我与某硅谷"一人公司"的故事——关于专业AI的价值、天花板与未来

一、JPM的走廊里，最有意思的对话往往不在会场

今年一月，我去旧金山参加JPM医疗健康峰会。JPM是什么地方？每年一月，全球几千家医疗健康公司和投资机构涌入旧金山，争夺资本的注意力。台上是CEO们字斟句酌的investor presentation，台下是投行、基金、biotech在酒店走廊里的眼神交流。这是一个充满野心和金钱的地方，也是一个充满偶遇的地方。关于JPM的感想我也多多少少写过一些。

另外一个意外的收获，来自一个16年都未见的老朋友。16年前，我们在网络论坛上认识，一起组团去了埃及旅游。那时候谁也不知道彼此之后会走上什么路。16年后，他在fintech工作，我在药厂做RA（监管事务），我们约了饭 ，聊了聊最近的近况。

几天之后，他说他最近在考察一个专业AI项目，面向像我这样的RA从业者，问我有没有兴趣了解一下。

于是在某个下午，我作为朋友的顾问在线面对了一个典型硅谷创始人。

简单的衣装，凌乱的发型，PPT简单到令人发指——就五六页，几行字。这就是我们经常在新闻里看到的那种"一人公司"的真实版本。

他是某某AI（具体名字就不方便透露了）的创始人。他做的事情，用一句话概括：把所有公开的药监局监管文件喂给AI大模型，然后把这个交互式工具卖给药厂的专业人士。

听起来简单。但他已经有了若干个付费客户（包括市值前二十的大公司），年营业额20万美元，正在以2500万美元的估值寻求500万美元的融资。

首先当然是觉得太牛了，而且这种“奇迹”就真的只能是硅谷呀，但是回到这个我熟悉的专业，我当时的第一反应是：这东西值这么多钱？

二、"我发现了一个我不知道的不知道"

带着怀疑，我当场做了一个测试。

我输入了一个和工作息息相关的专业问题——关于美国药监局历史上如何处理某类监管灰色地带的问题。

结果出来的时候，我愣了一下。

某某AI给了我很多先例的答案，长到离谱，在惊讶之余，我居然不知道药监局和药企之间的很多正式会议纪要，其实是公开的。

我虽然RA经历也不长，我也知道药监局有公开文件，但我不知道这些会议记录的具体存在方式，也从没有系统地检索过它们。这就是我说的——我发现了一个"我不知道的不知道"（unknown unknown）。

这让我意识到，这个工具可能有真实的价值。

于是我申请了两周的免费试用。
________________________________________
三、太平洋 vs 专业的小湖

用了两周，我来说说它到底好在哪里。

先打一个比方。

通用AI——比如Claude、ChatGPT——就像是一片知识的太平洋。你扔进去一个问题，它能给你表面的一层。如果你不断追问，可以到很深的地方。但它的广度是无限的，深度需要你自己去挖。

某某AI像是一个专门挖掘出来的小湖。湖里只有监管机构的文件——审评报告、会议纪要、药物标签、临床药理审查。

但在这个范围内，有限的问题下，它的深度和精确度，确实远超通用AI。

为什么这对RA很重要？

RA的日常工作，本质上是在猜测一个有着几千名审评员、几十年历史的机构——比如美国药监局——会怎么想。答案或许藏在历史先例里：某个公司遇到了类似的问题，他们是怎么解决的，药监局接受了吗？这些先例，散落在数以千计的公开文件里，没有人帮你整理，没有搜索引擎能直接回答。

某某AI做的，就是把这些文件系统化，让你可以用自然语言去问它。

举几个我测试过的真实例子：

关于某代谢酶的临床研究设计： 我问它，在一期临床的剂量爬坡研究里，不同代谢表型的受试者，业界通常是怎么处理的？它给了我五种不同的设计模式，每种都有具体的药物名称作为先例，并且说明了每种设计背后的科学rationale和监管反馈。这些信息，我用通用AI可能花至少几个小时才能拼凑出来，而且未必全面。

关于非临床动物数据的监管策略： 我问它，如果一个药物在动物实验里出现了某些问题，sponsor历史上用过哪些策略来解释这些数据，药监局接受了哪些论点？它给出了详细的历史案例分析，包括"药监局接受了reattribution论点"的具体条件，以及"药监局拒绝了的情况"。或者它在回答里明确说明："在检索到的文件中，没有找到直接先例，以下结论是从NDA/BLA审评文件中推断出来的。"

这最后一点，让我觉得这个工具是可以信任的。
________________________________________
四、"准确，但是十年前的信息"

试用结束后，我把一些检索结果拿到公司内部分享。

一个同事听完，说了一句让我印象深刻的话：

"这个信息很好，但是……这是十年前的信息。在监管方和药厂都在快速进化的今天，准确但过时的信息，算不算正确的信息？"

这句话击中了某某AI最核心的局限。

局限一：生存者偏差

某某AI能看到的，是那些成功走到NDA/BLA审批阶段的药物的文件。但药物开发的真正经验和教训，往往在那些无法看到的文件里：

• 失败者的错误：某个药在IND阶段就被药监局叫停，sponsor用了什么错误的论点，踩了什么坑——这些信息永远不会公开，因为没有人愿意把失败写成文件送给竞争对手。
• 成功者的挣扎过程：就算是最终拿到批准的药，它在早期和药监局的博弈过程——早期meeting minutes——这些也不公开。某某AI看到的是终点，不是过程中最有价值的那段路。
• 竞争对手的现在：这一点对RA来说最实际。我们最想知道的，往往不是十年前谁成功了，而是现在我的在临床实验中的竞争对手，他们正在遇到什么监管问题，药监局对这个靶点现在的态度是什么。但竞争对手还在临床阶段，文件还没有公开，这些信息根本不存在于任何数据库里。

这就是一个深刻的悖论：RA最需要的信息，恰恰是最不可能公开的信息。某某AI能提供的，是RA需要但优先级相对较低的那部分。

局限二：时效性

药监局在不断进化。CPIC在2019年更新了CYP2D6表型分类的国际共识，ICH在2024年发布了全新的DDI指南M12。某某AI的语料库里，有多少文件是基于旧框架写的？

当一个药监局审评员用2026年的思维看你的递交材料，而你的策略参考的是2015年的先例，这个gap有多大风险？

局限三：好问题的门槛

这两周里，我花了大量时间打磨我的问题。太宽泛的问题得到的是教科书式的答案，太具体的问题找不到先例。真正能发挥某某AI价值的问题，需要提问者已经知道监管灰色地带在哪里，需要已经是一个有经验的RA。

这造成了一个有趣的悖论：最能用好某某AI的人，恰恰是不需要它（也能解决问题）的人。
________________________________________
五、你在和谁赛跑？

说完产品本身，我们来看第二个维度：竞争。

JPM回来之后，我成了Claude Max用户和NotebookLM的深度付费用户。

不是50%的效率提升，不是2倍，是10倍、20倍。每天都能让我说出"原来还可以这样"的工具，已经是通用AI了。

某某AI面对的竞争对手，不是另一个垂直AI，而是Claude、Gemini、GPT这些通用AI巨头。

NotebookLM可以上传任何文件作为知识库——理论上，如果有人把所有药监局公开文件都整理好上传进去，NotebookLM就能做到某某AI做的大部分事情。

Claude在逻辑分析、文件解读、策略推演上的能力，已经能覆盖我90%的监管工作需求。

更关键的是：通用AI还在以惊人的速度进化。 每隔几个月就有一个新版本，每个新版本都在缩小和专业工具之间的差距。任何建立在公开数据检索上的护城河，都面临被通用AI填平的威胁。

这不是一个2-3年的问题，在我看来，时间窗口可能只有几个月。

________________________________________
六、如果我是创始人，我会怎么想？

说到这里，我要转换一个视角。

我非常敬佩创业者。那个坐在我对面的人，简单的衣装，凌乱的发型，用一个人的力量做出了一个有20+个付费客户、20万美元ARR的产品——这本身就是一件了不起的事。

创业不是一个终点，是一个物种。能活下来的，不是最强的，是最会进化的。

那么某某AI可以进化到哪里？ 以下都是我的想法：

方向一：从"问答"到"文件审查"

现在的某某AI是你问它答，本质上还是搜索引擎的交互逻辑。但RA真正的痛点不是找信息，而是把信息用对。

如果某某AI能变成一个regulatory co-pilot——你上传一个IND申请草稿，它自动扫描，告诉你"第三章的这个安全裕度论述，和药监局在近期对同类产品的审评意见有出入，建议参考这三个历史案例"——这才是通用AI很难做到的，因为这需要对监管文件结构的深度理解，不只是检索。

方向二：多监管机构的比较分析

某某AI已经在做这件事——它的数据库已经包含了美国药监局、EMA（欧洲药监局）、日本PMDA的文件。这个方向值得深挖。

对于跨国开发的药企来说，最难的问题之一是：美国药监局和欧洲EMA对同一个问题的态度有什么差异？ 如果某某AI能系统性地回答这个问题——"在X类产品的非临床安全性要求上，药监局历史上接受了A，但EMA要求B"——这是一个通用AI很难替代的价值，因为这需要对两个监管体系的深度理解和系统比对。

方向三：从"RA工具"到"早期立项决策支持"

现在某某AI主要是RA用的工具，但监管可行性分析其实应该在更早的阶段介入——立项的时候。

"这个靶点，历史上有几个类似的药进了IND，药监局对这类产品的主要关注点是什么，有没有什么需要注意的先例"——如果某某AI能回答这类问题，它就不只是RA的工具，而是BD和早期研究团队的决策支持系统，市场规模就大了一个量级。

方向四：institutional memory

大药厂最大的问题之一是知识流失——老员工离职，带走了对药监局某个division的感觉，对某类产品历史的积累。

如果某某AI能帮药企建立自己的institutional memory，把内部的会议记录、药监局往来函件、历史precedent分析都整合进来，形成一个private + public的混合知识库——这个价值就完全不同了，而且有极强的客户黏性，因为数据是客户自己的。
________________________________________
七、知识本身，在AI时代价值几何？

最后，我想说一个更大的问题。

某某AI的故事，让我思考一件事：在AI时代，知识本身的价值是否正在贬值？

答案可能是：是的。

公开的知识，正在被通用AI快速商品化。任何建立在公开数据上的产品，都面临被Claude、GPT替代的命运。

那什么还有价值？

在我们这个行业，真正有价值的是：
• Compliance（合规）：不只是知道规则，而是能在具体情境下判断什么是对的
• Connection（关系网）：和药监局审评员、KOL、CRO的真实关系网络
• Trust（信任）：客户、合作伙伴、监管机构对你判断力的信任
• Judgment (决策)：在信息不完整的情况下，做出正确决策的能力

这些，是任何AI——无论是通用还是专业——都无法替代的。

某某AI的挑战，也是所有专业AI的挑战：如何从卖知识（甚至卖焦虑），进化到增强判断力？

这个问题，我还没有答案。但我相信，那个坐在我对面的创始人，正在思考同样的问题。