Powering AI-Driven Drug Discovery with President of Isomorphic Labs Max Jaderberg

Isomorphic Labs 总裁 Max Jaderberg 说，70 年来新药上市数没涨、单药成本却涨到 15 亿美元、周期拉到 15 年，他要把它搬进电脑。

做药不是找一把更快的筛子，而是把失败前移到电脑里

Max Jaderberg 是 Isomorphic Labs 总裁和创始团队成员，早年在 DeepMind 做过生成模型、语言模型和强化学习，也参与过 AlphaGo、AlphaStar 一类项目。他这次谈的不是“AI 能不能帮药企提效”这种宽泛命题，而是更硬的一道题：一款药为什么要花约 15 年、15 亿美元，最后仍常常在病人身上失败？

他的答案是，行业的瓶颈不只是实验慢，而是学习发生得太晚。今天的流程里，研究者提出假设、造出分子、放进真实实验，再根据结果改下一轮。到临床才发现毒性、脱靶或疾病机制判断错了，前面投入的大部分时间和钱已经回不来。Isomorphic 想做的，是把更多判断变成计算机上的预测，让现实世界主要承担验证，而不是一次次摸索。

这期回答了 7 个问题：

1. 为什么论文、技术和投入都增加了，新药研发反而更慢更贵？
2. AI 在药物研发里到底要替掉哪一段，而不是只多一个工具？
3. 公共数据很多，为什么还要自己生成数据？
4. 用老鼠做安全性判断，究竟卡在哪里？
5. 为什么组合疗法难做，关键不只在临床试验规模？
6. 一家 AI 制药公司为什么不卖模型，而要自己做药？
7. 五年后应当拿什么结果判断这条路线有没有进展？

主持人先摆出一个反常识的背景：论文数量增长了 10 到 20 倍，抗体、小分子、蛋白、肽等药物形式更多了，但每年获批的新药数量大致没有同步增长。单药研发成本从几亿美元升到约 15 亿美元，周期从八九年拉到约 15 年。看上去像知识爆炸，交付却没有变快。

Jaderberg 没把原因全推给监管或大公司官僚化。他从研发的学习方式切入。细胞本身是复杂、混乱且高维的系统，分子设计同样是组合极大的问题。研究人员即使有一个关于疾病机制和分子的好猜想，也仍须做出来、放进真实系统里测试，再从结果里找信号。钱和时间有限，试错能搜索的范围也有限。

"We're finding the low hanging fruit"（我们正在把低垂的果实摘掉），是他对行业现状的概括。容易找到的方案先被找到，剩下的问题需要更精细的机制理解。但传统项目常像一次独立的前沿科学任务：做完一个靶点，经验未必能直接迁移到下一个靶点。

这意味着，真正要累积的不能只是实验次数，而是一个能吸收每次成功与失败的底层系统。否则每做一个新药，都像重新开一家小型科研公司，规模只放大成本，不放大学习速度。

被问到是否会建机器人实验室时，Jaderberg 的回答很克制。自动化当然有用，能缩短移液、培养和读取结果的周转时间；但有些等待无法被机械臂消除。分子合成需要反应时间，细胞培养需要生长到合适状态。物理过程本身有下限。

所以他们的北极星不是把现实实验室变成更快的流水线，而是尽量在电脑里完成药物设计和疾病生物学理解。AlphaFold 是他常用的参照：过去拿到蛋白质结构可能要做数月甚至数年的 X 射线晶体学，如今预测模型能先给出结构层面的判断。它不等于替代所有实验，却能让研究者少走许多没有必要的弯路。

"we want to do the same thing in this space"（我们想在这个领域做同样的事）。他说内部每个模型排行榜都设了一条“实验精度”虚线。模型逼近这条线，才意味着可以把更多筛选和迭代留在计算机里；模型离得远，再漂亮的 benchmark 也未必能让病人受益。

这意味着，AI 制药最该盯住的不是模型跑分，而是它能否减少进入真实世界前的无效回合。实验依然要做，但角色会变：从大量试探，转为检验一批已经被更充分推演过的假设。

药企、论文和公共库里早已有大量数据，为什么还要自己造？Jaderberg 的判断是，许多现成数据是过去多年业务活动的副产品。它们服务于当时的药物项目和决策，并不天然覆盖一个通用药物设计模型真正需要学习的分布，因此可能存在明显偏差。

这不是说公开数据没有价值，而是数据来源决定了模型能在哪些问题上泛化。若目标是预测新的疾病机制、分子组合或人类毒性，只拿历史项目留下的样本，可能学到的是过去项目的选择偏好，而不是生物学本身。

"we've seen some really really amazing data scaling laws as a result"（因此我们看到了很明显的数据规模规律）。他说团队会自行生成一部分专有数据，同时与 CRO、创新公司和其他实验平台合作。AI 模型由内部做，复杂且长尾的生物实验则不假装能全部包办。

这意味着，AI 进入科学领域不只是“把更多论文喂给模型”。更难、也更有护城河的动作，是倒推模型要学会什么，再为那个问题设计能产生判别力的数据。数据不是仓库，而是实验与模型共同形成的反馈回路。

药物开发里最昂贵的失败，往往发生在临床。分子可能确实打中了预期靶点，却同时打到别处；也可能靶点本身和疾病有关，但调控它会带来不可接受的副作用。等药真正进入患者体内才看到这些问题，损失才会突然显形。

Jaderberg 提出一个很刺眼的参照：大鼠不是人。监管要求的动物毒理仍重要，但他援引的量级是，大鼠对人类临床毒性的预测率约为 30%。"it's about 30% predictive of of of human clinical tox"（它对人类临床毒性的预测率大约只有 30%）。如果一个 AI 团队拿着 30% 准确率的预测模型来报喜，大多数人不会认为任务已经完成。

他的方向不是一句“不要动物实验”，而是把体外读数、AI 预测、类器官和器官芯片等近似人体组织的系统放在一起，直接改善对人类毒性的建模。这里没有魔法：人类临床数据本来就有限，模型也还没有替代临床试验。但问题被重新定义了，研究不应只问“鼠身上有没有毒”，还要问“离人体真实反应还差多远”。

这意味着，模型价值最终要以临床前判断能否更接近人来衡量。只把动物代理指标做得更漂亮，可能只是把错误判断更快地规模化。

癌症和 HIV 的一个共同难点，是单一作用点可能被绕开。肿瘤里存在不同突变亚群，疾病会演化，多个靶点一起调控在理论上更有机会压住复杂通路。可现实里，药物组合并不只是把几颗有效药放在一起。

Jaderberg 解释，许多分子虽然有效，却带有毒性、肝脏负担或彼此之间的不良相互作用。两种药同时给，风险会叠加，患者和临床试验都承受不起。"we're not great at engineering exquisite molecules and medicines"（我们还不擅长把分子和药物设计得足够精确），他说，这正限制了组合疗法的适用范围。

如果能更准确地设计安全、少脱靶、少相互作用的分子，组合疗法才可能从“一次打一个靶点”走向同时调控一条复杂通路上的多个靶点。这里的顺序很重要：不是先扩大组合数量，再希望试验替你找出问题；而是先把单个分子的可控性提高，才有资格讨论组合。

这意味着，AI 在这个问题上的潜在作用不只是找到更多候选物，而是缩小“有效但不能安全使用”的那块灰区。没有这一步，多靶点治疗很容易停留在机制图上，而进不了患者方案。

不少 AI 公司会把模型做成 API、授权软件或按 token 收费。Isomorphic 选了另一条路：药物设计引擎内部使用，一部分项目自己全资推进，另一部分和药企、biotech 合作，尤其去碰对方做了十到二十年仍没有进展的难题。

"We use it internally to to make medicines"（我们在内部用它来做药）。这句话不是简单的商业姿态。药物研发里，模型的好坏不能只由演示效果决定，必须跟着候选分子、实验结果、安全性和后续临床推进一起被检验。若把模型单独卖出去，最关键的反馈和责任反而容易断开。

他们内部先聚焦肿瘤、免疫和炎症，但宣称引擎不依赖特定疾病、靶点类别或药物形式。这个主张仍要靠实际项目证明，不能因为模型通用就默认结果通用。它真正有意义的前提是：每一个新项目的成败都能回流到底层设计能力，下一次面对不同疾病时，系统确实比上一次更会判断。

这意味着，AI 制药公司最终卖的不是一段生成分子代码，而是更高质量的研发决策。如果模型不能在一次次药物项目中积累可迁移的预测能力，商业模式再完整，也只是在给传统试错加一层软件界面。

这期最值得带走的主线，是把“更快做实验”与“更早知道什么会失败”分开看。第 2 条谈把设计搬到计算机，第 4 条谈预测必须尽可能靠近人体，第 5 条谈分子足够精确后组合疗法才有空间。它们都指向同一个变化：把临床前的猜测，变成更可计算、可验证、也可从失败中复用的判断。

Jaderberg 没承诺五年内治好多少疾病。他给出的五年标准反而更实在：如果对疾病生物学的预测理解、以及设计更精准低毒分子的能力没有明显跃迁，他会失望。对读者来说，这提供了一把筛子。以后再看 AI+科学项目，别先问模型有多大、融资有多少；先问它是否有一条对照真实世界的精度线，以及每一次现实验证会不会让下一次判断更可靠。