No Priors 第140期｜与 Benchling 联合创始人兼 CEO Sajith Wickramasekara 对谈

摘要

• Sajith Wickramasekara 认为，生物科技正走出自己的“互联网泡沫破裂期”，进入由速度和成本主导的新周期。 2021年的平台公司打法让许多初创公司陷入困境：投资人的转向速度快过公司的调整速度；与此同时，中国开始“又快又便宜”地推进临床阶段分子，头部药企也越来越多地从中国购买这些资产，而不再只从美国生物科技公司寻找项目。
• 这个行业的核心经济问题，不只是临床试验成本高，而是进入临床的分子本身不够好。 Elad Gil 认为，试验在一定程度上是“红鲱鱼”，因为很多分子本来就不行；Wickramasekara 也认同，生物科技需要更好的分子和更快的反馈。通常，一款药物需要约10年、超过20亿美元才能商业化，而许多项目在投入数亿美元后才宣告失败。
• AI近期的回报不是输入一种疾病就得到一款药，而是把工作流中的各个环节不断压缩。 Benchling 正将预测模型与智能代理结合，用于找回组织知识、推荐实验并自动化科研工作。Sajith 描绘的是长期的设计—制造—测试—分析闭环，而 Sarah Guo 更看好未来1-2年的增强式应用，目标是把研发周期从“7到10年压缩到2到3年”。
• Benchling 的结构化上下文，可能是让科学AI真正可用、可信的关键。 Wickramasekara 说，生物学领域“有 GPT，但没有聊天界面”：能力已经很强，但科学家仍面临准确性、知识产权、安全和工作流等障碍。在受监管的垂直行业里，“90%的工作其实是翻译”，而“最终胜出的AI，必然是人们真正会使用的AI”。
• 随着模型构建逐渐商品化，纯生物模型供应商可能难以维持。 Wickramasekara 认为，很难有很多公司仅靠5家药企客户和1亿美元预付款交易长期生存；可能的终点包括转型为治疗公司、像 SaaS 一样分发模型，或促成标准化科学数据交易——甚至包括更具推测性的负面结果数据池或销售。
• 大型药企尚未真正改造研发工作流，但其专有数据生产能力构成战略优势。 大多数公司仍在试用副驾驶和智能代理，而它们的实验室能够生成初创公司无法匹敌规模的训练数据。因此，更有意义的采用指标，可能是有多少实验被预测、模拟或AI触达，而不是有多少药物被包装成“AI发现”。

精读

1. Benchling 将碎片化实验室工作变成研发事实记录系统

• 13年前，Wickramasekara 从软件工程转入生物学实验室，发现科学家仍在使用纸质实验记录本和桌面电子表格，于是与人共同创办 Benchling。软件开发者拥有成熟的设计与协作工具；科学家身处先进领域，却基本没有同等工具。

• 如今，Benchling 帮助科学家设计分子、规划和执行实验、整理与分析结果，并将每个分子与产生它的工作连接起来。其客户覆盖约1,300家生物科技和药企，以及7,000多家学术机构中的科学家。

• 数据远不只是序列或简单的“是/否”检测结果：从分子被构想出来之后，分子设计、细胞和动物研究、实验关系、生产规模发酵罐产出等数据会在“9,999个步骤”中不断生成，同时还要经历监管流程。Benchling 的基本判断是，这些异构记录必须变得可搜索、可复用，让科学家据此决策，也让AI逐步在其上运行。

2. 生物科技泡沫破裂，暴露了平台公司打法的脆弱性

• Wickramasekara 将过去几年的生物科技周期比作互联网泡沫破裂。新冠时期，mRNA热潮吸引了大量泛行业资本；随后利率变化、关税、监管不确定性、中国因素，以及新技术商业化速度低于预期，共同把行业推入低谷。

• 基因编辑、细胞疗法、基因疗法和 RNA 药物都是真实存在的类别，且已经有获批产品，并非科学幻象。区别在于商业化时点：投资人当初按平台逻辑给它们融资，认为这些技术可以治疗多种疾病，但实际采用速度和回报兑现速度都比预期更慢、成本也更高。

• 2021年，公司的任务是搭建平台、覆盖大量疾病，并在“资本免费”的环境下接受数亿美元融资。当投资人不再认可平台估值时，公司却无法以同样速度转向；原本作为小患者群体概念验证的项目，突然变成定义整个公司的核心资产。

• 中国把竞争轴心从技术平台创新转向速度和成本。包括 Merck、Pfizer 和 Lilly 在内的头部公司，正在从能够快速、低成本进入早期临床的中国生物科技公司购买分子；Wickramasekara 认为，中国作为主要生物科技参与者，“会长期存在”。

3. 更好的分子，比削减显性的试验账单更重要

• Wickramasekara 的出发点是，“药物是奇迹”。Guo 指出，处方药销售额约占美国医疗支出的9%；成功药物最终会变成仿制药，价格下降但疗效仍在，而大量依赖人力的医疗服务并不具备这一特征。

• 另一面是残酷的研发经济学：一款药物上市通常需要超过20亿美元和约10年时间，许多项目在经历7至10年研发、投入数亿美元后仍会失败。“现在可能把东西送上太空、把人送上月球，都比获批一款新药更容易。”

• Elad Gil 认为，临床试验显然是成本中心，但也可能是“红鲱鱼”：患者招募和试验设计确实重要，但“很多分子就是不行”。更高杠杆的任务，是改进分子并更早获得人体反馈；Wickramasekara 也认同，行业必须压缩这些决策所需的时间和成本。

• GLP-1 展示了洞察与信念的回报：5年前，肥胖症几乎无法获得融资，因为此前反复失败，后续又需要规模大、周期长的试验，尽管核心科学早在1990年代就已存在。Keytruda 也经历了并购、几乎被列入对外授权清单，直到竞争威胁暴露出其潜力，Merck 才决定全力押注。

4. Benchling 的智能代理旨在找回科学记忆

• Benchling AI 从模拟开始：开源模型、专有模型和客户内部模型会在科学家工作流的相关节点出现，并已连接到 Benchling 的数据模型。目标是让湿实验科学家无需专门技能即可使用计算能力，并最终获得下一项实验的建议。

• 其深度研究代理将基础模型式研究应用于企业的 Benchling 记录。科学家可以提出过去需要数周或数月人工重建的问题，并在数小时内得到答案，同时保留与组织数据相连的实验上下文。

• 一位客户当时准备在一项研究中测试20种小鼠模型，原本需要8个月。智能代理发现，其中一些模型早在数年前就已被被收购公司的实验室记录本研究过；相关员工已经离职，但实验不必再重复。

• Wickramasekara 将其概括为组织记忆：大量科学知识以“传闻和组织经验”的形式存在，并随着人员离开而消失。更长期看，智能代理可以在科学家进行实验室工作时，通过语音和视觉生成报告、回答问题并编排实验。

5. 增强式应用应先于自主AI科学家到来

• Sajith 说，“AI科学家”让人联想到一个完全自动化的“设计、制造、测试、分析闭环”：人们坐在一旁，等机器人把药物交出来。Sarah Guo 希望这一幕在更长时间尺度上实现，但她更看好未来1-2年的增强式应用。

• Guo 用 Waymo 与 Tesla 作类比：只要有足够资本和耐心，全自动驾驶或许可以实现；而更广泛的科学进步，可以通过大规模但分阶段的改进实现。目标依然激进——把7至10年的项目压缩到2至3年，同时减少专业分工、降低成本。

• 放射学提供了一个警示性类比。机器学习将淘汰放射科医生的预测已经持续数十年，但最终稳定下来的模式是副驾驶；Guo 认为，临床系统仍需要有人对决策负责——需要有一个“出了问题会被起诉的人”。

• Guo 对自动化实验决策比自动化临床决策更乐观。主持人还追问，专业人士如何评估自己专业之外的输出，并将其类比为生成代码得到一句随意的“看起来没问题”，但架构问题仍未解决；生物学决策需要可解释性、溯源能力和经过校准的信任。

6. 生物学有强大的模型，却仍缺少破局式界面

• Wickramasekara 的判断是，生物学“有 GPT，但没有聊天界面”。基础模型实验室、生物AI公司和开源项目已经推动能力快速进步，但能让科学家日常使用这些能力的界面还没有出现。

• Sarah Guo 结束对波士顿、伦敦等科学中心为期1个月的访问后说，她发现大多数人仍未在研发中大量使用AI。Elad Gil 指出，离开旧金山越远，人们对准确性、知识产权、安全和法律责任的担忧越强；大型药企已经有副驾驶和试点项目，但 Sajith 尚未看到研发组织被真正改造。

• “在垂直行业里，我认为90%的工作其实是翻译”：赢得信任、把工具放到正确的工作流节点、让它足够简单，并验证准确性。他的产品规则也由此而来：“最终胜出的AI，必然是人们真正会使用的AI。”

• 药企的另一项优势是实验规模。大型公司能够生成大多数初创公司无法触及的专有训练数据，这意味着独特的内部预测模型，可能会先于智能代理工作流重塑整个组织。

7. AI进展应按全流程衡量，而不是看有没有一款品牌药

• 过去约2年，开源已经成为生物学领域的重要力量，在结构预测和抗体可开发性方面取得进展。Wickramasekara 还提到 Eli Lilly 宣布的 TuneLab 项目，这是一种“给予以换取”的模式：外部科学家使用内部模型，Lilly 则在不公开原始科学数据的情况下训练模型。他将这种安排描述为联邦式机制，“或者类似的东西”。

• 关键缺口仍然存在，尤其是能够预测患者体内反应的模型。即使药物发现效率大幅提升，下游压力也会随之增加：每个分子仍需要可规模化的生产工艺，并在产率、速度、成本、安全性和质量之间优化；发现速度越快，留给工艺建设的时间就越少。

• Guo 提出了怀疑论者最有力的证据：AlphaFold 热潮过去多年后，市场上仍没有明确标注为“AI发现”的上市药物。Wickramasekara 否定了隐含的自动售货机标准——输入一种疾病就得到一个分子——因为药物研发是一条由许多本身都很繁琐的环节组成的链条。

• 他更认可的指标，是有多少实验被预测、模拟或AI触达，并押注这一比例每天都在上升。核心逻辑不是某个单一模型实现突破，而是靶点选择、分子设计、实验、分析、制造和开发各环节的累计压缩。

8. 模型商品化，将价值推向资产、分发和数据

• Wickramasekara 不相信很多生物模型公司还能以纯供应商身份存在，靠服务5家药企客户、签署巨额预付款合作维持增长：“模型构建可能商品化得太快了。”一条合理路径，是利用自身专业能力成为更强的研究组织，最终转型为拥有专有管线的生物制药公司。

• 另一条路径类似软件分发：Benchling 已经在客户工作流中提供以开源模型为主的能力，包括 Chai 和 AlphaFold；付费模型未来也可以采用 SaaS 或按服务收费的方式，从而触达更广泛的行业，而不是只服务5个谈判伙伴。

• 更好的标准化也可能催生科学数据市场。企业很少购买临床前数据，因为数据格式、溯源和实验质量都很难验证；Wickramasekara 猜想，相关工具最终或许能支持数据交易，甚至建立负面数据池，让其他人从失败工作中学习。

9. AI转向依靠创始人的权威和客户亲密度

• Benchling 联合创始人 Ashu 放弃了直接管理的下属，全职投入AI，导致一些客户以为他真的辞职了。Wickramasekara 称联合创始人的特殊力量是“道德权威”：敢于说“我不再需要我的任何积木了”，并承担围绕争议性押注显得可笑的风险。

• 当时的时点并不轻松，因为生物科技客户正在裁员或关停，员工合理地追问AI是否分散了公司对基本业务的注意力。Ashu 亲自试验模型，最终让创始团队确信，Benchling 必须把湾区的能力转译到复杂且受监管的科学领域。

• Wickramasekara 可能有30%至50%的时间在与客户交流，因为产品与市场的匹配会随市场变化。5至10个客户通常就能揭示行业的共性需求，尽管每个实验室都声称自己是独一无二的；成功产品往往来自持续深挖，直到这一批客户真正满意。

• 这套方法同样适用于AI。一位客户围绕 FDA 会议使用 Benchling 的深度研究工具，把原本需要一天完成的报告压缩到5分钟。对 Wickramasekara 而言，垂直软件让“做不可规模化的事情”变得“好10倍”。

10. 科学与软件需要彼此的叙事能力和纪律

• 打造一家跨学科公司，让 Wickramasekara 留下了“严重的战斗伤痕”。学术界把研究生劳动力视为极其廉价的资源，把论文当作货币；软件公司则必须销售产品。Benchling 一再强调，商业成功才能为使命提供资金，他说，现阶段 Benchling 是唯一一家独立且具备规模的参与者。

• 生物科技可以学习科技行业“直接触达”的能力，让公众关心行业中的主角。Wickramasekara 认为，公众知道科技CEO的名字，甚至直呼其名，却很少知道药企领导者或科学家的名字；这掩盖了药物研发的困难，也让没有面孔的公司更容易遭到怨恨。

• Guo 认为，科技行业可以向生物制药学习严谨性、有效性和准确性。“快速行动，打破常规”适用于某些领域，但监管机构的信任和患者安全需要另一套标准；她称美国是安全交付药物的黄金标准。

• Sajith 最后的个人例子，展现了AI不断扩大的交互界面：离开编程8至9年后，智能代理工具让他重新找回快速构建的“奇趣感”。他的母亲把 ChatGPT 当成一种 Google Search++，自然语言终于让技术水平较低的用户也能获得有能力的软件，而不必把家人变成节日期间的IT支持人员。