0.33Å 误差背后的信号：药物发现正转向敏捷闭环
Chai 为 50 个靶点设计抗体约一半命中，cryo-EM 验证误差 0.33Å；真正的护城河不是模型，而是数据、算力和让药企愿付钱的验证链路。
核心论点 · 点时间戳可跳到原声
从瀑布到敏捷的药物设计
用软件工具类比生物设计：界面像 Photoshop 一类设计套件，可以用「内容感知填充」式的工具让 Chai 生成 binder。传统药物发现是目标发现、hit 发现、优化串行的瀑布模型，每道门要数月到数年，早期试错成本极高。如果模型能稳定给出有希望的候选，这个过程就能变成回路，类似软件开发走向敏捷。下一步要爬的抽象层次是激动剂、ADC、精准触发细胞开关。
50靶点实验一半命中
Chai 在内部发起挑战：为 50 个靶点设计抗体。最初选「有意思」的靶点，一半不 work；后来改用 CRO 已验证过的靶点，从 CRO 目录里挑，最终 50 个靶点中约一半拿到 hit，平均结合命中率约 20%。这是让药企开始相信「有真实信号」的关键实验，也解释了为什么大型药企愿意签大 deal。
Chai 1 是基础设施的强制函数
Chai 1 做结构预测，open source，团队只有 5 人。做 Chai 1 的目的不是模型本身，而是借它把 MSA 等基础设施一次建到位，作为长期投入的 forcing function。两位联创和 OpenAI 有关系，OpenAI 领投了种子轮，团队一度坐在 OpenAI 办公室。发布前 48 小时通宵搭 web server，Josh 早上 7 点上 Bloomberg 电视采访，办公室里没有员工。
Cryo-EM 验证 0.33Å
Chai 2 论文里把预测结构叠到 cryo-EM 电子云上，看不出差别，误差 0.33Å，只有原子宽度的三分之一。团队一度以为是对方寄回了自己设计，或存在数据泄漏；但他们特意选了没有已知抗体 binder 的靶点，所以这是该靶点的第一个抗体 hit。这段验证是结构预测已进入原子级精度的直接证据。
Epitope 预测比找抗体更难
Epitope 是蛋白上想阻断的位点，这比找抗体更难，因为需要全局理解。即便 AlphaFold2 的 multimer 版本，在抗体-抗原结合预测上也只对约 11% 的案例正确，也就是说 90% 是错的。关键在 MSA：MSA 相当于结构模板，而抗体在演化上恰恰不能有模板——每个人都要生成针对自身经历过的抗原的独特抗体，靠重组来匹配未知病原体。
算力是最大瓶颈
去年九月开始 spot/on-demand 算力频繁告急，Chai 被迫自己囤卡。算力是幂律分布：比如一万台 B300 出货，超大规模云和顶级 AI 实验室买走 95%+，创业公司只能抢剩的。而且新硬件是为 LLM 造的（大 KV cache、72 卡互联），这类结构模型需要自己的 inference 优化。技术层面，Chai-1 的 attention 批处理复杂度是 L³，memory bandwidth 比 flops 更卡，连 layer norm 都可能很贵。
复杂性与 bitter lesson 相悖
复杂度与「苦涩教训」原则在根本上是冲突的。AlphaFold 3 可能有 23 个子模块（说话人自己说不确定），这种系统极难优化和研究：改一个子模块牵动全局，常见想法是再加一个模块，但也许应该做减法。Chai 的工程文化极度偏向简单，办公室墙上贴着 SpaceX 引擎 Raptor 1 到 2 对比图，提醒自己不断删除东西。AlphaFold 2/3 成功也因它们是相对小的模型，计算密集、数据高效。
GLP-1 收入超过所有 AI 实验室
按 token 计，制药可能是单 token 下游价值最高的领域：一款药可以是数十亿美元资产，GLP-1 两类药合计可能是万亿美元资产。据 Chai 估计，直到三个月前，GLP-1 的总收入超过了所有 AI 实验室加在一起，但市值相对低得多。制药本质是 VC 式生意，硅谷早期最大风险投资回报之一是 80 年代的 Genentech；整个生物制药最大的问题恰恰是资金模式。
原话 · 已逐字校验
We see ourselves as almost a neutral software factory for making medicines.
我们把自己看作一个近乎中立的药物制造软件工厂。
Josh, our CEO, likes to say that our, our biggest competitor is the mouse.
我们的 CEO Josh 喜欢说，我们最大的竞争对手是小鼠。
and in this case, it was a 0.33 angstrom error, which is one third the width of an atom.
在这个案例里，误差是 0.33 埃，也就是原子宽度的三分之一。
LFOLD2 got, like, I think 11%. The multimer version of this got, like, 11% of antibody antigen prediction cases correct. That means 90% of the time it's wrong.
AlphaFold2 大概拿到了 11%。它的 multimer 版本在抗体-抗原预测案例中大约 11% 正确，也就是说 90% 的时候是错的。
there's, say, 10,000, you know, B300 units that are shipping everywhere, right? The hyperscalers and the, you know, the biggest AI labs are buying 95 plus percent of it
比如说有一万台 B300 在出货，超大规模云厂商和最大的 AI 实验室买走其中的 95% 以上。
complexity and being bitter lesson-filled are, like, fundamentally at odds.
复杂性和「苦涩教训」原则在根本上是相悖的。
in the case of GLP-1s, I think the two GLP-1 drugs combined, like, maybe a trillion dollar asset.
就拿 GLP-1 来说，我认为这两种 GLP-1 药物加起来，可能是万亿美元级别的资产。
the cost of actually making a drug in pharma is kind of, like, increasing exponentially.
制药中实际研发一种药物的成本，正在近似指数级地增长。
数字与实体
| 合作药企 | Eli Lilly、Pfizer、Novartis、Argenx（4家） | 3:21 |
| 50靶点验证命中 | 50个靶点设计抗体，约一半获得 hits | 7:27 |
| 平均结合命中率 | 约20% | 22:59 |
| 多聚体结构预测模型出现时间 | 2021年 | 5:26 |
| Chai 2 cryo-EM 验证误差 | 0.33 Å（原子宽度 1/3） | 34:15 |
| AlphaFold2 multimer 抗体-抗原预测正确率 | 11%（即 90% 错误） | 54:10 |
| B300 出货中头部买家占比 | 95%+ | 1:02:33 |
| Chai 新融资额 | 4亿美元 | 1:07:59 |
| AlphaFold 3 子模块数（估计） | 23 | 1:09:02 |
| Chai 团队总人数 | 30人 | 1:27:35 |
术语
- binder结合分子
- 与靶点结合的候选分子，本集指抗体或抗体片段。
- epitope表位
- 抗原上被抗体识别并结合的特定区域。
- MSA多序列比对
- 将同源序列对齐后作为结构推断的输入特征。
- cryo-EM冷冻电镜
- 在低温下用电子束解析蛋白三维结构的实验方法。
- durable execution持久执行
- 让跨多步的长流程自动重试、断点续跑的工程范式。
- bitter lesson苦涩教训
- AI 领域用算力和搜索替代领域知识的原则。
收听指南
做生物计算/AI4S 的创业者、药企研发数字化负责人、以及想判断结构预测何时能真正省钱的制药投资人。
可跳过 18:54-24:01 的 Chai 1 发布细节，后面 1:24:23 的经济学别错过。