谷歌 DeepMind 孵化的新药公司：AI 让新药研发提速 10 倍，只差 3 步

全文 5,500字 | 阅读约35 分钟

（Google DeepMind 播客最新一期视频节选）

开发一款新药，平均需要 12–15 年、耗资高达 26 亿美元，而且成功率不到 10%。这条“生命慢车道”不仅代价巨大，而且充满失败。

2025年3月，谷歌DeepMind的分拆公司Isomorphic Labs宣布完成6亿美元融资，这是今年全球生物科技领域最大的一笔融资。更重要的是，他们还拿下了礼来（Eli Lilly）和诺华（Novartis）两家制药巨头将近30亿美金的合作订单，要用AI彻底改造药物研发！

Isomorphic 正在做一件前所未有的事：让 AI 自己生成出能够进入人体的新药分子。

在《Google DeepMind》 最新一期播客中，主持人直接问：

AI 真能设计药物吗？这离现实到底有多远？

回答来自公司首席 AI 科学家 Max Jaderberg，他说：

我们正在逼近药物设计的 Move 37 时刻——模型的创造力开始领先人类直觉。(AI drug design is nearing its 'Move 37 moment'—models surpassing human intuition)

听上去像科幻，但他们给出的落地路径只剩三步：

1. 用 AlphaFold 3 一次性建出蛋白质 + 分子 + 核酸的 3D 结构图谱；

2. 用生成模型在 10⁶⁰ 级组合空间中筛出有效候选分子；

3. 用闭环系统进行快速预测、合成和毒性评估。

本文将梳理这条 AI 设计药物的全流程，分析其中的关键挑战，并探讨：这一场新药设计方式的变革，将如何影响未来的药物研发？

2016 年，DeepMind 靠 AlphaGo 打败李世石，一战成名。 但那只是开头。

在 DeepMind 创始人 Demis Hassabis 看来，AI 最大的潜力不在棋盘上，而在人类健康里。 他多次公开说，生命科学是最复杂、最值得攻克的难题之一。而药物设计，就是这个迷宫的入口。

所以，Isomorphic Labs 并不是一个“意外项目”，而是 DeepMind 规划中的下一站。 它是 AlphaFold 项目的延续，但目标比预测蛋白质更进一步——是直接设计出能进人体的新药分子。

我们不是从制药行业里长出来的公司，而是从 AI 研究里直接走进来的。 ——Max Jaderberg

这句话的意思是，他们不是做生物背景的团队在学 AI，而是做 AI 的人开始主攻生物学。

在很多人看来，这似乎是一种“跨界”：一个会下围棋的 AI 团队，要去做药？ 但在他们眼里，这不是跳跃，而是自然演进。因为药物研发这个过程——尤其是设计出一个新分子——说白了，就是一个巨大的、复杂到人力难以搜索的排列问题。

Max 是这么解释的：

“这其实是 AI 最适合的任务之一。我们不是在建一套规则去找答案，而是去预测、去生成，从几十万个真实例子里，学会怎么组合一个前所未见的新分子。”

这也是为什么他们选了“Isomorphic”这个名字：它的意思是在完全不同的领域里，找出可以类比的结构和方法。

就像他们曾让 AI 学会走迷宫、踢足球、打星际争霸，现在，他们要让 AI 学会“设计药”。

而且，不是辅助人类开发，而是真正让 AI 开发出一颗新药，并送进人体试验。

第二节｜AI 已经做到哪一步了？

在播客中，主持人问了一个关键问题：现在很多人都在说 AI 能解决所有疾病。你觉得这是现实吗？

Isomorphic 的首席 AI 科学家 Max Jaderberg 回答得非常冷静：这不会马上发生。但现在我们第一次看到了一条可行的路径。

AI 不再只是“辅助”，而是开始自己动手做药了

什么意思？

他说的“可行的路径”，是因为 AI 现在真的可以帮人类设计出完全没出现过的新分子，并且在一些实际场景里，表现已经超过人类药物设计师的直觉。

播客里提到一个案例——他们做了盲测： 把 AI 自动生成的分子和人类专家设计的混在一起，然后交给资深化学家评估哪些值得进入实验室。

结果是：很多人看不出来哪些是 AI 设计的。他们甚至选中了 AI 给的那些分子。

Isomorphic 的药物设计负责人 Rebecca Paul 也说：以前我认为有些结构永远无法预测，但现在几秒钟就能在屏幕上看到。

她举了个例子：我们会让 AI 给出几个可能的分子，然后我们在软件里一边修改一边看它怎么改变和蛋白质的贴合效果，几秒钟内就能看到预测结果。

以前，这样的工作需要 X 光晶体实验，可能要花上几个月甚至几年。

AI 不再只是“辅助”，而是开始自己动手制药了

现在，一台笔记本电脑就能完成。

她还补充：

有时候 AI 给出的分子好到我会说：‘我怎么没想到？’

他们的 AI 模型不只是设计分子的形状，还能预测这个分子进入人体后会怎样：能不能被吸收、会不会被肝脏清除、有没有副作用，甚至能不能在胃酸中存活下来。

从几个月到几秒钟，药物设计进入“屏幕实验”时代

Rebecca 说：设计药物就像在玩一场打地鼠的游戏，解决了一个问题，另一个就跳出来。AI 能一次性考虑很多变量，对我们帮助太大了。

Max 则从 AI 模型角度解释了为什么这事现在能成：

“过去 50 年，人类积累了几十万个蛋白质和分子的结构数据，全部存在一个叫 PDB 的数据库里。这是 AI 非常适合学习的材料。”

他说，AI 就是从这些高质量例子中，学会怎么预测出一个可能有用的分子。

但最关键的不是模型多大，而是——我们开始看到模型能泛化出从未出现过的东西。这就是设计的开始。

这句话的意思很简单：

AI 不只是理解过去的药，而是能自己想出新的可能。

所以当主持人问他们：你们的AI现在能不能独立'造药'了？

Rebecca 给出的答案是肯定的，她说：我们已经把这些分子投入实验室，很多效果远超预期。

第三节｜只差三步，AI药物才能真正进人体

AI 能生成分子，甚至能在实验盲测中被专业化学家选中。

但主持人问：这些分子，真的能进人体试验吗？我们离那一步，还有多远？”

Max Jaderberg 的回答没有回避：

还有三步要走。

这三步，不是技术上的微调，而是整个药物设计流程最难的三道坎：

第一步：怎么知道这个分子不会有毒？

设计出一个能贴合蛋白质的小分子并不难，难的是：它进了人身体之后，会不会伤到别的地方？

Max 回答说：我们得考虑这个分子会不会伤到心脏、肝脏、胃这些器官，还要看它会不会意外卡在别的蛋白质上，引发副作用。

这种“误伤”在药物研发里非常常见，叫“脱靶效应”（off-target effects）。很多药都在这一步失败。

以前只能靠动物实验反复验证，现在 AI 可以提前预测这种“危险信号”。

Max 解释说：我们会让 AI 测试这个药物分子和人体内 2 万多个蛋白质的反应，就像给它做一次全身'体检'。如果它在不该结合的地方也结合了，就可能有副作用。

说得更直白点——AI 就是在提前问一句：“你会不会碰到不该碰的东西？”

第二步：你确定打的这个“靶点”是病因吗？

哪怕一个分子再完美，如果它不是对准真正引发疾病的那块地方，也是白搭。

Max 表示：

你可以设计出世界上最好的药分子， 但如果一开始选错了蛋白质靶点，它进了人体也不会产生你希望的结果。

所以，AI 要想真正做药，得先弄清楚——哪个蛋白质才是“罪魁祸首”？

这一步比第一步更难，因为很多病并不是一个突变引起的，而是一连串复杂的反应链。

Isomorphic 的办法是，从 DNA、RNA、蛋白质的表达和互动入手，用 AI 去推断哪些变化最终导致了病情的发生。

他们还在画一张更大的'身体联系图'——就像城市的交通网络一样，看各个蛋白质是怎么互相影响的。

'我们希望 AI 能看出来，哪里堵车了，哪里信号太强了，这样就知道该在哪里下手治病。

第三步：即使前面都过了，进入人体依然有 90% 失败率

节目提到一个让人揪心的数字：

新药临床试验的整体失败率高达 90%。你们怎么面对这个？

Rebecca 并没有否认这个难度，她甚至给了一个严峻的现实：我们现在用的很多动物实验模型，根本不能模拟人的真实反应。我们可以治好老鼠，但不代表就能治好人。

所以，在她看来，AI 不只是要设计药，更重要的是提前预测这个药进入人体之后的反应曲线——

它多久被吸收，会不会在肝脏里被分解，是否能顺利到达目标器官。

这部分现在还做不到完全准确，但他们已经在尝试：

我们会把这些变量——胃酸、肝脏酶、血液流速等等——全部输入模型，让 AI 去提前模拟一遍。

她说：

“如果我们能提前预测失败，就可以少花很多年时间和几亿美元的试验成本。”

Max 最后补了一句：

“AI 设计出一个分子容易，拼出一个能活着穿过胃、进入血液、直达目标、没有副作用，还能保持活性的分子，才是真的难。”

所以他们现在的目标不是证明 AI 能做药，而是让它把最难的这三步——避毒、选靶、进人体——都提前测试一下。

第四节｜AI 是怎么设计出一个药的？

很多人以为，AI 做药就是查数据库、比一比哪种分子搭配最好。 但 Max 说，不是的。

这不是查找，而是生成。

就像 ChatGPT 是写出一句从没出现过的句子，Isomorphic 的 AI 是设计出一款从没出现过的药。

主持人追问：你们怎么把药分解成 AI 能处理的语言？难道是把它们变成原子表格？

Max 回答得很形象：

“对于蛋白质，我们是按氨基酸来处理；对于小分子，我们是按原子来处理。这就像在处理一个句子，每个单词就是一个原子。”

不是画图，而是在三维空间造药

他继续解释：

“然后我们用的是一种‘扩散模型’，不是生成图像的像素，而是生成分子的三维结构——哪颗原子在哪、朝哪个方向、和什么东西连着。”

简单来说，AI 就是在三维空间里，像搭积木一样拼出一个分子。

但构造分子不是画图那么简单。

Rebecca 说：

“我们不仅要看它贴得合不合，还要预测它是不是能活着通过胃，是不是能在肝脏里存活，是不是会和别的东西乱连。”

这些东西不是“用眼看”能判断的。

所以他们的 AI 模型必须在生成一个分子的同时，顺带回答一堆问题：

• 它能不能被吸收？

• 会不会有副作用？

• 能不能穿过血脑屏障？

• 是不是容易变质？

不仅长得像药，还要能进人体

对话中，Max 提到：面对这些复杂问题，你就知道模型不能只是会设计分子结构，它必须在一开始就考虑好所有变量。”

主持人感叹道：所以不是说你生成了一个看起来像药的东西，而是你得生成一个真正能进人体的‘战士’。

Max点头：

对，我们的目标是：输入一个疾病，输出一个药。

这句话听起来很简单，背后却是模型在“走迷宫”：

• 一边生成结构，

• 一边预测活性，

• 一边过滤掉会出问题的方向，

最后才留下看起来靠谱的一组候选。

现在化学家的工作变了：不用自己想破头设计药物，而是让 AI 先提供几个选项，化学家负责挑选最有希望的。

Rebecca 说得更干脆：我现在每天干的事，就是打开模型，看它今天给了我什么新分子。”

这不是搜索，是创作。

AI 不再是助手，而是给出新药的设计师。

而这个设计师，已经能在一个比宇宙还大的组合空间里，用几秒钟生出一块药物“零件”，还附带使用说明书。

第五节｜AI 药厂正在形成完整闭环

在之前的对话中，Rebecca 讲了一个有意思的细节：

“我们现在在平台上生成分子，几秒钟内可以看到结构拟合效果，可以手动修改，然后立刻看到变化。我们叫它引导设计模式。”

她说得轻描淡写，但这句话其实说明了一件非常关键的事：

AI 制药这件事，已经开始进入流程化阶段。

什么意思？

不是某个科学家灵光一现、找到了好分子，而是：

• 模型生成备选分子；

• 科学家微调方向；

• 模型快速预测效果；

• 最终筛出几组“看起来最可能成功的”分子；

然后立刻进入实验验证。

Max 在播客里补充说：

“我们甚至会让模型根据化学家的要求，自动生成一批新分子。你可以告诉它：我要这个分子结构的变体，能贴合蛋白质这个位置，而且要避免这类毒性。”

这不是人辅助 AI，而是 AI 帮人“找可能性”，让人类直接挑最有希望的一批来实验。

他们管这个流程叫：

生成 → 提交 → 合成 → 测试 → 回流模型继续优化

就像一个闭环，AI 不只是设计一次，而是随着实验反馈，不断变得更懂“什么是好分子”。

不只是理论流程，产业资金已经跟上来了

• 2024年，Isomorphic Labs 和礼来、诺华达成两笔合作协议，总金额近 30 亿美元；

• 合作内容不是'做计算辅助'，而是由 AI 主导找出全新的药物候选分子；

• 这意味着，不是内部测试，而是产业已经把新药的第一步交给 AI 来跑。

Max 在播客里说：

“我们不是停留在科研阶段，而是把这些 AI 生成的分子，实实在在合成出来并送入实验室。我们已经看到一些非常好的早期结果。”

Rebecca 也提过：

“我们有些候选分子，已经在今年排上实验日程，目标是尽快进入临床试验。”

如果说前几年 AI 在做科研工具，现在已经走到了药物开发的第一生产线。

现在是 AI 出方案，人类做决策——告别盲目试错，效率大幅提升。

第六节｜中国药企与创业者如何跟上这条路径？

AI 设计药物、自动生成分子、实验验证、准备临床试验——Isomorphic Labs 已经把这套完整流程走通了。

那问题来了：这条路，中国团队能不能走？创业者能不能切？普通人又该怎么看？

1. 对中国药企：不是差模型，而是差一整条协作链

很多国内药企也在谈 AI，但 Max 在播客中其实提到了一个核心区别：

我们不是在外包 AI，而是把 AI 当成核心骨架去组织研发流程。

翻译过来就是一句话：AI 不是加在流程外面，而是贯穿每个环节。

这对国内药企是个挑战。 据业内观察，很多企业还停留在先找个 AI 团队跑模型，但模型只是开头：

• 有没有自己的高质量数据？

• 化学家和工程师是不是坐在一个屏幕前讨论同一个问题？

• 实验团队能不能 48 小时内响应 AI 给出的新方向？

如果这些都做不到，那不是没用到 AI，而是 AI 根本没机会发挥作用。

2. 对 AI 创业者：不是做模型，而是接入实验闭环

播客里 Max 和 Rebecca 都不约而同提到一点： 现在最难的不是生成，而是反馈。

“ AI 会生成一堆候选分子，但最终你要去测，去改，去再生成——这个闭环要跑得动。”

这其实给中国的 AI 创业者提供了一个明确方向： 不是盯着模型本身，而是围绕“筛选→合成→反馈”这个流程去找机会。

比如：

• 做一个更快的毒性评估工具；

• 做一套能自动生成结构+评估吸收率的界面；

• 搭一套把实验反馈“喂”回模型的训练工具。

这些方向看似“非主流”，但却是真正决定效率差异的关键。

3. 对普通读者：新药设计这件事，已经变了

Rebecca 在访谈中说了一句很现实的话：

做药是一场容错率极低的漫长游戏，AI 让我们可以少错一点，快一点。

这不只是比喻。数据更直接：

在临床试验中，只有 1/20 的药物化学家能在职业生涯中看到自己的药物上市。

这是一个“习惯于重大失败”的行业。

但现在，AI 正在改写这个游戏规则。以前确定一个蛋白质结构，可能需要几个月甚至几年；现在 AlphaFold 几秒钟就能完成。

Rebecca 说她现在每天都能看到以前被认为“永远无法预测”的结果。

这意味着：

• 药物研发周期在缩短（有些环节从几年压缩到几个月）；

• 靶向治疗更精准（AI 能模拟分子与 2 万种蛋白的相互作用）；

• 一些原本“无法成药”的冷门蛋白质，开始有了突破可能。

这不再只是实验室里的技术进步，而是关乎每个人健康的效率革命。

从实验室到患者，还有漫长的临床验证路要走。

革命尚未完成，方向已经明确。

结语｜不是奇迹，而是未来打开了

过去，我们已经见怪不怪：AI 会写文案、编程、画图，越来越像个能干的助手。

但“设计药物”这件事，一直被认为太复杂、太严肃、太专业，AI 够不着，也不该碰。

直到 Max 说出了这句：

我们正逼近药物设计的“AlphaGo”时刻。

这不是一句口号，而是一个信号。

AI 正在从“优化工具”，走向“参与关键决策”的角色。

更重要的是——不是 AI 一夜之间变聪明了，而是我们终于找到了让它设计最严谨流程的方法。

当主持人在对话最后总结：

药物研发过去像在黑暗中摸索，现在 AI 打开了一盏聚光灯。

你会意识到：

这盏灯，不只是照亮了科学家的实验台，

它照亮的，是我们每一个人的身体、家庭和未来。

它不会一下子治好所有病，但它已经开始缩短那条等待的时间。

本文由AI深度研究院出品，内容基于谷歌DeepMind播客对Isomorphic Labs的Max Jaderberg和Rebecca Paul的独家采访整理。未经授权，不得转载。

星标公众号， 点这里 1. 点击右上角 2. 点击"设为星标" ← AI深度研究员 ⋮ ← 设为星标

https://www.youtube.com/watch?v=XpIMuCeEtSk&t=986s&ab_channel=GoogleDeepMind

https://www.genengnews.com/topics/artificial-intelligence/deepmind-spinout-isomorphic-labs-raises-600m-toward-ai-drug-design

https://www.fiercebiotech.com/biotech/alphabets-isomorphic-stacks-two-new-deals-lilly-novartis-worth-nearly-3b-ahead-buzzy-jpm

https://www.statnews.com/wp-content/uploads/2019/01/Webinar_1.22_FINAL.pdf

https://www.isomorphiclabs.com/articles/isomorphic-labs-kicks-off-2024-with-two-pharmaceutical-collaborations

https://uk-podcasts.co.uk/podcast/training-data/the-quest-to-solve-all-diseases-with-ai-isomorphic

来源：官方媒体/网络新闻，

排版：Atlas

编辑：深思

主编：图灵