生物学正在变成软件：AI精准设计药物的新时代

导读

2026 年 7 月，Chai Discovery 宣布完成 4 亿美元 C 轮融资，估值达到 38 亿美元。据 FierceBiotech 报道，此前 Chai 已与礼来、辉瑞和诺华达成合作，并发布了 Chai-3；BusinessWire 的公告则显示，argenx 将获得 Chai 平台用于从头抗体发现。这一连串交易标志着制药公司开始为中立 AI 设计工具付费，而不再要求 AI 公司自建管线。

但融资新闻只呈现了结果。本期视频提供的是结果背后的解释：为什么大型药企在今年突然改变采购行为？Chai 联合创始人 Matt McPartlon 和产品负责人 Neil Patil 在对话中指出，Chai-2 跨越了实用性门槛。公司内部发起 50 靶点抗体设计挑战，约一半靶点成功获得结合物；随后冷冻电镜验证显示预测结构与实验结果的误差仅 0.33 埃——不到一个原子宽度。这一精度让团队最初怀疑实验室把设计文件原样发回。

与传统路径对比，视频更清楚地说明了这种转变的含义。过去抗体发现依赖小鼠免疫，相当于在数十亿个潜在分子中大海捞针，无法理性控制结合位点或规避交叉反应。Chai 的新模型让科学家可以像绘制 CAD 图纸一样指定抗体结合区域，做反向筛选以避免毒性，并设计双特异性抗体和 GPCR 激动剂等传统免疫方法无法触及的复杂模态。这正是制药公司所购买的“软件能力”。

产品形态和信任建立同样是视频的增量信息。Chai 的产品类似 SolidWorks 或 Photoshop，而不是聊天机器人，因为分子设计本质上是三维结构任务。50 靶点挑战和亚埃级冷冻电镜验证构成了说服怀疑态度的科学家的“活化能”；加上单租户部署解决知识产权顾虑，才使礼来、辉瑞、诺华、argenx 等公司愿意签约。

然而，视频也提示当前繁荣下的隐性瓶颈。计算基础设施几乎完全为 LLM 优化，蛋白质设计模型中的三角形注意力在 GPU 上效率低下；验证循环仍需数周，无法像 LLM 那样快速迭代；通才工程师又大量涌入 LLM 和软件行业。这些正是下一阶段从科学走向工程化的关键。对读者来说，视频把融资新闻背后的“为什么”拆解为可检验的指标和工程判断：模型的实用性门槛、产品的抽象层次，以及谁能率先打通计算到验证的闭环。

核心结论

AI 制药的商业模式已从“自研管线”转向“中立软件工厂”，大型药企的集体签约标志着平台模式得到验证：Chai Discovery 拒绝建立自有药物管线，定位为服务全行业的软件和建模层。这一度被视为高风险赌注，但随着模型性能突破实用性门槛，礼来、辉瑞、诺华等巨头通过单租户部署等方式签约合作，证明中立平台能够化解药企对知识产权和数据安全的核心顾虑，打开了 AI 制药的商业化新局面。
模型性能跨越实用性门槛是商业信任的基石，50 靶点挑战和 0.33 埃冷冻电镜验证提供了无可辩驳的硬指标：药企科学家对 AI 工具天然持怀疑态度，但 Chai-2 在内部 50 靶点抗体设计挑战中实现约一半命中率，随后冷冻电镜验证显示预测结构与实验结果的误差仅 0.33 埃——不到一个原子的宽度。这些硬指标构成了说服药物化学家从观望转向采购的“活化能”，是商业转化的第一推动力。
AI 正在将抗体发现从“靠老鼠免疫”的随机筛选转变为可精准控制结合表位、选择性和复杂模态的工程设计：传统方法依赖小鼠免疫系统进行大海捞针式的筛选，无法理性控制结合区域或规避交叉反应。Chai 的平台让科学家可以像绘制 CAD 图纸一样指定抗体结合位点、进行反向筛选以规避毒性，并设计双特异性抗体和 GPCR 激动剂等传统免疫方法无法触及的复杂药物模态，实现了从“发现”到“设计”的范式转移。
AI 科学工具的产品形态必须超越聊天机器人，走向可视化设计套件，并随模型能力提升不断抛弃旧功能：分子设计本质上是三维结构理解任务，Chai 的产品形态类似 SolidWorks 或 Photoshop，提供可视化操作界面而非对话式交互。团队认为，当模型能力发生阶跃式提升时，基于旧模型构建的功能可能瞬间过时，必须有勇气将其抛弃并以更高抽象层次重写产品，最终从分子检查工具演变为策划假设和实验的外层循环。
蛋白质设计模型面临严重的算力错配和人才错配，这是行业从科学走向工程化的双重隐性瓶颈：当前 GPU 集群和软件堆栈几乎完全为 LLM 优化，蛋白质设计模型中的三角形注意力等操作在 GPU 上效率极低，初创公司只能争抢超大规模数据中心买剩的算力。与此同时，大量通才型工程师被 LLM 和软件行业吸走，生物技术领域因入门门槛高而难以吸引人才，而验证循环周期长达数周，无法像 LLM 那样快速迭代，构成了从科学到工程转化的深层约束。

观点拆解

1. AI 制药的商业模式已从“自研管线”转向“软件工厂”，中立平台模式正获得大型药企认可

Chai Discovery 明确拒绝“自研管线”模式，定位为制药行业的中立软件工厂：与众多利用AI技术自行研发药物的生物技术公司不同，Chai Discovery 选择了一条截然不同的路径。他们不建立自己的药物管线，而是将自己视为一个中立的软件和建模层，为所有制药公司提供工具。这种定位使他们能够与行业内的众多参与者合作，而非成为他们的竞争对手。

“我们真的不这么认为，对吧？我们把自己视为一个几乎中立的、用于制造药品的软件工厂。”

“Chai 的理论一直是成为软件和建模层，我认为这在当时是非常有争议的。”
模型性能跨越实用性门槛是商业模式得到验证的根本前提：Chai 的商业模式并非一开始就得到认可。早期，他们是在“押注”模型能够成功。转折点出现在 Chai-2 模型发布后，其性能跨越了实用性门槛，使得大型制药公司主动联系寻求合作。这一技术上的飞跃，直接证明了其软件工具能够为药物研发带来实际价值，从而促成了商业模式的成立。

“我觉得当时的模式还没有真正成熟。嗯，即使对我们来说，一开始也是在冒险。感觉我们当时是寄希望于这些模型能够成功。”

“我觉得 Chi 2 的出现标志着我们跨越了实用性的门槛。在那篇论文发表之后，很多制药公司和生物技术公司联系我们，说这个模型或许能帮我们做些事情。”
通过单租户部署等安全措施，中立平台成功化解了药企对知识产权和数据的核心顾虑：制药行业对知识产权和数据安全极为敏感，这曾是AI平台模式面临的最大障碍。Chai 通过实施严格的数据隔离策略，例如为每个客户部署单租户版本的平台，确保了药企的数据和知识产权不会泄露。这种务实的解决方案，使得大型药企愿意将数据放到一个中立的平台上，从而打破了商业化的僵局。

“制药行业是一个出了名的对知识产权非常敏感的行业，对吧？我觉得我加入的时候，很多人告诉我这不可能做到，他们不愿意把数据放到一个平台上，然后让所有的新药都从中产生。”

“然而，如果你真的非常积极地想要细分数据，并设置像单租户这样的模式，就像为每个客户在产品中部署一个单独的版本或单独的帐户一样，那就另当别论了。”

2. 模型性能跨越实用性门槛是商业化的前提，Chai-2 的 50 靶点挑战和亚埃级精度验证建立了信任

50 靶点抗体设计挑战以“一半命中率”证明模型已跨越实用性门槛：Chai 团队没有停留在理论指标上，而是发起了一场内部压力测试：针对 50 个真实靶点设计抗体。结果约一半靶点成功获得了结合物，平均结合成功率约 20%。这一数据直接触动了制药公司，让他们意识到模型不再是实验室玩具，而是可以在真实药物项目中产生价值的工具。

“我们给全公司设定了一个大胆的挑战，那就是设计针对 50 个靶点的抗体，而且我们确实看到了一些成效。”

“我们从中选择了 50 个靶点，并设计了针对它们的抗体。命中率达到一半，那时我认为制药公司开始意识到，好吧，这里确实有生命迹象，这可能真的能在我们的一些项目中发挥作用。”
冷冻电镜验证误差仅 0.33 埃，精度之高令团队误以为实验室发回了原始设计：在将模型预测的蛋白质结构送入冷冻电镜（cryo-EM）实验验证时，预测结果与实际原子位置的误差仅为 0.33 埃——不到一个原子的宽度。团队的第一反应不是庆祝，而是怀疑实验室把他们的设计文件原样发回来了。这种“难以置信”的精度，成为说服持怀疑态度的药物化学家最有力的证据。

“我们选取了一些模型预测的蛋白质，运行了冷冻电镜，得到了结果，然后我们觉得等等，结果看起来不对劲，因为我们把预测结果叠加到了电子云点云上，我们没有看到任何差异。”

“在这种情况下，误差为 0.33 埃，相当于原子宽度的 1/3，我们当时就想，这怎么可能呢？很明显，他们寄回的是我们错误的设计。他们把我们的设计稿发回来了。”
硬指标是打破科学家不信任的关键：结果足够好，药企才愿意“试试看”：制药公司的科学家对 AI 工具天然持怀疑态度，但 Chai-2 和 Chai-2.5 在结合亲和力与可开发性上的实测表现提供了足够的“活化能”。当模型在客户提供的靶点上跑出好结果时，科学家的态度从观望转变为主动要求试用产品。模型性能本身成为了商业转化的第一推动力。

“当我们得到 Chai-2 和 Chai-2.5 的结果时，这已经足够具有活化能了，制药公司和这些公司里的科学家们会说，哦，我们来试试吧，你们能不能用这些靶点运行一下模型，看看结果？然后我们这么做了，结果很好，他们就会说，好吧，让我试试这个产品。”

“他们愿意接受被证明是错的现实，而且我其实并不责怪他们不信任这些模型。”

3. AI 正在将抗体发现从“靠老鼠免疫”的试错科学转变为可精准编程的工程设计

传统抗体发现依赖小鼠免疫，本质上是“大海捞针”式的试错科学：在AI模型介入之前，抗体药物的起点高度依赖自然免疫系统。科学家通过给小鼠注射抗原，观察其免疫反应来筛选抗体，这种方式不仅效率低下，而且对最终获得的分子结合特性缺乏理性控制，只能被动接受自然选择的结果。

“我们的首席执行官喜欢说，我们最大的竞争对手是老鼠，就像大自然在某些方面一样。所以，传统上，这类药物分子要么是在免疫接种运动中发现的。你实际上就是让一只老鼠感染某种疾病，然后看看它会产生什么抗体来对抗这种疾病。”

“我只能尽我所能，就像大海捞针一样。这相当于至少有数十亿个潜在分子要针对这个单一目标进行筛选。在这种情况下，你最终可能会得到一两个，甚至可能有十几个针对这个目标的潜在命中结果。实际上，你对那些热门歌曲了解不多。”
AI模型实现了从“随机发现”到“有意识设计”的范式转移，科学家可以像画CAD图纸一样指定结合区域：Chai的模型赋予了科学家前所未有的控制权。与传统方法只能被动筛选不同，现在研究人员可以主动指定抗体结合在靶标蛋白的哪个特定区域，并在设计完成后通过计算验证结合模式是否符合预期，从而将药物开发从依赖偶然性的发现转变为目标导向的工程设计。

“我们的合作伙伴非常乐于看到的一点是，你可以非常有意识地去完成这个设计过程。你可以说我想把这个目标绑定到这个特定区域。你甚至可以回头查看设计稿，就像我们验证了我们的设计一样。这样你就可以回头查看，然后说，这种抗体是否以我预期的方式与靶标结合？”
AI驱动的精准设计能够系统性地解决“选择性”和“交叉反应”难题，从源头规避药物毒性：许多药物失败的原因在于脱靶效应——抗体错误地结合了与靶标相似的非目标蛋白，导致严重副作用。Chai的平台允许科学家在设计阶段就进行“反向筛选”，明确指定抗体必须结合哪些蛋白、必须避免结合哪些蛋白，甚至能处理跨物种（如人与猴）的交叉反应需求，将安全性控制前置到分子设计的最初环节。

“你希望你的分子与一个靶标结合，同时避免与另一个靶标结合。你可能会发现，蛋白质既有健康的变体，也有致病的变体。你想避免这种疾病变异，或者你可能有一些其他类似的蛋白质，这些蛋白质实际上对你的身体无害，你不想人为地阻断它们。”

“你可能想知道，在人体内有一种非常相似的蛋白质，如果你不小心结合了它，那就糟了，你只想结合目标蛋白质。你知道，这就是为什么很多药物会失败、产生毒性或有非常严重的副作用。所以，这有点像是一个组合问题，比如只结合这些物质，只避免结合那些物质。”
AI设计解锁了传统免疫方法无法触及的复杂药物模态，如双特异性抗体和GPCR激动剂：传统小鼠免疫方法在面对需要同时结合两个不同靶点的双特异性抗体，或需要精确激活GPCR信号通路的激动剂抗体时，几乎无能为力。因为找到单个高亲和力结合分子的概率已是十亿分之一，同时找到两个的概率在统计学上不可能通过随机筛选实现。AI从头设计的能力打破了这一限制，使高度工程化的复杂药物成为可能。

“在Chi 2中，我们展示了GPCR激动剂活性，你可以真正地“敲响”细胞上的“门铃蛋白”，以一种非常精确的方式，这用抗体是很难做到的，如果你不能做到如此精确的话。所以你解锁了一种新的能力。”

“有些药物疗法是无法通过免疫接种发现的。就像你不会设计出那种疯狂的多目标、超强效的弹药格式一样。这些东西真的需要从头开始设计。比如两条臂现在需要结合不同的靶点。如果你在第一只手臂中找到活页夹的概率是十亿分之一，在第二只手臂中找到活页夹的概率也是十亿分之一。用传统方法根本行不通。”
公司的核心使命是将药物发现从“科学实验”转变为“工程学科”，实现声明式的精准设计：Chai的终极愿景是彻底改变生物学研发的底层逻辑。他们希望科学家不再依赖冗长的实验试错，而是像编写软件一样，以声明式的方式定义想要的药物属性——结合谁、避免谁、激活什么信号——然后由模型自动填补分子序列和结构的空白，输出符合规格的候选分子，真正实现“生物学变成软件”。

“这源于公司的使命，即真正将药物发现从科学实验转变为工程学科，对吧？如何才能达到精准工程阶段？在生物学领域，你可以从几乎是声明式地定义你想要得到的东西开始，然后让模型填补空白，最终得到你想要的东西。”

4. 产品形态必须超越聊天机器人，走向类似 SolidWorks 的可视化分子设计套件

AI 分子设计工具的产品形态必须超越聊天机器人，走向可视化设计套件：Chai 团队认为，尽管围绕强大的结构预测模型构建一个聊天机器人很容易，但这并非最优解。因为分子设计本质上是一个高度依赖三维结构理解的任务，产品应当像 Autodesk、SolidWorks 或 Photoshop 一样，提供直观的可视化操作界面，让科学家能够直接描绘原型、使用“内容感知填充”式工具生成分子，并进行科学分析。

“我们研究了一下，然后就想，或许我们可以围绕它做一个聊天机器人。那会很容易和人交流，但实际上你好像是在尝试构建一些非常直观的东西，对吧？借助这些结构预测模型，你最终可以构建出真正可视化的东西。”

“它看起来不太像 ChatGPT，而更像 Autodesk、SolidWorks 或 Figma……这是一个类似 Photoshop 的设计套件。你可以使用类似油漆工具的工具来描绘你的原型。如果有一个类似内容感知填充工具的工具，可以从 Chai 生成你的文件夹。”
产品必须随着模型能力的提升不断抛弃旧功能，提升抽象层次：在 AI 驱动的科学发现领域，产品生命周期被极大压缩。Neil 指出，过去软件预期寿命可能长达 20 年，而现在可能只有一年。当模型能力发生阶跃式提升时，产品中基于旧模型构建的功能（如分子可视化方式）可能瞬间过时，团队必须有勇气将其全部抛弃，并以更高的抽象层次重写产品，使其从具体的分子检查工具演变为策划假设和实验的外层循环。

“几个月前，我变得非常具有存在主义色彩，因为我当时想，天哪，我们在产品中构建的所有这些东西，比如可视化分子等等，也许当 Matt 发布 Chai 4 的时候，我不得不把它们全都扔掉……你可能开发过一款预期使用寿命长达 20 年的软件。现在它预计可能持续一年，但它是传递价值的桥梁，并能促进研究，从而带你走向下一个阶段。所以我想我们可能会以越来越高的抽象层次重写我们的产品。”

“当这些问题得到充分解决后，产品实际上就变成了帮助你策划这些假设活动……如果你拥有这些非常好的结构预测、结合和设计的基本要素，并且你可以将它们组合起来，那么你就可以开始发展成为科学的外层循环。”
AI 工具将推动药物研发从“瀑布模型”转向“敏捷循环”：传统药物研发的目标发现、命中发现和优化环节各自存在高门槛，周期长达数月甚至数年，形成了一种僵化的瀑布模型。Chai 团队认为，当模型能够快速提供真正有希望的候选分子时，研发流程将被重塑为一个快速迭代的敏捷循环。科学家可以从实验室获得结果后立即调整下一次模型运行，这与软件开发从瀑布模型走向敏捷开发的变革如出一辙。

“目标发现、命中发现和优化，每一个环节都有门槛，需要几个月到几年的时间，这很像瀑布模型，尝试和早期获取结果的成本非常高。但我认为，正如 Matt 所说，如果你能够让模型给出真正有希望的候选结果，你就可以让它看起来更像一个循环，对吧？这类似于在软件开发中变得更加敏捷。”

5. 计算市场严重偏向 LLM，蛋白质设计模型面临算力错配和基础设施瓶颈

GPU 集群和软件堆栈几乎完全为 LLM 优化，蛋白质设计模型面临严重的算力错配：当前出货的先进计算硬件，如 B300 或 Vera Rubin，其系统架构、KV 缓存和 GPU 互联方式都是围绕大语言模型（LLM）的需求专门设计的。然而，蛋白质设计模型中的核心操作（如三角形注意力）具有小隐藏维度、大序列维度的特点，这与 GPU 擅长的计算模式完全相反，导致模型在现代 GPU 上运行效率极低，团队不得不花费大量精力进行底层优化。

“计算版本，比如 Vera Rubin 或 B300，很多东西都是专门为 LLM 设计的，对吧？就像你看到的那些系统，有巨大的 KV 缓存，有 72 个 GPU，它们都被征用以便相互通信。”

“它们不仅计算成本高昂，而且在现代 GPU 上的效率也不高。它的隐藏维度很小，序列维度很大，这和 GPU 设计处理的数据完全相反。”
计算市场严重低估了蛋白质设计模型的重要性，导致初创公司只能争抢残羹剩饭：超大规模数据中心和顶级 AI 实验室垄断了超过 95% 的先进算力供应，初创公司只能争夺剩余的一小部分。Chai 团队认为，蛋白质设计这类模型未来将与 LLM 同等重要且具有同等影响力，但当前的计算市场无论从容量分配还是软件堆栈角度，都尚未意识到这一趋势，这构成了行业发展的结构性瓶颈。

“现在有 10,000 台 B300 单元在各地出货，超大规模数据中心和最大的人工智能实验室买走了 95% 以上，然后初创公司就只能争抢剩下的残羹剩饭了。”

“我认为这类模型将会和 LLM 一样重要，一样有影响力，但计算机似乎还没有意识到这一点。无论是从容量角度还是从软件堆栈角度来看都是如此。所以，我们实际上花费了大量时间，甚至只是对计算进行基本优化，以使它们更好地适用于我们拥有的模型类型。”
大规模分布式计算的基础设施稳定性是蛋白质设计工程化的隐藏瓶颈：在 Chai 平台上设计一个分子并非单次模型调用，而是需要将计算分片到大量 GPU 上协同工作。这种大规模分布式计算面临严峻的工程挑战：存储桶宕机、数据库事务过载、GPU 错误等基础设施不稳定的问题频繁发生。团队若缺乏成熟的容错和重试机制，很容易陷入用“胶带”修补系统的混乱局面，这成为阻碍科学发现转化为可靠工程产品的关键障碍。

“当你在 Chai 上设计一个分子时，它不一定是一次调用，对吧？而是很多 GPU 被投入到这个问题中，跨越大量的计算资源。”

“最终，如果你要计算大量数据，比如在非常广泛的基础设施上进行模型调用，你总是会遇到这样的问题：基础设施的某些部分不稳定，对吧？比如，你用来获取数据的存储桶可能宕机了，或者你的数据库因为事务过多而出现故障，或者你的 GPU 出现错误。”

6. 蛋白质设计不会完全商品化，前沿闭源模型将像 LLM 一样攫取最大价值

蛋白质设计将出现“商品层”与“前沿层”的分化，正如 LLM 领域一样：Chai 团队认为，某些通用型治疗方式可能会形成商品化的基础层，但更具雄心的复杂药物设计仍需要前沿模型。他们以 LLM 行业为参照：尽管开源模型不断扩张，整个市场蛋糕在变大，但闭源前沿模型攫取了其中绝大部分价值。

“某些类型的治疗方式或药物可能会有某种商品层，对吧？我认为与此同时，我们将能够研发出更多更具雄心的药物，这就像 LLM 领域发生的事情一样……实际上，如果你看一下所获取的价值量，你会发现实际上是闭源前沿模型占据了主导地位。你知道，整个蛋糕在增长，但增长速度太快，即使像 Share 这样的开源模型不断扩张，前沿模型仍然能够获取大部分价值。”
生物学领域标记数据稀缺且验证周期长，构成天然数据护城河：与纯数字领域不同，生物学发展相对缓慢，高质量的标记数据获取困难且耗时。即使拥有公开序列数据训练出的基础模型，仍需进行湿实验测量和迭代，这意味着 AGI 无法立即解决所有问题，数据壁垒为前沿模型提供了持久的竞争优势。

“我觉得生物学发展缓慢，这算是一件好事，而且相关的标记数据也不多。嗯，你可以利用所有公开可用的序列信息，这可能会给你一个好的基础模型，但你仍然需要对这些数据进行一些测量，这仍然相当耗时，然后你需要对其进行迭代。”

“如果我们真的想这样做，零剂量设计候选药物开始生成几乎可以进入临床试验的分子，那么解锁这些数据阻塞就会变得困难。嗯，我觉得这件事不仅仅是这样，你知道，通用人工智能可能无法立即解决这个问题。”
模型与数据均远未被穷尽，前沿能力仍有巨大提升空间：针对“蛋白质设计是否会被商品化”的质疑，Chai 团队明确反驳了模型已停滞或数据已足够的假设。他们认为模型和数据两方面都还有大量工作要做，并强调可以通过将计算转化为数据等方法来突破瓶颈，这意味着前沿模型的技术领先地位仍将持续。

“模型和数据方面都有很多工作要做，但我认为这两个方面都没有被穷尽。如果说我们不需要更多数据，那就太愚蠢了；但如果说模型已经停滞不前，那也是太愚蠢了。我们只能利用数据来解决这些问题。所以我觉得双方都还有很大的发展空间。”

“你知道，有很多方法可以将计算转化为数据，从而获得更多信息，而我们正在做的就是这些，对吧？”

7. 药物研发从科学到工程的真正瓶颈不是数据或算力，而是验证周期和人才错配

蛋白质设计的核心瓶颈是验证循环周期过长，无法实现快速迭代：Matt 指出，当前蛋白质设计领域面临的最大约束并非模型能力或数据规模，而是从计算预测到湿实验室验证之间的反馈周期仍然需要数周时间。这与大语言模型（LLM）可以在数小时内通过扩大评估规模获得结果形成鲜明对比，严重拖慢了研究迭代和自我改进的速度。

“更确切地说，是反馈循环速度太慢了。所以你可以验证一些这样的结构，但是这可能需要几个月的时间，而且这并不是一个可扩展的方向。”

“我们现在只需要几周时间，你知道，这不如 LLM 那样快，在 LLM 上你可以扩大评估规模，投入更多计算资源，几个小时就能得到结果，但是，你知道，这速度已经足够快了，你可以开始递归地自我改进。”

“对我来说，这可能只是蛋白质设计中普遍存在的验证循环。就像能够立刻说出来，比如，嘿，这个东西好用，这个东西不好用。你仍然需要摸黑走一段路。”
人才错配是生物技术工程化的隐性瓶颈：大量通才型工程师被 LLM 和软件行业吸走：Neil 从人才分配的角度揭示了另一个深层约束：大量聪明人涌入 LLM 和软件工程领域，而生物技术领域因入门门槛高、术语晦涩，难以吸引通才型工程师。他用自己的经历说明，非生物背景的人完全可以在计算层面做出贡献，但行业需要更好地沟通以降低认知门槛。

“有很多聪明人都在攻读法学硕士学位。你知道，现在有很多人在 SAS 工作，成为软件工程师，对吧？但我认为，像我这样聪明的人去从事生物技术工作的人并不多。你知道，我高中时没怎么学生物，因为我觉得我可以拿起电脑写程序，但如果我想学生物，我就得好好学习，在学校取得好成绩，然后可能还要读博士什么的，对吧？”

“更多的人应该意识到，你不需要拥有超级超级超级专业的生物学背景就能在计算方面做出贡献。”

“像像我这样的软件工程师，像 Matt 这样的研究人员，你知道，显然我们仍然需要专家，但是，你知道，通才通常可以真正加速该领域内发生的精确工程。”
生物学正在向工程学转变，但缺乏合适的工程基础材料：Matt 认为，生物学从科学走向工程学的瓶颈在于它需要合适的工程基础材料。Neil 进一步补充，当蛋白质设计工具变得像 CAD 软件一样可预测和可操作时，通才工程师才能真正进入这个领域，推动精确工程的发生。

“生物学发展成工程学的瓶颈在于，它需要合适的工程基础材料。”

“在机械工程领域，你可以精确地设计零件，然后将其打印或制造出来。嗯，你知道，同样的事情也发生在生物学领域，而且发生得非常快。”

8. 制药公司本质上是资本配置者，AI 将推动其像 VC 一样进行更高风险的投资

制药行业深陷“逆向摩尔定律”，研发效率持续下降迫使行业寻找根本性突破：制药行业正面临一个与计算领域完全相反的趋势：每种新药的实际研发成本呈指数级增长，这被称为Eroom定律。这种趋势必然导致新药研发的边际收益在某个时点变为负值，除非有人能从根本上扭转这一局面。这一背景解释了为什么制药公司必须改变其运作模式。

“在计算领域，它的规模是呈指数级增长的，计算规模呈对数级增长，而制药领域的计算规模则几乎完全相反。所以，制药行业生产药物的实际成本就像是呈指数级增长一样。”

“这必然导致新药研发的边际收益在某个时候为负值。确切地。所以，除非有人能想出办法解决这个问题。”
制药公司的本质是复杂的资本配置者，AI将推动其像VC一样进行更高风险的投资：从根本上看，制药公司和风险投资机构都在做同一件事：优化投资组合。制药公司拥有一系列药物靶点，并在这些靶点之间分配投资。AI模型的进步有望改变这一格局，让制药公司能够像风险投资家那样，在更多、更具雄心的靶点上进行高风险配置，追求真正具有突破性的药物。

“制药和风险投资从根本上来说都是在优化投资组合。是的。正确的。我认为这就是它们之间的联系。把制药公司想象成复杂的资本配置者，对吧？他们有这样一系列目标，并且正在对这些目标进行投资分配。”

“希望他们能像风险投资家那样，进行风险更高的投资，就像希望制药公司未来也能进行风险更高的投资，并追求真正非常酷的药物靶点一样。”
在AI驱动的科学时代，每个工程师本质上都是注意力分配者：Chai团队虽然只有约30人，但将研究工作视为“投资计算领域的想法”。在构建AI模型或科学模型时，核心限制不是人力，而是计算资源和实验机会。因此，团队中每个人都在扮演资本配置者的角色，将有限的注意力和计算能力分配到最有价值的想法上。当构建东西变得越来越便宜时，稀缺的不再是生产能力，而是判断力——决定把资源投向哪里的能力。

“我们团队规模相对较小，但我们把它看作是一份投资工作，就像是在投资计算领域的想法一样。嗯，从某种意义上说，你们实际上只是资本配置者而已。”

“我认为我们每个人在Chai都多少有点资本配置者的感觉。所以我觉得让人们感到惊讶的一点是，我们其实规模很小。我们只有30个人……很多工作就是将他们的注意力分配到正确的想法上，并分配他们的计算能力。”

“在这样一个世界里，建造东西变得越来越便宜，而且越来越免费。稀缺的是你的注意力……我不认为这是一个非此即彼的问题，而更像是我们所有工程师都会更多地扮演注意力分配者的角色。”

总结

这期对话揭示了一个清晰的信号：AI 制药正在跨越从“酷炫演示”到“实用工具”的分水岭。当模型能以原子级精度预测结构、以工程化方式设计分子时，制药行业的游戏规则将从被动筛选转向主动编程。但这场变革的真正瓶颈不在于模型本身，而在于算力基础设施的错配、验证周期的漫长，以及跨学科人才的稀缺。对于从业者和投资者而言，关键判断不再是“AI 能否设计药物”，而是“谁能率先打通从计算到验证的工程闭环，并将药物研发从瀑布模型重塑为敏捷循环”。那些能够像配置资本一样配置计算资源和注意力的团队，将在这场生物学工程化的浪潮中占据先机。

信息源

视频来源

🔬Biology Is Turning Into Software — Matt McPartland & Neil Patel, Chai Discovery：

外部资料

Chai brews up $400M series C to fuel AI used by Lilly and ...：
Chai Discovery Announces Collaboration with Novartis ...：

导读

核心结论

AI 制药的商业模式已从“自研管线”转向“中立软件工厂”，大型药企的集体签约标志着平台模式得到验证：Chai Discovery 拒绝建立自有药物管线，定位为服务全行业的软件和建模层。这一度被视为高风险赌注，但随着模型性能突破实用性门槛，礼来、辉瑞、诺华等巨头通过单租户部署等方式签约合作，证明中立平台能够化解药企对知识产权和数据安全的核心顾虑，打开了 AI 制药的商业化新局面。
模型性能跨越实用性门槛是商业信任的基石，50 靶点挑战和 0.33 埃冷冻电镜验证提供了无可辩驳的硬指标：药企科学家对 AI 工具天然持怀疑态度，但 Chai-2 在内部 50 靶点抗体设计挑战中实现约一半命中率，随后冷冻电镜验证显示预测结构与实验结果的误差仅 0.33 埃——不到一个原子的宽度。这些硬指标构成了说服药物化学家从观望转向采购的“活化能”，是商业转化的第一推动力。
AI 正在将抗体发现从“靠老鼠免疫”的随机筛选转变为可精准控制结合表位、选择性和复杂模态的工程设计：传统方法依赖小鼠免疫系统进行大海捞针式的筛选，无法理性控制结合区域或规避交叉反应。Chai 的平台让科学家可以像绘制 CAD 图纸一样指定抗体结合位点、进行反向筛选以规避毒性，并设计双特异性抗体和 GPCR 激动剂等传统免疫方法无法触及的复杂药物模态，实现了从“发现”到“设计”的范式转移。
AI 科学工具的产品形态必须超越聊天机器人，走向可视化设计套件，并随模型能力提升不断抛弃旧功能：分子设计本质上是三维结构理解任务，Chai 的产品形态类似 SolidWorks 或 Photoshop，提供可视化操作界面而非对话式交互。团队认为，当模型能力发生阶跃式提升时，基于旧模型构建的功能可能瞬间过时，必须有勇气将其抛弃并以更高抽象层次重写产品，最终从分子检查工具演变为策划假设和实验的外层循环。
蛋白质设计模型面临严重的算力错配和人才错配，这是行业从科学走向工程化的双重隐性瓶颈：当前 GPU 集群和软件堆栈几乎完全为 LLM 优化，蛋白质设计模型中的三角形注意力等操作在 GPU 上效率极低，初创公司只能争抢超大规模数据中心买剩的算力。与此同时，大量通才型工程师被 LLM 和软件行业吸走，生物技术领域因入门门槛高而难以吸引人才，而验证循环周期长达数周，无法像 LLM 那样快速迭代，构成了从科学到工程转化的深层约束。

观点拆解

1. AI 制药的商业模式已从“自研管线”转向“软件工厂”，中立平台模式正获得大型药企认可

Chai Discovery 明确拒绝“自研管线”模式，定位为制药行业的中立软件工厂：与众多利用AI技术自行研发药物的生物技术公司不同，Chai Discovery 选择了一条截然不同的路径。他们不建立自己的药物管线，而是将自己视为一个中立的软件和建模层，为所有制药公司提供工具。这种定位使他们能够与行业内的众多参与者合作，而非成为他们的竞争对手。

“我们真的不这么认为，对吧？我们把自己视为一个几乎中立的、用于制造药品的软件工厂。”

“Chai 的理论一直是成为软件和建模层，我认为这在当时是非常有争议的。”
模型性能跨越实用性门槛是商业模式得到验证的根本前提：Chai 的商业模式并非一开始就得到认可。早期，他们是在“押注”模型能够成功。转折点出现在 Chai-2 模型发布后，其性能跨越了实用性门槛，使得大型制药公司主动联系寻求合作。这一技术上的飞跃，直接证明了其软件工具能够为药物研发带来实际价值，从而促成了商业模式的成立。

“我觉得当时的模式还没有真正成熟。嗯，即使对我们来说，一开始也是在冒险。感觉我们当时是寄希望于这些模型能够成功。”

“我觉得 Chi 2 的出现标志着我们跨越了实用性的门槛。在那篇论文发表之后，很多制药公司和生物技术公司联系我们，说这个模型或许能帮我们做些事情。”
通过单租户部署等安全措施，中立平台成功化解了药企对知识产权和数据的核心顾虑：制药行业对知识产权和数据安全极为敏感，这曾是AI平台模式面临的最大障碍。Chai 通过实施严格的数据隔离策略，例如为每个客户部署单租户版本的平台，确保了药企的数据和知识产权不会泄露。这种务实的解决方案，使得大型药企愿意将数据放到一个中立的平台上，从而打破了商业化的僵局。

“制药行业是一个出了名的对知识产权非常敏感的行业，对吧？我觉得我加入的时候，很多人告诉我这不可能做到，他们不愿意把数据放到一个平台上，然后让所有的新药都从中产生。”

“然而，如果你真的非常积极地想要细分数据，并设置像单租户这样的模式，就像为每个客户在产品中部署一个单独的版本或单独的帐户一样，那就另当别论了。”

2. 模型性能跨越实用性门槛是商业化的前提，Chai-2 的 50 靶点挑战和亚埃级精度验证建立了信任

50 靶点抗体设计挑战以“一半命中率”证明模型已跨越实用性门槛：Chai 团队没有停留在理论指标上，而是发起了一场内部压力测试：针对 50 个真实靶点设计抗体。结果约一半靶点成功获得了结合物，平均结合成功率约 20%。这一数据直接触动了制药公司，让他们意识到模型不再是实验室玩具，而是可以在真实药物项目中产生价值的工具。

“我们给全公司设定了一个大胆的挑战，那就是设计针对 50 个靶点的抗体，而且我们确实看到了一些成效。”

“我们从中选择了 50 个靶点，并设计了针对它们的抗体。命中率达到一半，那时我认为制药公司开始意识到，好吧，这里确实有生命迹象，这可能真的能在我们的一些项目中发挥作用。”
冷冻电镜验证误差仅 0.33 埃，精度之高令团队误以为实验室发回了原始设计：在将模型预测的蛋白质结构送入冷冻电镜（cryo-EM）实验验证时，预测结果与实际原子位置的误差仅为 0.33 埃——不到一个原子的宽度。团队的第一反应不是庆祝，而是怀疑实验室把他们的设计文件原样发回来了。这种“难以置信”的精度，成为说服持怀疑态度的药物化学家最有力的证据。

“我们选取了一些模型预测的蛋白质，运行了冷冻电镜，得到了结果，然后我们觉得等等，结果看起来不对劲，因为我们把预测结果叠加到了电子云点云上，我们没有看到任何差异。”

“在这种情况下，误差为 0.33 埃，相当于原子宽度的 1/3，我们当时就想，这怎么可能呢？很明显，他们寄回的是我们错误的设计。他们把我们的设计稿发回来了。”
硬指标是打破科学家不信任的关键：结果足够好，药企才愿意“试试看”：制药公司的科学家对 AI 工具天然持怀疑态度，但 Chai-2 和 Chai-2.5 在结合亲和力与可开发性上的实测表现提供了足够的“活化能”。当模型在客户提供的靶点上跑出好结果时，科学家的态度从观望转变为主动要求试用产品。模型性能本身成为了商业转化的第一推动力。

“当我们得到 Chai-2 和 Chai-2.5 的结果时，这已经足够具有活化能了，制药公司和这些公司里的科学家们会说，哦，我们来试试吧，你们能不能用这些靶点运行一下模型，看看结果？然后我们这么做了，结果很好，他们就会说，好吧，让我试试这个产品。”

“他们愿意接受被证明是错的现实，而且我其实并不责怪他们不信任这些模型。”

3. AI 正在将抗体发现从“靠老鼠免疫”的试错科学转变为可精准编程的工程设计

传统抗体发现依赖小鼠免疫，本质上是“大海捞针”式的试错科学：在AI模型介入之前，抗体药物的起点高度依赖自然免疫系统。科学家通过给小鼠注射抗原，观察其免疫反应来筛选抗体，这种方式不仅效率低下，而且对最终获得的分子结合特性缺乏理性控制，只能被动接受自然选择的结果。

“我们的首席执行官喜欢说，我们最大的竞争对手是老鼠，就像大自然在某些方面一样。所以，传统上，这类药物分子要么是在免疫接种运动中发现的。你实际上就是让一只老鼠感染某种疾病，然后看看它会产生什么抗体来对抗这种疾病。”

“我只能尽我所能，就像大海捞针一样。这相当于至少有数十亿个潜在分子要针对这个单一目标进行筛选。在这种情况下，你最终可能会得到一两个，甚至可能有十几个针对这个目标的潜在命中结果。实际上，你对那些热门歌曲了解不多。”
AI模型实现了从“随机发现”到“有意识设计”的范式转移，科学家可以像画CAD图纸一样指定结合区域：Chai的模型赋予了科学家前所未有的控制权。与传统方法只能被动筛选不同，现在研究人员可以主动指定抗体结合在靶标蛋白的哪个特定区域，并在设计完成后通过计算验证结合模式是否符合预期，从而将药物开发从依赖偶然性的发现转变为目标导向的工程设计。

“我们的合作伙伴非常乐于看到的一点是，你可以非常有意识地去完成这个设计过程。你可以说我想把这个目标绑定到这个特定区域。你甚至可以回头查看设计稿，就像我们验证了我们的设计一样。这样你就可以回头查看，然后说，这种抗体是否以我预期的方式与靶标结合？”
AI驱动的精准设计能够系统性地解决“选择性”和“交叉反应”难题，从源头规避药物毒性：许多药物失败的原因在于脱靶效应——抗体错误地结合了与靶标相似的非目标蛋白，导致严重副作用。Chai的平台允许科学家在设计阶段就进行“反向筛选”，明确指定抗体必须结合哪些蛋白、必须避免结合哪些蛋白，甚至能处理跨物种（如人与猴）的交叉反应需求，将安全性控制前置到分子设计的最初环节。

“你希望你的分子与一个靶标结合，同时避免与另一个靶标结合。你可能会发现，蛋白质既有健康的变体，也有致病的变体。你想避免这种疾病变异，或者你可能有一些其他类似的蛋白质，这些蛋白质实际上对你的身体无害，你不想人为地阻断它们。”

“你可能想知道，在人体内有一种非常相似的蛋白质，如果你不小心结合了它，那就糟了，你只想结合目标蛋白质。你知道，这就是为什么很多药物会失败、产生毒性或有非常严重的副作用。所以，这有点像是一个组合问题，比如只结合这些物质，只避免结合那些物质。”
AI设计解锁了传统免疫方法无法触及的复杂药物模态，如双特异性抗体和GPCR激动剂：传统小鼠免疫方法在面对需要同时结合两个不同靶点的双特异性抗体，或需要精确激活GPCR信号通路的激动剂抗体时，几乎无能为力。因为找到单个高亲和力结合分子的概率已是十亿分之一，同时找到两个的概率在统计学上不可能通过随机筛选实现。AI从头设计的能力打破了这一限制，使高度工程化的复杂药物成为可能。

“在Chi 2中，我们展示了GPCR激动剂活性，你可以真正地“敲响”细胞上的“门铃蛋白”，以一种非常精确的方式，这用抗体是很难做到的，如果你不能做到如此精确的话。所以你解锁了一种新的能力。”

“有些药物疗法是无法通过免疫接种发现的。就像你不会设计出那种疯狂的多目标、超强效的弹药格式一样。这些东西真的需要从头开始设计。比如两条臂现在需要结合不同的靶点。如果你在第一只手臂中找到活页夹的概率是十亿分之一，在第二只手臂中找到活页夹的概率也是十亿分之一。用传统方法根本行不通。”
公司的核心使命是将药物发现从“科学实验”转变为“工程学科”，实现声明式的精准设计：Chai的终极愿景是彻底改变生物学研发的底层逻辑。他们希望科学家不再依赖冗长的实验试错，而是像编写软件一样，以声明式的方式定义想要的药物属性——结合谁、避免谁、激活什么信号——然后由模型自动填补分子序列和结构的空白，输出符合规格的候选分子，真正实现“生物学变成软件”。

“这源于公司的使命，即真正将药物发现从科学实验转变为工程学科，对吧？如何才能达到精准工程阶段？在生物学领域，你可以从几乎是声明式地定义你想要得到的东西开始，然后让模型填补空白，最终得到你想要的东西。”

4. 产品形态必须超越聊天机器人，走向类似 SolidWorks 的可视化分子设计套件

AI 分子设计工具的产品形态必须超越聊天机器人，走向可视化设计套件：Chai 团队认为，尽管围绕强大的结构预测模型构建一个聊天机器人很容易，但这并非最优解。因为分子设计本质上是一个高度依赖三维结构理解的任务，产品应当像 Autodesk、SolidWorks 或 Photoshop 一样，提供直观的可视化操作界面，让科学家能够直接描绘原型、使用“内容感知填充”式工具生成分子，并进行科学分析。

“我们研究了一下，然后就想，或许我们可以围绕它做一个聊天机器人。那会很容易和人交流，但实际上你好像是在尝试构建一些非常直观的东西，对吧？借助这些结构预测模型，你最终可以构建出真正可视化的东西。”

“它看起来不太像 ChatGPT，而更像 Autodesk、SolidWorks 或 Figma……这是一个类似 Photoshop 的设计套件。你可以使用类似油漆工具的工具来描绘你的原型。如果有一个类似内容感知填充工具的工具，可以从 Chai 生成你的文件夹。”
产品必须随着模型能力的提升不断抛弃旧功能，提升抽象层次：在 AI 驱动的科学发现领域，产品生命周期被极大压缩。Neil 指出，过去软件预期寿命可能长达 20 年，而现在可能只有一年。当模型能力发生阶跃式提升时，产品中基于旧模型构建的功能（如分子可视化方式）可能瞬间过时，团队必须有勇气将其全部抛弃，并以更高的抽象层次重写产品，使其从具体的分子检查工具演变为策划假设和实验的外层循环。

“几个月前，我变得非常具有存在主义色彩，因为我当时想，天哪，我们在产品中构建的所有这些东西，比如可视化分子等等，也许当 Matt 发布 Chai 4 的时候，我不得不把它们全都扔掉……你可能开发过一款预期使用寿命长达 20 年的软件。现在它预计可能持续一年，但它是传递价值的桥梁，并能促进研究，从而带你走向下一个阶段。所以我想我们可能会以越来越高的抽象层次重写我们的产品。”

“当这些问题得到充分解决后，产品实际上就变成了帮助你策划这些假设活动……如果你拥有这些非常好的结构预测、结合和设计的基本要素，并且你可以将它们组合起来，那么你就可以开始发展成为科学的外层循环。”
AI 工具将推动药物研发从“瀑布模型”转向“敏捷循环”：传统药物研发的目标发现、命中发现和优化环节各自存在高门槛，周期长达数月甚至数年，形成了一种僵化的瀑布模型。Chai 团队认为，当模型能够快速提供真正有希望的候选分子时，研发流程将被重塑为一个快速迭代的敏捷循环。科学家可以从实验室获得结果后立即调整下一次模型运行，这与软件开发从瀑布模型走向敏捷开发的变革如出一辙。

“目标发现、命中发现和优化，每一个环节都有门槛，需要几个月到几年的时间，这很像瀑布模型，尝试和早期获取结果的成本非常高。但我认为，正如 Matt 所说，如果你能够让模型给出真正有希望的候选结果，你就可以让它看起来更像一个循环，对吧？这类似于在软件开发中变得更加敏捷。”

5. 计算市场严重偏向 LLM，蛋白质设计模型面临算力错配和基础设施瓶颈

GPU 集群和软件堆栈几乎完全为 LLM 优化，蛋白质设计模型面临严重的算力错配：当前出货的先进计算硬件，如 B300 或 Vera Rubin，其系统架构、KV 缓存和 GPU 互联方式都是围绕大语言模型（LLM）的需求专门设计的。然而，蛋白质设计模型中的核心操作（如三角形注意力）具有小隐藏维度、大序列维度的特点，这与 GPU 擅长的计算模式完全相反，导致模型在现代 GPU 上运行效率极低，团队不得不花费大量精力进行底层优化。

“计算版本，比如 Vera Rubin 或 B300，很多东西都是专门为 LLM 设计的，对吧？就像你看到的那些系统，有巨大的 KV 缓存，有 72 个 GPU，它们都被征用以便相互通信。”

“它们不仅计算成本高昂，而且在现代 GPU 上的效率也不高。它的隐藏维度很小，序列维度很大，这和 GPU 设计处理的数据完全相反。”
计算市场严重低估了蛋白质设计模型的重要性，导致初创公司只能争抢残羹剩饭：超大规模数据中心和顶级 AI 实验室垄断了超过 95% 的先进算力供应，初创公司只能争夺剩余的一小部分。Chai 团队认为，蛋白质设计这类模型未来将与 LLM 同等重要且具有同等影响力，但当前的计算市场无论从容量分配还是软件堆栈角度，都尚未意识到这一趋势，这构成了行业发展的结构性瓶颈。

“现在有 10,000 台 B300 单元在各地出货，超大规模数据中心和最大的人工智能实验室买走了 95% 以上，然后初创公司就只能争抢剩下的残羹剩饭了。”

“我认为这类模型将会和 LLM 一样重要，一样有影响力，但计算机似乎还没有意识到这一点。无论是从容量角度还是从软件堆栈角度来看都是如此。所以，我们实际上花费了大量时间，甚至只是对计算进行基本优化，以使它们更好地适用于我们拥有的模型类型。”
大规模分布式计算的基础设施稳定性是蛋白质设计工程化的隐藏瓶颈：在 Chai 平台上设计一个分子并非单次模型调用，而是需要将计算分片到大量 GPU 上协同工作。这种大规模分布式计算面临严峻的工程挑战：存储桶宕机、数据库事务过载、GPU 错误等基础设施不稳定的问题频繁发生。团队若缺乏成熟的容错和重试机制，很容易陷入用“胶带”修补系统的混乱局面，这成为阻碍科学发现转化为可靠工程产品的关键障碍。

“当你在 Chai 上设计一个分子时，它不一定是一次调用，对吧？而是很多 GPU 被投入到这个问题中，跨越大量的计算资源。”

“最终，如果你要计算大量数据，比如在非常广泛的基础设施上进行模型调用，你总是会遇到这样的问题：基础设施的某些部分不稳定，对吧？比如，你用来获取数据的存储桶可能宕机了，或者你的数据库因为事务过多而出现故障，或者你的 GPU 出现错误。”

6. 蛋白质设计不会完全商品化，前沿闭源模型将像 LLM 一样攫取最大价值

蛋白质设计将出现“商品层”与“前沿层”的分化，正如 LLM 领域一样：Chai 团队认为，某些通用型治疗方式可能会形成商品化的基础层，但更具雄心的复杂药物设计仍需要前沿模型。他们以 LLM 行业为参照：尽管开源模型不断扩张，整个市场蛋糕在变大，但闭源前沿模型攫取了其中绝大部分价值。

“某些类型的治疗方式或药物可能会有某种商品层，对吧？我认为与此同时，我们将能够研发出更多更具雄心的药物，这就像 LLM 领域发生的事情一样……实际上，如果你看一下所获取的价值量，你会发现实际上是闭源前沿模型占据了主导地位。你知道，整个蛋糕在增长，但增长速度太快，即使像 Share 这样的开源模型不断扩张，前沿模型仍然能够获取大部分价值。”
生物学领域标记数据稀缺且验证周期长，构成天然数据护城河：与纯数字领域不同，生物学发展相对缓慢，高质量的标记数据获取困难且耗时。即使拥有公开序列数据训练出的基础模型，仍需进行湿实验测量和迭代，这意味着 AGI 无法立即解决所有问题，数据壁垒为前沿模型提供了持久的竞争优势。

“我觉得生物学发展缓慢，这算是一件好事，而且相关的标记数据也不多。嗯，你可以利用所有公开可用的序列信息，这可能会给你一个好的基础模型，但你仍然需要对这些数据进行一些测量，这仍然相当耗时，然后你需要对其进行迭代。”

“如果我们真的想这样做，零剂量设计候选药物开始生成几乎可以进入临床试验的分子，那么解锁这些数据阻塞就会变得困难。嗯，我觉得这件事不仅仅是这样，你知道，通用人工智能可能无法立即解决这个问题。”
模型与数据均远未被穷尽，前沿能力仍有巨大提升空间：针对“蛋白质设计是否会被商品化”的质疑，Chai 团队明确反驳了模型已停滞或数据已足够的假设。他们认为模型和数据两方面都还有大量工作要做，并强调可以通过将计算转化为数据等方法来突破瓶颈，这意味着前沿模型的技术领先地位仍将持续。

“模型和数据方面都有很多工作要做，但我认为这两个方面都没有被穷尽。如果说我们不需要更多数据，那就太愚蠢了；但如果说模型已经停滞不前，那也是太愚蠢了。我们只能利用数据来解决这些问题。所以我觉得双方都还有很大的发展空间。”

“你知道，有很多方法可以将计算转化为数据，从而获得更多信息，而我们正在做的就是这些，对吧？”

7. 药物研发从科学到工程的真正瓶颈不是数据或算力，而是验证周期和人才错配

蛋白质设计的核心瓶颈是验证循环周期过长，无法实现快速迭代：Matt 指出，当前蛋白质设计领域面临的最大约束并非模型能力或数据规模，而是从计算预测到湿实验室验证之间的反馈周期仍然需要数周时间。这与大语言模型（LLM）可以在数小时内通过扩大评估规模获得结果形成鲜明对比，严重拖慢了研究迭代和自我改进的速度。

“更确切地说，是反馈循环速度太慢了。所以你可以验证一些这样的结构，但是这可能需要几个月的时间，而且这并不是一个可扩展的方向。”

“我们现在只需要几周时间，你知道，这不如 LLM 那样快，在 LLM 上你可以扩大评估规模，投入更多计算资源，几个小时就能得到结果，但是，你知道，这速度已经足够快了，你可以开始递归地自我改进。”

“对我来说，这可能只是蛋白质设计中普遍存在的验证循环。就像能够立刻说出来，比如，嘿，这个东西好用，这个东西不好用。你仍然需要摸黑走一段路。”
人才错配是生物技术工程化的隐性瓶颈：大量通才型工程师被 LLM 和软件行业吸走：Neil 从人才分配的角度揭示了另一个深层约束：大量聪明人涌入 LLM 和软件工程领域，而生物技术领域因入门门槛高、术语晦涩，难以吸引通才型工程师。他用自己的经历说明，非生物背景的人完全可以在计算层面做出贡献，但行业需要更好地沟通以降低认知门槛。

“有很多聪明人都在攻读法学硕士学位。你知道，现在有很多人在 SAS 工作，成为软件工程师，对吧？但我认为，像我这样聪明的人去从事生物技术工作的人并不多。你知道，我高中时没怎么学生物，因为我觉得我可以拿起电脑写程序，但如果我想学生物，我就得好好学习，在学校取得好成绩，然后可能还要读博士什么的，对吧？”

“更多的人应该意识到，你不需要拥有超级超级超级专业的生物学背景就能在计算方面做出贡献。”

“像像我这样的软件工程师，像 Matt 这样的研究人员，你知道，显然我们仍然需要专家，但是，你知道，通才通常可以真正加速该领域内发生的精确工程。”
生物学正在向工程学转变，但缺乏合适的工程基础材料：Matt 认为，生物学从科学走向工程学的瓶颈在于它需要合适的工程基础材料。Neil 进一步补充，当蛋白质设计工具变得像 CAD 软件一样可预测和可操作时，通才工程师才能真正进入这个领域，推动精确工程的发生。

“生物学发展成工程学的瓶颈在于，它需要合适的工程基础材料。”

“在机械工程领域，你可以精确地设计零件，然后将其打印或制造出来。嗯，你知道，同样的事情也发生在生物学领域，而且发生得非常快。”

8. 制药公司本质上是资本配置者，AI 将推动其像 VC 一样进行更高风险的投资

制药行业深陷“逆向摩尔定律”，研发效率持续下降迫使行业寻找根本性突破：制药行业正面临一个与计算领域完全相反的趋势：每种新药的实际研发成本呈指数级增长，这被称为Eroom定律。这种趋势必然导致新药研发的边际收益在某个时点变为负值，除非有人能从根本上扭转这一局面。这一背景解释了为什么制药公司必须改变其运作模式。

“在计算领域，它的规模是呈指数级增长的，计算规模呈对数级增长，而制药领域的计算规模则几乎完全相反。所以，制药行业生产药物的实际成本就像是呈指数级增长一样。”

“这必然导致新药研发的边际收益在某个时候为负值。确切地。所以，除非有人能想出办法解决这个问题。”
制药公司的本质是复杂的资本配置者，AI将推动其像VC一样进行更高风险的投资：从根本上看，制药公司和风险投资机构都在做同一件事：优化投资组合。制药公司拥有一系列药物靶点，并在这些靶点之间分配投资。AI模型的进步有望改变这一格局，让制药公司能够像风险投资家那样，在更多、更具雄心的靶点上进行高风险配置，追求真正具有突破性的药物。

“制药和风险投资从根本上来说都是在优化投资组合。是的。正确的。我认为这就是它们之间的联系。把制药公司想象成复杂的资本配置者，对吧？他们有这样一系列目标，并且正在对这些目标进行投资分配。”

“希望他们能像风险投资家那样，进行风险更高的投资，就像希望制药公司未来也能进行风险更高的投资，并追求真正非常酷的药物靶点一样。”
在AI驱动的科学时代，每个工程师本质上都是注意力分配者：Chai团队虽然只有约30人，但将研究工作视为“投资计算领域的想法”。在构建AI模型或科学模型时，核心限制不是人力，而是计算资源和实验机会。因此，团队中每个人都在扮演资本配置者的角色，将有限的注意力和计算能力分配到最有价值的想法上。当构建东西变得越来越便宜时，稀缺的不再是生产能力，而是判断力——决定把资源投向哪里的能力。

“我们团队规模相对较小，但我们把它看作是一份投资工作，就像是在投资计算领域的想法一样。嗯，从某种意义上说，你们实际上只是资本配置者而已。”

“我认为我们每个人在Chai都多少有点资本配置者的感觉。所以我觉得让人们感到惊讶的一点是，我们其实规模很小。我们只有30个人……很多工作就是将他们的注意力分配到正确的想法上，并分配他们的计算能力。”

“在这样一个世界里，建造东西变得越来越便宜，而且越来越免费。稀缺的是你的注意力……我不认为这是一个非此即彼的问题，而更像是我们所有工程师都会更多地扮演注意力分配者的角色。”

总结

信息源

视频来源

🔬Biology Is Turning Into Software — Matt McPartland & Neil Patel, Chai Discovery：

外部资料

Chai brews up $400M series C to fuel AI used by Lilly and ...：
Chai Discovery Announces Collaboration with Novartis ...：

生物学正在变成软件：AI精准设计药物的新时代

导读

核心结论

观点拆解

1. AI 制药的商业模式已从“自研管线”转向“软件工厂”，中立平台模式正获得大型药企认可 03:47

2. 模型性能跨越实用性门槛是商业化的前提，Chai-2 的 50 靶点挑战和亚埃级精度验证建立了信任 07:18

3. AI 正在将抗体发现从“靠老鼠免疫”的试错科学转变为可精准编程的工程设计 12:56

4. 产品形态必须超越聊天机器人，走向类似 SolidWorks 的可视化分子设计套件 00:00

5. 计算市场严重偏向 LLM，蛋白质设计模型面临算力错配和基础设施瓶颈 01:02:54

6. 蛋白质设计不会完全商品化，前沿闭源模型将像 LLM 一样攫取最大价值 01:16:24

7. 药物研发从科学到工程的真正瓶颈不是数据或算力，而是验证周期和人才错配 32:56

8. 制药公司本质上是资本配置者，AI 将推动其像 VC 一样进行更高风险的投资 01:24:43

总结

信息源

生物学正在变成软件：AI精准设计药物的新时代

导读

核心结论

观点拆解

1. AI 制药的商业模式已从“自研管线”转向“软件工厂”，中立平台模式正获得大型药企认可 03:47

2. 模型性能跨越实用性门槛是商业化的前提，Chai-2 的 50 靶点挑战和亚埃级精度验证建立了信任 07:18

3. AI 正在将抗体发现从“靠老鼠免疫”的试错科学转变为可精准编程的工程设计 12:56

4. 产品形态必须超越聊天机器人，走向类似 SolidWorks 的可视化分子设计套件 00:00

5. 计算市场严重偏向 LLM，蛋白质设计模型面临算力错配和基础设施瓶颈 01:02:54

6. 蛋白质设计不会完全商品化，前沿闭源模型将像 LLM 一样攫取最大价值 01:16:24

7. 药物研发从科学到工程的真正瓶颈不是数据或算力，而是验证周期和人才错配 32:56

8. 制药公司本质上是资本配置者，AI 将推动其像 VC 一样进行更高风险的投资 01:24:43

总结

信息源

1. AI 制药的商业模式已从“自研管线”转向“软件工厂”，中立平台模式正获得大型药企认可

2. 模型性能跨越实用性门槛是商业化的前提，Chai-2 的 50 靶点挑战和亚埃级精度验证建立了信任

3. AI 正在将抗体发现从“靠老鼠免疫”的试错科学转变为可精准编程的工程设计

4. 产品形态必须超越聊天机器人，走向类似 SolidWorks 的可视化分子设计套件

5. 计算市场严重偏向 LLM，蛋白质设计模型面临算力错配和基础设施瓶颈

6. 蛋白质设计不会完全商品化，前沿闭源模型将像 LLM 一样攫取最大价值

7. 药物研发从科学到工程的真正瓶颈不是数据或算力，而是验证周期和人才错配

8. 制药公司本质上是资本配置者，AI 将推动其像 VC 一样进行更高风险的投资

1. AI 制药的商业模式已从“自研管线”转向“软件工厂”，中立平台模式正获得大型药企认可

2. 模型性能跨越实用性门槛是商业化的前提，Chai-2 的 50 靶点挑战和亚埃级精度验证建立了信任

3. AI 正在将抗体发现从“靠老鼠免疫”的试错科学转变为可精准编程的工程设计

4. 产品形态必须超越聊天机器人，走向类似 SolidWorks 的可视化分子设计套件

5. 计算市场严重偏向 LLM，蛋白质设计模型面临算力错配和基础设施瓶颈

6. 蛋白质设计不会完全商品化，前沿闭源模型将像 LLM 一样攫取最大价值

7. 药物研发从科学到工程的真正瓶颈不是数据或算力，而是验证周期和人才错配

8. 制药公司本质上是资本配置者，AI 将推动其像 VC 一样进行更高风险的投资