# 10的60次方种分子里找药，Isomorphic Labs 要造六个「AlphaFold」

> Training Data No. 42 中文精读

- 原标题：The Quest to ‘Solve All Diseases’ with AI: Isomorphic Labs’ Max Jaderberg
- 发布日期：2025-04-29
- 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等
- 网页版：https://trainingdata.qiaomu.ai/ep/042-the-quest-to-solve-all-diseases-with-ai-isomorphic-labs-max-LrMKsB.html
- 精读字数：约 4881 字（阅读约 11 分钟）

> 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。

2015年，DeepMind 为第一篇 Nature 论文办了个庆祝会，内容是让 AI 自己玩雅达利游戏，这基本上是机器学习论文第一次登上 Nature。Demis Hassabis 举杯说了两句话：这只是个开头，后面还会有几十篇 Nature 论文，我们还会因此拿诺贝尔奖。

当时听上去相当遥远。十年后，2024年，Demis 因为 AlphaFold 拿下诺贝尔化学奖，几十篇 Nature 论文也早就超额兑现。

当年站在大厅里听这句话的 Max Jaderberg，如今是 Isomorphic Labs 的首席 AI 官。这家公司2021年从 DeepMind 分拆出来，去年发布 AlphaFold 3，目标比拿诺奖还要野：**解决所有疾病。**最近他做客红杉资本播客 Training Data，把这套打法从头到尾讲了一遍。

## 从雅达利到星际争霸：任务本身就是训练数据

Max 在 DeepMind 做过计算机视觉，做过生成模型，最后被强化学习勾住了。他解释过原因。监督学习和强化学习都是训练模型的方法，区别在于，监督学习需要你知道问题的答案，喂给模型一道题，还得附上标准答案。强化学习宽松得多，**你只需要能判断模型给出的结果好不好，甚至只需要分出好和不好。**

这个区别看着小，实际打开了一整类新问题。世界上大量问题，人类自己都不知道答案，药物该怎么设计就是典型。监督学习在这里使不上劲，强化学习可以。

顺带一个彩蛋。主持人 Stephanie Zhan 提到，红杉当年是雅达利的第一位投资人。Max 当场愣住，说真不知道这段历史。当年 DeepMind 的研究员调教智能体玩 Pong，自己也会顺手来上两局，如今这段往事成了风险投资史上的一则趣谈。

雅达利之后，DeepMind 的路线是把游戏难度一路往上加。Max 当时痴迷一个更具体的场景：训练出一个智能体，把它放到任何没见过的新任务上，不经过额外训练就能直接干活。用他的话说，这叫跨任务空间的泛化。

想做到这一点，训练数据就得换成任务本身。图像和文本都要让位，**任务成了强化学习的「训练集」。**一开始靠人手工设计几百个小游戏，后来用程序批量生成世界、地图和目标，但复杂度总有天花板，人力能设计的东西就那么多。

多人游戏破了这个局。一旦场上出现对手，每个对手的策略都会从根本上改变这个游戏。他拿国际象棋打过一个比方：为什么职业棋手下了一辈子同一副棋盘还不腻？因为每天面对的对手都不一样，游戏一直在变。

沿着这条思路，2019年 DeepMind 做出 Capture the Flag，多智能体在第一人称多人游戏里达到人类水平；同年 AlphaStar 在《星际争霸2》里达到宗师级。Max 说，2015到2018年他们讨论的那些概念，如今在大语言模型时代全都派上了用场，当时只敢做梦的性能，现在都看到了。

为什么一个做游戏的团队能接连攻克完全不同的领域？Max 的答案是积木。深度学习的底层构件在不同应用空间之间高度可迁移，2012年计算机视觉用的那套东西，和早期语言生成模型、强化学习用的，本质上是同一批。他要做的，是找一批像主厨一样擅长搭配这些构件的人，配上足够的算力，去攻那些会议上顶尖学者都说「还要十年」的问题。他反复见到的场景是：外人觉得十年遥遥无期，团队心里清楚，其实已经基本攻克了。

## 和 Demis 共事十年，把「解决所有疾病」写进公司架构

Max 和 Demis 的缘分开始得更早。他还在牛津时，Demis 就打过电话给他。2014年，他参与创立的公司 Vision Factory 和 DeepMind 前后被谷歌收购，两人共事至今超过十年。

他给 Demis 起了个说法，叫「推演型大脑」，大概跟职业棋手出身有关，脑子里永远在往后推演：现在的哪几步棋，能通向那个最大的目标。前面那幕庆祝会上的诺奖预言，就是这种推演的产物。

Isomorphic 的架构也是推演的产物。公司从第一天起就瞄准一台通用的药物设计引擎，可以反复用于任何疾病领域，不局限于某个适应症、某个靶点，甚至某种药物形态。Max 把行业里第一代 AI 制药称为「局部模型」：手里有某个靶点的一小坨数据，拟合一个小网络，帮着预测下一轮往哪个方向改。Isomorphic 反着来，**模型要跨化学空间、跨靶点空间泛化，拿过去就能用，不需要针对每个场景重新微调。**AlphaFold 就是这个思路的代表作，蛋白质组里随便哪个蛋白，你能想到的任何小分子，直接丢给模型就行。

## AlphaFold 3 之后，还需要半打「AlphaFold」

AlphaFold 3 的突破，一句话概括：从预测蛋白质结构，扩展到预测所有分子以及分子之间的相互作用。理解它的价值，得先理解小分子药物的工作原理。咖啡因、扑热息痛这类能做成药片的分子，进入细胞后挂到蛋白质上，干扰或者增强蛋白质原本的功能，这就是药物设计的本质。想设计这样的分子，最好能亲眼看到它和蛋白质结合后的三维结构。

AlphaFold 3 把这件事搬到了电脑上。小分子与蛋白质的结合，蛋白质与 DNA、RNA 的相互作用，抗体与抗原的对接，同一个模型全覆盖。以前想看这些结构，得去实验室把样品结晶出来，六个月算运气好，几年也常见，有时候根本做不到。现在 Isomorphic 的药物设计师坐在笔记本电脑前，浏览器界面里改一下分子设计，结合方式的变化立刻呈现。转录因子这类坐在 DNA 上读基因信息的蛋白，以前难以成药，现在有了结构工具，靶点空间被打开了。

技术上有个关键转折。团队试了一圈怎么把 DNA、RNA、小分子喂进模型，最后发现小分子按原子级分辨率做 tokenization 效果最好；预测结构的方式也换了，AlphaFold 2 的框架装不下混合分子体系，扩散模型接棒，逐个生成每个原子的三维坐标。Max 说，小分子与蛋白质相互作用的预测准确率在内部排行榜上出现跨代式跳变，整个项目由此解锁。2024年11月上线的 AlphaFold Server 对非商业学术用途免费开放，代码和模型权重都可获取，全球研究者已经玩出了各种花样。

但用他的话说，AlphaFold 只是故事的一部分。他给过一个估算：**要造出那个终极药物设计引擎，大概需要半打 AlphaFold。**一个分子要成为药，得能做成药片，得被身体正确吸收，得到达正确的细胞，还得躲开肝脏的分解，每一个环节都需要一次 AlphaFold 级别的突破。毒性最大的来源也在这里：药片吃下去会流遍全身，它调节了目标蛋白，也会碰上体内其他蛋白质。通用模型既然能预测分子和目标靶点的相互作用，同一个模型理应能预测它和全身其余蛋白质的互动。

还有一层，AlphaFold 3 预测的是接近静态的晶体结构，人体内没有晶体，分子在溶液里不停地动。理解这些系统的动态，是下一程。结构预测这个问题的终极目标，Max 说是彻底解决它，AlphaFold 3 还没到百分之百的准确率，而且边界推得越远，新问题冒出来得越多，用他的话说，这正是科学让人上瘾的地方。

## 10的60次方：预测模型搜不完的分子宇宙

这是整期播客里最硬核的一组数字。可能存在的类药分子，数量级大约是10的60次方。就算把估算收紧20个数量级，也还有10的40次方。假设你拥有全世界最好的预测模型，一年筛10亿个分子，也就是10的9次方，剩下的10的31次方个分子原封不动躺在那里。

结论很清楚：**预测模型解决的是「这个分子行不行」，生成模型和智能体解决的是「接下来该看哪个」。**没有后者，再强的预测能力也只能在分子宇宙的角落里打转。

Max 又搬出了围棋。国际象棋的变化可以穷举搜索，围棋不行，AlphaGo 靠生成加搜索去逼近最优解。分子设计更像围棋，完全不像国际象棋。所以 Isomorphic 的技术栈分三层：预测模型打底，生成模型探路，智能体在10的40次方甚至10的60次方的空间里导航。

有个反直觉的观察。没有 AI，人类也在这个巨大的空间里找到了药。Max 的解读是，分子空间里可能存在大量冗余，针对同一个靶点，好设计不止一个，人类过去翻开的只是极小一角。生成模型的真正潜力，在于把人类从未踏足的区域整个翻出来。

## 数据、团队，和制药界的「Move 37」时刻

Demis 有过一个判断：生物学不缺数据。Max 的解释更精确，任何机器学习领域都会感到数据约束，但生物学这里，数据不构成真瓶颈，用现有数据加上自己生成的数据，就能取得远超以往的进展，没人需要干等50年。

他接着说了一句更值得琢磨的话：**生物学的历史数据，几乎都不是为机器学习而生成的。**那些数据当初为了别的目的被记录下来。带着「我要训练模型」的目的去设计数据生产流程，思路完全不同，这里面的机会大到还没被认真开发。

合成数据他是老信徒了。博士期间手里只有几千张图片，Google 手握百万级数据集，他就自己批量造合成数据，硬是把实验做了下去。化学领域同理，量子化学和量子力学的理论足够扎实，可以造出可扩展的分子动力学模拟，合成数据的源头就有了；生成模型配上评分系统，还能继续给数据增值。真正的缺口在活体数据，也就是在真实动物身上测出来的指标，这类数据造不出来。他看好的新方向是器官芯片，在芯片上复现原本要靠小鼠大鼠才能测的东西。Isomorphic 自己没有实验室，靠与外部公司合作，生成大量专有数据。

团队搭建同样反常规。既懂药物设计又懂深度学习的双料世界专家，Max 直说，这种人存在的概率基本为零，两个领域共存的时间太短了。所以 Isomorphic 把两边的世界专家拉到一起坐，要求他们说彼此的语言，带着好奇心去理解对方的问题。**团队里六到八成的机器学习成员，没有化学或生物背景，最多停留在高中大学水平，这反而成了资产。**新人带着「愚蠢的问题」进场，逼着所有人从第一性原理重新推一遍，行业里积累多年的教条就这样被绕开了。

至于这个领域的 GPT-3 时刻，Max 给出的版本很特别。GPT-3 的意义在于，生成的文本第一次像人写的了，生成模型开始拟合训练数据的分布。放到生物学上，就是模型吐出的分子设计在物理世界里真实存在，或者可以存在。但他认为，那个时刻到来时，观感上会更像 AlphaGo 的第37手：那手棋在人类几千年的围棋史上没人下过，看起来像失误，事后推演才发现是击败李世石的关键一着。

> 「我们会看到大量这样的行为：模型给出人类看不懂、但物理世界里真实成立的设计。这会让人震撼。」

这种时刻在 Isomorphic 内部已经出现。生成模型给出某个设计，人类药物设计师皱着眉说不太放心，更倾向于自己的方案。拿去实测，**模型是对的，人是错的。**

## 药企的终局，和明天就能用上的四件事

商业进展可以佐证这套打法。2024年1月，Isomorphic 与礼来、诺华分别签下合作协议。诺华送来的靶点，行业和诺华自己已经攻关了10年以上，摆明了是硬骨头。一年下来，这些模型帮双方找到了新的化学物质，找到了调节这些老靶点的新路子，诺华的合作随之扩大。Isomorphic 内部的管线则集中在免疫学和肿瘤学。

分子设计之外，临床试验是另一道坎。Max 坦承，等预测毒性、预测分子与全身蛋白质相互作用的能力上来之后，临床试验的组织方式必须重写，怎么跟监管机构打交道，怎么把预测模型用进试验设计，整个行业还要摸索很久。关于第一款 AI 设计的药物何时进入临床，他更想聊的是流程改造：等 AI 把分子设计得又快又准、对分子的行为了解足够深，人体试验的范式可能被彻底改变。

至于传统药企的命运，他的判断干脆利落。

> 「五年之后，设计药物不靠 AI？那样的世界不存在。那就好比做科学不使用数学。」

届时不存在的还有「药企与 AI 公司」的对立，整个行业会融成一件事。

这期内容讲的是制药，方法论却可以迁移。四件事，明天就能用：

- 评估任何一个 AI 产品或项目，先问一句：它的模型是通用的，还是每个场景都要重新拟合的局部模型？前者才有可能形成复利。
- 判断一个行业有没有 AI 机会，看它的历史数据是不是为机器学习而生成的。如果答案是否定的，谁先建起为模型而生的数据生产线，谁就占住身位。
- 跨行进入新领域时，没有背景加上足够好奇、敢问蠢问题，往往是优势。教条大多来自经验，第一性原理常常来自外行。
- 学生物、化学的读者，AlphaFold Server 对非商业学术用途免费开放，打开浏览器今天就能用。