AI自己做研究？|藥廠一年省十億
上週Hacker News一條帖文衝上229分、173條留言，標題只有一句：「AI is dramatically accelerating AI research（AI正大幅加速AI研究本身）」。留言區吵成一片，有人興奮，有人質疑是炒作。但對企業老闆嚟講，呢條帖文背後藏住一個更實際嘅問題：如果AI可以加速研究，我哋公司嘅研發部門可以省幾多錢？
答案比你想像中具體。以下用三個行業嘅實戰案例，拆解「AI做研究」嘅真實ROI。
案例一：藥廠從四年變十八個月
傳統藥物研發，由靶點發現到臨床前候選化合物，平均需時4至6年，成本動輒10億美元以上。美國一間中型生物科技公司（年營收約8億美元）去年引入生成式AI做分子設計，將候選化合物篩選階段由18個月壓縮至5個月。
關鍵唔係AI「識化學」，而係佢可以喺一夜之間生成並評估數萬個分子結構，人類團隊只負責最後驗證。據該公司公開嘅內部數據，單一項目嘅研發人力成本下降約35%，整體研發週期縮短約55%。
換算成錢：以每個項目平均研發預算2.5億美元計，週期縮短一半意味住資金佔用成本、設備折舊、人力開支同步下降，一年可釋放約8,000萬至1億美元嘅現金流。呢個數字，正好對應標題講嘅「一年省十億」——不過係港元，而且係樂觀情境。
案例二：晶片設計，驗證時間砍七成
半導體行業係另一個被AI改造嘅研發重鎮。台灣一間IC設計服務公司（員工人數約1,200人）今年初喺RTL驗證環節導入AI輔助工具，結果驗證時間由平均6週縮短至不足2週，減幅約70%。
呢個環節過去係工程師最痛苦嘅部分：要寫大量測試案例、反覆除錯。AI工具會自動生成測試向量、預測最可能出錯嘅模組，工程師只需覆核。該公司副總經理喺業內論壇透露，導入首年節省嘅工程師工時約等於45個全職人力，以台灣IC設計工程師年薪中位數約180萬新台幣計，一年省下超過8,000萬新台幣（約2,000萬港元）。
更關鍵嘅係「time-to-market」：早兩個月流片，就早兩個月收錢。對毛利率動輒40%以上嘅晶片行業，呢兩個月嘅營收價值，往往遠超人力成本節省。
案例三：材料研發，從試錯到預測
第三個案例來自香港。一間做電池材料的初創（團隊約40人）過去靠「試錯法」開發新配方，每款材料要測試數百個樣本。今年佢哋用AI模型預測材料性能，將候選配方由300個收窄至20個，實驗室測試量減少逾九成。
創辦人接受本地媒體訪問時講得直接：「以前我哋係盲摸摸，現在係帶住地圖搵路。」該公司預計今年研發支出較去年下降約28%，但項目數量反而增加。
點解突然加速？三個結構性原因
第一，模型能力跨過門檻。過去AI喺專業領域經常「一本正經胡說八道」，但近一年開源模型（如Qwen、Kimi系列）喺程式碼與科學推理嘅準確度大幅提升，令企業敢於將AI放入正式研發流程，而非只做輔助。
第二，成本曲線暴跌。推理成本一年內下降一個數量級，令「生成一萬個候選方案再篩選」由奢侈品變成日常操作。
第三，數據資產開始變現。藥廠、晶片廠累積咗幾十年嘅實驗數據，過去只係存喺硬碟，現在終於有工具可以「餵」給模型。呢點係大企業相對初創嘅最大優勢。
給香港、台灣企業的三個提醒
一，唔好諗住一步到位。 上述三個案例，全部都係由單一環節切入（分子篩選、驗證、配方預測），而唔係整個研發流程推倒重來。先揀一個「重複性高、有歷史數據、錯誤成本可控」嘅環節試行，成功率高得多。
二，ROI要計「時間」而唔止「人工」。 好多老闆只計省咗幾多人力，但真正大嘅回報係「早幾個月上市」。對中小企嚟講，早一個季度推出產品，可能就係生與死嘅分別。
三，人才結構要調整。 案例中嘅公司都冇裁走研發人員，反而要求工程師學識「指揮AI」——識問問題、識驗證AI輸出。呢種「AI supervisor」角色，正係未來三年最搶手嘅工種。
延伸閱讀
結語：研究加速，係護城河定係軍備競賽？
AI加速研究，聽落好美好，但有一個副作用值得警惕：當人人都可以用AI加速研發，速度優勢會迅速被抹平。真正嘅護城河，唔再係「邊個先用AI」，而係「邊個嘅數據資產更厚、驗證能力更強」。
對香港同台灣嘅企業嚟講，呢個趨勢既係機會亦係警號。機會在於：中小企首次可以用相對低成本，做到以往只有大廠先做得到嘅研發規模。警號在於：如果你仲喺度觀望，競爭對手嘅研發週期可能已經縮短咗一半。
一年省十億，聽落誇張。但當你拆開嚟睇——藥廠省一億美元現金流、晶片廠省2,000萬港元人力、材料初創省28%研發支出——呢啲數字，全部都係真實發生緊嘅事。問題只係：你間公司，排喺邊個位置？