夜雨聆风如果说 AlphaFold 让外界第一次看清 AI 能在生命科学里做多大的事，那么 Demis Hassabis 现在想做的，已经不是“帮助科学家更快一点”，而是把药物设计这件事本身，变成一套越来越自动化的机器流程。
这件事一旦做成，影响不会只停留在实验室。它会改写药企的研发逻辑、重新分配生物医药行业的利润，也会把一个更尖锐的问题推到台前：当最关键的科研工具开始掌握在少数 AI 公司手里，谁来决定它该开放到什么程度？
从预测蛋白质，到设计候选药物
Demis Hassabis 接受《经济学人》采访时透露，Google DeepMind 孵化出的 Isomorphic Labs，已经推进了 19 个药物项目，集中在癌症、心血管疾病和免疫学三个方向。更重要的不是项目数量，而是它背后的思路变了。
过去很多 AI for Drug Discovery 公司，做的是“局部提效”：帮研究员筛得快一点、算得准一点、少走一点弯路。DeepMind 想做的则更像是一个“药物设计引擎”——不仅能看懂蛋白质结构，还能预测候选分子的结合能力、相互作用和成药潜力，最终把原本高度依赖经验、直觉和漫长试错的流程，压缩成可迭代、可放大的工程系统。
换句话说，AlphaFold 改变的是“看见”的能力；而 Isomorphic 真正想拿下的，是“设计”的能力。
制药业最贵的，不是实验，而是不确定性
药物研发一直是一个极端昂贵、极端低成功率的行业。真正吞噬时间和资金的，不只是实验本身，而是不确定性：
- 这个靶点到底是不是对的；
- 这个分子有没有机会真正起效；
- 它会不会在后期因为毒性、稳定性或副作用被淘汰；
- 研究团队是不是在一条一开始就不值得走的路上反复投入。
所以 AI 对制药的最大价值，未必是把每一步都做得更快，而是更早筛掉错误方向，把“无效试错”的比例降下来。
这也是为什么 Demis 特别强调一个新的内部模型 IsoDDE。按他的说法，这已经不是单纯的学术工具，而是面向药物设计的商业系统。它能覆盖比 AlphaFold 更广的生化交互预测，尤其是分子与蛋白质之间结合效果这类决定成药价值的关键指标。
如果这套能力真的被验证，药企竞争的核心就会从“谁更会做临床和销售”，进一步转向“谁先拥有更强的模型、更大的数据闭环，以及更快的实验反馈系统”。
真正的变化，是药企开始更像 AI 公司
这也是这轮变化最值得警惕、也最值得兴奋的地方。
过去的大药企，本质上是临床、渠道、监管和资金密集型组织；未来的头部药企，很可能同时还是算力密集型、模型密集型和数据密集型组织。药物研发会越来越像一条“模型提出假设—实验快速验证—模型继续修正”的循环链路。
这意味着两件事会同时发生。
第一，行业门槛会继续抬高。因为你不只需要实验平台和监管能力，还需要顶级算法人才、算力资源，以及能持续喂养模型的数据体系。传统 biotech 创业公司如果只靠一个靶点故事，未来会越来越难。
第二，平台化机会会变大。谁如果能把“发现—设计—验证”做成稳定平台，谁就不只是做一款药，而是在卖一种持续产出候选药物的能力。这比单个 blockbuster 更像基础设施生意。
从这个角度看，Isomorphic Labs 的真正赌注不是某一款药，而是“药物设计自动化平台”这件事能不能成立。一旦成立，它对行业的冲击，可能比 AlphaFold 当年更大。
但越强大的科研工具，越不会轻易开放
采访里还有一个很值得注意的细节：Demis 明确承认，之所以不把相关模型完全开放，不只是商业原因，也包括 biosecurity 和 biosafety 的考虑。
这套说法并不陌生。近一年，越来越多 AI 公司都在用类似逻辑解释“为什么某些能力不能完全公开”：担心被滥用于网络攻击、化学合成、生物风险，或者其他高危场景。
问题在于，这会把一个过去主要由科学共同体决定的问题，逐渐转移到公司高管手里——哪些模型该公开，哪些只给合作伙伴，哪些只留在内部，最后都可能变成少数实验室和公司董事会的决定。
这未必是阴谋，更像是一种现实：最先进的科研工具正在同时具备公共品属性和战略资产属性。它既可能帮助全世界更快找到新药，也可能因为安全、商业和地缘竞争，被锁进更封闭的体系里。
下一个分水岭，不是模型会不会做药，而是它能不能走进现实
现在下结论说 AI 会“治愈所有疾病”，显然还太早。药物研发的真正难点，从来不只在分子设计，还在临床试验、人体差异、监管审查、生产工艺和商业化落地。实验室里漂亮的结果，离真正上市药物之间，往往还隔着几年甚至十几年。
但这不妨碍我们看到方向已经很清楚：AI 正在从科研助手，变成科研流程里的核心生产力。
未来几年，最值得看的不是 AI 能不能提出惊艳的候选分子，而是它能不能稳定地把候选药物推进到临床、证明成功率确实提高、并把研发周期真实压缩下来。只要这三件事里有两件成立，制药业就会进入新的时代。
说到底，Demis Hassabis 想自动化的不是某个实验步骤，而是人类寻找新药的方式本身。
而这，才是这篇采访里真正让人后背发紧的地方：如果药物发现开始像训练模型一样被重写，医学的未来很可能会先变成一场算力、数据和平台能力的竞争。
