Shownotes Transcript
作为创业者来讲的话科学家的这种性格和习惯可能会遇到问题想尽善尽美但是事实上创业更多的是说我怎么能快速地迭代在商业上取得成功跟科学家的性格习惯会有一些矛盾之处
科研其实更多是说你去在人类的未知的边界上面去做一个探索但创业更多的是说你如何把一个产品去做出来实现商业化这中间是有比较大的 gap 的那比如说现在大家基本上每天都会用到的锂电池其实是在上个世纪 70 年代发明的
但是说它真正大范围的走向商业化还是在 2000 年以后那这中间差不多就有一个 20 多年到 30 年的一个时间差如何去把技术转化成产品其实你是做了很多折衷的如何把价格去做下来让大家去接受你如何和下游更好去做适配
在新的尖端的问题上比如说 Hinton 今天研究的这个问题上你没有很多的储备你没有很清晰的道路可以走你只有科学家自己来探索道路就要不断地去学习新的这些东西就会产生跨学科的这个要求吧
亲爱的听众朋友大家好欢迎收听本期的创业内幕我是主持人 Lily2024 年随着诺奖的颁布在媒体上和公众间引起了非常广泛的讨论原因之一其实就是诺奖的物理学奖其中一位得主叫杰弗里辛顿他其实并非是传统意义上的物理学家而是一位极具声望的人工智能研究科学家被誉为深度神经网络的奠基人和人工智能的教父
同时这位科学家也在 2018 年其实成为计算机界的诺贝尔奖之称的图灵奖的获奖者之一所以这个话题一出来之后其实我的朋友圈都引起了激烈的讨论但紧接着诺贝尔化学奖的颁布又让大家大点眼镜三位获奖者中有两位戴米斯哈萨比斯和约翰江珀他们其实不是传统意义上的那种生物学家和化学家他们来自于谷歌
获奖的原因是因为他们其实开发了一个名为 AlphaFold2 的人工智能的模型这种模型解决了一个 1950 年的历史难题就是能够预测大约两亿种乙质蛋白质的复杂结构并且全球现在已经有 200 多人在使用了就我啰啰嗦嗦说了一大堆其实是给大家一个背景知识就这一期我们其实重点要讲的一个话题就是诺贝尔奖是不是已经成为 AI 奖了
然后 AI 是否将替代这些基础科学扮演更大的作用呢那今天我们请来两位嘉宾都来自于纪元资本的两个同事啊他是我们纪元资本的两位博士范博士和吕博士好 下面有请范超和易燃给大家做个自我介绍吧大家好 我叫范超
我主要是做生命科学和医疗相关的投资我之前的背景的话等科的时候是学生物的然后到了博士的时候也是做的相关的研究吧是做生化方面的跟今天的这个主题比较相关因为本身是专注于蛋白质啊它的结构啊功能方面的一些研究好 依然大家
大家好,我是易燃,也是咱们创业内幕的老朋友了,对对简单说一下背景,我之前是在清华大学读的本科我和范博士也是本科校友,之后在美国布朗大学读的博士那我博士期间其实也做了很多材料计算相关的一些研究
今天这个话题也是我很感兴趣的,包括其实这次的诺奖出来之后,其实也和我周围的很多之前的同学,产业界工业界的朋友也做了很多讨论。对,然后我在基源资本主要的关注的方向是可持续发展,包括这个环境科技,包括材料科技方面的投资。
那因为其实我刚才只是给大家一个简单的介绍我也想听听二位博士就是今天这个诺奖颁发给一个有人工智能背景的两个非常重要领域的科学家二位怎么看这个话题在学界大家是一个什么样的观点
其实学界对于比较新的事物往往会有一些不一样的观点我可能说一些相对比较主流的观点首先其实我们去看 AI 包括计算在整个科学界不管是材料或者说化学都在起到越来越大的作用
比如说我们初中学的物理有一课叫自由落体会用公式去计算小球下落 10 米它需要多少秒另一方面我们也会说通过做实验让小球去落 10 米测量一下它真正下落的时间
那我们把这个理论计算的值和实际实验测出来的值去做一个互相的验证这是一个比较典型的计算和实验相结合的学科那我们简单概括 AI 的作用其实很多时候是在计算的领域的一个加速的工具那一会儿我们也可以具体去展开那你
那你觉得一个非常传统的基础研究科学的顶级奖项颁给 AI 驱动的一个计算机类的听起来好像是这样跨界的学界怎么看它合理吗或者是说基础科学家他们会不会有很大的反抗的情绪
努贝尔奖更看重的是一个结果那就是你能用什么样的新型的工具做出什么样的新的成果是人类之前没有做到的从这个角度来讲的话这应该也是情理之中因为之前的这些努贝尔奖比如说化学的这个奖项很多都是颁给了
跟医疗相关的跟生物学相关的但是用到的这些技术的话可能是物理学的可能是机械工程类的对吧比如说蛋白质我们用这个冷冻电镜那冷冻电镜的话它其实也不是这个化学也不是医疗但是它应用到了这个化学和医疗之中然后起到了关键性的作用获了这个奖
所以 AI 的话如果从这个角度来看作为一个新型的生产力的工具新型的研发的工具它起到的作用还是很大的所以应该还是在情理之中的对我其实想请二位解释一下就这个奖为什么是颁给他们就这几位科学家他们在研究上有什么真正的突破之处吗 OK 那我先来聊一下这个化学奖吧因为这块可能跟我更相关一点生物学上有句话叫做
结构决定功能那蛋白质是生命的基础所以了解蛋白质的结构和功能能对这个生命现象啊制药啊都是息息相关的与蛋白质结构相关的诺贝尔奖也非常多比如说解析蛋白质结构手段的这个 X 射线晶体学溶液中大分子结构的这个核磁共振以及刚刚提到的笼绒电竞
那这一次的化学奖其实也是奖励给解决蛋白质结构的这种新的手段只不过过去蛋白质结构往往需要通过物理实验那这一次的话就是通过 AI 的方式业内呢就叫通过干实验的方式来获得蛋白质的结构所以它的重要性是不言而喻的嗯嗯
未来有 AI 的加持之后它会有什么效率上的提升吗还是说真的就是跟我们普通人相关比如说医疗医治不可攻克的一些疾病比如说癌症啊或者间冻症啊这种会有什么本质的影响吗你说这两个方面都是它的非常核心的关键的作用吧因为它是通过肝实验或者是做这个物理实验的方式
来获得蛋白质结构所以它在效率上规模上都远超之前要通过这个做实验一步一步来然后一个一个蛋白质来解这个结构的这种方式所以它大大提高了这个效率然后另一方面的话就是除了降本增效之外它可能更多的是说之前人力不能解决的问题我现在是不是通过 AI 的方式可以有一些苗头有一些新的思路甚至能把问题解决
比如说我们这个蛋白质跟制药相关的话很多蛋白质的话我们需要找到它比较隐秘的口袋比如说一个小分子 target 一个蛋白质然后它去结合蛋白质的部分基本上是一个以口袋的状态存在的但这个蛋白质它是一个柔软的一分子它在体内的话是在时刻变化之中的
所以怎么在变化之中找到合适的这个口袋其实很多时候是人力很难做到的一件事情但现在通过 AI 的方式他把这个问题的门槛给降低了对 所以说我理解就是他的成本上包括研究的难度上其实都有了大幅的改善对不对 有了 AI 之后是 AI 如果能做这么多事情那人类的科学家是不是路会越走越窄刚才其实范博士提到说 AI 作为一个工具可以极大的帮助
帮你去预筛一些蛋白质分子这个是比你人去一个算要快很多的其实
其实在材料行业也是一样的前面就看了就 deep mind 的 nome 它一下是发现了 220 万种的新的晶体的结构那其实我们去看这个 AI 啊它其实也是起到一个预筛的一个作用我是快速的去帮你筛出来这些材料它满足你的一些基本的要求但是后边比如说你要一个很特定的材料去做
举个例子咱们这个显示屏里 OLED 的显示屏里边我就要一个发蓝光特定波长的材料那可能先给你一个一万种的预筛 OK 我再用一些方法我进一步去筛那筛出来可能一百种左右然后一个个去做这些真正的实验室的测试对我的观点其实是它更多是帮助科学家们去加速了很多前面你的
trial and error 的这个过程其实我们去看材料化学很多的 researcher 他的工作很多是去试错有了这个 AI 工具之后他一定程度上可以去加速这个过程或者说减少你的这个试错的数量对但是我其实有特别小白的问题也抛给二位啊
今天我们看诺贝尔化学奖的颁奖他研究成果是在蛋白质的预测上但他为什么不是把它归纳到我们的生理和医学奖的范畴而是一个化学的领域这是什么原因对我比较好奇如果去看过往的这些化学奖的话你会发现一个现象很多时候都是讲给了跟医学或者是生物相关的领域或者是成果
但是它的本质的区别在于医学和生理讲的话,一般它的成果的话是直接跟这个生命现象相关的,比如说今年 microRNA 的发现和它的功能的研究。但对化学讲来讲的话,更多的是讲给一个工具,一个方法,
方式比如说刚刚也提到了 X 射线晶体学这个是 1962 年的化学奖后面的包括核磁共振冷冻电竞也包括今天的这个用 AI 的方式来研究同样的问题就是蛋白质的结构这个东西的话就是更偏生化的这个方式然后它是一个工具的方式它并不是说直接得到了一个生命现象的一个结果
我其实挺好奇的就是说特别是第一天物理学奖颁出来的时候整个我的朋友圈都已经爆炸了就很多朋友都说用了三提里那句话说物理学不存在了对吧我也想问一下二位这是否意味着像基础物理学最近这几年其实进入了一个发现的新低潮
是这样的一个趋势吗原因是什么那我们其实去看基础物理它的迭代或者说发现在历史上是有几个高潮的比如说我们看 17 世纪纽顿的这个力学体系沿用到现在 19 世纪的麦克斯韦的电磁理论现在的学者也是非常非常常用的工具那包括其实我们去看整个量子力学上个世纪 20 年代对吧包括说爱因斯坦提出的相对论
这几个可能是在理论物理上的高峰那这些理论其实都是非常经典然后沿用至今的但其实在这些年像这种特别大的体系性的发现相对来说会少一些但在一些相对比较精专的领域的这个物理学的理论上的发现然后实验上的观测进展也是不断在往前走的包括其实前几年的物理学奖有一次给到了引力波这个也是理论物理协议比较大的一个发现了
就是说其实也不是说它变慢了只是说它本身节奏就不快对吧刚才依然梳理这整个时间跨度是上百年的有意思就是我们其实刚才范超一开始就给我们科普了这一次化学奖的两位得主他所研究的成果对于整个人类和科学发展的一些重要的贡献有意思的是 1998 年 David Baker 他团队就推出了一个可以模拟蛋白质结构的计算工具叫做 SETA
后来是 DeepMind 出现将 AI 神经网络又应用到了蛋白质的预测中,推翻了今天 Rosetta 的霸主地位。我也想请教一下二位,能否给我们解释一下从 Rosetta 到今天他获奖里面提到的这个 AlphaFold,两者之间有哪些根本性技术的迭代和变革,核心解决了基础研究上的哪些痛点呢?
对,其实今年化学奖是三位科学家,这三位科学家虽然是做的工具是不同的,但其实殊途同归都是为了做蛋白质的结构,后面的话就是做蛋白质的设计,那做蛋白质的设计的话,其实它的基础就是你要了解蛋白质的结构。
你已经很清楚怎么从氨基酸的血链折叠成什么样的蛋白质结构,然后这样的蛋白质结构能够发挥什么样的功能,这是蛋白质从头设计的一个基础,所以这三位科学家所获同样一个诺贝尔奖,他们研究的大的主题也是一致的,那这里可能就会牵扯到两个不同的技术路线,就虽然 Rosetta 和 AlphaFold,他们的目标相同,都是去做蛋白质结构的预测,但技术路线是不同的,
那从 AI 来预测蛋白质结构大体有两个技术路线第一条就是基于第一性原理就通过物理学的本质出发比如说原子间的相互作用力啊氢键啊离子键啊或者是分子间更弱的一些比如说泛的化力啊这些方式来
那这里面有些人是用分子动力学能量函数的方式可能有一些也是尝试用更精细的量子物理的方式总之呢 Rosetta 的话走的就是这条技术路线而且长期以来 Rosetta 是这条技术路线的王者那主要就是基于能量函数的方法
但是这条方法的话会有一些局限性吧因为它是基于物理模拟和非常复杂能量函数的优化所以它的计算量是非常大的尤其是在处理比较长的这个蛋白质的序列的时候它的预测速度相对会比较慢一点
然后从精度上来讲的话在比较短的蛋白上它是有一定的效果但是对于长链和复杂的蛋白质它的精度也是受限的特别是对于一些非局部相互作用的比如说蛋白质很长那 A 点和 B 点离得非常远但是它们之间可能是相互影响的
这个在物理学的模拟上可能会是受限就导致最终的蛋白质结构解出来的精度可能是受限的那么另一条技术路线就是以α4 为首的基于神经网络深度学习然后利用了 Transformer 的架构它把蛋白质看作一种语言比如说每个氨基酸都是一个 token
那通过这种多序列的比对然后以及 Transformer 架构自注意力机制去捕捉 Token 之间的长距离的依赖关系来决定蛋白质的三维结构所以它对于比较大的蛋白质的话也是有非常好的作用因为这种方式的话它
不依赖于传统的这种物理模拟和能量优化而是直接从序列和结构之间的表观的联系入手这是一种很暴力的解决方式但它需要大量的非常优质的这种 training data 来深度学习对所以这是用 AI 来做蛋白质结构解析的两个不同的技术路线吧
对那是不是就意味着其实今天 AI for science 已经是一个非常非常广泛被接受的概念了我来回答这个问题刚才范博士讲到了 AI 在整个蛋白质的领域的应用包括在生物领域的应用然后我也来讲一讲材料包括化学领域的应用物质大家都知道是由原子构成的对吧原子构成了分子分子构成了所有的宏观的这些物质大家可能还记得这些高中物理化学里的概念哈哈
感谢你的科普我已经忘了其实材料上我们也是说 OK 先计算它原子之间的作用后面我再去计算这个分子之间的作用最后来通过纯计算或者纯理论的方式算你这个材料的性质但当然 AI 可以加速你计算原子的这个方式它可以说我用 AI 的方式然后我不再从最底层去算
但我一定程度上利用神经网络的结构我可以加速你的运算加速找到新材料的这个速度但最后我们去看真正收敛到这个材料实际中它的性质到底是怎么样其实还是需要最后你通过实验方式去验证的
明白了那实际上就是说其实 AI 作为工具这个事情我听下来全世界的科学家都已经有共识了对吧但是到最后呢科研结果的这种推演上还是要有人来做最后一步的是吧对没错但是随着这个我们打比方就是全世界的科学家都在给这个比如就以这个 alpha fold 为例吧不断地给他喂数据和研究成果这 AI 会不会将来就是他自己就能生成出更多的更准确的结果
就不需要人去做这个实验了会有这一天吗计算也好或者说 AI 辅助的计算也好我相信它一定是可以实现越来越高的准确度或者精度的但因为它底层理论的受限和实际的值一定会有一个偏差然后第二个点呢在材料领域其实我们算出来它的
真实的值离我们真正可以达到的这个值还是有一个比较大的区别的我这么说可能比较抽象我来举个例子吧在过去的这些年可能大家都听过一个材料叫石墨烯它是一个比钢还要强的一个材料它的理论的强度算下来是 180G 帕在大家实际的通过材料制造材料合成去做出来的这个石墨烯目前是不超过 10 个 G 帕当然我们相信未来可能也还能做得更好
那么看到不到 10 和理论的 180 之间是有一个非常大的差别的包括我们很熟悉的钢材的理论强度是 20Gπ但目前来看即使是最好的商业化的钢大概也是在 2 左右所以其实还是有 10 倍的一个差距其实我们去看钢这个材料已经被人类所迭代了这么多年就之前的炼铁术对吧包括大家的锻建等等其实都是钢其实是上千年的研发也只到了它理论的极限的十分之一它
怎么能有这么大的误差呢很多计算是在分子层面的拿药来举例很多药其实它就在分子层面核心就是这个分子但是在材料层面它会不太一样除了分子层面以外它还有很多的缺陷刚才我提到它有很多个维度原子分子对吧分子上面它有经格然后再往上还会有更高的维度它在每个维度上都有每个维度的缺陷
所以我们其实理解为就材料它最后的性质是由它分子加上各个维度的缺陷来组成的所以整个来看对于绝大多数材料来说最终的性能是比理论值其实会差不少的有的时候会差到一个量级甚至更多啊
这个我大概能 get 到投项目的时候经常也会遇到这样的挑战就二位都是投资人嘛就是你看这个项目你跟他的财务的这个情况包括他团队包括他现有的一些数据然后我们能够推断他成长性大概是什么样的就是我们通常在投资的时候会把最差的这种情况考虑到
但是最后呢依然会有非常多的 surprise 这是我们这项工作的魅力对吧这公司你怎么推测它都成不了的情况下它居然给你带来了好多回报昨天我们刚做完 portfolio review 我们知道的对吧当那个 review 那个项目的时候我记得当时有个合伙人就说谁都没想到这项目能赚钱然后
当然就是也有一些项目呢可能就是你千算万算觉得有可能这项目他什么都没做错市场也没有什么变化他可能就自然而然的这个技术落后他就死了对吧丽丽姐已经把这个上升到了哲学的高度其实我们去看看头项目和这个科学上来讲我觉得很多事情是很相通的对现在生产到育儿上不是还有句更经典的观点吗说每个孩子都是爱因斯坦对吧但你最后发现上个大砖你就得敲锣打鼓对
对会是这样啊这个我理解就是他理论的运算是一个高度就像今天我们人类证实了很多在宇宙中我们可能没有看到的东西比如说黑洞的存在爱因斯坦在很多年前就预测到但我们真正观测到也是最近这些年的事儿嘛所以我我觉得这个是能想象这是不是就意味着就是人类其实在理论上是可以看到这个材料更高的一些性能但是呢从工艺上其实我们是做不到的对莉莉姐这个点题特别好理
理论上你可以做到但其实你从公益上很多是达不到的对之前听过那个范超内部的一个分享当时因为我本人非常关注肿瘤的治疗方向嘛当时范超就讲过人类其实今天在肿瘤的功课上有很多比如说卡尔提疫苗啊然后各种各样的新型的疗法但是呢它还是没有办法被广泛的应用原因就是因为人它是一个太复杂的机体了
对吧我觉得这段可以让范博士来讲讲其实当时我们有很多关于细胞治疗的一些研究也是就是研究方向和实践的一些差距对刚刚也提到卡提亚或者其他的肿瘤治疗的这个方式其实他们想解决的一个关键的问题就是说人与人之间的差距是非常大的
同样的一个治疗方案的话进到人体内在它的组织微环境当中遇到的情形是不一样的那这样就会限制它起到的效果和作用那我们可能看到就是现在越来越多的制药公司的话它会想寻找一些新型的 BioMarker 就是一些能预测它疗效的一些标志物那可能某一些很细分的人群是很适合某一种治疗方案的
那他想通过 BioMarker 的方式把这些人群给筛选出来这可能是未来就是说如果要走向个性化治疗它的一个路径吧对 AI 是不是可以就是让这种变得更快对就是通过生物信息学的方式然后有大量的 DataAI 可以帮助这块
各位听友大家好你之前或许曾在创业内幕里听到过不少关于创业者的精彩故事除此之外你是否想以更短平快的视频方式了解现阶段创投圈最新鲜的资讯和动态呢这个春天开始我们将上线一系列热点科技话题视频解读当下最新的技术和趋势欢迎在微信视频号搜索亮马桥小技收看相关视频每周末帮你充电
就其实你看这个物理学奖 Hinton 他本身的经历他是一个学术世家 23 岁的时候其实是拿到了一个实验心理学的学士学位但是
但是呢干着干着就突然发现呢这个没有什么科研的意义此处对于实验心理学家没有任何的意见啊纯粹是 Hinton 他认为没有什么实验意义然后他就去当了一段时间的幕将这段时间呢并没有消除他对自己阶段性的迷茫然后他又发现大脑为什么会有这些迷茫他又产生了对大脑的兴趣因此呢经过一段时间的这个心理斗争他又重返了人工智能领域啊重返了学术殿堂
1978 年在丁堡大学获得人工智能学的博士学位这个经历其实非常有启发性就是在今天二位博士我们去看无论是易燃还是范超都是从本科就是这个方向然后硕士博士一路往上这个似乎是我们传统的东方或者叫亚洲的学者他的一个标准路径对我想问问就是为什么中国的教育体制里很难出现这种化学科的专家不是没有
但是比较少见对我觉得这是一个蛮好的问题从中国过去的角度来看跨学科的事情还蛮多的特别是建国的初期那个时候我们很多学科它还没有很规范没有很专业那很多人才
进来他可能是要解决一些跟国家的很多重点的关注方向相关的他落实在实际的方面当时我们的人才储备也比较有限在这个情况下的话很多人他在研究实际问题的角度出发就像 Hinton 一样在探索新的这个道路时候他就要吸纳多学科的知识
那我觉得当时的中国也有蛮多这样的人才到后面的话大学的建设基础科学的建设其实是比较晚辈了那从这个角度来看的话我们在各个比较专业的方向上都是有高精尖的人才这个时候我们在做一个系统工程的时候可能就是集结各个学科的人才来一起发挥作用所以这里面有一个讨论就是怎么去平衡你的专业的深度和你的广度
那我觉得在新的特别尖端的问题上比如说 Hinton 今天研究的这个问题上可能就跟刚刚举的例子建国的时候的感觉是一样的就是你没有很多的储备你没有很清晰的道路可以走你只有科学家自己来探索道路那你遇到的实际的困难是什么样的你需要什么样的研究方法就只能自己去探索这些或者是去学习这些方向
我觉得可能这个是他所面临的一个困境吧那我说中国目前会不会有这样子的在不远的将来我们就可以看到类似的场景我们也知道中国的基础科研其实现在已经和过去相比有长足的发展吧
我们教科书上的很多这个观点的改写的话也有中国教授的参与所以基础科研这块还是有很大的提高只要我们不断地探索世界性的新的这种问题的话我们应该也会遇到同样的一个困境就是说前人没有走过的道路那我们就要走那在这个道路上没有很好的解决工具的时候我们就要不断地去学习新的这些东西就会产生一个跨学科的这个要求吧
对这么说其实刚才我那个观点就是我的一个偏见了它其实跟教育体制和什么都没关系核心就是前沿科学研究的人太少了就没有 ready 的这种团队和人才的时候其实是可以从跨学科里有各种的知识领域的借鉴的对吧那我们其实这个本节诺奖里边有一个非常有意思的讨论
网上有一个说法说诺奖是一次开源精神的胜利刚才我们讲那个化学奖的得主 David Baker 他 90 年代就发明了 Rosetta 但是同时呢并没有把它作为一个赚钱或者去售卖相反的他选择了开源让十几年后呢其实 AI 公司加速发展成为现实那么今天在二位看来就竞争激烈的科学界未来会出现这种开源合作的优秀案例这是一个必然吗多久能够看到这样一天
最好在材料领域会有一系列这样的开源的工具软件因为我们其实现在看到在材料的开发计算的这个软件领域就已经有很多大家常用的开源的软件当然也会有一些公司科研组织他们有自己的必源的软件有一部分可能是偏商业化有一部分可能是针对某一个特定场景都会有但我们就已经看到现在整个开源的体系有一个比较不错的成长
就今天 AI 已经到了诺奖级别的就 AI for Science 已经是一个共识那我们在这个领域有看一些项目的机会吗
其实这块我们资源资本的话已经看得蛮多了,这是我们在很早的时候就开始关注的方向。大模型是 22 年出差的 GBT 才热的,但是我们 2021 的时候就已经在医疗中就投了百度生科,然后它是通过医疗大模型或者是生物大分子的大模型想来解决制药方面 AI drug discovery 方面的问题。
然后另外的话我们也投了一家 based 在波士顿的公司叫 enzyme 它也是通过 AI 的方式来 boost 小分子制药的
那其实 AI 的话在其他的方面也有很好的这个落地场景比如说医学影像对吧那我们其实也是投了一些相关的企业比如说深知科技它是做这个医疗设备智能化小型化的主要关注的设备是 Ultrasound 超声以及 MRI 就是核磁共振那这里面都是用到了图像处理图像增强以及 AI 的其他的技术来帮助做影像设备的智能化
刚才其实范博士提到 AI 制药黄仁勋其实在很多场合也曾经公开表示过类似的观点他认为 AI 的下一个重要领域就是生命科学我这里有两个问题就是说我们都知道创新药的研发它有一个著名的双十定律哪怕任何一款药你的新药研发需要十年时间十亿美元并且成功率只有 10%那么今天 AI 制药的发展有没有可能降低药物研发的专业门槛
具体现在做 AI 制药的公司它商业模式是什么样的呢第一谈到制药这件事情我们先回应一下说这个制药到底要满足什么样的需求或者是 AI 的药物上市需要满足什么样的需求其实 AI 制药上市和其他药物上市需要满足的监管要求是一样的就是你要获准进入人体实验你需要提交足够的体外和动物上的药袋药效还有独立实验的证据以及合成工艺方面的数据
然后货批上市的话就是一样需要做不同期的人体临床实验然后有足够的疗效还有安全性的证明那目前来看的话 AI 能够介入的环节还是比较有限的尽管是有潜力大大的加速早期的药物发现的过程
但整个药物发现的周期是比较长的环节也是比较多的那光是临床实验这个部分就占了药物开发周期的绝大的一个部分比如说 AI 加速的早期发现可能就是从三四年缩短成一两年但整个这个药物开发的周期可能是从十年这样算的话就是从十年变成了八年所以还是很长的过程但另外我们看的话
最近两年 AI 制药的进展还是比较快的全球范围内的话已经有多项 AI 制药的管线进入了临床二期实验那相信不久的将来的话我们就可以看到 AI 辅助制成的这个药能够上市能够用得到然后另一个问题就是说能不能降低药物研发的门槛
从长远来看的话如果 AI 的技术足够成熟可靠了我觉得这个当然是可能的这就是类似于今天的一些外包的模式对吧你做药的环节相当多那某些环节的话其实已经相当的成熟了那你可以交给专业的 CRO 甚至一些软硬件的产品然后来完成比如说高通量文库的筛选分子的化学合成等等所以如果 AI 在这些环节能够足够成熟
就可以替代目前的这些人了一个药物研发的 biotech 也许就不需要那么全的职能部门那你可以专注于自己擅长的方向这样就降低了门槛了对对今天 AI for science 这个领域化学角度或者材料学角度你觉得还有什么创业的机会吗
就我们其实在市场上看到有很多这类型的公司和一些大学的课题组去做合作啊材料的开发软件里边很多也是结合了一些 AI 的材料的开发的模块然后卖给大学的课题组然后还有一些呢它直接和材料领域的大厂包括像宁德时代等等等等哈开始了一些合作在比较早期的阶段随着技术的不断迭代我们也相信会有一个越来越往前走的一个过程哈
在节目的最后呢我们也请两位嘉宾对于想要创业的这些科研工作者给一些建议吧从科学家的身份走向创业者就我的一个观察来讲的话可能科学家他的这种探索精神追根到底的精神是要强于平均所能达到的值的如果作为创业者来讲的话
科学家的这种性格和习惯可能会遇到问题就是说想尽善尽美过于追求某些细节但是事实上创业的更多的是说我怎么能快速地推进然后能把这个产品做出来然后能够快速地迭代在商业上取得成功
那可能有时候跟科学家的性格和长期以来形成的这个习惯会有一些矛盾之处那你怎么去转换自己的这个心态然后对商业的部分有更敏锐的观察和去适应它这可能是比较重要的部分吧
科研其实更多是说你去在人类的未知的边界上面去做一个探索但创业更多的是说你如何把一个产品去做出来实现商业化这中间是有比较大的 gap 的那比如说现在大家基本上每天都会用到的锂电池其实是在上个世纪 70 年代发明的但是说它真正大范围的走向商业化还是在 2000 年以后
那这中间差不多就有一个二十多年到三十年的一个时间差如何去把技术转化成产品其实你是做了很多折衷的如何把价格去做下来让大家去接受你如何和下游更好去做适配特别感谢二位嘉宾今天的精彩分享创业内幕因为过去很少关注这种特别技术科学的东西
因为它跟 AI 相关又跟我们人类相关我相信能够通过这期节目呢很多听友听完之后无论是找到自己的创业方向或者说对于思考自己未来的就职的方向我希望都能有一些启发好那么本期节目就到此结束了欢迎呢各位听友在我们的节目下面积极的留言我们也将送出由纪元资本最近做的一批新的小的周边伴手礼送给大家欢迎大家积极的参与我们这期关于诺奖和 AI 的讨论
然后也希望我们人类的未来在有更多的新技术的加持下越来越好好那本期节目到结束了我们下期再见拜拜