藥物研發長久以來一直是一個耗時、昂貴且風險極高的行業，而在這個AI技術日益成熟的時代， Isomorphic Labs公司（從DeepMind分拆出來）正在試圖改變這一現狀。

留意到Isomorphic Labs首席AI官Max Jaderberg的一次訪談，他揭示了如何利用AI徹底重塑藥物發現，這可能會導致全球醫藥研發模式的根本性轉變。

Jaderberg講了這樣一個趨勢：AI系統有望在龐大到幾乎無法想象的分子空間中（科學家估計有10^60種可能性，遠超宇宙中的原子數量）發現突破性藥物，他還解釋了Isomorphic Labs的“完美藥物設計系統”愿景，以及如何利用AI技術在這片廣袤的“分子海洋”中精準導航。

最引人深思的是Jaderberg將藥物發現比作復雜的策略游戲——需要AI既精通“游戲規則”（生物化學原理），又能像聰明的“游戲玩家”那樣找到創新性解決方案。他引用AlphaGo著名的“第37步”作為類比——一步當時被所有人類專家認為錯誤但最終證明至關重要的棋著，后來卻證明是制勝關鍵。“我們可能很快就會看到AI設計出人類科學家從未想到過的藥物分子，而這些分子可能成為治療疾病的關鍵。”

Isomorphic Labs團隊正在努力實現多個像AlphaFold一樣級別的科學突破，Jaderberg表示有充分理由相信，未來十年藥物研發領域將迎來翻天覆地的變化。如果他們的愿景成真，AI不僅會加速藥物研發進程，還將從根本上改變我們理解和治療疾病的方式，為人類健康帶來前所未有的可能性。

在傳統制藥行業面臨轉型壓力之際，Max Jaderberg這樣將AI創新與醫學使命相結合的先行者，或將引領全球醫藥產業步入一個嶄新的時代。

參與強化學習的成長

在探討Isomorphic Labs的宏偉使命之前，Max首先回顧了他在深度學習領域的職業歷程。作為DeepMind的早期成員，他參與編寫了許多開創性論文，包括「Capture the Flag（奪旗）」和「AlphaStar」等突破性研究。

“在DeepMind時，我接觸了各種研究方向，從早期的計算機視覺到深度生成模型。但真正吸引我的是強化學習，當時DeepMind絕對是全球強化學習研究的中心。”Max說，“我們當時思考的核心問題是：如何訓練一個AI，能夠執行任何我們想讓它做的任務。”

Max指出，當時機器學習領域的主流范式是監督學習，它與強化學習有本質區別。在監督學習中，你需要知道問題的答案才能訓練模型；而在強化學習中，你不需要知道確切答案，只需能夠評判模型給出的答案好壞即可。

如果從AI應用的角度思考，監督學習適用于人類已經擅長的領域，但真正的前沿在于那些人類尚未掌握或存在能力限制的領域——這正是強化學習大有可為的地方，強化學習不要求知道答案是什么，只需能評估答案的好壞程度，這打開了一個全新的問題領域。

DeepMind早期的重大突破之一，是在Atari游戲上應用強化學習。而Max和團隊的下一個挑戰是：如何將這種方法擴展到更接近現實世界復雜問題的系統？

“從概念上講，我們需要從簡單的Pong和太空入侵者等游戲，過渡到真正看起來像現實世界問題的領域。我們逐步擴展這些方法的規模，取得了驚人的進展。”Max回憶起在研究過程中，團隊經常一邊訓練AI智能體，一邊在間隙玩上一局Pong游戲，“這些經典游戲確實很有趣。”

用游戲訓練AI

在談到「Capture the Flag（奪旗）」和「AlphaStar」這兩個重大突破時，Max解釋了為什么選擇這些特定游戲作為研究對象。（編者注：奪旗模式（Capture the Flag） 是一種多人游戲模式，玩家需要奪取對方的旗幟并保護自己的旗幟，DeepMind用這個游戲訓練AI學習團隊合作和策略思維。AlphaStar是DeepMind開發的AI系統，是首個在《星際爭霸II》這款復雜戰略游戲中擊敗頂級職業玩家的AI。）

“首先，視頻游戲就像是完美封裝的世界，是可以完全被控制的小世界。”Max解釋道，“作為研究人員，我們可以隨意調整游戲設置，測試不同的AI方法，這讓游戲成為開發新AI技術的理想場所。”

隨著研究深入，簡單的Atari游戲已經不夠用了。Max有個大膽的目標：創造能適應任何新挑戰的AI智能體，而不必為每個新任務重新訓練它。

“我們想要的是這樣一種AI：訓練一個智能體，它就能面對任何全新的任務并表現出色，不需要額外訓練，這就像是要求AI具備‘舉一反三’的能力。要做到這一點，你需要用大量不同類型的任務來訓練它。在強化學習中，訓練數據不是圖片或文字，而是各種各樣的任務本身。”

團隊最初嘗試手動創建各種小游戲和虛擬世界來訓練AI，但很快就遇到了瓶頸——人類的創造力有限。

“這就是多人游戲的神奇之處，”Max說，“一旦從單人游戲轉向多人游戲，情況就完全不同了。不僅僅是AI在玩，還有其他玩家參與其中。每個不同的對手、每種不同的策略都會從根本上改變游戲性質和AI的目標。”也就是說，多人游戲和多智能體系統提供了智能體可能遇到的任務多樣性，而這種多樣性是由于其他玩家的存在。

他用國際象棋舉例：“為什么人們數百年來一直癡迷于國際象棋？為什么職業棋手每天仍然興致勃勃地下棋？表面上看是同一個游戲，但實際上每次面對不同的對手，游戲本質上就完全不同了。”

“Capture the Flag（奪旗）”是團隊首次利用多人游戲來拓展AI能力的嘗試，它證明AI可以在復雜的多人第一人稱游戲中達到人類水平。而“AlphaStar”模式則代表了更高難度的挑戰。

當被問到這些早期理念如今在語言模型中的應用時，Max欣慰地表示：“看到7年前我們只能討論的基礎概念，如今在大語言模型中發揮如此重要的作用，真的很令人滿足。當時我們只敢夢想的性能，現在已經變成了現實。”

從趣味性AI系統，到解決真實世界難題

Max講述了他如何從開發“趣味性AI系統”逐漸轉向“解決真實世界難題”的經歷，特別是在藥物設計領域的突破。

“我沉迷于深度學習已經10多年了，這個領域最讓我著迷的是，那些基礎的核心概念就像樂高積木一樣，可以奇妙地應用到完全不同的領域。無論是2012年的計算機視覺技術，還是早期的生成式AI，再到語言和強化學習，它們都用著同樣的基礎構件。”

Max不斷發現一個規律：只要結合這些基本概念、聚集優秀人才、再加上足夠的計算資源，就能解決那些看似遙不可及的難題。

“我一次又一次地看到，當我們拿著這些關鍵技術，組建一支像‘頂級廚師’一樣精通如何混搭這些技術的團隊，去挑戰真正困難的問題時——那些你在會議上聽到行業專家說‘至少還需要10年’的問題，我心里卻知道‘我們基本上已經解決了’。”

“我一直都想看到這些技術真正應用到現實生活中，帶來積極的變革。現在，這個時機終于成熟了。”

Max與DeepMind創始人兼CEO Demis Hassabis的合作已經持續了十年。他們的公司Vision Factory和DeepMind都在2014年左右被谷歌收購，此后兩人便開始共事。Max分享了與這位他稱為“我們這個時代最偉大的科學家、技術專家和創業者之一”的合作經歷。

“Demis真的是個非常了不起的人，一個真正有遠見的人。他的感染力超強，只要聊五分鐘，你就能感受到他宏大的愿景和實現這些愿景的緊迫感。他有本事給一群非常聰明的人注入巨大的能量，讓大家看到眼前困難之外的可能性。”

Max舉了個生動的例子：“我記得在DeepMind早期辦公室的大廳里，我們正在慶祝發表了公司的第一篇《自然》雜志論文。當時Demis說，‘這實際上只是我們要發表的幾十篇《自然》論文中的第一篇。’那時候，這差不多是第一篇登上《自然》的機器學習研究——關于AI玩Atari游戲的論文。幾十篇《自然》論文的目標聽起來簡直不可思議。他甚至說，‘而且我們會因此贏得諾貝爾獎。’那是10年前的事了。”結果他真的在2024年拿到了諾獎。

“Demis有一種我稱之為‘前瞻性思維’的能力，可能是因為他下國際象棋的經驗，他總是在展望未來，思考現在需要采取哪些步驟才能達到那個宏大目標。”

Isomorphic Labs愿景：開發一個通用的AI藥物設計引擎

談到Isomorphic Labs的使命，Max用簡單但充滿激情的語言描述了他們的愿景：利用AI徹底改變我們發現和開發藥物的方式。

“在Isomorphic，我們的目標非常大膽——我們想要解決所有疾病！我們正在打造的AI技術將徹底改變兩件事：一是我們理解生物世界的方式；二是我們設計化學物質來調節生物機制的能力。”

“想象這樣一個未來：我們能夠應對任何疾病，AI不僅幫我們發現、創造和設計新的治療方法，還能讓我們真正看懂生物世界的運作方式——我們的細胞是怎么工作的，疾病的真正原因是什么，從而找到全新的治療途徑。”

Max強調，Isomorphic從創立之初就懷揣這個宏大夢想。他們不是專注于某一種特定疾病或某個特定靶點，而是致力于創建一個通用的“AI藥物設計引擎”，可以應用于任何靶點、任何類型的疾病。

當被問到如何從一開始就建立這種通用性時，Max解釋了Isomorphic與傳統藥物設計AI的根本區別。

“目前藥物設計中的AI應用，有很多使用機器學習模型的例子，大多是我稱之為‘第一代’或’局部模型‘。這些模型通常只有特定靶點的數據，或者只了解特定分子類別的行為數據。你用一個小型AI模型來學習這些有限的數據，幫你做一些預測，指導下一步設計。”

“我們的方法完全不同。從第一天起，我們就致力于創建能夠適用于整個化學領域和各種靶點的模型。AlphaFold就是一個很好的例子——這個模型可以應用于任何蛋白質，可以處理任何你能想到的小分子，而且不需要額外調整，不需要任何專門的數據。”

這種通用性徹底改變了科學家使用這些工具的方式。在Isomorphic的每個研究項目中，他們都堅持這一理念：開發能應用于任何靶點、任何疾病機制的通用模型。

就像一把能開各種鎖的萬能鑰匙，而不是為每把鎖單獨打造鑰匙，Isomorphic的AI系統旨在成為藥物研發的通用解決方案。

挑戰：我們還需要“半打”AlphaFold突破

Max首次透露，要實現他們夢想中的革命性藥物設計系統，還需要幾項和AlphaFold同等級的科學突破。

AlphaFold是理解生物分子結構的一項重大突破。AlphaFold 2讓我們能看清蛋白質的三維結構，而AlphaFold 3則讓我們能看清蛋白質與藥物分子、DNA和RNA是如何相互作用的。這是巨大的進步，讓我們能夠以實驗級的準確度理解生物化學的核心原理。

“說實話，我認為我們可能還需要5-6個類似的突破——在生物學和化學的其他關鍵領域達到實驗級準確性的突破——才能真正變革藥物設計。因為藥物設計極其復雜，不僅僅是了解蛋白質結構，也不僅僅是設計能以特定方式影響蛋白質的分子。”

“理想的藥物需要很多條件：你希望這個分子能做成藥片方便服用，能在體內被正確吸收，能到達目標器官和細胞，能進入細胞內部，還不能被肝臟過快分解掉。作為藥物設計師，你需要考慮許多復雜因素，每一個因素都需要像AlphaFold那樣的突破性進展。”

AlphaFold 3是一項真正開創性的突破，它讓我們從僅能看清蛋白質結構，進步到現在能夠模擬所有分子及其相互作用。Max用通俗的語言解釋了這一進展的意義：

AlphaFold 2是讓我們看清蛋白質結構的重大突破。后來又有了AlphaFold 2 Multimer，讓我們不僅能看清單個蛋白質的結構，還能理解多個蛋白質如何組合在一起形成復合物，這幫助我們解答了許多生物學難題。

但要設計治療藥物，還有一大步要跨越。許多常見藥物屬于“小分子”類別，它們不是蛋白質，比如咖啡因或撲熱息痛，通常可以做成藥片吃下去。這些小分子藥物的工作原理是，它們進入細胞后會粘附在特定蛋白質上。

蛋白質是生命的基本構件，它們通過與其他蛋白質相互作用形成“分子機器”。想象一下，如果有另一個分子——你的藥物——附著在蛋白質上，它可能會干擾該蛋白質與其他蛋白質的正常相互作用，從而調節該蛋白質的功能。這就是藥物設計和治療藥物工作的本質。

作為化學家或藥物設計師，你的工作是設計一個小分子，它會附著在特定蛋白質上，改變或增強其正常功能。了解這個小分子如何與蛋白質互動非常重要——它們形成什么樣的結構？有哪些物理互動？

“這就是啟發AlphaFold 3創建的原因——現在我們有了一個模型，不僅能預測蛋白質的結構，還能預測蛋白質如何與小分子、DNA和RNA等基本生物分子相互作用。這基本上讓我們能夠看清藥物設計的核心部分。”

“AlphaFold 3非常準確，讓我們可以完全在計算機上回答這些問題，而以前你必須去實驗室，花上六個月甚至幾年，親手結晶這些物質才能看清它們，有時甚至根本無法做到。現在在Isomorphic，我們的藥物設計師只需坐在電腦前，通過網頁界面就能理解設計變化及其影響。”

當被問到訓練AlphaFold 3面臨的挑戰以及為什么選擇擴散模型時，Max用簡單的語言解釋了這個復雜問題。

“我們面臨的一個最有趣的難題是：如何讓AlphaFold從只認識蛋白質擴展到認識DNA、RNA和小分子藥物。”

首先，我們需要解決如何‘標記’這些不同類型的分子。對DNA和RNA來說比較簡單，我們可以按照它們的基本單位（堿基）來標記。但對小分子藥物，我們嘗試了很多不同的方法，最后發現直接到原子級別的標記效果最好。

然后，預測這種混合分子結構。我們不能用AlphaFold 2相同的框架，這時擴散模型就派上了大用場。我們可以單獨模擬每個原子及其在三維空間中的位置，讓擴散模型生成這些3D坐標，同時使用我們的標記方式來引導這個過程。

“這是一個巨大的突破。尤其是在小分子-蛋白質相互作用準確性方面，我們取得了飛躍性進展，這真正為整個項目打開了大門。”

尋找“藥物設計圣杯模型”與“智能科學助手“

Max描述了他所說的“藥物設計圣杯模型”和“科學智能體”的概念，這是Isomorphic Labs愿景的核心。

“我們一直在追求的一些研究方向，比如預測分子的結構和性質，以及這些生物分子如何相互作用并隨時間演變，這些真的是藥物設計中的‘終極問題’。我們已經取得了令人難以置信的突破，徹底改變了我們在Isomorphic內部設計藥物的方式。”

但Max指出，即使創造了世界上最好的預測模型，也不足以完全解決藥物設計問題。

“有一個數字：10^60，這可能是所有可能的類藥物分子的數量。就算我們把這個數字減少20個量級，得到10^40，這仍然是個巨大的數字。即使你有世界上最好的預測模型，能篩選10億個不同的分子（10^9），我們仍然有10^31個分子沒有探索。”

“所以，即使有最好的預測模型，我們也只是觸及了應該探索的分子空間的表面。這就是為什么我們需要超越預測模型，需要能夠自動生成分子的模型，需要能夠在這個10^40到10^60龐大空間中智能導航的‘智能體’。”

Max用一個簡單的比喻解釋：“分子設計更像圍棋而不是國際象棋。和國際象棋不同，我們不可能計算出圍棋中所有可能的走法。同樣，我們不可能枚舉出所有可能的分子設計。這就是生成模型的用武之地——利用能自動創造分子的模型、智能搜索技術、和這些驚人預測能力的智能體，真正打開整個分子宇宙。”

“令人驚訝的是，即使沒有AI，人類科學家也已經在這個10^60或10^40的空間中找到了一些有效藥物。這表明可能存在很多‘重復解’，很多潛在的可行設計。對于特定疾病或特定靶點，應該存在多種設計方案，它們都能成為良好的治療藥物。”

Max將這種方法與他的游戲AI背景聯系起來：“我們必須創建我們的「世界模型」，我們的生化世界模型，我們的生物世界模型。但我們不止步于此，還需要創建能夠自動探索的智能體和生成模型。如何在這個龐大的化學空間中找到那些珍貴的‘針’——那些可能改變數百萬人生命的藥物。”

AI在生物學中的三大支柱：數據、計算與算法

談到數據、計算和算法的重要性時，Max回應了Demis在一次采訪中說的“我們在生物學方面并不受數據限制”這一觀點。

“無論你在機器學習的哪個領域工作，你總會感覺數據不夠用。我理解Demis的意思是，數據不是真正卡住我們的瓶頸，我們可以利用現有數據和我們能自己創造的數據取得很大進展。我們不必等50年，讓世界產生足夠的數據才能做出影響，完全不是這樣。”

“有些領域的數據其實已經存在多年了，我們現在能取得比以往好得多的成果。但這并不是說生物學領域沒有數據機會。思考‘我們應該創造什么樣的數據’將是我們繼續開發這些模型和系統的重要部分。”

“我認為，為生物學機器學習專門設計的數據其實還沒有被創造出來。雖然有很多歷史數據，但這些數據不是為訓練AI而收集的。當你思考如何專門為訓練模型創造數據時，你的思路與過去科學家收集數據的方式完全不同。這里有很大的創新機會。”

當被問到目前缺少什么類型的數據以及是否需要合成數據（人造數據）時，Max表示他一直是合成數據的堅定支持者。

“從我職業生涯開始，我就一直看好人造數據。在我的博士研究中，我曾經生成人造文本數據，來克服我只能訪問幾千張圖像而谷歌有數百萬張圖像的局限。在化學領域，我們也面臨類似情況。”

“幸運的是，我們對物理有很好的理論基礎。我們對量子化學和量子力學有相當了解，可以創建計算機模擬。我們可以簡化這些理論，創建更高效的分子動力學模擬。這為生成大量人造數據提供了基礎。再加上AI生成模型本身，我們可以創造新數據，并使用評分系統來提高這些數據的質量。”

但Max指出，一個重大的未開發領域是“活體數據”（in-vivo data）——通常需要在活的動物如小鼠或大鼠身上測量的數據。“對于活體數據，雖然有一些歷史記錄，但你不能輕易地大量生成，實際上有些根本無法在實驗室外生成。這里存在利用新的數據生成技術的重大機會。有些杰出的研究者正在開發‘芯片上的微器官（organoids on a chip）’等技術——這些方法開始測量你通常需要在真實動物身上才能測量的東西，但完全在芯片上進行。”

“我相信在生物學和化學的數據生成技術方面，會有一系列全新的突破，這將徹底改變我們模擬生命世界的方式。”

如何組建未來的藥物開發團隊

Max分享了他如何組建一個集合AI、化學和生物學等多領域頂尖人才的團隊，以及如何引入新思想挑戰傳統觀念。

“AI藥物設計這個領域其實很新，所以想找到既精通藥物設計又是機器學習專家的人幾乎是不可能的，僅僅因為這兩個領域交叉的時間還不夠長。”

“我相信Isomorphic實際上正在培養一個全新的科學領域，因為我們有這些真正生活在這個交叉點上的人。但因為我們無法直接招聘到這樣的復合型人才，我的策略是：把藥物設計和藥物化學的專家與機器學習和深度學習的專家聚到一起，讓這些出色的人并肩工作。”

“單純讓這些優秀的人在各自獨立的團隊中工作是不夠的。我們需要讓大家真正坐在一起，學會理解對方的‘語言’，帶著極大的同理心和好奇心去了解這門新科學，在自己的領域中建立新的直覺。”

Max指出，在招聘機器學習科學家和工程師時，團隊中60-80%的人在加入前對化學或生物學幾乎一無所知，但這實際上可能是一種優勢。

“這種‘不懂’反而可能是一種財富，因為你進入時帶著一種‘天真’的視角。只要你保持好奇心，敢于問那些看似‘愚蠢’的問題，這讓我們能夠從第一性原理思考問題。它幾乎讓我們突破了過去經驗的教條和人們傳統上處理這些問題的方式。我們可以從零開始思考。這正是我們創造研究突破的思維方式。”

展望：藥物設計的“GPT-3時刻”，更像是AlphaGo的“第37步”

當被問到AlphaFold未來的發展方向時，Max用簡單的話表達了他對完全解決分子結構預測的期望。

“我認為AlphaFold 3是朝這個方向邁出的重要一步，是一個重大突破，但它還不是100%準確。在這個領域，100%準確到底意味著什么？科學就是這樣，當你開始突破邊界時，你會發現一個問題往往會引出更多的問題。這正是科學令人上癮的部分。”

“AlphaFold 3就是一個很好的例子，當你開始擁有這些能力時，你會發現其實還有更深層次的問題等待解決。更好、更準確地理解結構當然很重要，但這不僅僅關于靜態結構。AlphaFold 3模擬的是晶體結構，這些基本上是分子被凍結在某一刻的樣子。但實際上，我們體內沒有這種晶體，這些分子在溶液中是活動的，它們在不斷移動，是動態的。所以，理解這些系統的動態變化可能也非常重要。”

當被問到AI在生物學領域的“GPT-3時刻”會是什么樣子以及何時到來時，Max給出了引人深思的回答。

“GPT-3本質上是一個生成模型，是一個能創造文本的模型。對我來說，GPT-3時刻是當這類模型跨越了一條界線——從‘我們有文本生成模型，它們能產出一些看起來像人類寫的東西，但不太像’到’哇，這真的看起來像是人寫的‘。GPT-3是第一個讓人有這種感覺的模型。”

“簡單來說，一個好的生成模型能夠重現它從訓練數據中學到的世界樣貌。當我把這個概念應用到生物學時，你可以想象在’GPT-3時刻‘，這些生成模型開始能夠重現現實世界。這非常令人興奮，因為這意味著這些模型可以輸出真實存在于世界上的東西——我們可以驗證它，甚至發現世界上已存在但我們不知道的新事物——或者它們可以創造出理論上可以存在的東西，我們可以制造出來并在現實世界中使用。”

但Max認為，生物學領域的“GPT-3時刻”可能不會像語言模型那樣容易辨認，而更像AlphaGo的“第37步”。

“語言是人類發明的，所以當AI生成人類水平的文字時，我們能理解和欣賞它。但在化學和生物學領域，很多問題連人類自己都難以完全理解。所以當我們達到‘GPT-3時刻’時，它可能不會像GPT-3那樣顯而易見，而更像是AlphaGo的‘第37步’——我們開始看到一些超出人類理解范圍但確實在物理世界中有效的東西——這將讓人震驚。”

“事實上，我們已經開始在內部看到這種情況了。有時候我們的AI模型會創造出一些設計，讓人類藥物設計師說‘我不太確定這個設計好不好，我更喜歡那個設計’。但當你在實驗室中測試它時，發現AI是對的，而人類專家是錯的。”

Max特別強調了AlphaGo的“第37步”這個比喻的重要性，這是AlphaGo與圍棋世界冠軍李世石對弈時的一步棋。

“這是比賽中的第37步棋，它震驚了世界，震驚了整個圍棋界，因為它對人類來說是不可解釋的，它看起來像是一個錯誤，在圍棋幾千年的歷史中，沒有人下過這樣的一步棋。但隨著比賽的進行，這步棋被證明是關鍵的一步，最終幫助AlphaGo在那場比賽中戰勝了李世石。”

“我們將會看到越來越多這樣的情況——AI模型做出人類難以理解但卻非常有效的決策，特別是當我們把它們應用到像化學和生物學這樣人類本能理解有限的領域時。”

從實驗室到臨床，還有多久？

當被問到什么時候會看到第一個AI設計的藥物進入臨床試驗時，Max表示他們在藥物設計項目上已經取得了令人驚訝的進展。

“現在我在思考的是，當我們開始把這些AI設計的分子送入臨床階段時，我們該如何參與臨床開發過程，好讓這些藥物盡可能快速、安全地送到需要它們的人手中，因為世界上有太多未得到滿足的醫療需求。”

“我們正在探索與藥監局打交道的新方法，以及如何更好地利用我們的預測模型。這些模型不僅能預測藥物對疾病的作用，還能預測它如何與身體其他部分互動，可能會引起哪些副作用。”

“我相信會有很多機會讓這個過程變得更簡單、更快速。甚至可能徹底改變我們對人體臨床試驗的看法，因為我們的AI模型能更快、更精準地設計分子，并且對這些分子的工作原理有更深入的理解。”

雖然如此，Max也坦率地承認，整個行業還有很長的路要走，才能真正弄清楚AI將如何徹底改變藥物研發流程。

最后，Max被問到隨著Isomorphic的成功以及整個AI藥物設計領域的發展，傳統制藥行業會發生什么變化時，他說：“我相信五年后，沒有人會在不使用AI的情況下設計藥物。這是不可避免的，這就像想在不用數學的情況下做科學研究一樣不可能。AI將成為生物學和化學研究的基礎工具，它在Isomorphic已經是這樣了，未來每個人都會用它。”

“所以，問題不會是‘是傳統制藥還是AI’，而是兩者將融為一體，整個行業都會適應這一變化。”