AREX Viewpoint Article
Isomorphic总裁：用AI把药物发现搬进计算机
导读
2026年，Alphabet旗下的AI药物发现公司Isomorphic Labs正推动首批由AI设计的肿瘤药物走向人体临床试验。路透社报道称，该公司把首批临床试验的时间点放在2026年底，而Medpath指出，这比原计划推迟了约一年。被讨论多年的“用计算机设计药物”，第一次要接受真实患者的检验。
这一节点之所以关键，不在于又一款新药进入临床，而在于它检验的是一整套方法论。Isomorphic Labs主张把药物发现从实验室试错迁移到计算平台，而延期恰恰提醒外界：从算法到临床的跨越远比演示复杂。有行业观察者在领英上把2026年的临床试验称为“数字生物学”的首个真实世界证据——试验读数，正成为判断AI制药叙事真伪的分水岭。
恰在此时，No Priors播客于11月12日发布了对Isomorphic Labs总裁Max Jaderberg的深度访谈。Jaderberg没有停留在“AI能加速研发”的口号，而是给出了一套可操作的判断标准：所谓“实验级精度”——当预测模型的准确度逼近真实实验，就可以把更多设计与迭代留在计算机内完成，从而抬高进入真实世界时的成功概率。
这套标准背后是可累积、可放大的方法论。Jaderberg认为，传统药企把每个药物当作孤立项目，经验难以迁移；而基础模型能从每一次分子设计中学习，并随规模扩大而泛化。访谈因此补上了外部报道缺失的一环：当外界只看到时间表推迟时，它解释了延期背后究竟是工程尚未成熟，还是范式可累积的证据仍未攒够。
访谈还把判断标准延伸到临床环节本身。Jaderberg指出，大鼠对临床毒性的预测准确率仅约30%，动物模型并非人类的好替身；他主张结合类器官、器官芯片等人类相关平台直接建模毒性。这一判断直接关系到AI设计药物能否在临床试验中少走弯路——而这正是2026年这批试验要回答的问题。
因此，Isomorphic Labs首批AI设计药物的临床读数，不该只被看作一家公司的成败。当外界追问AI制药是真实突破还是短期热潮时，Jaderberg在访谈中提供的“实验级精度”标尺、累积学习论证与毒性建模思路，恰是解读这些读数、区分承诺与证据的坐标系。视频的价值，正在于把一场资本与舆论的热潮，翻译成可以逐项检验的技术命题。
核心结论
- 传统药物发现模式已陷入结构性停滞，AI驱动的计算范式是唯一破局方向：科学知识爆炸式增长，但新药获批数量几乎不变，研发成本升至约15亿美元、周期拉长到15年。纯试错流程已耗尽易得药物，必须将药物发现从实验试错转向计算驱动的精准工程。
- AI平台的核心优势在于知识累积与规模化泛化，能打破传统研发的孤岛效应：传统药企将每个药物视为独立项目，经验难以迁移；而AI基础模型能从每个设计中累积学习，随规模扩大实现泛化，持续提升研发效率和成功率。这是AI药物发现可行性的关键论证。
- 将药物发现迁移到计算机上，以预测模型达到实验级精度，是提升成功率的核心路径：Isomorphic Labs的目标是将药物发现全流程转移到计算机中，通过AlphaFold等预测模型模拟蛋白质结构和相互作用，减少对真实实验的依赖。当预测达到实验级精度时，成功率将大幅提升，研发速度加快。
- 动物模型预测人类毒性不可靠，AI与人类相关实验平台有望取代动物测试：大鼠对临床毒性的预测准确率仅约30%，动物模型并非人类的好替身。结合类器官、器官芯片等人类相关平台并利用AI直接建模人类临床毒性，有望摆脱对动物测试的依赖，挑战监管金标准。
- 自生成数据与内部AI引擎是构建通用药物设计能力的基础，精准分子工程将解锁多药联合疗法：公共与药企数据因被动收集而高度偏差，Isomorphic Labs选择内部构建AI引擎并主动生成数据，同时与外部实验平台合作获取均衡数据。这种数据策略支撑精准分子工程，进而设计出更安全、可组合的药物，攻克复杂疾病通路。
观点拆解
1. 传统药物发现模式已陷入停滞，AI驱动的新范式成为破局关键
-
新药产出停滞与研发成本周期飙升形成尖锐反差：Max Jaderberg指出，尽管科学论文数量增长了10到20倍、可用的药物模态不断增多，每年获批的新药数量却几乎不变；与此同时，单药研发成本从数亿美元升至约15亿美元，周期从八九年拉长到15年。这一反差说明传统研发模式的效率并未随知识积累而提升，反而在持续恶化。
“如果你看制药行业，有一件事我觉得非常引人注目——我以前画过图——就是每年获批的新药数量几乎保持不变。”
“但成本大幅上升了，对吧？从每种药几亿美元涨到了15亿美元。周期也从八年或九年增加到了15年。所以，所有指标都在恶化，而产品数量却保持不变。”
-
纯试错式研发流程已触及能力边界，易得药物被耗尽：Jaderberg回顾说，早期药物多来自偶然发现，后来行业转向依赖假设、合成、测试、再重复的纯实验试错流程。这种流程先解决容易的问题，但随着复杂度提升，它已无法找到超出其能力范围的解决方案，说明传统范式本身存在结构性上限。
“我们制药的方式，以及行业很大一部分仍在遵循的方式，是一个纯实验性的过程。实验性的意思是，你需要一个关于疾病如何运作的假设，你有一个关于良好分子设计的假设，但你必须把它制造出来，在现实世界中测试，并反复重复。”
“我认为随着时间推移我们看到的是，通过我们的实验流程可以找到的容易获得的药物已经被耗尽了。我们先完成简单的任务，但逐步提高复杂度、找到超越这种实验流程能力的解决方案变得越来越难。”
-
破局方向是把药物发现从实验试错迁移到计算驱动的精准工程：面对试错流程的瓶颈，Jaderberg提出的核心机会是将药物发现工作整体搬到计算机上，脱离纯实验现实世界的循环。他把这一转变视为行业最大的机会所在，并设定了五年内对疾病生物学的预测性理解发生根本性改变的期望，这为AI驱动的新范式提供了明确的方向与紧迫感。
“这个行业很大一部分是通过纯实验过程来制药的。真正的问题在于临床试验，我们只有在给患者用药后才发现缺陷，然后震惊地发现我们未曾预料到的毒性。因此，最大的机会在于实现……”
“我们如何能把所有药物发现工作搬到计算机上？我们如何能远离实验现实世界的领域？如果五年过去，我们对疾病生物学的预测性理解没有发生根本性改变，我会非常失望。”
2. AI平台能实现知识累积与规模化泛化，突破传统药物研发的孤岛效应
-
传统药物研发将每个药物视为独立项目，难以实现知识迁移与规模效应：Max Jaderberg 指出，传统药企和生物技术公司往往把每个药物当作独特且分离的科学项目，虽然能从单个项目中学到很多，但能迁移到下一个项目的东西有限。这种孤岛式研发模式阻碍了知识累积，使企业难以获得规模效益，也无法通过连续项目加速后续药物的开发。
“但我觉得，我们采用的许多技术和方法，或者说行业在药物开发中采用的方法，把每个药物都当作一个独特且分离的科学项目，你从那个项目中学到很多，但也许没有太多可以迁移到下一个项目的东西。”
-
AI基础平台能深度吸收知识并产生累积性改进，随着药物数量增加而持续提升：Max Jaderberg 认为，AI 和机器学习带来的关键变化在于：一个基础平台可以深度吸收和理解知识，影响对疾病生物学的基本理解以及精确设计有效分子和工程化药物的能力。因此，随着平台处理的药物数量增加，可以预期获得累积性的改进，从而打破传统研发中知识难以积累的局限。
“我认为这正是人工智能和机器学习世界可能发生巨大变化的地方；如果你有一个基础平台来开发这些药物，让你能够深入吸收和理解知识，并帮助影响你对疾病生物学的基本理解以及如何设计有效分子和精确工程化这些药物，那么你可以预期，随着你处理的药物越来越多，会实现累积性的改进。”
-
深度学习与基础模型具备随规模扩展的泛化能力，可迁移至生物学领域：Max Jaderberg 强调，深度学习时代和当前基础模型时代的一个显著特征是，某些能力会随着规模扩大而泛化。他认为在生物学中同样如此：只要有足够的规模和足够深思熟虑的方法，就可以泛化一些此前被认为只能定制解决的问题。Isomorphic Labs 正致力于实现这一转变。
“因为我认为，深度学习以及我们当前所处的基础模型时代所展现出的一个引人注目的现象是，其中一些东西随着规模增加而具有泛化能力。所以看起来在生物学中也是如此，如果你有足够的规模和足够深思熟虑的方法，你就可以泛化一些以前是定制化的问题。”
3. 将药物发现迁移到计算机上，以预测模型替代真实实验，实现实验级精度
-
将药物发现全流程迁移到计算机，是Isomorphic Labs的核心目标：Max Jaderberg明确表示，其AI团队的最高目标是将药物发现、设计以及对疾病生物学的理解全部转移到计算机上。这不仅是技术愿景，更是对传统依赖真实世界实验的药物发现范式的根本性重构。
“如果你看我们的核心AI团队，我们的最高目标和我们真正试图实现的事情是，我们如何能将所有药物发现、设计以及理解疾病生物学的工作转移到计算机上。”
-
真实世界实验的瓶颈在于时间和成本，预测模型可替代部分实验：Jaderberg指出，尽管真实世界的高通量实验是重要的补充，但制造真实原子和进行真实测试仍然是时间和成本的主要瓶颈。通过AlphaFold等预测模型，可以在计算机上模拟蛋白质结构和相互作用，从而避免耗时数月的真实实验，大幅节省时间。
“本质上，时间和成本上的巨大瓶颈仍然是制造真实的原子。”
“通常需要数月或数年进行X射线晶体学来获得结构。如果你能用像AlphaFold这样的模拟模型做到这一点，你就不必去真实世界做这件事了。”
-
达到实验级精度后，成功率提升、研发加速，形成正向循环：Jaderberg强调，所有努力的目标是达到实验级精度。一旦预测模型达到这一精度，就可以在计算机上进行更多设计和迭代，从而在进入真实世界时显著提高成功概率，减少真实世界的反复试验轮次，使问题解决更快、更容易。
“我们试图创造所有这些超能力的目标是达到实验级精度。到那时，你就不需要去真实世界了。你可以在计算机上进行更多的设计和迭代，这样当你进入真实世界制造分子并测试科学假设时，成功概率比传统方式高得多。因此你不必在真实世界中进行多轮尝试，事情变得更快，问题更容易解决。”
4. 动物模型预测人类毒性不可靠，AI与人类相关实验平台有望取代动物测试
-
动物模型对人类毒性的预测能力有限，大鼠临床毒性预测准确率仅约30%：Max Jaderberg指出，尽管监管机构将动物实验视为金标准，但大鼠对临床毒性的预测准确率仅约30%，且在小鼠身上验证安全的分子仍常对人类有毒。这说明动物模型并非人类的好替身，依赖其数据指导药物开发存在根本性缺陷。
“如果你使用动物模型，那么由此产生的数据往往是不准确的。”
“即使某些东西获批并在小鼠身上证明安全，它们也常常对人类有毒。为什么？因为大鼠实际上不是人。它实际上预测性并不高。随便你选哪项研究，但大鼠对人类临床毒性的预测准确率约为30%。”
-
重新思考毒性预测终点：结合实验室终点与人类相关平台直接建模人类临床毒性：Jaderberg认为应摆脱对动物替代品的依赖，转而结合实验室终点、类器官和器官芯片等人类相关实验平台，直接建模人类临床毒性。这些技术能模拟人体器官微环境，为更准确地预测药物毒性提供了可行路径。
“我认为有一个很大的机会来重新思考如何定义人类临床毒性的预测终点。让我们忘掉动物吧。在过去五十到七十年里，它们一直是我们的替代品。但也许我们可以提供更好的东西。我们可以通过结合实验室终点来改进这一点。”
“在类器官和器官芯片领域出现了惊人的实验技术，比如模拟人体器官微环境的人工人体组织。因此，可以想象有机会将所有这些元素结合起来，尝试直接建模人类临床毒性。”
5. 自生成数据与内部AI引擎是构建通用药物设计能力的基础
-
公共与药企数据因被动收集而高度偏差，难以支撑通用药物发现模型：Max Jaderberg 指出，现有公共或药企数据多是多年被动收集的产物，分布高度偏斜，无法满足通用药物发现模型对数据分布的要求。因此，Isomorphic Labs 选择主动生成数据，以获得更均衡的分布并实现数据规模扩展。
“这些数据仓库，无论是公共的还是药企的，往往是多年被动收集数据的结果，因此可能非常偏斜。”
“如果你真的关心这些模型的泛化能力，你可能需要不同的数据分布。所以我们自己生成数据。”
-
内部构建AI药物设计引擎并主动生成专有数据，是形成通用设计能力的关键：Isomorphic Labs 完全内部构建药物设计引擎和所有AI模型，并主动生成和拥有专有数据。这种内部化策略使其能够控制数据质量与分布，从而支撑跨疾病领域的通用药物设计能力。
“关于构建我们自己的药物设计引擎和所有AI模型，我们完全在内部进行。我们看到生成并拥有自己数据的巨大机会。”
-
与外部实验平台合作补足内部数据生成，构建更均衡的数据来源：由于生物学和实验平台复杂且规模庞大，Isomorphic Labs 在内部生成数据的同时，也与合同研究组织及其他创新公司合作，借助外部实验能力创建喂养模型的数据，从而获得更均衡的数据分布。
“但生物学和实验平台非常复杂且规模庞大，这个领域有很棒的人在做惊人的平台。所以我们与所有人合作，无论是通过我们自己做的，还是合同研究组织，或其他创新公司，来帮助我们创建喂养模型的数据。”
6. 精准分子工程将解锁多药联合疗法，攻克复杂疾病通路
-
复杂疾病存在共享驱动机制，精准靶向核心通路是可行方向：Max Jaderberg 指出，尽管复杂疾病表现多样，但许多病例共享底层驱动机制；KRAS 抑制剂在胰腺癌中的突破性效果证明，瞄准这些核心机制能显著改善患者结局。这为精准分子工程提供了生物学依据：只要设计出能安全作用于关键通路的分子，就能对复杂疾病产生实质疗效。
“但我们知道，许多不同病例之间也存在一些共同的底层驱动机制。今年早些时候我们看到了一个很好的例子，比如 KRAS 抑制剂，在一个大型癌症会议上赢得了热烈掌声，因为它们从根本上改善了 Revolution Medicines 公司晚期胰腺癌患者的生活，这是另一个追逐问题根本原因的绝佳例子。”
-
单药难以应对快速突变，多药联合是攻克复杂疾病的必要策略：癌症等疾病会快速突变以绕过单一药物，导致临床失败；因此需要同时靶向多条通路。但现有分子往往毒性较大且相互作用不可控，限制了联合用药的安全性和有效性。这凸显了精准分子设计的紧迫性：只有设计出更安全、可组合的分子，才能实现多药联合治疗。
“当然，在癌症中，细胞突变非常快，你以为找到了解决方案，但临床上却行不通，因为疾病会突变并绕过这个方案。”
“问题在于，这些分子往往有效，但有一定毒性。或者它们对肝脏的影响使得同时服用多种分子或药物时，会发生对患者非常有害的药物相互作用。因此，由于我们不擅长设计精准的分子和药物，就无法以对患者安全的方式将它们组合在一起，这限制了其疗效范围。”
-
临床试验资源有限，联合疗法复杂度进一步制约开发可行性：Max Jaderberg 还指出，适合参与临床试验的患者数量有限，而药物组合的复杂性会额外增加试验设计和执行的难度。这意味着即使科学上合理的联合方案，也可能因临床开发瓶颈而难以推进。精准分子工程若能降低组合疗法的复杂性和风险，将有助于突破这一瓶颈。
“我认为你只有有限数量的患者，有限数量的人可以参与临床试验。因此，药物组合的复杂性也从临床试验的角度增加了难度。”
7. AI药物优化有望同时延长人类寿命与健康寿命
-
消除癌症和心脏病能延长平均寿命，但幅度有限：Max Jaderberg 引用统计数据指出，即使消除癌症和心脏病这两大主要死因，人类平均寿命也只能延长约五到七年。这说明仅靠攻克个别重大疾病对整体寿命的提升存在天花板，从而为更根本地干预衰老过程留出了论证空间。
“如果你把癌症和心脏病从社会中消除，我认为统计数据显示人类平均寿命会增加，我记不清是五年还是七年。所以，从一方面看，两大主要杀手对寿命的实际影响很大，但从另一方面看又有点小。”
-
衰老本身是可被基因通路调控的过程，具备药物干预潜力：Jaderberg 以线虫、果蝇和小鼠的实验为例，说明抑制特定基因通路可将寿命延长20%至30%，甚至使线虫寿命延长三倍。这为将衰老视为可编程、可干预的生物学过程提供了依据，也支撑了通过精准药物优化衰老通路来延长健康寿命的愿景。
“我试图把衰老或长寿作为一个整体过程来关注，它显然看起来是由基因编程的，对吧？如果你在秀丽隐杆线虫、果蝇或小鼠中禁用某些基因，它们会多活20%到30%。或者在秀丽隐杆线虫那种小虫子身上，它们能多活三倍，对吧？如果你禁用特定生物通路中的某些基因。我实际上研究过那些通路，那是我博士研究的一部分。”
-
真正的健康挑战在于压缩衰老相关慢性病累积的疾病期：Jaderberg 强调，除了癌症和心脏病，与衰老相关的慢性病会随时间累积，导致晚年骨骼退化、肌肉无力、行动能力丧失，进而拖累心理健康和生活质量。因此，延长寿命之外更关键的是通过药物干预压缩疾病期，提升晚年生活质量，这正是AI分子优化可以发挥作用的方向。
“是的。这很有趣，有一些影响人们的重大疾病，如果我们能开始对它们产生影响，就会对人们的平均寿命产生切实的影响。我认为，即使抛开癌症和心脏病之类的问题，你仍然有那些与衰老相关的慢性疾病开始累积。”
“换句话说，根本原因是你让这些系统随时间退化。它们累积并交织在一起，使得人们的生活，即使他们活到80或90岁的美好高龄……也许他们生命最后10年甚至20年并不一定那么好，因为骨骼开始退化，肌肉变弱，一旦摔倒，突然就失去了想要的活动能力。这影响他们的心理健康，生活质量突然大幅下降。尽管如此，你可能还会再活10年。”
8. 风险容忍度应随疾病严重程度调整，AI有望改变监管与药物交付范式
-
患者风险容忍度因疾病严重程度而异，药物开发需据此调整：Max Jaderberg 强调患者安全始终是核心，但风险接受度会随疾病状态变化：晚期癌症患者因选择有限而更能接受风险，慢性炎症患者则不同。这要求药物开发在坚持安全底线的同时，根据患者需求灵活调整风险收益评估。
“如果你面对的是晚期癌症患者，他们没有太多选择，那么风险接受度就完全不同。”
“与试图治疗一种简单的慢性炎症相比。因此我认为，继续关注患者安全确实很重要，但我们可以根据患者的需求进行调整。最终，我们希望患者活得更健康，并尽快获得治疗。”
-
AI设计分子有望提升安全性与成功率，进而改变监管与药物交付范式：Jaderberg 预期，随着对分子工作机制的理解加深，AI设计的分子将在成功率和安全性上显著优于传统试错方法。这种统计学上的差异将促使监管机构和药物交付方式发生变革，从而更快惠及患者。
“我相信，随着时间的推移，我们将看到分子的成功率和安全性特征出现差异，因为设计时对它们如何工作有了更深入的理解，我们能够搜索设计空间来构建比经验过程好得多的东西。我希望随着时间的推移证明这在统计学上显著不同。这将改变我们思考监管和向患者提供药物的方式。”
总结
AI药物发现的真正意义不在于替代某个实验环节，而在于将整个研发逻辑从孤岛式试错重构为可累积、可泛化的计算工程。当预测精度逼近实验、数据策略支撑通用设计、分子工程解锁联合疗法，监管与临床开发范式也将被迫演进。这场变革的终局，是压缩疾病期、延长健康寿命，让药物发现从偶然走向可编程。
信息源
视频来源
- Powering AI-Driven Drug Discovery with President of Isomorphic Labs Max Jaderberg：
外部资料
- Google-backed Isomorphic Labs delays clinical trial timeline：
- Isomorphic Labs Pushes Back AI-Designed Drug Clinical ...：
- Isomorphic Labs Launches Human Trials for AI-Designed ...：
- Isomorphic Labs' AI-Designed Oncology Drugs ...：