0.33Å誤差背後：藥物設計正從瀑布轉向敏捷閉環
Chai 為 50 個靶點設計抗體約一半命中，cryo-EM 驗證誤差 0.33Å；真正的護城河不是模型，而是數據、算力和讓藥企願付錢的驗證鏈路。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
藥物發現要從瀑布模型改成敏捷迴路
用軟件工具類比生物設計：界面像 Photoshop 一類設計套件，可以用「內容感知填充」式的工具讓 Chai 生成 binder。傳統藥物發現是目標發現、hit 發現、優化串行的瀑布模型，每道門要數月到數年，早期試錯成本極高。如果模型能穩定給出有希望的候選，這個過程就能變成迴路，類似軟件開發走向敏捷。下一步要爬的抽象層次是激動劑、ADC、精準觸發細胞開關。
換成 CRO 驗證過的靶點，命中率才起來
Chai 在內部發起挑戰：為 50 個靶點設計抗體。最初選「有意思」的靶點，一半不 work；後來改用 CRO 已驗證過的靶點，從 CRO 目錄裡挑，最終 50 個靶點中約一半拿到 hit，平均結合命中率約 20%。這是讓藥企開始相信「有真實信號」的關鍵實驗，也解釋了為什麼大型藥企願意籤大 deal。
開源 Chai 1 是為了逼自己把基礎設施建到位
Chai 1 做結構預測，open source，團隊只有 5 人。做 Chai 1 的目的不是模型本身，而是借它把 MSA 等基礎設施一次建到位，作為長期投入的 forcing function。兩位聯創和 OpenAI 有關係，OpenAI 領投了種子輪，團隊一度坐在 OpenAI 辦公室。發布前 48 小時通宵搭 web server，Josh 早上 7 點上 Bloomberg 電視採訪，辦公室裡沒有員工。
0.33Å 不是數據洩漏，是原子級精度
Chai 2 論文裡把預測結構疊到 cryo-EM 電子雲上，看不出差別，誤差 0.33Å，只有原子寬度的三分之一。團隊一度以為是對方寄回了自己設計，或存在數據洩漏；但他們特意選了沒有已知抗體 binder 的靶點，所以這是該靶點的第一個抗體 hit。這段驗證是結構預測已進入原子級精度的直接證據。
抗體在演化上沒有模板，MSA 就失靈
Epitope 是蛋白上想阻斷的位點，這比找抗體更難，因為需要全局理解。即便 AlphaFold2 的 multimer 版本，在抗體-抗原結合預測上也只對約 11% 的案例正確，也就是說 90% 是錯的。關鍵在 MSA：MSA 相當於結構模板，而抗體在演化上恰恰不能有模板——每個人都要生成針對自身經歷過的抗原的獨特抗體，靠重組來匹配未知病原體。
算力按冪律分配，創業公司只能搶剩的
去年九月開始 spot/on-demand 算力頻繁告急，Chai 被迫自己囤卡。算力是冪律分布：比如一萬臺 B300 出貨，超大規模雲和頂級 AI 實驗室買走 95%+，創業公司只能搶剩的。而且新硬件是為 LLM 造的（大 KV cache、72 卡互聯），這類結構模型需要自己的 inference 優化。技術層面，Chai-1 的 attention 批處理複雜度是 L³，memory bandwidth 比 flops 更卡，連 layer norm 都可能很貴。
複雜度和苦澀教訓衝突，該做的是減法
複雜度與「苦澀教訓」原則在根本上是衝突的。AlphaFold 3 可能有 23 個子模塊（說話人自己說不確定），這種系統極難優化和研究：改一個子模塊牽動全局，常見想法是再加一個模塊，但也許應該做減法。Chai 的工程文化極度偏向簡單，辦公室牆上貼著 SpaceX 引擎 Raptor 1 到 2 對比圖，提醒自己不斷刪除東西。AlphaFold 2/3 成功也因它們是相對小的模型，計算密集、數據高效。
GLP-1 的收入比所有 AI 實驗室加起來還多
按 token 計，製藥可能是單 token 下游價值最高的領域：一款藥可以是數十億美元資產，GLP-1 兩類藥合計可能是萬億美元資產。據 Chai 估計，直到三個月前，GLP-1 的總收入超過了所有 AI 實驗室加在一起，但市值相對低得多。製藥本質是 VC 式生意，硅谷早期最大風險投資回報之一是 80 年代的 Genentech；整個生物製藥最大的問題恰恰是資金模式。
原話 · 已逐字校驗
We see ourselves as almost a neutral software factory for making medicines.
我們把自己看作一個近乎中立的藥物製造軟件工廠。
Josh, our CEO, likes to say that our, our biggest competitor is the mouse.
我們的 CEO Josh 喜歡說，我們最大的競爭對手是小鼠。
and in this case, it was a 0.33 angstrom error, which is one third the width of an atom.
在這個案例裡，誤差是 0.33 埃，也就是原子寬度的三分之一。
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 版本在抗體-抗原預測案例中大約 11% 正確，也就是說 90% 的時候是錯的。
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
比如說有一萬臺 B300 在出貨，超大規模雲廠商和最大的 AI 實驗室買走其中的 95% 以上。
complexity and being bitter lesson-filled are, like, fundamentally at odds.
複雜性和「苦澀教訓」原則在根本上是相悖的。
in the case of GLP-1s, I think the two GLP-1 drugs combined, like, maybe a trillion dollar asset.
就拿 GLP-1 來說，我認為這兩種 GLP-1 藥物加起來，可能是萬億美元級別的資產。
the cost of actually making a drug in pharma is kind of, like, increasing exponentially.
製藥中實際研發一種藥物的成本，正在近似指數級地增長。
數字與實體
| 合作藥企 | Eli Lilly、Pfizer、Novartis、Argenx（4家） | 3:21 |
| 50靶點驗證命中 | 50個靶點設計抗體，約一半獲得 hits | 7:27 |
| 平均結合命中率 | 約20% | 22:59 |
| 多聚體結構預測模型出現時間 | 2021年 | 5:26 |
| Chai 2 cryo-EM 驗證誤差 | 0.33 Å（原子寬度 1/3） | 34:15 |
| AlphaFold2 multimer 抗體-抗原預測正確率 | 11%（即 90% 錯誤） | 54:10 |
| B300 出貨中頭部買家佔比 | 95%+ | 1:02:33 |
| Chai 新融資額 | 4億美元 | 1:07:59 |
| AlphaFold 3 子模塊數（估計） | 23 | 1:09:02 |
| Chai 團隊總人數 | 30人 | 1:27:35 |
術語
- binder結合分子
- 與靶點結合的候選分子，本集指抗體或抗體片段。
- epitope表位
- 抗原上被抗體識別並結合的特定區域。
- MSA多序列比對
- 將同源序列對齊後作為結構推斷的輸入特徵。
- cryo-EM冷凍電鏡
- 在低溫下用電子束解析蛋白三維結構的實驗方法。
- durable execution持久執行
- 讓跨多步的長流程自動重試、斷點續跑的工程範式。
- bitter lesson苦澀教訓
- AI 領域用算力和搜索替代領域知識的原則。
收聽指南
做生物計算/AI4S 的創業者、藥企研發數字化負責人、以及想判斷結構預測何時能真正省錢的製藥投資人。
可跳過 18:54-24:01 的 Chai 1 發布細節，後面 1:24:23 的經濟學別錯過。