摘要

Chai Discovery 有意不自己开发药物，而是向药企出售建模和产品层。 Matt McPartlon 表示，Chai 刚成立时，这一判断颇具争议。对话中提到的4家合作方是 Eli Lilly、Pfizer、Novartis 和 Genentech。Neil Patil 称 Chai“几乎是一家中立的软件工厂，专门帮助制造药物”。
商业化真正打开局面的是 Chai-2：针对50个靶点设计抗体，其中约一半找到了结合体，平均结合命中率约为20%。 团队最初选择的是有趣的靶点，早期许多靶点没有成功后，转而选择 CRO 目录中已经验证过的靶点。对话中“没有已知抗体结合体”的说法，适用于引用的冷冻电镜/数据泄漏检验所用靶点，并不一定适用于全部50个靶点。
Chai-1 论文中的一次冷冻电镜验证产生了0.33埃的误差，大约是原子宽度的三分之一。 由于预测结构与电子密度点云几乎完全重合、肉眼看不出差异，团队最初认为结果一定有误。
价值不只是加快发现速度，还在于触达传统免疫方法难以实现的分子类型和作用机制。 Matt 提到精准 GPCR 激动剂、多特异性形式和双特异性抗体；在传统筛选中寻找两个彼此独立的结合体，会把难度叠加起来。
表位预测——判断治疗分子应该在哪里结合——被认为更难，而且基本仍未解决。 Matt 在不确定的情况下提到，AlphaFold 2/其 multimer 版本在抗体—抗原预测案例中的准确率大约为11%，意味着大多数案例都是错的。他说 Virtual Cell 可能是最接近当前前沿的方向，但距离成熟仍有一段路。
算力是生物 AI 面临的结构性逆风。 Neil 表示，在他的例子中，超大规模云厂商和头部 AI 实验室买下了约10,000块 B300 中超过95%，初创公司只能争夺剩余算力。模型中的 pair representation 和 L 的立方次方批处理，对算力和内存的需求不同于 LLM。Chai 还融资了另外4,000万美元，不是4亿美元。
Chai 的产品刻意做成类似 CAD、而非聊天机器人的形态：它是分子领域的 Autodesk、SolidWorks 或 Figma，提供表位涂色工具，以及类似内容识别填充的结合体生成工作流。单租户部署帮助解决了药企对 IP 的担忧，公司也会与合作方共同开发专用或微调后的模型版本。
这个领域希望从靶点发现、命中发现、优化层层推进的瀑布式流程，转向模型辅助的循环。 Matt 的研究北极星是直接由模型生成类药分子；产品北极星则是迭代式研发活动，最终可以从表位上升到通路等更高抽象层级。Matt 认为可以靠“意志力”消除的瓶颈是验证延迟，Neil 认为则是人才稀缺。关于扭转 Eroom 定律的讨论来自主持人的框架，并非 Chai 声称已经取得的结果。

精读

1. Chai 卖的是建模层，不是药物——这本身就是公司判断

Matt 表示，Chai 从一开始就认定自己应该成为软件和建模层，这一判断“在当时非常有争议”。团队押注模型最终会强大到足以设计出有用分子。Multimer 结构预测在大约2021年才出现，而 Matt 认为它是打开设计能力的关键；随后逆折叠开始在真实实验中奏效，这得益于 Baker 实验室的验证工作。
Neil 明确将 Chai 定位为不与客户竞争：Chai 不认为自己是一家要亲自开发药物的 AI 生物科技公司。他称其“几乎是一家中立的软件工厂，专门帮助制造药物”，因此可以支持药企推进药物发现。Matt 表示，Chai 的成功依赖合作伙伴成功。
对话中提到的4家合作方是 Eli Lilly、Pfizer、Novartis 和 Genentech。Chai 的核心价值在于规模化的通用能力：Chai-2 之后，团队没有只在1—2个靶点上证明成功就停下来，而是决定“全押上去”。

2. 为什么是抗体——以及现有最大竞争者是一只小鼠

对话使用了锁和钥匙的类比：与疾病相关的蛋白质是锁，抗体则是被设计来牢牢贴合它的钥匙。嘉宾将抗体描述为灵活、通用的蛋白质，其框架区域相对统一，结合末端则具有可变性。
抗体是 Y 形蛋白，结合发生在两端，框架区域相对恒定，在很大程度上可以从免疫系统已经识别的框架中选择。这使抗体成为有吸引力的设计对象：模型可以专注于“指尖”部分，同时保留熟悉的支架。
Matt 表示，Chai CEO Josh 喜欢把公司最大的竞争对手称为“小鼠——或者说，在某些意义上，是自然本身”。传统发现流程可能包括免疫接种活动，或大规模酵母展示筛选。后者针对单个靶点至少要搜索数十亿个候选分子，最终可能得到1个、2个或十几个命中体。
局限在于，传统方法得到的命中体可能只证明了它会黏在靶点上。研究人员未必知道它在哪里结合、是否具备类药性，或是否具有目标治疗效果。
Matt 还指出一个不对称性：预测已有抗体如何与靶点结合，出了名地困难；但设计可以更有选择地决定尝试哪些结构。如果模型拥有选择空间，它可能会主动挑选更容易解决的案例。

3. 精准性不只是速度——表位、选择性与交叉反应

主持人认为，Chai 的一个差异化优势是“有意图”：用户可以指定结合体应当接触的区域，随后检查经验证的抗体是否以预期姿态结合。这既有助于治疗机制推理，也有助于设计选择性。
Matt 说，目标可以是一个特定表位，也就是结合位点，甚至可以精确到一组特定原子。历史上，暴力筛选可能只是在分子某处找到一个结合体，用户却无法控制它究竟从哪里“戳”入靶点。
GPCR 是最典型的案例。Matt 将其描述为细胞膜上的“门铃蛋白”。如果抗体经过工程化设计，能够以特定方式刺激 GPCR，就可能触发下游级联反应，产生激动剂效果，而不只是阻断靶点。
Neil 用药物开发举例定义交叉反应：一种药物可能需要同时结合人类和猴子的对应变体，才能在猴子身上进行测试。产品和模型可以识别保守区域并对其进行靶向。选择性则是反向问题——结合目标蛋白，同时避开一个相似的人体蛋白，因为意外阻断后者可能导致毒性或副作用。
当主持人将其描述成大规模反筛选时，Matt 收窄了说法：重点在于用户可以明确希望结合什么、避开什么。他表示，更大的模型最终可能同时纳入更多这类约束。

4. Chai-1 开源，是一次逼着团队补齐基础设施的工程

Neil 表示，早期团队在做蛋白质设计时意识到需要 MSA 流水线和大量基础设施。AlphaFold 3 发布后，团队决定开源一个模型，并搭建支撑它所需的基础设施。对于主持人所说、这一项目也是学习如何建设生产级基础设施的方式，Neil 表示认同。
当时 Chai 只有5个人。开源 Chai-1 给了团队一个清晰目标，迫使他们以公司级而不仅是研究级的标准建设基础设施。
MSA，即多序列比对，会向结构预测模型提供许多相关蛋白序列。保守氨基酸和协同突变可以暗示哪些位置在三维空间中彼此接近。主持人将其概括为：从进化中学习哪些变化能够保留或破坏蛋白质；Neil 也认为这种方法能够奏效非常不可思议。
早期发布故事体现了资源约束：OpenAI 联合领投了 Chai 的种子轮，5人团队曾在 Mission 区一间几乎空置的 OpenAI 办公室里工作。他们连续48小时赶完论文、网页服务器和技术报告。随后 Josh 在早上大约7:00接受 Bloomberg TV 或类似媒体采访，其余团队成员则躲了起来，导致采访者评论说这家公司看起来根本没有员工。

5. 模型内部：分词器、类语言模型主干和扩散组件

Neil 对 Chai-1 的概括是：大致由一个分词器、一个 transformer 或类语言模型主干，以及一个类似图像扩散模型的组件拼接而成。这里的分词器并非传统的词语分词器：分子中的原子会被组合成 token，同时电荷、元素类型等属性也会被编码。
模型最终必须回到三维原子坐标。扩散组件负责将内部表示转换为预测结构。
Matt 将 Chai-2 描述为全原子扩散模型。它不只是针对固定序列预测位置，还能设计原子、放置原子、决定哪些原子存在，再将这些原子选择映射回氨基酸。
Chai-1 是折叠模型：给定序列，预测结构。Chai-2 是设计模型：给定目标结构，生成计划与之结合的候选分子。Matt 表示，大约在录制前1年，这一能力跨过了抗体设计的实用门槛。
Matt 认为，拥有生物学学位并不是从事这一领域计算工作的前提。他将 AI 生物学比作视频模型：做底层机器学习问题，不需要先成为电影导演。对话提到，Matt 的背景是理论计算机科学；随后又说，除了 Matt 和 Kevin，研究团队大部分人都没有正式的生物学背景。

6. Chai-2 跨过实用门槛：50个靶点、一半找到结合体、命中率约20%

主持人用一个类比描述 Chai-1 与 Chai-2：Chai-1 只是识别出一张图片里有一只猫，Chai-2 则是在指定场景中生成一只猫。更深层的区别是，Chai-2 必须同时生成序列和与之兼容的结构。
Matt 表示，这一过程是迭代式的：模型可以调整结构，询问什么序列能够支撑该结构，再次调整，最终收敛到自洽的序列—结构组合。Neil 将这一过程比作类似 EM 的算法。
这次50个靶点的活动部分出于现实考量。团队最初选择了有趣的靶点，但湿实验流程尚在搭建，许多靶点没有成功。Matt 表示，大约一半靶点完全没有奏效，因此团队转向 CRO 已经验证过的靶点，并从这些目录中挑选了一组有趣的对象。
结果是：50个靶点中约一半找到了结合体，平均结合命中率约为20%。对话称，正是在这个阶段，药企开始看到该方法可能在其项目中奏效的迹象。
“没有已知抗体结合体”这一说法属于后续验证案例。对于引用的 Chai-1 冷冻电镜工作，Matt 表示，相关靶点特意选择为没有已知抗体结合体，因此任何命中都将是该靶点首次已知的抗体命中。对话并未证明 Chai-2 的全部50个靶点都是按这一标准选出的。
商业层面的结果是，药企和生物科技公司开始主动询问能否使用该模型，Chai 因此搭建了产品，并筹集了服务这些需求所需的算力。

7. 没有直接真值时如何验证设计——以及0.33埃的意外

蛋白质设计缺少一个显而易见的 ground truth 指标。常见替代方法是，将设计出的序列输入一个独立的结构预测模型，检查它预测的结构是否与设计结构相似。
Matt 直言这种方法存在失败模式：研究人员可能把自洽性“刷出来”，尤其是在模型反复生成几乎相同结构的情况下。因此 Chai 还会考察模型置信度和生成多样性。一个既自洽又高置信、但每次都生成同一序列和结构的模型，并没有证明自己具备广泛解决问题的能力。
物理验证速度很慢。冷冻电镜可以提供结构证据，但单次验证可能需要数月。Chai 也在开发可能预测实验室成功率的计算机内指标。湿实验反馈周期已经从数月缩短到数周，虽然仍慢于扩展 LLM 评估，但已经足以启动递归式自我改进。
在 Chai-1 论文中，团队将预测结构叠加到电子密度点云上，最初几乎看不到任何差异。Neil 给出的误差是0.33埃，大约相当于原子宽度的三分之一。团队认为结果不可能正确，实验室一定是把错误的设计发回来了。
被问到是否存在数据泄漏时，Matt 表示，该案例中的靶点特意选择为没有已知抗体结合体。因此，结果不能简单解释为模型复现了一个已知的抗体—靶点复合物。

8. 从 Chai-2.5 到 Chai-3：团队押注模型，而不是解剖失败案例

Chai-2 之后，团队讨论过如何处理25个没有产生命中体的靶点。一种选择是详细研究它们的共同属性；另一种选择是押注扩大规模、改进模型，最终解决这些问题。Chai 选择了后者。
Matt 将发布路径描述为渐进式迭代：Chai-2、Chai-2.5、Chai-2.7，最终到 Chai-3，性能逐步提升。
结合亲和力是一个主要维度。弱结合体并不够，Chai 希望生成达到或接近治疗级别的分子。可开发性同样重要，包括分子是否安全、稳定、可制造，以及是否不易发生自聚集。
Chai-2.5 纳入了一项可开发性研究。Neil 表示，团队对这些性质得到的改善幅度感到相当惊喜。
主持人认为，与原始结构预测准确率相比，这些辅助性质可能更决定产品的实际效用。嘉宾同意这些性质很重要，但 Matt 表示，结构预测仍是有用基准，因为它拥有相对清晰的 ground truth。

9. 产品是分子 CAD，单租户部署解决了 IP 顾虑

Neil 表示，最直观的界面本来会是聊天机器人，但团队最终选择了视觉化产品。他将 Chai 的产品比作 Autodesk、SolidWorks 或 Figma，而不是 ChatGPT。
这套设计工具类似 Photoshop 环境：用户可以载入分子、涂出表位，再通过类似内容识别填充的工作流生成结合体。产品还包含科学分析和绘图功能，帮助用户检查结果，避免以错误方式对模型进行条件设定。
药企对 IP 极其敏感。Neil 表示，早期人们告诉他，客户绝不会把专有数据放入共享平台，并在那里生成新药。他的安全背景帮助其设计了严格的数据分隔和单租户部署，使每个客户都拥有独立版本或账户。
Eli Lilly 是早期合作方之一，曾与 Chai 密切合作开发第一版设计工具。对话称，在许多交易中，Chai 会与合作方共同训练或微调一个针对该合作方的模型版本；但对话并未说明这些细节对每一笔交易都是公开信息。
关于科学家的产品采用，Matt 表示，结果会创造“启动能量”。药企科学家很务实，可能先拿一个此前长期未解决的靶点交给 Chai。只要结果足够有说服力，他们就愿意试用产品。
Matt 将此与自己销售安全产品时的经历作对比：当时他觉得客户在技术上没有那么成熟。而在 Chai，他表示合作方往往包括已经研究某个靶点5年、10年或20年的科学家。
Matt 讲述了一位药企科学家的故事：在一次评审中，她因为 Chai 帮助为一个自己研究了10年的靶点生成了第一个初始结合体而落泪。
内部严谨性来自 Nathan Rollins 等人的加入。RJ 描述 Rollins 14岁时就开始在 Baker 实验室工作，18岁从 Harvard 毕业，大约21岁时在 Marks 实验室拿到 PhD。他起初持怀疑态度，但看到 Chai-2 的结果后表示，自己需要“把这件事做得无懈可击”，现在还没人应该庆祝。

10. 从瀑布到循环：两个北极星，以及一款注定被替代的产品

RJ 将靶点发现、命中发现和优化描述为瀑布式流程，每个阶段都有一道闸门，耗时可能从数月到数年。早期尝试的成本很高。如果模型能够生成有潜力的候选物，流程就可能变成更像敏捷软件开发的循环。
Matt 表示，Chai 不希望仅仅因为初始分子通常很差，就继续保留这些阶段区分。公司的北极星是直接由模型生成类药分子。他承认这会遇到许多障碍，包括更好的条件控制和强化学习系统，但认为目标可以实现。
RJ 描述了两个表面上相互冲突的目标。研究侧希望生成越来越好的从头设计候选药物，可能先从拮抗剂等更容易的类别开始；产品侧则希望支持迭代式工作流，让实验室结果成为下一轮模型运行的条件输入。
两个目标可以共存，因为更难的分子类型需要更高层级的产品工作流。RJ 举例称，激动剂、双特异性抗体和 ADC 都属于这类对象。Neil 追问，模型如何可靠地一次性“拨动”细胞上的开关；这些正是产品未来需要支持的下一层抽象。
Neil 表示，Chai-4 可能淘汰当前分子可视化产品的可能性让他“一度非常存在主义”。他接受产品可能只存在大约1年，将其作为交付价值、推动更好研究的桥梁。
今天的产品更像分子领域的 Cursor：用户检查化学键和分子性质。后续版本可能围绕表位选择编排研发活动，再围绕一条通路中的多个靶点编排活动，最终抵达“科学的外循环”。
Chai 不运行自己的药物开发管线。内部科学团队维护基准集，其中既有已知治疗药物对应的靶点，也有专门用来推动模型能力的靶点。他们开展实验是为了验证和改进模型，而不是开发这些药物。

11. 表位预测是更难的问题，两位嘉宾都认为它仍然棘手

主持人认为，表位预测可能比寻找结合体更难。Matt 表示同意，称这是“荒谬地困难的问题”，因为它需要全局生物学背景，才能判断什么在发生相互作用、以何种方式相互作用。
Matt 区分了几个层级：找出哪些蛋白质导致疾病，理解这些蛋白质如何相互作用，以及确定应该打断哪一种相互作用。需要阻断的具体位置就是表位。
当被问及假设出现 SARS-CoV-3、新型流感病毒或类似事件时，Matt 给出了一套带有保留的流程：运行结构预测模型，检查模型预测的结合位置；如果模型置信度很高，就使用该位点。他随即强调，结构预测总体上还没有解决。
Matt 用“I think”和“like”等保留表达提到，AlphaFold 2/其 multimer 版本在抗体—抗原预测案例中的准确率大约为11%，意味着大多数案例都是错误的。对话并未确定这一11%数据的确切适用范围。
主持人解释说，抗体通过重组不同组成部分来识别陌生病原体，因此不像其他蛋白质那样拥有可借鉴的保守进化模板。Matt 认同这一框架。
Matt 表示，Virtual Cell 可能是解决更广泛背景问题时最接近当前 state of the art 的方向，但距离成熟仍有一段路。

12. 经济学上的反问：重点是新分子类型，而不只是节省200万美元

RJ 提出了经济学上的疑问：在一项成功的药物开发项目中，抗体发现可能只需在内部花费几百万美元，而整个项目可能耗资约5亿美元；通常被引用的26亿美元则包含了失败项目。如果 Chai 只是节省发现阶段的成本，产品为什么会如此有价值？
Matt 首先质疑了这个前提。Neil 强调，精准设计抗体本身非常困难。Matt 更广泛的回答是，Chai 能够打开传统免疫方法难以触达的靶点、机制和分子类型。
Matt 提到了 Chai-2 设计 GPCR 激动剂的案例。抗体可以被工程化设计为精准命中 GPCR 上的开关，而不是只在蛋白质某处结合。
他还提到多特异性和四头形式，这些分子必须从第一性原理出发进行设计。在双特异性抗体中，两条臂都必须分别结合不同靶点。如果每条臂产生结合体的概率都是十亿分之一，传统方法就会面临乘法级难题。
RJ 补充了组合层面的价值：Chai 帮助的不是单一药物，而可能是合作方的一整个靶点组合。Neil 表示，平台让合作方能够在某个子领域集中学习，并将这些学习成果应用到多个项目中。
公司的使命是将药物发现“从科学实验变成工程学科”：用户应该能够声明式地定义希望获得的治疗性质，再由模型填补缺口。

13. 算力面向 LLM，工程基础组件反而成了瓶颈

Matt 认为，阻碍科学走向工程化的首要问题是数据基础设施。生物学文件格式包含多份结构副本、未解析区域、替代位置、结构解析方式等大量边界情况。工程问题在于：是编码大量特殊情况，还是采用更简单、更有原则的方法。
当主持人提出是否可以让 LLM 处理解析时，回应是 LLM 未必知道所有相关边界情况。Chai 更偏好人类能够理解和审计的代码。
Neil 的答案是算力。在现货和按需市场经历容量紧张后，Chai 决定自己购买硬件。他以市场上约10,000块 B300 广泛出货为例，称超大规模云厂商和头部 AI 实验室买走了超过95%，初创公司只能争夺剩余部分。
Neil 表示，B300 和 Vera Rubin 等新系统是按 LLM 需求设计的，配有大型 KV cache，以及72块 GPU 彼此通信的配置。这些系统可能提供不错的性能，但算力和软件市场尚未针对生物模型优化。
Matt 解释说，AlphaFold 2/3 类模型处理的是 pair representation，其规模大致为序列长度 L 的平方，而不是 L。批处理因此可能达到 L 的立方次方复杂度。结果是每个 token 的算力消耗很高，内存带宽开销也很大；即使层归一化也可能成为实质性瓶颈。
Neil 另外指出，triangle layers 在现代 GPU 上成本高、效率低，因为它将较小的隐藏维度与较大的序列维度结合起来，形状正好与 GPU 最擅长处理的方向相反。他将其描述为用参数换算力。
Neil 的基础设施解决方案是通过 Temporal 实现持久化执行。分布式模型调用可能因为不稳定的存储桶、数据库或 GPU 而失败。没有持久化执行，团队大部分时间都会耗在队列、重试和编排上。
Chai 用 Temporal 处理数据库调用、副作用、模型调用和长时间运行的数据流水线，使失败可以自动重试，而不必为每种情况单独编写队列逻辑。
临近结尾时，Neil 表示 Chai 又融资了4,000万美元，需要购买另一座算力集群，以支持更大规模的推理和训练。他明确说不是4亿美元。他的结论是，可靠的工程基础组件将为更大胆的生物学工作提供支撑。

14. 简单性与 Bitter Lesson 的冲突——以及对数据效率的反驳

Matt 表示，系统复杂化与“被 Bitter Lesson 彻底说服”在根本上存在张力。他以 AlphaFold 3 为例，谨慎地说其可能有23个子模块。复杂到这个程度后，很难理解修改一个模块会如何影响整个系统。
Chai 办公室墙上挂着 SpaceX 的 Raptor 1 和 Raptor 2 发动机照片，提醒团队删除不必要的组件、简化系统。
Neil 反驳说，AlphaFold 2 和 AlphaFold 3 的成功部分来自它们相对小型、数据高效、计算密集，并围绕大量归纳偏置构建。若移除这些偏置，就需要新的数据来源，或对数据采取根本不同的处理方式。
Neil 提到一篇 Apple 论文，该研究在一个非常大的、源自 ESMFold 的数据集上进行蒸馏。他表示，模型确实获得了有用信号，但无法泛化，因为它是在做模式匹配，而不是推理。
Matt 同意蛋白质结构数据很难处理：序列数据非常丰富，但实验结构数据少得多。序列数据帮助了 ESM 类模型，而将同样的方法直接应用于实验结构数据则困难得多。
他的解决方案是提炼 AlphaFold 中有用的思想，而不是复制整个架构。Triangle layers 就是一个例子：即使代价高昂，它仍然代表了一种有价值的归纳偏置，可以被修改并进一步构建。
Matt 将此与自己的理论计算机科学背景联系起来。他的导师告诉他，永远不要低估多项式时间；Matt 的第一篇论文使用了一个 n 的20次方时间复杂度算法。更广泛的启示是，可以先允许解空间足够宽，再在后续阶段进行简化。

15. 商品化、数据护城河问题，以及药企作为资本配置者

主持人将蛋白质设计描述为拥挤赛道，可能已有10家或15家初创公司。他们还回忆了 RFdiffusion 发布后不久的一个案例：有人生成了皮摩尔级结合体，并用冷冻电镜完成验证。对话没有证明这些具体是 mini-binder。
Neil 预计，一些分子类型会逐渐商品化，但更具挑战性的任务仍将由前沿模型服务。他将这一局面与 LLM 类比：开源模型可以覆盖部分使用场景，但闭源前沿模型凭借解决更难任务的能力，以及与之配套的更好产品，仍然捕获了大量价值。
他表示，产品层与模型层同样重要。如果缺少周边工作流和工具，用户未必会选择开源模型。即便 AGI 最终能够一次性完成所有工作，他仍预计产品在相当长一段时间内都很重要。
Matt 认为，生物学缓慢的测量循环能够抵御即时商品化。公开序列数据可以构建基础模型，但有用的测量需要时间，也必须不断迭代。他表示，AGI 未必能立刻解决这些技术瓶颈。
Neil 否认 Chai 不可能拥有数据护城河。他将公司与 Anthropic 和企业合作的情况作比较：企业数据未必可以被用于训练通用模型。Chai 正在投资于把算力转化为数据的方式，并利用合作方的需求来指导研究。
在许多交易中，Chai 会与合作方共同训练或微调专用模型版本。合作方可能拥有实验数据或偏好的性质，帮助模型在特定类别的靶点上表现更好。有时提升可以非常具体，例如确保生成的设计具备合作方偏好的某种性质。
Neil 表示，Chai 没有建立自己的药物开发管线的计划。他看重的是激励一致性：改进模型、帮助合作方成功，再利用这些结果改进产品。
Neil 认为，药企 token 的下游价值异常高，因为成功药物可以成为价值数十亿美元的资产。他表示，两款 GLP-1 药物合计可能代表一项价值1万亿美元的资产，并保留了相应的不确定性。
主持人而非 Neil 表示，直到大约3个月前，GLP-1 收入还超过 AI 实验室收入总和。另一位发言者指出，Genentech 曾是硅谷早期最重要的创业成果之一。

16. Eroom 定律、愿望清单与核心结论

对话将 Eroom 定律定义为倒过来的 Moore 定律：药物开发成本不是下降，而是在上升。主持人表示，这最终会使新增药物开发的边际回报转为负值。这是主持人的框架，并非经过测量的 Chai 结果。
另一位发言者推测，Chai 这样的公司可能帮助翻转或弯曲这条曲线。对话没有证明 Chai 已经做到这一点。
团队反复使用资本配置作为运营隐喻。Chai 将约10人的研究团队描述为把想法配置给算力；更广泛的公司在对话中约有30人，被描述为借助 AI 工具配置注意力和算力。
Matt 认为可以用意志力消除的瓶颈是验证循环：能否即时知道一个蛋白质设计假设是否有效。他表示，这个领域目前仍然需要在黑暗中摸索。
Neil 的答案是人才稀缺。许多技术能力很强的人进入 LLM、软件或 SaaS，相比之下进入计算生物学的人很少。他认为，部分原因在于这个领域不为人熟知，也缺乏视觉可访问性，而 Chai 正试图通过网站和产品改善这一点。
Neil 的收尾判断是，生物学正在开始转向声明式的精密工程。折叠模型的误差已经在1埃以内，设计模型的命中率超过50%，这意味着一个96孔板里可以有48个有趣的结合体。他将这一转变类比为软件、Cadence 中的电路设计，以及机械 CAD。
Matt 的收尾判断是，这个领域确实正在奏效：生命迹象已经出现，商业牵引力已经存在，同时仍有大量研究问题和容易摘取的机会。他表示，三维几何、扩散模型、类语言模型主干与核心机器学习的结合，使这一领域异常宽广，也可能产生重大影响。

Vol.229 宏观漫谈109｜我们正处于一个美元主导的资本周期上升阶段尾部（8.6录制）Sergey Brin 重新接管 Gemini，4家实验室失去遏制，算力携手 Kush Bavaria 登上纽交所交易｜EP 278