# 抗体设计成功率从0.1%到15%，Chai Discovery 把药物设计做成了 scaling 问题

> Training Data No. 105 中文精读

- 原标题：Chai Discovery's Bitter Lesson: Drug Design Is Another Scaling Problem
- 发布日期：2026-08-04
- 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等
- 网页版：https://trainingdata.qiaomu.ai/ep/105-chai-discovery-s-bitter-lesson-drug-design-is-another-scalin-wv53mD.html
- 精读字数：约 5502 字（阅读约 12 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。

2024年，全世界抗体设计的最好水平，是设计一千个抗体，大约只有一个能在实验室里真正结合上靶点，成功率0.1%。两年后，一家叫 Chai Discovery 的公司把这个数字拉到了15%，一千个设计分子里能回来一百五十个。

更有意思的是创始人的事后复盘。当初做预算，他们想的是三四年内做到20%，真正的目标是1%，当时觉得百分之一就足以震动行业。结果模型一上来就是15%，两位创始人自己都承认没想到会这么快。

这是红杉资本播客 Training Data 2026年8月4日的一期，主持人 Pat Grady 和 Sonali Singh，嘉宾是 Chai Discovery 两位联合创始人，Joshua Meier 和 Matthew McPartlon。这家公司一句话概括：用 AI 工程化分子，让药物研发长得更像写软件。下面挑干货讲。

## 两个不学生物的人，想给生物学装上抽象层

Josh 的履历像一部 AI 简史。他高中学校里就有干细胞实验室，从小写代码，职业生涯第一站是 OpenAI 早期团队，那时候 OpenAI 还是个非营利组织。他参与了 GPT-1、GPT-2 和 scaling laws 的研究，后来成了蛋白质语言模型 ESM 的原作者之一。他的研究题目从没变过：**模型既然能学会英语、德语、法语，为什么学不会 DNA 和蛋白质？**

Matt 走的是另一条路。本科纯数学，博士读理论计算机科学，第三年才转进深度学习和蛋白质结构预测，导师实验室做过最早一批用深度学习做蛋白质折叠预测的系统。他承认自己对生物也发怵，进来才发现，**生物学比外面看起来简单得多，问题之间的关联也紧密得多。**抗体也好，微型蛋白也好，本质都是氨基酸序列，都是喂给模型的 prompt。就像 ChatGPT 既能解数学题，也能辅导英语作业。

公司名字 Chai，取自 Chemistry 和 AI，顺便他们也真的爱喝香料茶。Josh 说，生物科技公司名字一个比一个拗口，他们想简化，就从名字开始。

Josh 对行业的诊断是这样的：现代生物技术早期，很多药是靠运气撞出来的，所以这个领域叫药物「发现」，在几百万、几十亿个分子里大海捞针，捞到一个能用的。Chai 想把这个词换成「设计」：**先描述你梦想中的分子长什么样，让模型把它造出来。**就像代码之于软件工程，他们想给生物学装上抽象层，让迭代快起来。

Pat 追问：这样是不是就不用做实验了？Josh 当场唱了反调，实验室的需求搞不好会变多。软件工程师生产效率提高之后，市场对软件工程师的需求反而更大了。分子设计的投资回报率上去之后，大家会更愿意做实验，验证更多想法。**实验室的角色是验证，能验证，才能爬坡，这是 AI 和生物学共享的一条底层逻辑。**

他们给这个愿景起了个名字：分子的计算机辅助设计套件，可以理解成生物界的 CAD。Josh 算了笔账：从一个想法到一个可检验的假设，现在大概要九个月。压到九周、九天，每降一个数量级，能筛的想法数量就涨一个数量级。药就是在这条循环里磨出来的。

## 抗体折叠，曾经被判「无解」

Matt 把技术史讲得很清楚。蛋白质折叠领域有个两年一届的竞赛 CASP，主办方藏一批谁都没见过的蛋白，各路学术组现场预测。2018年，深度学习第一次让成绩跳了台阶。2020年，AlphaFold 2 把问题基本打穿。最早的方案是预测氨基酸之间的距离，再靠渲染器把距离拼成结构，输出像早期的图像生成模型，能看出是个蛋白，但糊。今天已经是几秒钟出高清图。

折叠解决之后，大家开始攻反问题：给定一个结构，能不能设计出一条会折叠成它的序列？2021、2022年前后，扩散模型来了，结构生成和序列设计可以同时做，还能往 prompt 里塞真实世界的约束，比如「我要它结合在这个位置」。

为什么扩散模型好使？Matt 的解释很朴素。之前的生成范式是变分自编码器，要把整个分布压成一团高斯向量，太难。扩散模型换了个思路：**把蛋白质一点点弄坏，让模型学会「稍微修好一点」，然后反复问它，再修好一点，再修好一点。**Pat 说这像他陪女儿玩的游戏，让 ChatGPT 画独角兽，不停说「让它更强」，最后得到全世界最强的独角兽。Matt 停了一下说，对，就是这么简单。

2024年，Josh 在 Matt 家里看到抗体抗原结构预测的初步结果，两人决定创业。背景是：长期以来，学界认为抗体折叠无解，蛋白质数据库里抗体数据不够，所以抗体设计想都别想。早期深度学习蛋白质设计的工作，做的都是微型蛋白，有意思，但制药行业真正花钱的方向是抗体。圣杯是在电脑上设计出有治疗功能的抗体。

> 「如果连一个抗体长什么样都预测不出来，你怎么可能设计出它？」

这句话是他们创业逻辑的原点。而支撑信心的，是 Matt 上面那个判断：抗体、微型蛋白、普通蛋白，在模型眼里都只是不同种类的 prompt，没有谁天生更难。

## 从千分之一到百分之十五

回到开头那组数字。0.1% 意味着什么？梯度信号弱到几乎不可用。很多靶点一个命中都没有，有命中的，样本也少到看不出成药性规律。Chai-2 做到15%之后，筛一千个分子能回来一百五十个，**第一次有了足够大的样本去统计成药性质，然后围绕它建评估、持续爬坡。**

他们的方法论听起来毫无新意，跟自动驾驶、大语言模型用的是同一套：**扩大数据、扩大模型、扩大算力，找到 scaling law，往上堆。**大家总把生物学当成需要定制化对待的特殊领域，他们觉得这就是又一个 scaling 问题。Matt 原话更狠，说 Chai 是一家把苦涩教训当信仰的公司。苦涩教训是 AI 学者 Rich Sutton 的名言：通用方法加算力，长期总能赢过精巧的人工设计。他们的模型也全部从零搭建，不拿现成大模型来微调蛋白质数据。

支撑 scaling 的第一条原则是简单。Chai-1 里有23个独立子模块，Matt 说，每次迭代都要理解每个子模块的行为和动态，这没法 scale，所以要做减法，找出真正重要的东西。团队里常有人提议，加第24个模块就能解锁某个新靶点。每一次他们都会问：**这个改动是增量修补，还是复利改进？能不能推广到整类靶点？**糖基化位点是个例子。有人提议单独设计一种表示，他们的判断是，序列里本来就有暗示糖基化位点的模式，模型要把 loss 压下去，就必须自己学会。信 scaling law，模型变强之后，这类靶点会自动解锁。

第二条原则是严谨。Josh 说，生物学里骗自己太容易了，湿实验的误差条大得吓人。他拿代码生成做了个对比：SWE-Bench 上从16%涨到17%再到18%，大家都当回事。生物实验室里正负5%可能根本是同一回事，**所以模型必须有台阶式的提升才算数，而且得对自己诚实，一个只在一两个新任务上好看的花哨模型，撑不起一个产品。**

Sonali 接话说，生物学不是公认难以验证吗？Josh 不同意，他说这恰恰是最容易验证的领域之一。代码生成的难点在于品味：代码跑通了、测试过了，但写得稀烂没法维护怎么办？分子没有这个问题。结合上了，能不能量产，能不能被制造出来，全是硬指标。代价是验证周期长，单元测试五秒出结果，实验室要等几天几周，但至少数字不会骗人。

## 不做药，做药厂的 CAD

这里有个关键的商业决策。提到 AI 制药，绕不开 Isomorphic Labs，DeepMind 分出来的那家，自己的药自己推临床。Chai 选了另一条路：**给整个制药行业造工具，做基础设施。**

Josh 给了三个理由。第一，创始团队之前待过的公司就是自建全栈药物管线的，建模型、推临床都干过，正因为他们信苦涩教训，才更想把每一分钱花在让模型变强上，省下养临床试验的钱。第二，模型越强，合作方付的钱越多，反过来养更强的模型，这个飞轮比管线模式可扩展。第三，也是最有意思的一条：**跟药企合作是一种防自欺机制。**只做少数几个靶点，你可能做出全世界最精致的分子，但你的模型会不会推广到那年全行业另外五百个分子上，你永远不知道。合作会逼你面对真相。

他们的合作名单里有礼来、诺华、argenx、辉瑞。Josh 说，这些公司不会把你的话当真，除非你交付。模型必须每次都能用，不能说这次分子差口气，让自家化学家回去修一修。他承认这是条更难走的路，市面上很少有人这么干，但回报也更大。

关于药企，Josh 还破了一个刻板印象。创业前很多人跟他们说，制药行业不懂 AI。真实体验是，这些客户极其严谨，会把你的每个主张都测一遍，但数据一过硬，他们就 all in。**制药本质上是个创新行业，一款药上市后只有几年独占期，礼来现在是万亿美元公司，拿不出新的重磅药，这个位置就保不住。**所以门一旦敲开，采纳速度非常快。

团队的搭建节奏跟着里程碑走。创始团队几乎全是 AI 研究者，抗体设计模型做出来之后，才开始招世界级的抗体工程师，比如 Andy Yeung，二十年前在 MIT 做酵母展示的第一批人，在辉瑞和基因泰克干了二十年，手里有抗体药获批。招他的时候外面都在问，你们是不是要转型做全栈药企了。结果 Andy 加入后几个月跑的抗体实验，比他前半辈子加起来还多。Josh 也没把话说满：Chai-2 刚发布时，多特异性抗体这类复杂格式根本跑不通，新招的工程师等了几周，模型才追上需求。

其他成员的画风：Nathan Rollins 从小在家上学，14岁进诺贝尔奖得主 David Baker 的实验室，18岁读博。创始工程师 Kevin Wu 做出了据信是第一个蛋白质扩散模型。产品线从 Stripe 挖人，联合创始人 Jack 出自 Stripe，Munaz 是 Stripe 代码贡献前十的工程师，还有自己开过网络安全公司的 Neil。Matt 总结：**说到底我们是一家软件公司，交付物是软件，所以研究员也必须是顶尖工程师。**

规模化的烦恼也很真实。创业时他们有128张 GPU，Matt 觉得自己富得流油，毕竟读博时四个人分八张。现在集群大到云厂商发消息抱怨，说 GPU 太烫了，你们是不是跑太多了。他们回：这不就是目的吗。

## 数据从哪来：1970年的存档和万亿 token

模型要 scale，数据从哪来？这是生物 AI 跟语言模型最不一样的地方，总不能去爬互联网。Matt 介绍了两个来源。第一个是蛋白质数据库（PDB），从1970年起，全世界的实验科学家把解析出来的晶体结构一张一张存进去，没有这批人，结构预测和设计这个领域根本不会存在。第二个是序列数据库，规模大概到万亿 token 级别。Josh 补了一句让人愣一下的话：互联网上的生物序列 token，搞不好比英语 token 还多，只是大部分又吵又冗余，把数据拼起来是门手艺。

有意思的是两位创始人早年站在对立两派。Matt 是结构派，痴迷于让模型直接输出三维坐标。Josh 是序列派，ESM 的思路是用语言模型预测下一个氨基酸，模型为了做好这件事，被迫理解氨基酸周围的微环境，**三维结构在模型内部自己涌现了出来。**今天他们的态度是实用主义：序列派还是结构派？都要，能解决问题的就是好派。

复利从这里开始：模型变强，跑一遍序列库，吐出更多预测结构，变成下一代模型的训练数据。自家科学团队天天拿模型做内部测试，解锁一个新用法，就接着问能生成什么新数据喂回去，实验室每个实验的「尾气」也被收集起来。Josh 打了个比方，OpenAI 早年用 GPT-1 架构做强化学习，做不动，因为底座太弱，等底座够强，强化学习立刻就转起来了。生物这边正在进入同一个阶段。

## 十年后的药，和明天就能用的四条

聊到2035年，Matt 给了个很妙的说法。制药行业的老话是，你要么做同类第一，要么做同类最优。**现在大家想要的是同类最后一个，直接给出最终答案，后面不用再迭代了。**那时候的药会带着明确的设计意图：只对目标疾病起作用，不带今天很多药都有的负面相互作用。

Josh 补充了几个会被打开的空间。今天的行业常态，是找到一个八成合格的分子，为了赶时间线硬着头皮推进，帮到一些病人，一年后被别人超越，资源浪费巨大。阿尔茨海默病这种硬骨头，会因为迭代变快而变得可攻。罕见病、个性化药物这种病人太少、不经济的方向，会因为又快又便宜而变得可行。他还说，一年前还没人敢零样本生成一个分子就直接立项，现在可以了。

被问到竞争格局，Josh 给了个意料之外的答案：**他们真正较劲的对象是自然界，而自然界是个相当强的 baseline。**湿实验流程被人类优化了几十年，用他的话说，别人给湿实验室加了240个模块，那是 Andy 这种人二十年练出来的手艺，做出好抗体是必须跨过的及格线。他们创业的目标，从来就没定在造一只快十倍的老鼠上，他们要的是以前做不出来的药。公司内部还有一条 Jack 的守则：**想长期跑得快，短期就得慢一点。**模型发版不能有回归，代码库必须撑得起更多人协作。

这期节目表面讲制药，内核是一家研究型公司怎么把苦涩教训执行到位。几条可以直接搬走：

- **先建验证，再谈 scaling。**Chai 敢堆算力的前提，是实验室能给出诚实的读数。检查一下你手头的项目，有没有一个骗不了人的评估指标？没有就先造一个，再谈别的。
- **给自己的系统数一数子模块。**Chai-1 有23个子模块，他们嫌多。如果你的系统每个部件都要单独理解才能迭代，先做减法，再找 scaling 方向。
- **遇到人人都说「特殊」「没法通用解」的领域，别急着信。**抗体曾经就是那个特殊领域，换个表示方式，它就是又一个序列预测问题。
- **招人跟着里程碑走，别跟着简历走。**抗体模型没做出来之前，他们一个抗体工程师都没招，招来了也没活干。

最后用 Josh 的话收尾。他和 Matt 在这个问题上干了十年，几年前还在写论文，心里却在打鼓，这东西真能帮到病人吗。现在，Matt 在上一家公司用电脑设计的分子，已经用在了病人身上。从千分之一到百分之十五，从 Matt 家客厅的一次演示，到礼来和辉瑞的合同，这条路他们走了两年。下一个台阶，是让用户直接说出「我要一个正好10纳摩尔亲和力的结合剂」，模型照做。