Newsletter · · Ashutosh Agarwal
AI药物研发被审计的一周 - 行业聚焦：医疗健康与生物科技 - 2026年7月28日当周
2026年7月28日当周的创业与风险投资通讯。本期行业聚焦医疗健康与生物科技板块：各大播客不再庆祝AI药物研发，转而开始认真清点数字，聚焦Xaira、ARC Institute、Caris、Bayesian Health、Initiate Ventures和Yosemite，并展开了一场关于学习型模型能否战胜物理学的激烈争论。
行业聚焦：医疗健康与生物科技
2026年7月28日当周：AI药物研发被审计的一周
本周的轮换聚焦医疗健康与生物科技。各档播客共同的主题是：这个领域终于开始认真清点数字了。一位研究者去寻找大家都以为正在兴起的AI设计药物浪潮,结果带回了一个谁都不喜欢的数字。
行业概览
三年来,业界一直在兜售一个愿景:AI将压缩药物研发的周期。本周,多档播客不约而同地停止了庆祝,开始认真测算,而这些数字比炒作本身更有意思。
先从这次审计说起。在Digital Pathology Podcast节目中,Thibault Geoui梳理了一项简单的核算。波士顿咨询集团曾发表一篇论文,统计了处于临床试验阶段的"AI研发"药物数量。截至2023年底,答案是67个。Geoui与AI研究员Eliott Greenblatt合作,用同样的方法重新核算,看看后续发生了什么。
"我当时真的以为,好吧,考虑到我们在AI药物研发上投入了这么多,现在应该有个300、400种药物了吧。结果我们只多找到了六七个。我当时就想,怎么会这样?我真的、真的很惊讶。"
28个月过去了,只多出了六七个。而且迄今为止,没有一款AI设计的药物真正上市。Geoui在这里很谨慎:那一两款有时被描述为AI研发并获批的药物,仔细审视后其实是老药新用,即把现有药物重新用于新适应症。AI帮助完成了这种重新定位。但这不是一回事。
他给出的是原因,而非指控。最初那67个项目中,有些确实失败了,考虑到该行业约95%的失败率,这很正常。许多项目换了东家,因为AI优先的生物科技公司会把一个资产推进到某个阶段,然后交给有能力开展后期试验的大型制药公司。
而在这个糟糕的数字背后,确实藏着一个有力的反例。Insilico Medicine是Geoui举出的真正做到实处的例子,它把通常需要五到六年的发现和临床前工作压缩到了约18个月。怀疑论者说,Insilico至今仍未有药物上市。这是事实。但正如Geoui所说:
"他们会在五六年后失败,而不是18个月后失败。我宁愿18个月后失败。"
这就是诚实的现状。AI尚未让药物变得更好。它让早期阶段变得更便宜、快得多——在一个95%的尝试都以失败告终的行业里,即便还没有一款获批,这本身就已经很有价值了。
第二条主线:瓶颈已经从算法转向了数据,确切地说是转向了一类目前基本还不存在的数据。
这一点在Latent Space节目中体现得最为清晰,Xaira Therapeutics的首席AI科学家Bo Wang与首席发现官Ci Chu解释了为什么蛋白质设计取得了突破,而细胞生物学却没有。Chu的答案是,蛋白质设计继承了蛋白质数据库(Protein Data Bank)中70年由社区整理的高质量结构数据。正是这一点让AlphaFold成为可能。对细胞或患者而言,不存在类似的数据积累。
更糟的是,现有的数据类型也不对。大型单细胞图谱都是观察性的,描述的是健康细胞的静态状态。而药物研发需要因果性的答案:如果我下调这个基因,会发生什么?Chu对为什么观察性数据无法给出这类答案的解释,是本周听到的最清晰的一个版本:
"假设你在描述性数据集中观察到基因A、B、C同步升降。你可以推断A调控B和C……你同样也可以说是B调控A和C,这也完全合理……有n种方式可以把一个因果调控网络套进这组数据里。"
正因如此,他说,在描述性数据上训练的模型"在因果任务上还没能超过线性模型"。一个50亿参数的模型,输给了一条简单的直线——对于一家刚刚推出这样一款模型的公司来说,这是一句异常坦率的承认。
第三点:资金正在流动,而且流向的是那些拥有自主实验能力的公司。 在Ground Truths节目中,ARC Institute联合创始人Patrick Hsu提出了一个应该让每位创始人都警醒的观点。前沿AI实验室现在正直接与药企争夺预算,而且它们拥有这个行业里成本最低的资本。
"如果你今天想为了开发一个全新靶点而去融资……那你至少在头两三四五六七八年里都是一个持续烧钱的项目。"
相比之下,Hsu估计Anthropic的年化收入规模约为600亿美元。他描述了一场"中间地带的争夺战":FutureHouse分拆出Edison Scientific,Biomni团队分拆出Philo,Anthropic推出了Claude Science,OpenAI有自己的工具链,而Chai Discovery则在销售抗体设计模型。所有这些公司都走进了同样的药企采购会议室。
值得关注的公司
Xaira Therapeutics:X-Cell。 Xaira发布了X-Cell,一个49亿参数的"虚拟细胞"模型,可以预测关闭某个基因后细胞会发生什么变化。真正有意思的不是模型本身,而是它背后的"数据工厂"。Xaira自己利用Perturb-seq技术构建训练数据——这是一种池化的CRISPR技术,可以在一次混合实验中,对成千上万个细胞逐一敲除一个基因,因此不存在需要清理的批次效应。由此产生的Pisces数据集覆盖了16种细胞类型、2500万个细胞,达到全基因组规模。
真正重要的结果是:他们只用静息态T细胞训练模型,然后让它预测各种扰动在它从未见过的活化态T细胞中会产生什么效果。结果成功了。Bo Wang将这一反应描述为"生物学家的一个'哇'时刻——这是生物学家第一次真正发现,模型能够准确预测这些从未见过的细胞系对不同扰动的反应"。
Wang还对真正驱动性能的因素做了排序,这对任何在这个领域构建产品的人都非常有用:"首先是数据集规模上的质量,其次是架构,再其次是先验知识。"他指出,从自回归训练转向扩散语言模型,在泛化到未见过的任务方面带来了显著提升。 Latent Space: The AI Engineer Podcast,《Causal Models Need Causal Data: Xaira's X-Cell model for Drug Discovery》(2026年7月21日)
Anthropic:Coefficient Bio与Claude Science。 Patrick Hsu证实,Anthropic收购了Coefficient Bio——一家脱胎于Genentech抗体工程团队、从事零样本抗体设计的初创公司,并推出了研究工作台Claude Science。Hsu将这一举措与CEO Dario Amodei的背景联系起来,后者拥有普林斯顿大学计算神经科学博士学位。他对这个工作台的描述,很好地展现了未来的方向:一位完全不懂编程的生物学家可以说"我想用Evo生成一种新的DNA重组酶",系统就会调度子智能体,在浏览器中调用AlphaFold来检查生成的蛋白质是否合理,然后向合成供应商下单订购这段DNA。 Ground Truths,《Patrick Hsu: How Is AI Catalyzing Life Science?》(2026年7月20日)
ARC Institute。 成立四年半,由在斯坦福、伯克利和加州大学旧金山分校拥有联合聘任的学术研究者,以及内部技术中心共同组成。该机构已发布Evo和Evo2(基于整个进化历程中DNA数据训练的语言模型)以及State和Stack(其首批虚拟细胞模型)。Hsu描述的雄心是让模型反向运行:将其初始化为一个患病细胞状态,然后询问哪一系列扰动能使细胞状态回归健康。"这可能不是单一的神奇扰动……而可能是一系列随时间推进的组合,以缓慢地在细胞状态流形上导航。"ARC还在与OpenAI合作,共同寻找阿尔茨海默病的药物靶点。 Ground Truths,《Patrick Hsu: How Is AI Catalyzing Life Science?》(2026年7月20日)
Biomni(斯坦福大学)。 发表于《Science》并在Ground Truths节目中被详细讨论:这是一个连接了150种专用工具与软件包、外加一个包含2500篇论文数据库的智能体。其测试案例的范围异常广泛:罕见病诊断、单细胞分析,以及——值得注意的——可穿戴传感器数据,包括一项涉及1000多名参与者、14亿条心率读数的COVID研究,该智能体从中验证了六个生物标志物。它还处理了超过30万个单细胞的数据,用以识别胚胎骨骼发育中的新通路。Hsu对为何这一切突然可行给出的解读是:这其实是编程智能体变强这一趋势的下游结果。因为代码可以端到端验证,编程模型进步最快,如今它们已经处于包括生物学在内其他每个垂直领域的上游。 Ground Truths,《Patrick Hsu: How Is AI Catalyzing Life Science?》(2026年7月20日)
Cythera与Silicon Therapeutics:Woody Sherman。 Sherman在Schrödinger工作了十多年,创立了Silicon Therapeutics,又在Roivant扩展了该平台,如今在Cythera负责科学研发,该公司正在为免疫学靶点开发口服药物,而这些靶点目前只能通过注射用生物制剂触及。
Silicon Therapeutics的故事就是最具体的证明:一款STING激动剂在约三年内从概念走到了临床,团队仅由约10名计算人员和10名湿实验室人员组成。STING曾被认为几乎无法成药。能激活它的天然分子是环状二核苷酸,这类分子体积大、笨重,还没起作用就会被人体清除。Sherman的团队转而找到了一个小得多、更具药物特性的分子,并让它通过一种量子力学的π-π堆叠相互作用,在结合位点内与自身配对——他认为这在此前从未有人做到过。
没有任何商业软件能够模拟这一过程,于是他们自己开发了工具。"这个工具在项目中只用了短短几个月,但确实是至关重要的一环。"他对所需纪律的总结,是创始人应该贴在墙上的一句话:
"计算方法用得恰当时可以非常强大,但你没法在电脑上造出药物来。"
Data in Biotech,《Beyond Language: Why Drug Discovery Needs Physical AI, Not Just Large Language Models》(2026年7月20日)
Caris Life Sciences:MyClarity。 本周最具体的"AI已经用在临床上"的例子。首席医疗官George Sledge博士介绍了一个数据资产:超过50万份全外显子组数据、超过50万份全转录组数据,以及数百万张数字化病理切片,并与理赔数据和电子病历相关联。作为参照:一个外显子组包含2.3万个基因;一个转录组每个细胞包含6.1万条转录本。
MyClarity依托的是医学中最朴素的对象——苏木精-伊红(H&E)染色切片,Sledge称之为"1877年的尖端技术"。医生的病理科送来一张切片,经过数字化、上传,并输入算法运行。24小时内,结果就会返回,告知一名早期雌激素受体阳性乳腺癌患者面临的是早期复发风险(此时她可能需要化疗),还是10到20年后的晚期复发风险(此时她需要延长激素治疗)。"这是我们两年前根本做不到的事情。"
他还举了一个很好的例子,说明规模能带来什么:为了研究ESR1扩增,他们不得不在3万名乳腺癌患者中筛查,才找到约120例。
还有一个惊人的数字,解释了临床医生为何完全需要这类工具:在FDA的血液学和肿瘤学网站上,"过去五六年里,几乎每周都会新增一个适应症"。Sledge的结论是:"眼下这个星球上最难做的工作,就是当一名普通的肿瘤内科医生。" Healthcare NOW Radio,《News You Can Use Special Edition: AI In Action with George Sledge》(2026年7月19日)
Initiate Ventures与TensorBio。 Jessica Owens曾任职于CDC,在斯坦福从事癌症生物学研究,后成为Kleiner Perkins的投资合伙人,并是Grail的联合创始人之一——她帮助将Grail打造成了一家市值80亿美元的公司。她现已与联合创始人Yana及Randy Scott(曾带领三家公司上市)共同创立了Initiate Ventures。他们联合创办并投资处于"白板阶段"的AI原生医疗公司,并刻意不投资治疗性资产、农业科技或植入式设备,因为治疗性资产"需要海量资本",会打破他们的持股模式。
其投资组合公司TensorBio正在开发一款血液检测,用于评估MASH(代谢功能障碍相关脂肪性肝炎)患者的肝纤维化分期。Owens的市场测算值得重复一遍,因为它重新界定了一种大多数投资者认为属于小众领域的疾病:2000万活动性疾病患者,加上8000万前驱期患者。她的对比是:整个肿瘤学液体活检领域,支撑它的不过是约1800万癌症幸存者和每年约200万新发病例。"MASH的规模是巨大的。"
临床需求非常具体。2024年之前没有获批的MASH药物,所以没人费心去筛查。现在有药了(Rezdiffra要求患者纤维化分期达到F2或以上),因此患者需要知道自己的分期,然后还要知道药物是否有效。
她提出的监管要点是创始人应该注意的。所有人都以为这类检测会受FDA监管;而实际情况是,实验室自建检测(LDT)与CLIA路径看起来在可预见的未来会重新占据主导地位。这在商业上很重要:"一旦获得FDA批准,它就被锁定了,以后每次想修改检测方法,都得重新提交给FDA。"而在CLIA框架下,一款诊断产品可以持续从真实世界的结果中学习。
在谈到当前项目路演中的证据质量问题时,她也毫不客气:"我见过太多路演,一问发现队列是什么,答案就是八个人加上一堆电子病历记录。" The BioCentury Show,《Ep. 115: Initiate's Owens on what it takes to be AI-native》(2026年7月23日)
Yosemite(Reed Jobs)。 Reed Jobs的机构宣布了第二支基金的首轮关闭,目标规模为3.5亿美元。该模式在两个维度上都不寻常:一是只投资肿瘤学领域(约占生物科技领域的40%);二是所投入资本中约有三分之一流向Yosemite自己创立的公司,往往与耶鲁、伯克利和斯坦福的学者合作。除基金本身外,其管理资产规模的2.5%被投入一个捐赠人指导基金,用于发放无附加条件的研究资助,并每年从管理费中额外注入100万美元加以补充。在第一支基金中,20家投资组合公司里有两家直接源自一笔资助。
关于AI究竟为他做了什么:"AI现在能做的,是加速大量繁琐的基础工作——老实说,它未必做得比人更好。但它做到的是,以极快的速度、可重复且一致的结果来完成这些工作。"他举的例子是:寻找一个能结合某靶点的分子,过去需要一名博士后做X射线晶体学分析,花费约5万美元,耗时数周。"而现在,这是我们能在几分钟内建模完成的事情。"
他还指出了一项可能比任何模型都更重要的试验设计变化。不再招募对照组,而是使用一个合成替代品,只招募活性组。"这将使所需患者数量减半,并大幅提升整个过程的速度。"他说FDA目前正在朝这个方向倾斜。
他还给出了两个宏观数字。关于融资环境:制药行业正迎来史上最大规模的专利悬崖,同时手握创纪录的现金储备,这在过去大约八个月里催生了一波并购潮。关于研究基础:去年,某届政府曾要求将NIH预算削减最多40%,而此前最大的削减幅度是2009年的1%,那次削减导致约7000名NIH科学家失业。国会否决了这次40%的削减要求。
而最能说明更优化学能带来什么的例子是:如今市值约400亿美元的Revolution Medicines,正在针对突变频率最高的癌基因KRAS开发胰腺癌药物,已将胰腺腺癌患者的生存期从12个月延长到24个月。Jobs打了个比方:一个好的药物靶点就像吃豆人,有个明显的嘴可以去堵;而KRAS"更像是吃豆人面对的死星……那个椭圆体只是一直运转,并不断杀死你"。大约十年前,安进的科学家偶然发现了它内部的一个隐蔽口袋,由此诞生了Lumakras。从历史上看,你的DNA所编码的内容中,总共只有约15%具备成药可能性。 StrictlyVC Download,《Reed Jobs Is Betting Cancer Doesn't Have to Be Fatal》(2026年7月21日)
Bayesian Health,以及相反的解读。 约翰霍普金斯宣布,由Suchi Saria实验室研发、Bayesian Health实现商业化的脓毒症早期预警系统获得FDA批准,被称为首批获批的AI医疗工具之一,能比临床医生提前数小时发现脓毒症,并将死亡率降低近20%。Saria在2017年因脓毒症失去侄子后,开始推动这项研究的临床转化。
Emily M. Bender与Alex Hanna在Mystery AI Hype Theater 3000节目中审阅了相关论文,认为这个20%的数字远比标题所暗示的要局限得多。这项回顾性研究筛查了约46.9万例患者就诊记录,其中9805例确诊脓毒症;分析随后剔除了系统漏诊的病例,只关注真阳性病例,再进一步收窄到医生对警报做出响应、且患者尚未使用抗生素的病例。而那些消耗临床注意力的假警报,并未计入分母。正如Bender所说:"只要你在哪里看到一个百分比,就必须问一句,分母是什么。"
关于为何有人对此持怀疑态度,有一点背景值得说明:该论文自己引用的文献指出,应用最广泛的脓毒症早期预警系统之一,其灵敏度仅为33%,精确度仅为2.4%。
同一期节目还揭示了一件向公共机构销售产品的创始人应当留意的事:西雅图消防局自2019年起就与Corti保持合作关系,利用AI处理911报警电话来协助分流呼叫者,而这项合作是在没有公开审查、也未告知呼叫者的情况下推行的。华盛顿州是一个双方同意州,但对911通话设有例外条款。 Mystery AI Hype Theater 3000,《State of Emergency, 2026.06.29》(2026年7月23日)
Paradigm与Massive Bio:FDA的AI试点。 FDA就一项针对早期临床试验的AI辅助优化试点项目公开征求意见,Note to File节目的主持人通读了公众评论。Massive Bio的核心建议是:FDA应该将其设计为"一个具备监管级别、由人类主导治理的AI辅助试验编排项目,而不是一次狭义的模型评估,或仅面向申办方的操作实验"。主持人的回应是:"这看起来就像是一场只面向申办方的操作实验。我是说,百分之百是。"这句话恰好捕捉到了观察此事的从业者们的普遍情绪。
他们提出的更尖锐的问题涉及设计选择本身。该试点从肿瘤学领域起步,他们认为这既可能是精明之举,也可能是天真之举,取决于目标是什么:肿瘤学试验本身混乱且招募困难,但正因为参与肿瘤学试验往往就是临床治疗本身,数据本就存在于电子病历中——如果真正想证明的其实是电子病历整合能力(正如Paradigm的做法所暗示的那样),那这就是最合适的试验场。
另外,同一档节目还报道了FDA的实时临床试验计划,其中两项概念验证试验会将终点数据实时流式传输给FDA,主持人对所宣称的45%"死时间"减少提出了质疑,认为流式传输未经清理、未经裁定的数据并不能解决真正的瓶颈,即患者招募问题。 Note to File: A Clinical Research Podcast,《WHO's New GCP Course, China Data Ban & FDA's AI Pilot》(2026年7月22日);《Real-Time Clinical Trials: FDA's Big Bet or Big Mess?》(2026年7月20日)
资金与市场简报
如果你在这个赛道投资,有两件事值得了解。
IPO窗口正在打开,而反向并购已悄然成为一种真正的替代方案。 在Biotech Hangout节目中,主持人指出,Mentari反向并购NMED的交易附带了一笔近3亿美元的PIPE融资,用于开发一款针对偏头痛的双特异性PACAP抗体——这一机制近期已被Lundbeck以静脉给药方案验证。这已是第六起附带2亿美元以上融资的生物科技反向并购交易。去年约有三起;前一年只有一起;再往前几乎没有。正如一位主持人所说,反向并购"终于摸索出了一种既有IPO的好处、又能实现IPO式融资规模的替代方案"。其代价是卖方研究覆盖较为单薄,部分被更低的费用所抵消,不过大多数此类PIPE交易都附带银行背书,以及一定程度的内置分析师跟踪覆盖。
他们还将Scribe Therapeutics的IPO(募资约1亿至1.2亿美元,仍处于早期阶段,已获得澳大利亚TGA批准的一款PCSK9基因沉默疗法)与Sana Biotechnology在2021年的临床前IPO(在45亿美元的投前估值下募资超过6亿美元)进行了对比。时代已然不同,主持人也坦言,许多公司选择IPO与其说是主动选择,不如说是私募资本已经用尽:"许多公司在向私人投资者融资这条路上已经走到尽头……如果还想继续下去,就只能IPO。"
合同研究机构(CRO)并未被颠覆,而是被递上了一根利润杠杆。 Clinical Trials Guru的解读是,需求依然强劲:IQVIA公布2025年收入为163亿美元,而其研发订单储备达320亿美元;ICON的收入为82.5亿美元。他认为,申办方将不再愿意为项目管理或行政事务付费,"这些已经商品化了",但仍会为"速度、招募确定性、监管信心、干净的数据以及运营透明度"买单。
对于"药企会用AI智能体把临床运营重新收归内部"这种担忧,他的反驳是:"AI和研究中心之间没有关系。除了理论上的算法之外,AI并不知道哪些研究中心的表现会更好。"他还预计招聘市场将出现逆转——资深人才重新变得抢手,初级岗位则受到挤压——原因正是FDA的AI指导草案要求全程有一名负责任的人类留在决策环节中。如果你的工具能发现更多问题,你就需要更有经验的人来处理这些问题。
对任何想在这个市场上卖产品的人来说,有一个结构性数字值得关注:一份2025年的报告发现,35%的药物开发商在两年内增加了对功能性服务提供商的使用,而只有29%的开发商增加了全外包服务的使用——灵活与混合模式如今已占临床开发外包总量的约三分之二。申办方想要的是按需点单式服务。 Biotech Hangout,《Episode 190》(2026年7月24日);Random Musings From The Clinical Trials Guru,《The Worst Is Over for CROs and Jobs》(2026年7月20日)
一场争论:一个声称战胜了物理学的AI模型,能信吗?
这是本周尚未有定论的问题,而且真金白银就押在上面。
大约六个月前,Recursion与麻省理工学院以开放许可发布了Boltz,其核心卖点是:能以接近自由能微扰(FEP)方法的精度预测结合亲和力,速度却快约1000倍。(自由能微扰,即FEP,是一种缓慢的、基于物理学的模拟方法,目前制药公司仍依靠它来估算一个分子与其靶点结合的紧密程度。它成本高昂,却是行业的黄金标准。)如果一个神经网络能以千倍的速度达到同等效果,那物理模拟环节就不再是必需的,整个计算化学行业的很大一部分,一夜之间就要被重新定价。
Woody Sherman的回答异常直接:
"首先我可以说,那个说法站不住脚。而这正是过去六个月里整个领域一直在学到的事情。这曾是一条令人兴奋的消息,是一份很棒的新闻稿,但它就是不符合现实。"
他的论证很精准,而非一味否定。学习型模型表现良好的场景,"是那些已经围绕目标靶点及相关药物积累了足够数据的案例"。但一个真正有意思的药物研发项目,其全部意义就在于它要去往一个全新的领域,而那里恰恰没有这些数据。"这些模型目前在共折叠模型中预测亲和力的能力,离基于物理的自由能方法还差得远。它们对目标靶点根本一无所知。"
更深层的问题在于基准测试。Sherman认为,大家确实是在真心努力保持诚实,但数据泄漏依然会发生。他引用了Pat Walters大约一周前发表的一篇文章,该文指出,即便是一个看起来干净利落的日期截断点——用2025年之前的所有数据训练,用之后的所有数据测试——依然会发生泄漏,因为某些在截断日期之后"发表"的内容,往往十年前就已经在略有不同的条件下首次发表过。"这本质上仍然是一张关于以前已经做过的事情的查找表。"
他并不是在主张物理学永远获胜。他也承认,随着数据的不断积累,"模型会变得比基于物理的模拟更准确,因为你是直接在真正重要的终点指标上进行训练",而且物理学本身也充满了近似。分子动力学中所用的牛顿力场,本身就是量子力学的近似,这也正是为什么他自己的STING项目不得不下沉到真正的量子力学计算层面,才观察到了那个让药物起效的π-π堆叠相互作用。
所以这场争论并不是"AI对阵物理学"。它更狭义,也更有用:**一个学习型模型,究竟能否泛化到它从未见过的靶点,还是只是在它已经记住的区域内做插值?**在这些对话中,没有任何人声称自己拥有一个能够可靠回答这个问题的基准测试。
把Sherman的审慎与Reed Jobs的乐观放在一起,就能得到一个诚实的取值区间。Jobs并没有声称模型能发现全新的生物学原理;他声称的是,模型能快速、廉价且可重复地完成繁琐工作,而仅凭这一点,就已经改变了一支小团队所能尝试的边界。Sherman对此完全认同。二者分歧的地方在于下一步:这种加速会不会持续累积、最终催生出真正的新发现,还是会在训练数据的边界处趋于停滞。
Geoui把同样的分岔点归结为优化与发现之间的区别。优化——为某个细胞系找到合适的培养基,或智能地采样某个参数空间——"其实是一类不太需要创造力的工作",他主张这类工作应当完全自动化,部分原因在于人类恰恰是不可重复性的来源。他引用了一篇安进的论文,该论文发现约60%的肿瘤学实验无法被重复,而一项后续的《自然》调查则将这一比例定在60%到70%之间。而发现——"甚至连提出正确的问题本身都很困难"——依然是人类真正发挥价值的地方。
这个区分,大概是创始人本周能从中获得的最实用的一条经验。如果你在做的是优化环节的自动化,今天这个商业逻辑很有说服力,投资回报也可以量化。如果你卖的是"发现"能力,那举证责任眼下就变重了,因为终于有人开始认真清点数字了。
关于规模的一点说明
最后一个数字,它解释了为什么尽管经历了这次审计,所有人却依然在坚持尝试。Geoui勾勒出了小分子药物的搜索空间:类药分子大约有10的60次方个。作参照:地球上每一粒沙子约为10的25次方个,宇宙中每一个原子约为10的80次方个。
这些分子既无法被合成出来,甚至也无法在计算机中被全部表示出来。但可以通过计算手段设计出来的数量,"比实际能够被物理合成出来的数量要大出好几个数量级"。
作为对比,他指出,确定17万个蛋白质结构大约耗费了50年的实验工作。而自AlphaFold问世以来,这一数字已达到数亿。
AlphaFold并没有解决药物研发的难题。没有任何认真的人会这么说。但它把一个过去要耗费一位结构生物学家整整四年博士生涯的步骤,压缩到了短短几分钟。这正是这个赛道迄今为止每一个真正胜利的形状:不是治愈,而是一个曾经等同于一整段职业生涯的步骤。
下周主题:销售与客户服务。