใหม่สำหรับโรคเรื้อรังและโรคที่ยังไม่มีทางรักษามากขึ้นเรื่อยๆ ยิ่งดีมานด์ยาใหม่สูง แรงกดดันให้ค้นพบยาเร็วและถูกก็ยิ่งมาก

นี่คือส่วนที่ต้องพูดให้ตรงที่สุด เพราะรอบๆ เรื่องนี้มีทั้งความหวังจริงและการโฆษณาเกินจริงปนกันอยู่มาก

ของจริงที่พิสูจน์แล้ววันนี้ คือ “ความเร็วและต้นทุนในห้องแล็บ” — AI ย่นเวลาด่านต้นทาง (หา target, ออกแบบโมเลกุล, คัดกรอง) จากหลายปีเหลือหลักเดือนได้จริง และทำซ้ำได้ บริษัทอย่าง Insilico Medicine บอกว่าออก “ตัวยาตัวเลือก” ได้ราว 22 ตัวในช่วงปี 2021–2024 โดยแต่ละตัวใช้เวลาเฉลี่ยแค่ 12–18 เดือนจากเริ่มโครงการ

แต่สิ่งที่ยัง “ไม่เกิด” คือยาที่ AI ออกแบบ ผ่านการทดลองในคนด่านสุดท้าย (Phase 3) แล้วได้รับอนุมัติ — จนถึงตอนนี้ยังไม่มีสักตัว หมุดหมายที่ใกล้ที่สุดคือยา rentosertib ของ Insilico (รักษาโรคพังผืดในปอด IPF) ที่ในเดือนมิถุนายน 2025 ตีพิมพ์ผล Phase 2a ใน Nature Medicine — ถือเป็นครั้งแรกที่ยาซึ่ง AI ทั้งหา target และออกแบบโมเลกุล แสดงสัญญาณว่า “ได้ผลในคน” (กลุ่มที่ได้ยาค่าการทำงานของปอดดีขึ้น สวนทางกับกลุ่มยาหลอกที่แย่ลง) นี่คือก้าวสำคัญ — แต่มันคือ Phase 2a ยังต้องผ่าน Phase 3 ที่ใหญ่และโหดกว่ามากอีกหลายปี

ภาพประกอบ (clinic.png)

ในเชิงตลาด มูลค่ารวมของ AI Drug Discovery ยังถือว่าเล็กเมื่อเทียบกับวงการยาทั้งหมด — ราว $2,000–3,000 ล้านในปี 2024–2025 แต่โตเร็วมาก สำนักวิจัยส่วนใหญ่ประเมิน CAGR ที่ ~30% ต่อปี (บางสำนักให้ต่ำกว่านี้) ซึ่งถ้าเป็นไปตามคาด อาจแตะระดับ $30,000–40,000 ล้านในกลางทศวรรษ 2030

ภูมิทัศน์ผู้เล่นแบ่งคร่าวๆ เป็นสามกลุ่ม: ยักษ์เทคที่ลงมาเล่นเอง (Alphabet ผ่าน Isomorphic Labs, Nvidia ผ่าน BioNeMo), บริษัท AI-biotech แบบ pure-play ที่สร้างแพลตฟอร์มเป็นธุรกิจหลัก และ บริษัทยายักษ์ใหญ่ ที่ซื้อ/จับมือเอาเทคโนโลยีไปใช้ ข้อสำคัญที่ต้องเข้าใจ — ผู้เล่นที่ล้ำที่สุดหลายรายยังเป็นบริษัทเอกชนหรือเพิ่งอยู่ระดับคลินิก-สเตจ (Isomorphic Labs และ Insilico Medicine ยังไม่ใช่หุ้นที่ซื้อขายทั่วไป) จึงต้องดูทั้งสองฝั่ง

เส้นทางข้างหน้ามีสามหมุดหมายที่ควรจับตา

หมุดแรกคือ “ยา AI ตัวแรกที่ผ่าน Phase 3 และได้อนุมัติ” — นี่คือเส้นชัยที่จะเปลี่ยนทุกอย่าง วันที่ยาซึ่ง AI ออกแบบ ผ่านการทดลองในคนขนาดใหญ่และวางขายได้จริง จะเป็นวันที่คำถาม “AI ทำยาได้จริงไหม” ถูกตอบขาด ด้วยไปป์ไลน์ที่กำลังทยอยเข้าคลินิกของ Recursion, Insilico, AbCellera และอื่นๆ หลายคนคาดว่าหมุดนี้น่าจะเกิดภายในไม่กี่ปีข้างหน้า — แต่เพราะ Phase 3 คือด่านที่ยาส่วนใหญ่ตาย มันจึงยังไม่ใช่เรื่องที่การันตีได้

หมุดที่สองคือ การจับ target ที่ “แตะไม่ได้” มาก่อน โปรตีนก่อโรคจำนวนมากเคยถูกตราว่า “undruggable” เพราะไม่มีรูให้ยาเสียบ หรือมีรูปร่างซับซ้อนเกินกว่าวิธีเดิมจะออกแบบยาให้จับได้ จุดขายใหญ่ของ AI คือการเปิดประตูเหล่านี้ — ดีลของ Isomorphic กับ Novartis เน้นไปที่ target “ที่เคยเสี่ยงหรือยากเกินจะทำ” โดยตรง ถ้าทำได้จริง มันจะปลดล็อกยาสำหรับโรคที่วันนี้ยังไม่มีทางรักษา

หมุดที่สามคือ “แล็บที่ขับเคลื่อนด้วย AI เต็มรูปแบบ” — การวนลูป ทำนาย → สังเคราะห์ด้วยหุ่นยนต์ → วัดผล → ป้อนกลับให้ AI เรียนรู้ โดยมีมนุษย์แทรกแซงน้อยลงเรื่อยๆ ความร่วมมืออย่าง Lilly–Nvidia ที่ลงทุนใน “แล็บอัตโนมัติ” คือก้าวแรกของทิศทางนี้ เป้าหมายคือทำให้รอบการเรียนรู้ของยาเร็วขึ้นเป็นทวีคูณ

นี่คือเทรนด์ที่ต้องระวัง “ความตื่นเต้น” มากเป็นพิเศษ เพราะช่องว่างระหว่างคำสัญญากับผลลัพธ์จริงยังกว้าง

ความเสี่ยงข้อแรกและใหญ่ที่สุดคือ “ยังพิสูจน์ไม่ได้ในด่านสุดท้าย” AI เก่งเรื่องทำให้ด่านต้นทางเร็วขึ้น แต่ราว 90% ของยาที่เข้าคลินิกก็ยังล้มเหลว เหมือนเดิม และความล้มเหลวส่วนใหญ่เกิดใน Phase 2–3 — ด่านที่ AI ยังช่วยอะไรไม่ได้มาก ตัวอย่างเตือนใจมีจริง: ยา DSP-1181 ที่ Exscientia ออกแบบและเคยเป็นข่าวใหญ่ว่า “ทำได้ใน 12 เดือน” สุดท้ายก็ไปไม่ผ่าน Phase 1 และยาของ BenevolentAI ก็ล้มใน Phase 2 ความเร็วในการ “ออกแบบ” ไม่ได้แปลว่ายาจะ “ได้ผล”

ความเสี่ยงข้อสองคือ “คูเมืองข้อมูล” (data moat) AI ดีได้เท่ากับข้อมูลที่ป้อนมันเท่านั้น และข้อมูลชีวภาพคุณภาพสูง — ผลการทดลองจริง โครงสร้างโมเลกุล ข้อมูลคนไข้ — มีจำกัด แพง และมักถูกขังอยู่ในมือบริษัทยาใหญ่ ผู้เล่นที่ไม่มีข้อมูลของตัวเองพอ อาจสร้างโมเดลที่ “สวยบนกระดาษแต่ใช้จริงไม่ได้” และนี่คือเหตุผลที่ยักษ์อย่าง Alphabet (ที่มีทั้งเงิน คน และ AlphaFold) ได้เปรียบมหาศาล

ความเสี่ยงข้อสามคือ เศรษฐศาสตร์ของตัวบริษัทเอง บริษัท AI-biotech หลายรายเป็น pure-play ที่ยัง “เผาเงิน” — ลงทุนหนักในแพลตฟอร์มและไปป์ไลน์ แต่ยังไม่มียาที่ขายได้ รายได้หลักมาจากดีลความร่วมมือที่อาจหยุดได้ทุกเมื่อ ราคาหุ้นกลุ่มนี้จึงผันผวนสูงและอ่อนไหวกับ “ข่าวผลคลินิก” มากเป็นพิเศษ ข่าวร้ายตัวเดียวทำให้มูลค่าหายครึ่งได้

สรุปสั้นๆ: AI Drug Discovery กำลังแก้ปัญหาที่ถูกต้องที่สุดของวงการยา — เศรษฐศาสตร์ที่แพงและช้าเกินไป และมันได้พิสูจน์แล้วว่าเร่งด่านต้นทางได้จริง ความหวังจึงมีฐานที่จับต้องได้ ไม่ใช่ลมๆ แล้งๆ แต่เส้นชัยที่แท้จริง — ยา AI ตัวแรกที่รักษาคนได้จริงและได้รับอนุมัติ — ยังอยู่ข้างหน้า เข้าใจให้ขาดว่า “เร็วในแล็บ” กับ “ได้ผลในคน” เป็นคนละเรื่องกัน คือกุญแจของการมองเทรนด์นี้ให้ทะลุ