专访百亿AI制药黑马：生物学比代码更可验证，终极目标last-in-class新药！

2024 年成立于旧金山的Chai Discovery，是当下AI制药最受追捧的明星初创公司之一。

短短两年，公司就从初创公司走到了估值近40亿美元的独角兽序列。仅7个月，Chai完成了3轮融资，累计融资已经超过6亿美元。

与传统AI制药公司不同，Chai Discovery跳出了传统 AI 制药公司 "自己做药" 的路线，专注搭建分子生成大模型。

通过不断迭代，公司将最初抗体从头设计成功率约0.1%，提升到约15-16%，到第三代Chai-3，公司称最高能达到30%。

这一历史性突破，吸引了礼来、辉瑞、诺华、argenx、BMS等5家大药企的合作。

为什么这样一家成立仅2年的创业公司能跑出来？

近期，Chai Discovery的两位联合创始人参加了红衫资本的访谈，深度谈论了他们关于大模型迭代的底层方法论，以及对商业模式、行业未来的思考与判断。

下面是一些重要观点，我们做出了一些摘要。

• 药物设计的Scaling Law比他们想的快得多，两位创始人自己原本只想提升到1%，觉得20%得等三四年。

• 行业拐点已经过了：模型能力已经"用现有工具做出好抗体"的人类专家水平——这才是最近一连串大药企合作官宣的真正原因。

• AI不会让实验室实验变少，反而会变多。每次实验的回报变高了，就像程序员效率提高之后需求反而更多。

• 找scaling law的第一步是做减法：Chai-1有23个子模块，模块太多反而难以迭代。

• 生物序列数据的token总量，可能比英文互联网语料还多。只是大部分是冗余和噪声，真正有用的部分需要筛选。

• 生物学比写代码更可验证，分子能不能结合、能不能量产，全是客观数据。

• 真正的对手不是别的AI公司，是大自然——人类调优湿实验室方法已经几十年，AI需要跨过这个门槛，而不是其他竞品公司。

为什么选择在2024年创业？

两位创始人曾深度参与早期OpenAI的研发。在他们看来，既然大模型能学会人类语言，自然也能学会DNA和蛋白质的排列规律。

蛋白质说到底都只是氨基酸序列。就跟ChatGPT既能解数学题又能改英语作文一样，模型不在乎你喂给它的是抗体还是迷你蛋白，都只是不同形式的prompt。

这个领域真正的转折点，其实可以拆成三段：

2018年——深度学习第一次在两年一届的蛋白质折叠竞赛（CASP）里跑出断层式的进步。

2020年——AlphaFold 2横空出世，蛋白质折叠问题基本被攻克。

2021到2022年——问题开始从预测结构，反过来变成给定结构设计序列。这已经非常接近真正的药物设计问题了。

而真正让这一切打通的，是扩散模型（diffusion models）的出现。它第一次让模型能够同时生成结构和序列。

2024年，随着扩散模型技术成熟、抗体结构预测第一次跑通。两人判断，抗体生成这个难题终于开始有解了，于是决定下场创业。

找到Scaling Law的第一步

是给模型做减法？

◆ 要泛化，Scaling Law应该做减法

在不断迭代模型过程中，团队坚持的最核心原则是简单，因为复杂度会掩盖真正的scaling方向。

Matt举了Chai-1的例子：这个模型有23个独立子模块。他说，当你想在这样的系统上做迭代时，你得分别理解每一个子模块的行为和动态，迭代与除错会极其痛苦。

只有找出真正发挥作用的核心部分并加以简化，大模型缩放的方向才会变得清晰，模型才能泛化，并且真正开始涌现智能。

因此，团队在每添加一 个模块，会问自己一个问题：这个改动是长期能维护的吗？这是增量式的修补，还是真正复利式的进步？

◆ 数据

1、 最核心 的是Protein Data Bank（PDB），这是 吸收过去几十年沉淀下来的蛋白质晶体结构库作为物理黄金标准

2.其次是大规模利用语言模型处理海量的生物序列数据。

Josh甚至提到一个反直觉的判断：生物序列的token总量，可能比英文互联网语料还多。只是这些数据里大部分是冗余、噪声，真正有用的部分需要花功夫去筛选和组织。

除了模型自己生成数据，Chai在实际部署中做的每一次湿实验室实验，都会获得废气式的副产物数据 ，这些实验反馈，反过来又用来让模型变得更好。

AI越强，实验反而越多？

主持人提问，很多人觉得，既然AI能在电脑上设计药物了，实体实验室以后是不是就要关门了？

Josh算了一笔账，真实的商业逻辑刚好相反。因为单次实验的命中率提升了上百倍，做实验这件事情的投资回报率被大幅拉高了。这就如同软件行业的发展规律，程序员有了高效的代码辅助工具后，个人生产力大幅提高，市场对后续代码测试和项目开发的需求反而迎来了井喷。

同理，未来为了验证AI批量产出的海量高潜力分子，药物研发实验室只会变得更加忙碌。

很多人一直觉得，生物学不像代码那样能一键跑单元测试，验证成本高、周期长。

但Josh提出了一个反直觉的观点：生物，反而可能是更可验证的领域。

拿代码生成打比方，代码能不能跑通单元测试，这个好判断。但代码写得好不好、能不能维护，这个很主观，见仁见智。

而分子设计不一样。一个分子结不结合靶点，能不能规模化生产（manufacturability），这些指标都可以被精确测量出来，非常客观。

但唯一的代价是时间。不像跑单元测试五秒出结果，湿实验室的一轮验证，可能要等上几天甚至几周。

Josh还补了一句很扎心的话：在生物学里，如果你的实验室误差有正负5%，那前后两次结果，很可能压根就是同一个数字。

这和代码生成领域在SOTA上，从16%涨到17%再涨到18%完全不是一回事。生物学对进步的判定门槛，天然要高得多。

正因为如此，团队才格外强调一件事：不能只在一两个新任务上秀肌肉，必须证明这个能力是泛化的，才能真正把行业往前推。

为什么会选择平台化的商业模式？

Chai宣称这么强的技术，为什么不自己下场研发新药？

Chai Discovery选择给整个行业提供基础设施，和礼来、argenx、辉瑞这些大药企直接合作。

Josh给出了三层理由。

第一层，是资源分配的逻辑。团队里包括Josh和Matt在内的很多人，之前都在做AI药物管线的公司待过。他们太清楚一旦开始做临床试验，钱就会源源不断地从"把模型做得更好"这件事上，被抽走。

但他们更想把每一分钱，都投进模型本身。

第二层，Matt直言，生物学极易让人陷入实验误差的错觉。如果只盯着几个特定的靶点，也许能碰巧做出几个分子，但模型很难真正推广到人类未来需要的其他数百个复杂分子上，这容易让人只见树木不见森林。

而一旦你选择和整个行业广泛合作，你就没法自欺欺人了。

第三层，是商业模式本身的复利效应。

模型越好，就越能赢得客户的信任和续约——这些合作反过来又能持续为模型迭代提供资金和数据，而不是将资金稀释到临床支出。

他们表示，做平台型的公司这条路更难走。

毕竟跟礼来、辉瑞这种级别的药企合作，他们会拿真金白银的项目去检验你每一句技术承诺。这些模型必须真的work，不能做出个分子差不多凑合能用，让化学家再手动优化一下。

正因为如此，这条路很少有人走通。但一旦走通，回报也会指数级放大。

赛道越来越挤，Chai如何保持领先？

Sonali Singh问了一句，你们这个赛道现在竞争其实挺激烈的，你们怎么保持在最前沿？

Josh说，他跟团队讲的是：我们不是在跟其他模型公司正面竞争，我们是在跟大自然（nature）竞争。

大自然一直是个很强的baseline。人类用传统方法做药物研发已经做了几十年，这套流程本身也被反复打磨、优化过无数次。

因此，真正的竞争基准不是哪家AI公司模型更好，而是能不能超过经验最老道的传统药物科学家。

他们判断，AI模型能力终于超过了"用现有工具做出好抗体"这个门槛，这也是为什么Chai最近陆续出现了那些大药企合作的公告。跨过拐点之后，接下来的工作重心就变成了持续打磨、把优势进一步拉大。

具体怎么做：

先给自己找一把最严的尺子

Chai内部养了一整支科学团队，专门用湿实验室结果来打脸模型。Andy Yeung，在辉瑞和基因泰克干了20年、拿过药物批准的科学家，加入后做的第一件事，就是用传统方法给Chai设定基准线。

Josh说，AI的上限必须比人类之前能做到的高得多，否则毫无意义。

用小团队逼出优先级

团队被刻意保持得很小。Josh的原话是，这样每个人都稍微超载一点，这意味着我们必须排优先级，它逼着我们只做最要紧的事。

Matt则把身份定得很死，从技术上说，Chai是一家软件公司，交付物是一段软件。所以即便是研究员，也都是优秀工程师，代码质量的门槛从第一天起就压得很高。

让合作伙伴当裁判

与礼来、辉瑞这些巨头的合作，本质上是一种外部监督。Josh说，如果你只研究少量药物靶点，你可能会想出最精致的分子，但你会错过树木的森林。

而当巨头用你的模型同时做几百个分子时，你的模型必须真正通用、真正可靠。Matt说，这几乎是一项更难完成的业务，但也是一条更有意义的道路。

关于未来，Chai打算怎么做？

Josh明确表示，Chai从来没想过要造一个能解决一切的模型。他们知道，就像其他领域一样，模型会经历多代迭代，会形成一个飞轮效应（flywheel effect）。

Matt则回答，想让模型从「能不能work」变成「精确可控」。

比如客户给一个靶点，不再是「祈祷模型给出高亲和力的结果」，而是能够精确指定「我要一个刚好10纳摩尔的binder」这种具体参数。他说这类"可控性"问题，团队已经站在解决的边缘。

在这样不断迭代的AI加持下的药物研发，未来会变成什么样子？两位创始人也给出了自己的判断。

Josh说，现在很多进入临床的分子，其实是做到80%就差不多了，为了赶时间先推进去。这类药大概率能造福一部分患者，但很可能第二年就被别人更好的方案超越，而未来这种情况会减少。

Matt则表示，以前行业追求的是first-in-class（首创药）或best-in-class（同类最佳）。

未来大家真正想做的是last-in-class——因为你已经能在计算机上，把大部分负面相互作用、脱靶效应提前建模清楚，直接给出终极药物，不需要靠一代代产品慢慢迭代逼近。

Matt特意强调："也许今天还做不到，但这条路径是明确存在的。"

—The End—