ARTICLE · 1297666
斯坦福学霸预言:AI制药就像造火箭,下一家SpaceX将诞生在生物领域!
生物医药研发战略专家Frank S. David、资深医药与生物科技记者Matthew Herper等都对该文章给出了极高评价。
上周，OpenAI官宣收购AI制药初创Orchestra Bio；周二，Anthropic披露收购了由“一人药企”Mithril Medicines，该公司依托AI驱动，只靠创始人Cody Tranbarge单人运营。
Anthropic创始人Dario Amodei在观点文章《仁爱的机器：AI如何让世界变得更美好》（Machines of Loving Grace: How AI Could Transform the World for the Better）开篇就将生物与健康列为前沿AI正向落地的核心方向。
两家巨头也都面向科研人员推出了AI智能体产品Rosalind与Claude Science，向药企售卖工具，赋能药物发现、开发与商业化，本身就是一门可持续的生意。
但作者认为，驱动这一系列收购的，不止盈利与向善这两层动机：前沿AI巨头正借药物研发这一场景，验证全新的人机协作范式，以此提升实体世界的生产力。
医疗和药物有本质的区别，医疗属于服务供给，需要不间断的培养更多专业人才，医生会不断老去退休，社会就要持续投入培养新医师。
但药物是长期存续的，如今接受大型手术的患者，依然受益于 20 世纪初麻醉剂与抗生素的发现。
因而开发新一代药物，无论是新型抗生素、抗病毒药、罕见病根治疗法，会是AI能带给人类最有价值的长期贡献之一。
这一贡献的诞生极为艰难，以至于很多计算机科研人员会对生物医药的推进速度感到沮丧，这很正常。
下个月是GPT诞生四周年，这个颠覆性的技术的发展速度远超人类想象。从一开始连单词strawberry里字母r的数量都数不对，AI在短短四年内已经能够提出千禧年大奖难题的全新解法。
但药物创新天然需要长周期。给12名受试者用药一个月，不可能拿到长达一年的长期安全性数据，像低密度脂蛋白胆固醇（LDL‑C）、眼内压（IOP）、骨密度（BMD）这类可靠标志物，更建立在多年结局数据的相关性验证之上。
AI能不能加速药物发现与开发？两家巨头都给出肯定答案，我也认同。
但到目前为止，生物医药领域围绕AI的热潮，大多停留在设计阶段，包括设计结合分子、数据分析、批量处理低信息密度的静态数据，这些其实都不是药物研发真正的瓶颈。
生物背景的读者都熟悉代谢通路里的限速步骤概念：整条通路的速度，无法快于通路里最慢的那一步酶促反应。那药物发现与开发的限速步骤究竟是什么？
我认为AI制药的限速步骤，是验证。疾病动物模型要么噪声很大、预测能力微弱，要么干脆给出误导信号。
想象一下：让Claude或者Codex帮你写程序，但配套的测试用例本身存在硬伤，程序上线之后马上出现了各种异常bug。
哪怕明天Claude直接输出一款阿尔茨海默病根治药的化学结构，我们也要等大约十年才能确认它是否有效，就算一切顺利、节奏拉满的情况下，也要七年。
很遗憾，我们被疾病本身的进展速度限制。只能寄希望于它在5xFAD阿尔茨海默病小鼠模型中起效，否则后续很难推进。
既然AI无法加快验证这个限速环节，那AI又该如何提速药物研发？我猜，这正是前沿 AI 实验室想要攻克的命题。
而且我们也能从AI巨头的决策中看出一个区分，对于同类最优（Best in class）、me‑too药物，AI的优势在效率加速，AI的真正颠覆性机会集中在同类首创（first‑in‑class）药物中。
药物研发和航天工程有诸多相似之处：都需要投入巨量人力与资本，细节决定成败；由多领域专家团队搭建；设计‑制备‑测试循环长达数月至数年；候选标的敲定之后，核心约束基本锁死，调整迭代空间急剧收窄；投入数年推进，最终验收（发射入轨/临床终点）是二元结果；失败虽不常有，但在预期之内。
航天领域的系统约束相对清晰，在设计阶段就可以完成大量建模，之后再投产测试，但制药却没有这个便利条件。
生物系统的约束则大多尚不明确。我们用来指导制药的替代指标，也就是动物模型，充其量只是临床终点噪声很大的替代指标。
那么，在边界认知有限的前提下，如何攻克难题？
SpaceX的答案是垂直整合，但生物科技没法照搬这套模式，火箭领域能垂直整合，是因为当年火箭供应链单薄、节奏缓慢、定价面向政府订单。与之相反，药物开发供应链完善、竞争充分、模块化程度高。
在这里，作者大胆预测到：AI制药可能诞生下一家SpaceX，但它未必是一家拥有庞大实验室和工厂的公司，而可能是一家只有少数核心科学家、背后运行着大量AI Agent、能够同时管理多条药物管线的虚拟Biotech。
背后的论证有三点，首先是像Mithril这类依托AI的一人药企诞生，开创了一种新模式。只需要有独特的生物学洞见，同时接入成熟的药物研发供应链，就能由AI提供低成本、高速试错指引，再交由专业CRO完成其擅长的实验工作。
这种极致精简、AI赋能的架构所需要的资金成本是远远低于同行的，在面对高度不确定性时，这类公司能更勇敢的推进同类首创（first‑in‑class）管线。
他还以团队亲身经历举例，随着模型能力提升，其团队扩张需求下降，项目质量提升，节约了大幅成本。
Orchestra被OpenAI收购也透露出一个趋势：高效药物研发，很大程度在于优秀的项目管理。
不管做药还是造火箭，都是在限定时间、预算内完成科研，而Orchestra这类平台的价值，就是保障项目不超期、不超预算。
其创新点之一，是搭建底层数据模型，让整套研发流程对AI智能体可读，数据中心并行运行的 “天才集群” 智能体，可以同步管理项目、解决问题。
在文章最后，作者还大胆的预测到，AI制药如果成功，AI for Science的雄伟宏图将有望实现。
他观察到，目前AI已经在编程、纯数学领域取得了诸多成功，当AI拥有明确奖励目标与海量样本时，其进展可谓一日千里。但药物开发并没有这些先决条件。
那么整个现实世界、整体的经济活动，更像软件开发，还是更像药物研发？
作者认为，绝大多数的科研工作其实介于两者之间。
药物研发的痛点，这些漫长验证闭环、分散庞杂的上下文、大量主观判断在各行各业普遍存在，只是药物研发对错误容忍度更低、不确定性更强。
所以，如果Claude、Codex能够攻克药物研发难题，它们大概率可以解决世界上绝大多数科学研发问题。
想要让AI在科学领域成为一种底层能力并广泛落地，就必须适应长验证周期、高不确定性的环境。计算机辅助设计（CAD）工具确实在很多工程细分场景发挥作用。
但如果想用AI搭建低成本海水淡化方案，解决美国西部缺水问题，就需要AI整合异构数据源、模拟项目依赖的复杂耦合关系、保留全部输入溯源信息，对接大量协作方。这套描述，听上去和药物研发高度相似。
用AI加速汽车研发同理。前沿AI模型现在已经可以精细建模加快设计环节。但量产制造环节呢？这就需要高精度管理供应商、建模数百项互相耦合的任务、整合多套人类可读数据源，精度达到毫米乃至微米级。
当AI面对实体世界里的长周期验证任务时，它们需要全新的信息管理方式、系统建模框架，以及辅助人类决策的机制。
如果AI可以加速全新药物的发现与开发，那么这份造福人类的实践经验，还可以迁移到其他复杂实体产业，真正做到全面释放AI生产力
