2025 年初，諾獎得主 Demis Hassabis 預測，「今年年底前很有可能會有一些人工智能設計的藥物進入臨床試驗階段。」

今年 6 月 30 日，OpenAI 投資的 Chai Discovery 發布的 Chai-2 模型，在完全全新的抗體設計中實現了 16% 的命中率，能夠以極高的效率找到與特定靶點結合的抗體，且在不同應用領域具備可擴展性。

把AI藥物研發，從「實驗發現階段」帶入到了「臨床試驗階段」。

分子生成平臺對藥物研發的意義類似于 GPU 之于 AI，將成為行業的新基礎設施。Chai 2 將模型能力從「預測結構」帶向了「生成分子」，也將藥物設計流程從「科學實驗」轉向了「工程問題」。

某種意義上來說，這是分子領域的 Midjourney 時刻：只需描述想要的分子功能或靶點，AI 就能自動生成一批極有可能「命中」的分子設計，而且這些設計在實驗中真的能用。

在播客「No Priors」中，投資人 Sarah Guo 與 Chai Discovery 的兩位聯合創始人 Josh Meyer 和 Jack Dent 進行了對談，深入探討了 Chai-2 的技術原理、結構預測在模型中的作用，以及使用該模型優化其他分子特性的未來潛力等。

超 9000 人的「AI 產品市集」社群！不錯過每一款有價值的 AI 應用。

邀請從業者、開發人員和創業者，飛書掃碼加群：

進群后，你有機會得到：

• 最新、最值得關注的 AI 新品資訊；
  

• 不定期贈送熱門新品的邀請碼、會員碼；
  

• 最精準的AI產品曝光渠道

0116% 的成功率是藥物研發的「工業化革命」

主持人：Jack，請你為我們介紹一下 Chai 2 取得的突破性成果，以及它為什么如此重要？

Jack Dent：Chai 2 是我們最新一代的模型，它在多項任務上都達到了業界頂尖水平。但我們最感興奮的特定領域，是分子設計。

我們已經證明，Chai 2 能夠高效設計一類被稱為「抗體」的生物藥。抗體是當今最重要的治療性分子之一，在近年獲批的新藥中占比接近 50%，全球十大暢銷藥物中更有七種是抗體藥。

通過 Chai 2，我們展示了設計全新抗體的能力，使其能夠精準靶向我們預設的目標。整個過程的驚人之處在于，我們僅需在實驗室中測試約 20 個由AI設計的分子，就能獲得 16%的成功率。這意味著我們能以極高的效率找到能與特定靶點結合的抗體。

圖：Chai-2 靶向 52 個抗原。藍色框表示在 ≤20 個已檢測設計中至少有一個成功結合的靶點，占已測試靶點的 50%。

對于整個領域而言，Chai 2 的這一成果是一次重大的飛躍。要知道，當我們啟動這個項目時，為公司設定的全年目標成功率僅僅是 1%。我們之所以設定這個看似保守的目標，是因為在此之前，其他計算技術的成功率可能只有 0.1%，甚至更低。

如果我們將視野拓寬到傳統的藥物發現方法，那么情況就變得更加嚴峻了。 傳統的實驗室高通量篩選，研發人員需要篩選數百萬甚至數十億個化合物，才能找到一個有效的分子。這就是為什么我們稱之為「藥物發現」（Drug Discovery），它的本質是一個發現問題，一個搜索問題。科學家們就像在巨大的酵母或噬菌體展示庫中「淘金」。

另一種傳統方法，是給動物（如小鼠或駱馬）注射抗原，等待數周，在其免疫系統產生反應后，抽取血液，分離并篩選抗體。我們應對新冠疫情的早期，就是這么做的：找到康復者，從他們體內提取抗體，希望能找到一種能夠中和病毒的「神藥」。你可以想象，這絕對不是一個高效或可控的規范流程。

因此，Chai 2 所展示的計算設計成功率，相比之前的頂尖計算方法，提升了數個數量級；而相比傳統的實驗室方法，其效率的提升更是難以估量。

Chai 2 的價值體現在兩個層面：

1. 一是能讓現有的藥物研發「更快、更好、更便宜」：將大幅縮短藥物研發周期，更快地為指定靶點開發出候選藥物。

2. 二是解鎖那些因技術限制而無法觸及的全新靶點：這是我們真正感到興奮且更為重要的一點。這項技術將開啟一整類全新的、過去用現有方法根本無法觸及的「不可成藥」靶點。

我認為，當前的生物科技行業正處在一個相對低迷的時期，XBI 指數（一種標普生物科技精選行業指數）在過去五年表現不佳，我們正經歷幾十年來最嚴峻的生物科技熊市之一。但隨著 Chai 2 這樣的技術突破，我們開始看到生物科技領域真正的平臺級轉變的最初曙光。這種轉變并不常見，上一次或許要追溯到上世紀 70 年代重組 DNA 技術的誕生。在未來五到十年，將有一整類全新的分子被我們創造，一整類全新的靶點被我們解鎖，從而開拓全新的市場，為患者帶來真正能夠治愈頑疾的新療法。這對我們來說，是一個無比激動人心的前景。

02藥物研發從「手工藝」走向「工程化」

主持人：Josh，在你們看來，Chai-2 這樣的技術將如何改變生物科技行業？它帶來的最大影響是什么？

Josh Meyer：我認為影響主要在兩個層面：

1. 將分子發現過程「工程化」：過去，發現一個有效的分子需要花費數月甚至數年的實驗室探索。現在，我們可以將這個過程變得快得多，因為絕大部分的「篩選」工作都在計算機上以虛擬方式完成了，而不是在實驗室里。

2. 解決過去無法觸及的問題：這是我們更感興奮的部分。我們的模型并不完美，在我們測試的靶點中，它只有在大約一半的情況下奏效，這個比例未來可能還會更高。但關鍵在于，模型的失敗模式，將不同于今天實驗室方法的失敗模式。

AI 的失敗模式與傳統實驗不同，這意味著我們可以去挑戰那些過去被認為「不可成藥」或過于困難的靶點。這些過去無法觸及的領域，正是 AI 能創造最大價值的「甜蜜點」。

Jack Dent：是的。我們還宣布了一項重要決定：向學術界和行業合作伙伴開放 Chai 2 的訪問權限。當你思考這個領域在未來幾年的演變，以及這種平臺級轉變所帶來的巨大機遇時，你會發現機會太多，任何一家公司都無法獨自抓住所有。藥物發現本身就是一個極其消耗資源的過程，沒有任何一家公司能獨自完成所有工作。

我們希望通過合作，將這項技術應用到盡可能多的場景中，共同推動整個領域的發展。 因此，我們開放了模型的訪問權限，在網站中設置了一個申請入口。

主持人：既然AI可以高效設計分子，那么未來大規模的濕實驗室篩選（Wet Lab）還有存在的必要嗎？

Josh Meyer：有必要，但它的角色會發生根本性的轉變。它不再是「大海撈針」式的初篩工具，而是AI的強大驗證和優化伙伴。

如果你只是拿現有的模型進行更多的采樣，你很可能會得到更好的結果。在論文中，我們每個靶點只測試了 20 個分子，最多 20 個。如果你把這個數量增加 10 倍，或者 100 倍，甚至更多個數量級，你很可能就會進入到能產生更好分子的空間。

機器學習模型是概率性的，就像使用 ChatGPT 一樣。如果你想解決一個數學問題，你是看排在第一位的答案，還是看排名前一萬的答案？如果你看前一萬個，你肯定會得到更好的結果。但在 ChatGPT 的產品體驗中你做不到這一點，我不可能去瀏覽一萬個數學答案，我甚至不知道哪個是正確的。而實驗室的酷炫之處在于，我們實際上可以把那一萬個設計都在實驗室里測試一遍。

我不知道你是否必須這樣做，但這絕對是這些模型將會被測試的一個方向。至于高通量篩選的未來以及它如何與模型互動，我認為這個問題仍然是開放的。但我預計，人們會很有創造力，會找到方法將 AI 的精華與生物學的精華結合起來，從而推動領域的邊界。

Jack Dent：我們已經有很多合作伙伴來問，能不能不僅運行 20 次，而是運行 10 萬次？即使 20 次就能成功，因為我可能會找到更好的東西，這個「更好」可能意味著藥物劑量的不同，比如從需要靜脈注射，變為只需皮下給藥。AI 與濕實驗室的結合，將幫助我們探索更廣闊的設計空間，為患者找到最優的解決方案。

所以，我認為有了這些工具，你可以無限地探索研究空間。這種傳統技術與模型的結合，有望將我們帶到能夠為患者找到更好產品的領域。

主持人：除了找到能「結合」的分子，藥物設計還有很多其他挑戰。Chai-2 如何應對這些更復雜的需求？

Josh Meyer：實際上，這遠不止是成功率的問題，一個分子需要優化多種屬性，尋找一種藥物就像大海撈針。我認為通過 Chai 2，我們已經真正穿過了那片序列空間的廣闊區域，通過聚焦于那些能夠結合的分子。我們的技術正在從單一的「結合」目標，進化到復雜的多目標優化。

接下來，我們將更深入地優化基礎屬性。我們要確保設計的抗體不僅能結合，還要有高穩定性、易于制造等優良的成藥性。

同時，設計更先進的分子形式。我們預測，未來人們在臨床上可能不會再對像單克隆抗體這樣的東西那么感興趣了。我們能更快、更容易地制造抗體，比如「雙特異性抗體」（biparatope），它可以同時結合一個靶點的兩個不同部位，實現更強大的功能。

AI 會將讓這類復雜分子的設計變得更加容易。如今在生物科技領域，人們需要在很多方面做出權衡，比如靶點的風險、發現過程的風險、制造分子的難度等等，而 AI 技術的出現將全面提高這個標準。

Jack Dent：我來分享一個實際案例。

在我們構建這些模型的過程中，有一位合作伙伴找到了我們，他們試圖研發一種能同時對人類和猴子的蛋白質起作用的抗體。他們有一個大約五到十人的團隊在做這件事，全部投入在五百萬到一千萬美元左右。

他們的問題是，他們想構建一個能夠同時與兩個不同物種（人類和小鼠）的蛋白質交叉反應的分子，但始終沒有成功。我們把這個問題輸入到模型中，直接提示模型同時為這兩個靶點進行設計，我們只設計了 14 個序列送去測試，其中就有一個完全符合要求。

主持人：我覺得很有趣的是，很多業內人人會說，制藥行業的瓶頸和費用在臨床階段，而不是發現階段。但你指出了一個事實是「我們可以為臨床而設計」，這很直觀。

Josh Meyer：是的，如果「發現階段」的成本風險降低了，那么整個行業就會變得更高效，也更有效。

主持人：Chai-2 這項技術對傳統的高通量篩選理念，乃至整個創新藥和生物科技公司今天的工作流程，都構成了巨大的挑戰。到目前為止，你們收到了怎樣的反饋和質疑？

Josh Meyer：這是個好問題。通常當這類突破性論文發表時，由于很多人都曾做過無數次類似的失敗嘗試，批評和質疑的聲音往往集中在：

• 「這真的有效嗎？」

• 「你們可能只是在數據充足的新冠病毒靶點上展示了效果，在其他數據稀疏的靶點上還能用嗎？」

• 「這些設計出來的分子質量高嗎？它們的成藥性如何？」

• 「我們真的能相信這些計算數據嗎？」

我認為，我們所采取的大規模基準測試方法，對消除這些疑慮起到了至關重要的作用。

另一種反饋是：「我本來就能發現藥物，AI 只是讓它更快了，這能改變什么？」 這又回到了我們剛才討論的「效率提升」與「可能性拓展」的話題。對此，也有行業內的聲音回應：「不，這里的變革在于那些你過去失敗了的項目，或者你今天仍在苦苦掙扎的項目?，F在你的工具箱里多了一件強大的新工具，你必須學會使用它，否則就可能被時代甩在后面?！?/p>

所以，觀察整個社區「消化」這些信息的過程真的非常有趣。

03分子領域的 Midjourney 時刻

主持人：Josh，為了驗證 Chai 2 的能力，你們測試了超過 50 個靶點，這在業內非常罕見。能否介紹一下你們的方法？

Josh Meyer：這是一個非常好的問題。在 Chai 2 的論文中，我們研究了超過 50 個不同的靶點。在這個用 AI 進行藥物發現的領域，大多數已發表的論文通常只涉及一到三個靶點。但如果我們視其為一個工程問題，那么確保其通用性（Generality）對我們來說就至關重要。

這就像你發表一篇關于新型大語言模型（LLM）的論文，不能只說：「看，我解決了美國數學奧林匹克競賽中的一個問題，非?？帷！惯@遠遠不夠。你需要一個真正的、大規模的基準測試來證明你的系統是穩健且有效的。你需要足夠多的問題來徹底說服自己。

所以，這就是我們決定進行大規模基準測試的原因之一：為了真正說服我們自己，這個模型是有效的。

對于靶點的選擇，我們的方法非?！腹こ處熕季S」，甚至有些不那么「生物學」。我們直接寫了個爬蟲，去抓取供應商目錄里所有「有現貨」的蛋白質，以此來保證實驗可以快速周轉。

下一步是關鍵的數據清洗：我們需要確保所有測試靶點都是嚴格的「Hold-out Set」。我們會將靶點序列與 SAbDab 等公開數據庫進行比對，剔除掉所有與訓練數據序列相似度超過 70%的靶點，確保模型面對的是真正的新問題。

完成這一切后，我們運行設計，然后將所有結果一次性送到實驗室進行驗證。我們認為，報告中 16% 的成功率可能還是一個保守的下限。因為我們為了追求速度和通用性驗證，幾乎沒有考慮任何生物學上的「便利性」。這些靶點不一定都有很高的治療價值，有些甚至已經有成熟的藥物項目。我們做這一切，純粹是從模型評估的角度出發：讓我們理解模型的能力邊界，讓我們說服自己，也讓整個社區信服 Chai 2 的有效性。

主持人：能否用一個直觀的方式，解釋一下 Chai-2 模型是如何工作的？它與之前的結構預測模型有何不同？

Josh Meyer：結構預測確實是這一切能夠工作的基石，它實際上也是我們創辦公司后做的第一件事。我們全力以赴構建了一個頂尖的結構預測引擎，并開源了它的第一個版本——Chai 1，目前全世界的科學家都在使用。

你可以將結構預測模型想象成一個「原子級顯微鏡」，它能讓你看清原子在三維空間中的精確位置。一旦你擁有了這臺顯微鏡，下一個自然而然的問題就是：我們能否開始移動這些原子？我們現在可以改變蛋白質的氨基酸序列，然后通過模型實時觀察這些改變在三維結構上產生的影響。

因此，我們的設計模型（如 Chai 2），你可以這樣理解：你給它一些信息作為「提示」（Prompt），比如「這是我們想要設計的抗體所要結合的靶點」，然后模型會嘗試在三維空間中放置新的原子，來滿足這個約束條件。我們告訴模型，「這是一個靶點，我希望你創造一個能結合到那個特定位置的分子」，模型就會去生成一個全新的序列和結構，以完美地嵌入那個位置。這就是一個高層次的直觀解釋。

Jack Dent：有一個很好的類比可以幫助理解。你可以把蛋白質結構預測看作是這個領域的「ImageNet 時刻」——它是一個從序列預測結構的分類式任務，為整個領域奠定了基礎。而分子設計，則更像是一個生成式任務，類似「分子領域的 Midjourney」。

在結構預測中，你預測的是已有原子在三維空間中的位置。而在設計中，你是拿一個已有的原子布局（靶點），然后試圖創造一套全新的、能與原始布局互補的原子組合（新藥）。

這個過程就是「鎖和鑰匙」的比喻。在設計一個新藥時，你的靶點就是那把「鎖」，而你正試圖用一個生成模型，設計一把能夠完美匹配那把鎖的「鑰匙」。

這些模型的工作方式非常精妙。它們確實是在三維空間中，逐個原子地進行推理和放置。通常，我們評估整個結構時，其預測誤差甚至小于一個原子的寬度。所以，當我們談論「原子級顯微鏡」時，你會發現為什么這種精度對于「設計」是絕對必要的。因為，如果你連鎖的內部構造都看不清楚，是不可能設計出與之匹配的鑰匙。

主持人：這是否意味著，模型像 LLM 學習語言規則一樣，也學到了一些關于分子相互作用的、更底層的「新詞匯」或規則？

Josh Meyer：我認為是這樣。模型能夠在全新的、與訓練數據差異巨大的靶點上取得成功，這表明它學到的不只是表面規律，而是關于分子如何相互作用的根本性原理。

我認為，這里真正的新前沿是在一個全新化學空間的泛化能力。這表明，模型正在學習一些關于分子如何相互作用的、更為基礎和根本的物理化學規則。它能夠泛化到那些在生物學分類上看起來與訓練數據截然不同的問題上。

我們做過一個更極端的測試：我們將靶點與訓練數據的序列相似度閾值從 70%一路降低到 25%，這意味著模型面對的是生物學上非常「不相似」的全新問題。結果發現，模型的成功率基本沒有變化。這有力地證明了，模型正在學習和應用的，是一種可泛化的、底層的物理化學規律。

04AI 讓生物學處在從「科學」到「工程」的關鍵時刻

主持人：Josh，你和團隊成員在「生物+AI」這個領域已經深耕了近十年，但直到最近才決定創業。是什么因素讓你們判斷，這個特定的時間點就是創立 Chai Discovery 的最佳時機？

Josh Meyer：這里的核心在于把握時機。我們團隊的很多人確實已在這個領域工作多年，但它在很長一段時間里都停留在一個研究課題的階段。

你不能在技術還不成熟時就過早入場，指望十年后才能成功；但你也不能等到技術已經被驗證可行、錯過了上船的機會再入場。我們判斷，當時存在一個一到兩年的關鍵窗口期，必須抓住機會。這個決策主要基于兩個關鍵判斷：

第一，我們相信蛋白質結構預測技術即將迎來質的飛躍。事實也證明了這一點。2020 年，AlphaFold 2 的問世，基本解決了預測單個蛋白質三維結構的問題，其精度達到了實驗級別。這極大地推動了基礎生物學研究，讓我們能清晰地「看」到單個蛋白質的樣貌。然而，藥物發現是另一層面的挑戰，這也是 Chai Discovery 的核心所在——你需要理解多個分子間的相互作用。例如，一個小分子藥物如何與靶點蛋白結合，或是一個抗體蛋白如何識別并鎖定其抗原。

那時，我們開始看到一些早期信號，預測這種多分子復合物的結構是可能實現的。于是，我們下了第二個賭注：我們相信，借助當時在擴散模型（Diffusion Models）和語言模型上涌現的突破，我們能將這項技術推向一個全新的高度。這就像早期的圖像生成，在擴散模型出現之前，你無法想象生成結果能擁有如此驚人的多樣性和質量。我們堅信，同樣深刻的變革也將在藥物發現和蛋白質設計領域上演。

最后，還有一個戰略層面的考量。在我們之前，幾乎所有的 AI 生物公司都與濕實驗室（Wet Lab）捆綁過深，有時甚至是過度依賴。實驗室整合本身是必要的，我們自己也進行了大量的實驗驗證。但當時市場真正稀缺的，是一個可移植、真正通用的 AI 平臺。一個通用平臺意味著你的影響力可以呈數量級地放大。例如，我們新近發布的 Chai 2 模型，可以被部署到成百上千個不同的項目中。而我們早先開源的 Chai 1，如今整個行業都在使用，其應用場景之廣，遠超我們的想象。建立這樣一個平臺，對我們來說至關重要。

而這一切，最終都指向了我們公司的核心愿景——推動生物學從一門「發現科學」，向一門「工程學科」轉型。

主持人：Jack，你擁有在 Stripe 的成功履歷，當時也在看AI領域的各種機會，比如代碼生成方面。是什么讓你最終選擇投身生物分子設計這個極具挑戰性的領域？

Jack Dent：離開 Stripe 后，我確實花了很多時間去思考人生的下一站。在這個過程中，Josh 功不可沒。我們是大學時期的好友，畢業后也一直保持著聯系，Josh 總是會和我分享他最新的研究進展。

當 Josh 和團隊的研究成果逐漸清晰，從一個有趣的「學術玩具」演變為真正有潛力改變整個行業時，這個想法變得極具感染力。一旦你看見了未來，就很難再回頭了。但當你開始理解「人類將擁有以原子級精度設計分子的能力」這一前景時，你會發現它的影響力超越了幾乎所有其他問題。

它對人類社會、對個體健康乃至更多領域的影響是無可估量的。這標志著一個真正的平臺級轉變（Platform-level Shift）。將這一認知，與「我們或許真的能實現它」的信念相結合，對我而言，投身其中是一個無法拒絕的選擇。

05不只是模型，而是從「命中物」到「候選藥物」的完整方案

主持人：你們從一開始就非常強調平臺和工程投資，這在以研究為導向的團隊中似乎并不常見。為什么如此看重工程嚴謹性？

Jack Dent：我曾親身經歷過將大型工程產品從零做到一、再到一百的過程。在 Stripe，我參與過 Stripe Link 和 Stripe Capital 項目，看著工程團隊從零擴展到幾十人。我從中得到的深刻教訓是：除非有人真正將整個系統的架構放在腦子里，并成為有效的技術管理者，否則事情就會不可避免地走向退化。軟件的「熵」會接管一切，最終把你的迭代速度拖慢到零，因為沒有人能再高效地完成工作了。

所以，團隊中需要有人能夠將整個系統、所有組件間的交互都裝在腦子里，并確保那些在單個子組件上工作的工程師，只需加載最少的上下文，就能清晰地理解如何完成任務。這背后是一些非?；镜墓こ淘瓌t，比如簡潔性（Simplicity）和模塊化（Modularity）。但更重要的是，要確保這成為一種實踐和一種文化習慣，每個人都在投資于此上達成共識。人們不會為了短期便利而走捷徑，他們認為為下一個接手的人奠定良好基礎是自己的責任。

在深度學習的代碼庫中做到這一點尤其困難，因為通常如果你引入了一個 bug 或寫了一個性能回歸，你可能在幾周后、消耗了大量計算資源后才發現它的存在。這非?？膳?，你可能因為一個四周前潛入的 bug，而浪費了價值數十萬美元的 GPU 訓練時間。我們在 Chai 的歷史上就真的遇到過這種情況，我們不得不去二分查找（Bisect）Git 提交歷史，不斷啟動小規模訓練，用一種二分搜索的方式來定位一個足夠小的 pull request 范圍，最終找到那個引入 bug 的提交。

正是這些痛苦的經歷，以及修復 bug 的高昂成本，讓工程嚴謹性（Engineering Rigor）成為我們公司如此重要的一種文化和實踐。

所以，有些人可能會驚訝地發現，即使我們做的是前沿的深度學習研究，我們對為所有代碼編寫單元測試也相當嚴格。我認為這些基本的軟件工程實踐，在大多數研究型代碼庫中是嚴重缺乏的。引入這些基本原則，讓我們能夠非常快速地行動，而且這種速度不是短期的沖刺，它應該能給我們一個機制，讓我們能夠隨著時間的推移，在這種平臺投資上實現復利效應。

主持人：Chai 未來的投資重心和護城河會是什么？

Josh Meyer：我們開源了 Chai 1，我們把它看作一個模型。但我認為Chai 2 遠不止是一個模型，它是一個復雜的工程系統。使用它的門檻也更高。指定一個好的提示詞本身就是一項復雜的任務。一個科學家為了啟動一個藥物項目，需要非常深思熟慮地構建他的提示。

隨著我們支持更先進的藥物模式、更多的可優化屬性，提示詞只會變得越來越復雜。比如，你要同時優化對人類靶點的結合，并避免與小鼠靶點結合。這些都需要一個強大的產品層來支撐。此外，我們還需要將實驗室反饋的數據整合回來，讓模型能像一個「副駕駛」一樣，從實驗結果中學習，并驅動下一輪的設計。這些都是超越模型本身，需要我們在產品和工作流層面進行大量投資的地方。

Jack Dent：我們的投資主要聚焦于兩個關鍵領域：

首先，從「命中物」到「候選藥物」的完整解決方案。從模型中直接出來的東西，還不是最終的藥物，它們只是「命中物」（Hits）。要將它們轉化為可以用于人體的、安全可靠的分子，還有很多工作要做。我們需要做更多更深入的表征和分析，來證明我們不僅能找到「鑰匙」，還能保證這把「鑰匙」是安全、穩定、易于制造的。

我們的下一個目標是直接從模型中「零樣本」（Zero-shot）設計出完整的候選藥物。幾個月前這聽起來還很遙遠，但鑒于我們現在的進展，我們認為這是完全可能的。

其次是我們需要構建一個強大的軟件平臺。讓復雜的設計任務變得簡單易用。比如，用戶如何通過界面輕松指定一個「雙靶點結合」的需求？我們的目標是把它打造成像 Photoshop 一樣強大而直觀的專業工具套件。這需要我們在產品和工程上進行核心投資，確保我們構建的是一個用戶真正喜愛和依賴的平臺。

06AI不會取代科學家，寫好 AI 「提示詞」很重要

主持人：Jack，你從軟件工程背景跨入生物科技，分享下你是如何快速學習生物領域知識的？

Jack Dent：我認為有兩點至關重要。

首先，學習任何一個新領域，都必然是一場硬仗。你必須閱讀前沿論文，了解領域脈絡，直至抵達知識的邊界。這個過程沒有捷徑，只能埋頭苦干，堅持下去。期間會有興奮的浪潮，也會有痛苦的瓶頸，但只要你下定決心，就可以比想象中更快地掌握它。

第二點，也是遠比個人學習更重要的一點，就是讓自己置身于一個頂尖的團隊之中。我們團隊雖然只有十幾個人，但非常強大。成員背景覆蓋化學、物理、計算機科學等，很多人都不是傳統的 CS 背景。這種多樣性是我們的核心優勢，因為這項工作需要融合不同領域的知識。每個人都在互相學習，共同解決問題。

Josh Meyer：我們團隊的另一個特點是極度的專注和工程文化。我們所有人，無論背景如何，都是出色的工程師。我們不是在解決各自喜歡的「寵物問題」，而是集中所有力量去攻克同一個核心目標。

主持人：你們現在希望招聘什么樣的人才？

Jack Dent：我們現在幾乎所有職位都在招聘。我們在 AI 研究方面取得了一些重大的突破。隨著我們將其推向下一個層次，并努力將 Chai 2 交到合適的合作伙伴手中，我們正在招聘產品工程、抗體工程、業務開發、客戶主管等各種職位。我們的網站上現在有很多開放的職位。

再次強調，這項工作是極其跨學科的，我們希望以一種深思熟慮的方式來構建團隊，以便我們能讓 Chai 2 對整個行業盡可能地有用。

主持人：如果你是一位抗體工程師或生物學家，且相信你所描述的未來：一個「生物學 CAD」軟件套件正在出現的時代。那他們現在應該去學習什么，培養什么技能？

Josh Meyer：我的建議是：

第一，去申請 Chai 2 的訪問權限。

第二，學習如何寫好你的「提示詞」（Prompt），并真正充分地利用這個工具。

第三，也是最重要的，開始探索新的可能性。

自從創辦公司以來，我們和很多抗體工程師聊過天。在早期，我們會做市場調研，問他們：「假設你有一種成功率為 1%的抗體發現方法，你會用它來做什么？」

現在，對話的性質已經完全改變了。首先，成功率不是 1%，而是 16%，而且人們看到了實實在在的證據。我認為，那種被壓抑的創造力正在被真正地釋放出來，即使在我們自己內部也是這樣的。當人們思考那個假設性問題時，腦海里總會有一個巨大的問號：「嗯，這只是個假設」，神經元激活方式和實際動手去做是截然不同的。

這和 LLM 技術的發展是一致的。想象一下在五到十年前問別人：「如果我們能完美預測一個句子中的下一個詞，你會用它來做什么？」在你真正開始玩轉這些模型之前，答案是很難想象的。

現在甚至不需要把設計送到實驗室，我們就可以選擇靶點、設計提示詞、生成分子。你開始審視模型生成的結果，然后會靈光一閃：「哦，等等。我實際上可以通過在靶點上選擇正確的表位（Epitope）來解決這個問題。」或者，「我可以設計一個分子，讓它特異性地結合靶點 A，而完全避開結構相似的靶點 B?！?你可以通過一種更聰明的方式來設計你的提示詞，以達到過去難以實現的目的。比如，攻擊一個在不同物種間（如人和小鼠）序列差異很大的區域，以獲得物種特異性；或者攻擊一個高度保守的區域，以獲得交叉反應性。

這些都是事后才能發現的，在真正親手使用這樣的產品之前，它們是不會觸動你的。

Jack Dent：我認為這確實提高了整個行業的標準。最能體會這項技術價值的，就是一線的抗體工程師和生物學家。他們今天做的許多工作都非常艱辛，他們也不喜歡那種漫長的反饋周期和反復的失敗。我們交談過的大多數人，他們的核心動力是真正去解決一個具體的生物學問題。

所以，當我們提供一個能讓他們事半功倍的工具時，他們欣喜若狂。這就像我作為工程師，現在可以把更多精力投入到系統設計、架構、更復雜的產品邏輯等更高層次的思考上。所以，這真的會為很多人提高工作的基點和標準。

而且，正如 Josh 所說，人們現在才真正開始思考所有的可能性。幾周前，我還在和人通電話，他們問：「你覺得這（AI 設計抗體）什么時候會發生？」他們會說：「三到五年內都不太可能，這是個非常遙遠的想法?！箮字芎螅憬o他們看你手中實實在在的成果，他們會大吃一驚。

這將是一個我們與這些真正的領域專家共同探索的過程，去找出那些最關鍵的應用領域。因為生物學太廣闊和復雜了，沒有一家公司能獨自掌握全部知識。這就是為什么我們如此興奮地去和人們合作，共同將這一切變為現實的原因。

轉載原創文章請添加微信：founderparker