Egan Peltan：「一人即管线」将如何帮助 AI 加速新药与实体研发

上周，OpenAI 收购了 Orchestra——这正是我用来推进自己公司新药研发项目的运营平台（祝贺 Ashoka @ashokaraj_、Shaan @shaan_the_maan 以及团队）。本周二，Anthropic 发布了多组案例，展示 Claude 如何帮助团队加速新药研发。在这篇博客中，Anthropic 提到已收购 Mithril Medicines——一家由 Atlas Venture 前驻场企业家（EiR）Cody Tranbarger（祝贺 Cody @Prof_Oak_）创立、借助 AI 杠杆运作的虚拟“单人生物科技公司”。

为什么前沿 AI 实验室纷纷出手布局生物科技？

制药业确实是一个庞大的市场。礼来（Eli Lilly）的替尔泊肽（tirzepatide）明年销售额将突破 1000 亿美元。但正如我此前分析过的，我认为这些实验室的核心动机并非财务回报。

Anthropic 首席执行官 Dario Amodei 在《慈悲机器》（Machines of Loving Grace）一文中，将“生物学与健康”列为推进 AI 前沿的首要正面应用方向。OpenAI 首席执行官 Sam Altman 也投资了包括 Retro Bio 在内的多家生物科技公司。两家实验室都已推出面向科学家的智能体 AI 产品（Rosalind 与 Claude Science）。向药企出售辅助药物发现、开发与商业化的工具，本身也是一门长久的生意。

但我认为，驱动这两起收购的动机超越了单纯的逐利与行善：前沿 AI 实验室正在把新药发现与开发当作试验场，用来验证新型人机协作范式，进而提升物理世界的生产力。

1. 药物是留给人类长久受用的礼物

2. 医药创新天然缓慢

3. 新药研发堪比造火箭

4. 大多数研发工作更像管理新药项目，而非维护代码库

如今，医学的大部分工作属于服务供给。而提供服务的问题在于（至少在最近之前），想要扩大专家级医疗服务的供给，就必须培养更多专家。随着老医生退休，社会必须持续投入资源培养新医生。但药物不同。一款新药一旦完成发现与开发，它带来的获益就是永久性的。今天任何一个接受大手术的人，都在受惠于 20 世纪初麻醉剂和抗生素的发明。

随着时间推移，制药工业从开发治疗常见细菌感染的药物，演进到治疗罕见病的复杂酶替代疗法，再到攻克毁灭性疾病的功能性治愈药物——例如治疗囊性纤维化（CF）的 Trikafta，或是治疗丙肝（Hep C）的 Harvoni。尽管治疗囊性纤维化和丙肝的药物目前依然昂贵，但在不久的将来，仿制药竞争就会让这些疗法的供给成本趋近于零。学界与产业界数十年的努力，已将艾滋病（HIV）从一纸死刑判决变成了每年只需注射两次即可控制的慢性病。这些成果永远不会消失。如果前沿 AI 想要为人类留下一份持久的礼物，一批全新的抗生素、抗病毒药和罕见病治愈药物，将是前沿 AI 造福人类最有价值的贡献之一。

我看到许多计算机科学家对生物医学的进展速度感到沮丧。这完全可以理解。下个月就是 ChatGPT 发布四周年（原配图为 Sam Altman 于 2022 年 11 月 30 日宣布上线 ChatGPT 的推文截图，图注：“一条价值十万亿美元的推文？”）。自 2022 年以来，我们见证了大语言模型从连“strawberry”里有几个“r”都数不清，一路演进到能够为千禧年大奖难题提出全新解法。

礼来下一代 GLP-1 三靶点激动剂瑞他鲁肽（retatrutide）于 2019 年进入 I 期临床，2026 年完成 III 期研究，并计划在 2027 年初提交生物制品许可申请（BLA）。在它正式上市前，心急的消费者已经在从改行卖多肽的中国前芬太尼原料商手中购买贴着瑞他鲁肽标签的假冒替尔泊肽。礼来瑞他鲁肽的首批合法商业化销售，要到 2027 年底或 2028 年初才会落地。

药物创新的时间尺度必然是漫长的。如果临床终点是患者减重、不发展为阿尔茨海默病、或者不患癌，你就必须等待时间流逝。患者需要确知自己服用的药物既安全又有效。即便药效能够迅速显现，你也不可能靠给 12 名受试者服药一个月，就凑出一整年的慢性安全性数据。我们已经发现了一些能够预测疗效的生物标志物。我希望 AI 工具能帮我们发现并开发出更多生物标志物。但是，像低密度脂蛋白胆固醇（LDL-C）、眼压（IOP）和骨密度（BMD）这样优秀的生物标志物，无一不是建立在多年随访积累的临床结局相关性数据之上的。

前沿 AI 能加速新药发现与开发吗？两家实验室都会给出肯定回答，我也赞同。然而直到今天，围绕 AI 变革生物医学的大多数热情，仍然集中在“设计结合子（binders）”的精致演示、批量产出低质数据分析垃圾（slop），或是处理成山却信息密度极低的静态数据上。这些事情没有一件是限制生物医学进步的真正瓶颈。

具备生物化学背景的读者都很熟悉代谢通路中的“限速步骤（rate-limiting step）”概念：整条通路的反应速度，不可能快过其中最慢的那种酶。那么，新药发现与开发中的限速步骤究竟是什么？

我认为，新药发现（drug discovery）的限速步骤是治疗假说的验证。疾病的动物模型轻则充满噪声、预测力微弱，重则完全误导方向。想象一下，让 Claude 或 Codex 为你编写应用程序，但测试套件却是错误且硬编码的，于是你只能在正式上线后亲身体验各种失控行为。这就是新药发现面临的处境——只不过，这里的验证闭环需要耗时三到十年。

而在新药开发（drug development，临床阶段）中，限速步骤依然是……验证。哪怕明天 Claude 就吐出了治愈阿尔茨海默病的化学结构，我们要知道它是否真的有效，也得等上大约十年；就算一切顺利、极其乐观，也要七年。遗憾的是，我们受限于疾病本身的自然病程演进。你只能祈祷它在 5xFAD 阿尔茨海默病小鼠模型中起效，否则这个分子甚至连迈出起跑线的机会都没有。

既然 AI 无法直接缩短“验证”这一限速步骤，它又该如何加速新药发现与开发？

我想，这正是前沿 AI 实验室希望攻克的部分课题。我前面还没提到的一点是：绝大多数候选药物推进的速度，都远远没有达到理论上的最快上限。你日常服用的普通药物，在研发历程中大概率至少“死”过一次。著名的 K 药（Keytruda）当年就曾被默沙东挂在对外授权转让名单上，直到百时美施贵宝（BMS）的 O 药（Opdivo）取得成功，默沙东才重新激活了这个项目。正如我们在 2020 年疫情期间学到的那样：只要有确定的研发资金投入和明确的市场采购保障，新药开发的时间线就能被大幅压缩。

我认为各大 AI 实验室正逐渐达成一个共识：对于开发同类次优（next-in-class）或跟随改良型（me-too/me-better）药物而言，生物科技行业的运转效率其实已经逼近限速极限了。这类药物基于成熟模板进行工程化改造，往往不需要太多原创思考。没错，未来的 AI“设计”工具或许能在长达数年的研发周期中省下几周时间，同时提升分子质量。

但首创新药（first-in-class）则是完全不同的问题。迄今为止，真正聚焦于加速颠覆性新药发现与开发的努力少之又少。我认为，前沿实验室相信药物猎手们可以借助人工超级智能（ASI），更快、更便宜地发掘出更多首创新药。在这一领域，高水平 AI 所提供的迭代速度、智能分析与风险管理，能够显著提升项目的临床成功概率以及投资者的财务回报。

新药开发与火箭工程在结构上有着诸多共通之处。造药和造火箭都需要投入巨大的人力与资本，每一个细节都生死攸关。火箭需要跨学科专家团队合力建造，单次“设计—制造—测试”闭环往往耗时数月乃至数年。一旦确定了临床候选分子（正如敲定火箭总体设计），底层约束条件就被锁死，后续修改和迭代的空间急剧收窄。哪怕你花了数年时间稳步推进，最终的检验（发射点火或临床揭盲）依然是二元成败。爆炸虽然希望少见，却绝非意料之外。

不过，就造火箭而言，系统的物理约束条件是相当清晰的。工程师可以在制造和测试之前，就在设计阶段对大部分约束进行建模。而在生物科技领域，我们没有那么幸运。

生物系统的约束条件，甚至连系统里究竟包含哪些相关组件，在很大程度上都是模糊不清的。我们用来指导分子工程化改造的替代指标——动物模型——充其量只是预期临床结局的嘈杂代理变量。即便你找到了一个能在某项适应症中验证特定机制的动物模型，它也仅仅是“或许能预测该适应症临床活性”的模型，仅此而已。

我们只能从过往经验中总结出一些粗略的经验法则——例如利平斯基五规则（Lipinski’s Rule of 5）、抗体成药性（antibody developability）指标——来指导早期发现工作。做生物科技研发，与其说是瞄准移动靶射击，不如说是对着一个只有模糊轮廓的目标，朝自己希望大致正确的方向开枪。归根结底，经验和专业直觉在新药发现与开发过程中占据着不成比例的巨大价值。这也解释了为什么新药研发在历史上一直是一项团队运动：成功需要将多个领域的专长整合在一起——你显然不会想让负责体外活性筛选的专家去起草新药临床试验申请（IND）的模块 3（CMC，化学、制造与控制）。但即便对于一支顶尖专家团队，挑战未知依然极为艰难。首创新药发现既是在寻找正确的先导分子，同样也是在摸索设计约束条件本身。

那么，面对一个边界尚不清晰的难题，该如何破局？答案是：快速学习。SpaceX 的核心创新之一，就是通过垂直整合来加快迭代速度并提升资本效率，从而外推了火箭工程的帕累托前沿（Pareto frontier）。

但生物科技行业不应该照搬垂直整合这套机制。SpaceX 之所以选择垂直整合，是因为当年的航天供应链既单薄又迟缓，且定价完全围绕政府合同运转。相比之下，新药研发的供应链已经非常深厚、竞争充分且高度模块化。

像 Mithril 这样借助 AI 杠杆的虚拟单人生物科技公司，其外推新药研发帕累托前沿的方式，是凭借独特的生物学洞见，同时跨接整合现有的新药发现与开发供应链——由超级智能引导更低成本、更快速的认知迭代，同时把具体实验交给本就极其擅长自身业务的合同研究组织（CRO）去执行[注1]。

我亲眼见证了 AI 工具如何为我们扫清项目障碍，让我能够独立完成两年前根本不敢想象的工作。随着 AI 能力提升，我们发现团队扩招的需求在缩减，项目质量反而更高，资金消耗也更少。今天的模型还不能解决所有问题，但我们已经能看清一条路径：重构当今的虚拟生物科技公司，从而把 AI 的能力吃干榨净。

高效的新药开发，很大程度上取决于优秀的项目管理。无论你是造药还是造火箭，本质上都是在有限的时间表和预算内推进科学工程。这正是像 Orchestra 这样的工具发挥价值的地方——确保项目按期推进且不超预算。研发过程中任何一个凭本能随手做出的简单决定，都可能引发连锁反应，将成功逆转为失败。无论是人类还是 AI，想要高效管理全盘项目上下文（context）都极其困难。目前的绝大多数研发项目，都是按照“对人类专家最易读（maximally expert legible）”的方式搭建的。而 Orchestra 的核心创新之一，就是建立了一套底层数据模型，让新药研发流程变成“对 AI 智能体易读（legible to AI agents）”。让数据中心里“一整个国家的天才”并行工作，帮你管理研发项目、解决棘手问题，无疑会大有裨益。

和造火箭一样，做药也需要资本。当然，高资本效率的虚拟生物科技公司并非新鲜事物——尽管在当下动辄“2 亿美元中国管线授权（NewCo）算作种子轮”的市场风气里，这种极简模式似乎有些失宠。但只要你需要拿钱做药，你就需要投资人；而投资人需要你帮他们赚钱。简而言之，在同等固定资金投入下，像 Mithril 这样极致精简、由 AI 赋能的生物科技公司，能够在不确定性中以远高于以往的效率推进首创新药项目。外推新药研发的帕累托前沿，意味着为投资者创造更高的回报倍数。

我们还能做得更好吗？答案是肯定的：并行推进多个管线项目能够带来显著的规模与协同效率。除了组合层面的风险对冲，多个项目往往还能分摊固定成本。过去，并行跑多个项目必须配备更庞大的团队。但随着 AI 的进步赋予药物猎手更强的杠杆，我们正一步步再次外推首创新药发现的帕累托前沿。我非常期待看到 Cody（@Prof_Oak_）与 Anthropic 共同把“一人即管线（Pipeline-in-a-Person）”变为现实。

[注1] 作者原注： 生物科技生态系统的结构更像消费电子硬件，而非火箭或核电站。电子硬件公司会自己负责产品设计与工程研发，但绝大多数零部件都是现成标准件（off-the-shelf）。生物医药行业拥有大量专精于单一职能的合同研究组织（CRO）。“组装”一个新药开发项目，就像用现成的 CRO 服务组装一款消费电子硬件产品。在这里，相对于亲自下场做重资产垂直整合，花钱采购外包服务以节省资本开支（CapEx）并降低操作失误率，往往对双方都更划算——当然，这高度取决于项目的具体职能环节与成本结构。

接下来是我核心论点中最具推演色彩的部分。我没有来自各大 AI 实验室的任何内幕消息，这些推断全部源于我使用 AI 运营自己那家精简、AI 赋能的首创新药研发项目的切身体会。

软件功能在很大程度上可以在极短时间内完成验证；纯数学的一部分似乎也是如此。当现代强化学习（RL）技术能够对着明确定义的奖励函数和海量样本进行训练时，我们就会看到突飞猛进的进展。但正如前文所言，新药发现不是这样，新药临床开发更绝非如此。

那么，宏观经济整体而言，究竟更像软件，还是更像新药研发？

原图说明（各行业单次“设计—建造—测试”闭环周期对比，对数坐标轴）： 油井钻探测试（Oil well）约 1 年；小鼠寿命研究（Mouse longevity）约 2 年；芯片制程节点迭代（Chips）约 2.5 年；汽车整车开发（Cars）约 4 年；骆驼育种代际（Camel breeding）约 5 年；运载火箭研发（Rockets）约 6 年；农作物新品种培育（Crop variety）约 10 年；新药研发（Drugs，引自 DiMasi et al., J Health Econ 2016）约 12 年；人类长寿药物临床（Human longevity，估算）约 15–30 年；核电站设计至投运（Nuclear plant）约 20 年；大教堂建造（Cathedral）100 年以上。图注指出：一款人类抗衰老/长寿药物单次研发闭环需要 15–30 年，比除建造大教堂之外的任何工程周期都要漫长。

我认为，现实经济中的绝大多数工作都介于两者之间。新药发现与开发所面临的难题——漫长的验证闭环、广泛且零散的上下文信息、大量依赖经验的判断权衡——在整个实体经济中反复出现。只不过在新药研发中，容错率更低，不确定性的量级也被成倍放大。如果 Claude 和 Codex 能够“攻克”新药发现与开发，它们大概率就能解决绝大多数商业与工程难题。

新药发现与开发之所以格外棘手，是因为它无法像软件那样直接验证最终功能，只能用“替代性质量保证与质量控制（surrogate QA/QC）”来充当代理。你怎么知道自己造出的是正确的分子？这绝非易事。你必须建立一整套复杂的表征分析方法（characterization assays），并确保生产工艺高度一致。归根结底，在生物制药中，“工艺即产品（the process is the product）”。一旦工艺出现偏差，或者替代性 QA/QC 指标未通过，你的候选药物或许依然没问题，但也可能已经失效——你根本无从确知，只能推倒重来。

我认为，许多工程研发（R&D）问题看起来都更像新药开发，而不是写代码。如果想让 AI 在广义研发领域真正挑起大梁，AI 就必须在验证闭环漫长且充满高度不确定性的环境中稳健运转。诚然，CAD 工具在微观和介观尺度上帮了工程学科大忙；但如果我们想借助 AI 建成低成本海水淡化工程，去解决美国西部的水资源短缺，我们就需要能够处理多源异构数据、对复杂项目依赖关系进行交互建模、全程维护输入数据溯源（provenance），并与冗长的利益相关方名单打交道的 AI 工具。这听起来简直和……新药开发一模一样。

那用 AI 加速汽车研发呢？听起来很棒。今天的前沿 AI 工具或许已经能够以足够精细的颗粒度对一辆相当先进的电动汽车进行建模，从而加速汽车设计。但要把这辆车造出来呢？欢迎来到需要极高精度管理供应商、对数百项相互依赖的任务进行建模、并以毫米乃至微米级精度整合各类原本面向人类阅读的零散数据源的真实制造世界。

当 AI 撞上真实世界的长周期验证闭环时，它们需要全新的信息管理方式、系统建模方式以及辅助人类决策的方式。如果 AI 真能加速创新药物的发现与开发，那么在为人类打造这份“长久礼物”的过程中沉淀下来的经验，必将外溢转化为其它同样看似抗拒 AI 加速的复杂实体产业的生产力跃升。

我认为，当今绝大多数企业组织的架构，都是围绕“最大化人类易读性（maximum human legibility）”来优化的。为了帮助 AI 智能体整合上下文、处理信息并做出决策，我们将不得不改变企业的组织方式。

以我熟悉的虚拟生物科技公司为例——这是一种没有当期营收、结构最简单的商业组织——公司完全按照“专家易读性最大化”的原则组建，专家之间的沟通连接直接指导并决定项目走向。但是，彼此交互的信息孤岛，真的是运营一家 AI 赋能单人生物科技公司的最优解吗？如果你在每一个职能模块上都配有一名达到人类 90 分位水平的 AI 智能体专家，组织架构又该长什么样？我还没有定论，但我认为，要想彻底释放这种新范式的潜力，必须探索全新的组织架构。

原图说明（生物科技组织架构演进对比）： 左图“当下：人类专家团队（PRESENT · Expert team）”中，董事会（Board of Directors）之下是 CEO，CEO 与各职能负责人（CSO 首席科学官、CDO 首席开发官、CMO 首席医学官、COO 首席运营官）共同构成信息枢纽，再向下交叉连接发现（Discovery）、药理（Pharmacology）、临床（Clinical）与药学及生产控制（CMC）——上下文在人与人之间口耳相传，所有交接都必须绕经管理层中转。右图“未来：AI 智能体团队（FUTURE · AI-agent team）”中，董事会与 CEO 之下设有一名“前沿编排器（Frontier Orchestrator）”，连接中央“共享上下文账本（Context Ledger）”；战略（Strategy）、知识产权与法务（IP & legal）、监管注册（Regulatory）、临床（Clinical）、CMC、药理（Pharmacology）、开发（Development）与发现（Discovery）八大职能智能体直接从同一个共享上下文账本中读取并写入数据，前沿编排器则位于 CEO 与各职能智能体之间统筹调度。

举个切身体会的例子：在长篇文档语料库中，“上下文腐烂（context rot）”会显著拉低大语言模型的输出质量。把海量文献或复杂的 CMC 申报文档拆碎，让大模型做摘要压缩（compaction），效果确实不错；但一旦模型返回没有附带出处的结论，你就不得不保持警惕并逐条核实。像 Edison Scientific 这样的科学智能服务商，在强制模型标注引用来源方面做得非常出色，但反复迭代核查会消耗海量 Token。我们能否让各个领域的专家智能体在共享上下文的同时，严密保留每一条论断的数据溯源？我们又该如何在最大化 AI 智能体作战能力的同时，保留对人类决策者的清晰易读性？

要让高效的人机协作真正站在研发创新的最前沿，这些都是我们必须回答的问题。我很兴奋自己能有机会一边参与求解这些难题，一边把颠覆性的首创新药带给患者。期待看到大家交出的答卷。