摘要

Kimmel 的核心论点是：衰老属于进化没有强力优化的问题。 在灵长类历史上，基础死亡风险率一直很高，能活到长寿等位基因有机会被选择的年龄的人相对很少，因此“回传到基因组的梯度信号，实际上没有直觉上想象的那么强”。这意味着衰老相对容易改善——单基因药物和抗生素之所以能带来巨大收益，正是因为如此；但这也意味着衰老并非单一病因，最初的药物会增加几年寿命，而不是带来永生。
真正可攻克的瓶颈是搜索，而不是机制。 约2,000个转录因子取1至6个组合，搜索空间约为10^16种；穷举这些组合“需要的单细胞测序量，比全世界迄今累计完成的总量还要高出许多个数量级”。NewLimit 的做法是稀疏采样，训练一个从扰动映射到转录组的模型，再在计算机中生成候选组合——用 Dwarkesh 的说法，就是预训练加价值头。
Kimmel 对递送载荷和剂量不会成为限制持乐观态度：目前找到的有效组合包含的因子“在1到5个之间”，而临床流感/COVID 疫苗已经能递送20种独特转录本，因此几个转录因子“看起来稀松平常”。转录因子也处于表达排序的较低端，所以低剂量就足够。当前的持久性数据只是“给药后几周”；Kimmel 明确拒绝夸大“一针维持几十年”这一上限判断。
递送目前领先于生物学，而不是落后于生物学：“它们现在仍在赢得与我们的赛跑。” 目前已有核酸药物，却没有任何重编程药物。LNP 和 AAV 足够支撑未来几十年的工作，但 Kimmel 的争议性判断是：到2100年，药物大概不会通过这两种方式递送；能够植入体内、感知 AND 门并释放载荷的工程化 T/B 细胞或许才是答案，因为“你有数十亿个碱基对可以拿来编码”。
生物科技始终没有形成类似机器学习的规模定律叙事，是因为 Eroom 定律虽然给出了同样的对数曲线，却缺少让机器学习具备投资吸引力的两项特征——超指数规模回报和跨任务迁移。 “而在生物科技领域，除了 NewLimit 的新一轮融资外，它压低了估值。” 收入端的解法在于扩大 TAM：“我们终有一天都会生病并死亡。因此，任何真正成功的药物，其 TAM 理论上都可以是地球上的每一个人。”
NewLimit 声称自己的护城河是数据，而不是分子：在组合转录因子过表达数据上“毫无疑问”领先于所有人，在细胞年龄重编程数据上超过世界其他机构的总和，而且数据都来自人类细胞，而不是“拥有200条染色体的癌细胞系。那是人类吗？我不知道”。Dwarkesh 给出的类比是：这更像2018年的 Cursor Tab，而不是前沿实验室——NewLimit 有意切出虚拟细胞问题中的一个子区域，并进行垂直整合，因为根本不存在互联网规模的生物学语料库。
对持久性疗法而言，定价与报销是市场低估的风险：美国患者每3到4年就会更换一次保险公司，因此一款要到第5年才产生节省的药物意味着“没有任何一家保险公司在经济上真正有动力为其报销”。 Kimmel 的路径是按效果付费加直接面向消费者销售，以 LillyDirect 为模板；他认为医疗总支出会下降——Medicare 约三分之一的成本发生在生命最后一年，而制药是“唯一一个……能够让每1美元获得更多收益”的环节。

精读

1. 进化没有强力优化长寿——所以长寿应该相对容易改善

Kimmel 将问题拆成3个部分：更长的健康寿命是否曾受到正向选择，是否存在反向选择压力，以及优化器本身受到哪些约束。他的框架明显带有机器学习色彩：“如果把基因组看成一组参数，把优化器看成自然选择，那么它的实际运行方式就会受到一些约束。”
正向选择这一环，首先败在死亡风险率上——简单说，就是“你每天死亡的可能性有多大？”这其中包括疾病、“被老虎吃掉”，以及“脚擦破皮后感染”。最好的证据显示，历史上的死亡风险率非常高，因此真正活到衰老成为主要约束的年龄的人相对很少，“回传到基因组的梯度信号，实际上没有直觉上想象的那么强”。
这套论证最终形成了他在生物学各处都会使用的研究启发式：“进化是否花了很多时间优化这个问题？如果是，我的工作会难到不可思议；如果不是，可能就存在一些容易摘取的果实。”衰老属于后者。现代一些粗糙药物“直接作用于基因组中的单个基因，同时把它在所有地方都关闭”，仍然能带来巨大收益，就是他的佐证。

2. 同样的死亡风险逻辑也意味着，智力同样没有被充分优化

Dwarkesh 将这一论点延伸到 AI 预测：高死亡风险会限制青春期长度，因为“如果你只是花50年学习东西，那么还没来得及自己生孩子就会死掉”；而如果漫长青春期的成本无法承受，选择更大的大脑也就没有多少意义。结论是：“也许智力比我们想象的更容易提升，进化没有在这个变量上尽可能加大力度，可能有一堆偶然原因。”Kimmel 表示：“我完全同意这个具体论点。”
Dwarkesh 还感叹，这套搜索本身非常奇怪：“这是一个长周期强化学习问题，时间跨度是20年，然后最终只有一个标量价值——你生了多少个孩子。”考虑到强化学习在长达数小时的任务上都很难，“一个信号竟然能跨越20年时间跨度传播，本身就很令人惊讶”。

3. Kimmel 的个人假设：流体智力在25至30岁达到峰值，因为当时人口就在这个年龄段

他认真对待的谜题是：重大的数学发现大多集中在“30岁之前左右”（他也承认自己可能记错了具体年龄）。社会层面的解释——人变得保守、老师限制思维——无法通过他的跨文化检验：“几个世纪以来都是这样吗？世界上那么多不同的独特文化也都是这样吗？……我觉得这不太可能。”
他的简单解释是人口统计学解释：流体智力在选择压力最密集的年龄达到最大值。“如果要选一个流体智力受到最强选择的年龄，大概是25岁或30岁。那可能正是进化大部分时期中、处于被选择的大型人口里的成年人的年龄。”
Dwarkesh 将这一点具体化到“奇迹年”：牛顿21岁时已经完成“光学、引力、微积分”；他又举出 Alexander von Humboldt 的例子——一次南美探险攀登 Chimborazo，观察到生态层级沿纬度和海拔重复出现，成为其整个职业生涯的基础。判断他有多出名的一个线索是：当你看到某个东西以 Humboldt 命名时，“那就是这个人”。

4. 衰老像长度正则化项——亲缘选择为何反对长寿

Kimmel 对这一环节明显保留：“我不知道人们在这里建立的一些数学模型有多强。你可以找到一些人用同一个想法论证支持长寿，也可以论证反对长寿。”从自私基因的视角看，在不消除衰退的情况下延长寿命，会形成“一个糟糕的正则化项”。
机制是：一个寿命更长但适应性更差的个体，在每增加一年的边际贡献上，提供的净热量少于“随后跟上的两个20岁年轻人”。因此，一个老年个体占比过高的人口，对基因组扩散而言反而是净负面。“基因组应该在适应性达到最大时，优化人口周转和人口规模。”
Dwarkesh 的重新表述最令人印象深刻：“我很喜欢把衰老看成长度正则化项。”它类似于训练时惩罚思维链过长，而终身消耗的热量就是惩罚项。

5. 即便承认正向选择，优化器的约束也会限制长寿

突变率限制着两个方向上的步长：“如果把突变率调得太高，可能会产生一堆癌症，于是会受到反向选择；如果太低，就几乎无法适应任何变化。”种群规模则限制了可以并行筛选的变体数量。
选择压力的一个主要来源完全是另一回事——传染病，“它实际上塑造了我们大量的人口结构”。重点在加权损失框架：即便长寿存在于目标函数中，“如果你设想把 λ 更有效地调向对传染病的韧性，就可以为自己构造出一套论证”。
将这3点叠加起来，人类要成为长寿最优的反事实情景，必须具备“极其偶然的条件”：正向选择存在，反向选择不存在，而且大量进化压力被分配给一个极其困难的问题。

6. 人类为何没有进化出自己的抗生素——红皇后与原始并行计算

Dwarkesh 的问题让 Kimmel 停顿了一下：“人类为什么没有进化出自己的抗生素？”Kimmel 回答：“这是一个非常好的问题，我以前从未听人这样问过。”表面上看并不存在不可逾越的障碍——“你不能想象把一个抗生素基因盒编码进哺乳动物基因组”，这件事显然并不成立。
真正的阻碍在竞争动力学，也就是源自《爱丽丝镜中奇遇》的红皇后假说：“红皇后为了留在原地，必须不停地高速奔跑。” 细菌和真菌占据优势，是因为它们拥有“数万亿份基因组拷贝，构成大规模模拟并行计算”，同时作为原核生物能够容忍高突变率。对后生动物而言，一个突变过度的细胞“可能变成癌症，最终杀死整个机体”。
Dwarkesh 推导出的可交易含义是：进化史上应该存在“数百万种天真的抗生素”，只是后来被放弃。Kimmel 先说“我有点超出自己的知识范围了，但我的强烈假设是肯定存在”，随后指向细菌中的古老 CRISPR 间隔序列：它们可能记录了“当时那场战争是什么样子”。

7. TRIM5alpha：我们牺牲了对 HIV 的抵抗力，而基因复制是进化完成多步编辑的方式

最典型的例子是：TRIM5alpha 会结合一种已经灭绝的内源性逆转录病毒，像棒球手套包住棒球一样“套在病毒衣壳外”。沿猴类谱系追溯发现，早期版本曾抑制 SIV——旧大陆猴不会感染 SIV，而新大陆猴和人类可以感染。基因组似乎为了对抗一种后来灭绝的逆转录病毒，放弃了类似 HIV 的限制能力，“原因不明，也没人知道为什么”。而今天，在人类细胞中做几处编辑，“就能把它改回来，从而大幅限制 HIV”。
Dwarkesh 追问其可行性：单碱基突变率大约是十亿分之一，多碱基结合序列究竟如何组装出来？Kimmel 的答案是基因复制：会破坏基因的中间编辑会降低适应性，因此进化无法直接跨越；但如果存在一个备用拷贝，“前两个编辑就完全可以被容忍”。TRIM5alpha 的编辑数量“在几十个量级”，并非千碱基级别的重排。
他给所有人的一个实用线索是观察基因名称：“你经常会看到类似基因1、基因2、基因3这样的东西。”有时只是发现上的巧合，但很多时候意味着同源性。因此进化“不必从头开始……对它做一次复制粘贴，然后在这些参数上反复迭代、微调”。

8. 衰老并非单一病因——最初的药物只能修复其中一部分

Dwarkesh 注意到，进化论证会约束产品形态：如果进化没有修复衰老，是因为衰老无法追溯到单一原因，那么部分修复就是默认结果，这与长寿领域支持者“会有一个解释全部衰老的源头，我们找到它就行”的说法相反。
Kimmel 直接接受这一点：“我不认为衰老存在单一病因的解释……并不是存在某个上游的‘坏基因X’，我们只需把它关闭，衰老就突然解决了。”他把职业生涯投入表观遗传学，是因为认为它能解释很多问题，而不是所有问题。
他的预测同时带有保留和确定性：“不会有一颗单一的神奇药丸。”更可能出现的是能够“为你的生命增加多个健康年限、增加那些原本不可能重新获得的年限”的药物；但“对于第一代药物而言，你仍然会经历一定程度的随时间衰退”。

9. 转录因子是细胞的指挥家——而检测体系负责让结果经得起检验

机制在于，转录因子“本身并不直接执行很多功能，但会结合 DNA 上的特定位点，然后告诉哪些基因开启、哪些基因关闭”，写入表观遗传标记，从而解释“为什么你的眼球和肾脏拥有相同的代码，却执行不同的功能”。这套表观基因组会随年龄退化，使细胞无法在正确时间调用正确程序。
当被问及干预是否干净利落时，他直言：“我多么希望它能简单明了。但不，它很可能”带来有害副作用。每个转录因子都会结合数百至数千个基因组位点，而且“没有任何保证表明衰老确实沿着这组基底中的某个向量完美移动”。
因此 NewLimit 进行两层检测。第一层是“看起来像”检测：“根据细胞正在使用的基因，我能否让一个老细胞看起来像年轻细胞？”第二层是功能检测：肝细胞能否处理代谢物、酒精和咖啡因；T 细胞能否对抗原作出反应。此外还要明确检查病理，因为 Yamanaka 式重编程也会改变细胞类型，而在人体内，这“可能会导致一种叫畸胎瘤的肿瘤”。

10. Yamanaka 的问题具备两个关键优势

Dwarkesh 的挑战是本期节目最尖锐的一问：Yamanaka 通过逐个排除，将24个胚胎转录因子缩减到4个，“这不需要任何复杂的 AI 模型。为什么我们不能对衰老做同样的事？”Kimmel 的铺垫是：“科学大部分时候是在选择问题。过了一定年龄，你并不会在移液或做实验方面变得更好，但你会更擅长选择该做什么。”
第一项优势是成功标准极其简单：成纤维细胞（字面意思就是“会粘在玻璃上的细胞”）转化为胚胎干细胞，再由一个变蓝的报告基因读出。第二项优势是扩增：最初的效率只有“一个基点或十分之一个基点，也就是0.01%、0.001%”，但经过约30天，少数成功细胞会增殖成菌落，只要“把培养皿举到灯光下”就能找到。
衰老重编程两项都不具备。“一个老肝细胞和一个年轻肝细胞，乍看之下其实非常相似”，没有单个基因能充当二元分类器。单细胞基因组学因此成为关键技术，因为“我认为在它出现之前，我们的方法根本不可能实现”。而成功也不会自行扩增，所以“从某些角度看，药物的门槛比 Yamanaka 达成的目标更高”。Dwarkesh 开玩笑提出的解决方案——“让年轻细胞得癌症……只要让老细胞得癌症，它们就会生长”——得到 Kimmel 的回应：“Dwarkesh，你已经替我解决了。”

11. 10^16种组合解释了为什么需要模型，也解释了为什么转录因子是正确抓手

算法很简单：转录因子数量约在1,000至2,000之间（“发育生物学家喜欢在喝啤酒时争论这个问题，但我们就算2,000个”），取1至6个组合，大约得到10^16种可能。要穷举筛选，“需要的单细胞测序量，比全世界迄今累计完成的总量还要高出许多个数量级”。因此只能稀疏采样、学习交互项，再在计算机中朝着“状态空间中的某个目标目的地”生成组合。
他认为转录因子可以充当可用基底，依据在于发育过程：数百种细胞类型由转录因子组指定，而这些转录因子组“彼此实际上非常相似”，所以进化可以“从组合中换入一个转录因子，或换出一个转录因子，却得到完全不同的效果”。由于突变细小且随机，生物学被迫进入一种小编辑带来大表型变化的区域——“对通用的、类似梯度的优化器而言，这是相对有利的环境”，他将其类比为进化策略，而非真正的梯度。
这个类比需要“非常特殊的听众”才能成立：“转录因子像查询，转录因子结合的基因组序列像键，基因像值。”改变一个嵌入向量，输出就会发生剧烈变化。在其他地方，他把转录因子称为“进化作用于基因组更大架构的杠杆”；Dwarkesh 则提到 Trenton Bricken 关于大脑注意力机制的研究，以及 Eddie Chang 发现的、跨句子呈现类似位置编码的神经元放电证据。

12. 为什么没有更多转录因子药物：两类经典药物形式都不合适

大多数现有药物其实已经通过转录因子发挥作用——受体阻断剂、细胞因子抑制剂和信号通路药物，最终都落在某个转录因子的开启或关闭上。“我们其实是在打一些疯狂的银行球，因为我们无法直接击中转录因子。”
物理原因是一个“金发姑娘困境”：小分子足够小，可以穿过细胞膜，但“转录因子与 DNA 的结合面相当大”；小分子“可以一路进入细胞核，但进去之后做不了多少事”。重组蛋白和抗体的效力足够强，却“太大，无法穿过细胞膜”。
改变局面的是核酸药物：脂质纳米颗粒“把它们包进一个脂肪气泡里”，与细胞膜融合后将 mRNA 投入细胞质；加上病毒载体，“我们直到最近才真正拥有所需工具，开始把转录因子作为一类一等靶点来处理，而不是把它们当成某种辅助性的三阶因素”。
至于天然转录因子集合是否就是正确的搜索空间，答案大概是：它是一个不错的先验，但 Super-SOX——Sergiy Velychko 改造的 SOX2，表现优于经典的 Oct-4、Sox2、KLF4、Myc——说明未必如此。“iPSC 重编程从未在自然界发生过，因此没有理由必然相信天然转录因子就是最优的。”他对2100年的猜测是：“从未存在过的合成基因。”

13. 递送目前领先于生物学——到2100年大概不会再靠 LNP 或病毒

当被问及递送是否落后于他对衰老的理解时，Kimmel 纠正了前提：“要替递送领域的人说句公道话，他们现在其实领先。当前没有任何用于衰老重编程的药物，但已经有递送核酸的药物。它们现在仍在赢得与我们的赛跑，但正如你所说，我希望两条线最终交叉。”
当今两种主要模式都有上限。AAV “像一辆非常小的配送卡车”，序列工程只能增加一个 NOT 门——“你可以先让递送载体覆盖很广，再用序列把范围缩窄、提高特异性，但不能反过来”。病毒具有不可消除的免疫原性；LNP 则面临物理限制，难以在不沿途融合的情况下逃离血流。
他明确提出的争议性观点，是在 Dwarkesh 打趣“你就这一个？你想解决衰老，却只有一个？”之后给出的：递送最终会“按照我们自己的基因组解决递送的方式”解决——工程化 T 细胞和 B 细胞在体内巡逻，运行“一个 AND 门逻辑”，并在局部释放载荷。这些细胞会植入体内并持续多年，根据身体的需要自行给药，而不是等到患者去看医生；在编码全部逻辑方面，“你有数十亿个碱基对可以使用”。“如果我能复制一个自己，去做一个风险更高的项目，这大概就是我会做的事。”
CAR-T 已经提供了部分先例：它工程化了检测环节，却没有改造载荷。两者的互补性在于，病毒领域的人会选择免疫豁免部位——膝盖、肩膀、眼睛、大脑，可能还有耳朵——正是因为他们的药物具有免疫原性。因此，“所有无法用病毒治疗的疾病投下的阴影，就是细胞疗法能够治疗的疾病范围”。

14. 局部修复会产生级联效应——一个组织的年轻化最终会反映到全身

Dwarkesh 担心出现一具拼补式身体：肝脏很好，其他组织照常衰老。Kimmel 的回答是，不会出现“身体某些方面健康状况异常改善、其他方面完全没有收益这种奇怪的弗兰肯斯坦式结果”，因为挽救一种细胞类型会带来连锁收益。
移植提供了受控证据：老年人接受年轻肝脏后，几种其他疾病的风险下降，整体生存率提高，而不只是更能承受高脂食物和酒精。这是因为肝脏和脂肪组织都是内分泌器官，会“向身体其他许多部位发出信号”。他还提到 Frederick Appelbaum 的书——Appelbaum 曾师从 Don Thomas，后者发明了人类骨髓移植——其中记录了造血干细胞替换偶然治愈无关疾病的案例。
反向情况同样存在：在小鼠一组特定的 T 细胞中破坏线粒体转录因子 TFAM，“会大幅缩短寿命”。Ozempic 则是另一个方向上的存在性证明：GLP-1/GIP-1 肠促胰素模拟物不仅影响体重和心血管疾病，“可能还影响成瘾行为，甚至可能预防神经退行性疾病”。如果有人一开始就告诉你一种分子能带来这些效果，“你会说他们疯了”。
关于剂量和持久性，他保持谨慎：一次性给药“原则上是可能的”；表观遗传状态可以维持几十年的存在性证据是“我的舌头不会自行变成肾脏”，此外还有 Luke Gilbert 的单基因座编辑在400多次细胞分裂后仍然存在，以及类似编辑在猴体内维持数年的数据。但他强调：“我们今天没有这样的数据。我不想夸大。我们确实有数据表明，这些正向效果在给药后可以持续几周。”而且并非所有问题都发生在细胞层面——松弛皮肤源于只在发育期聚合的弹性蛋白纤维，因此修复可能需要把细胞编程到“超生理”状态。

15. Eroom 定律是一条方向跑反的规模定律——而生物科技缺少机器学习的投资优势

Eroom 定律是他朋友 Jack Scannell 创造的混成词，用来反转 Moore 定律：自1950年代以来，每投入10亿美元，新分子实体的数量持续下降，而且这一趋势跨越“许多不同的技术转型”仍未改变。从结构上看，它与机器学习的规模曲线相似——“投入更多输入，得到持续递减的输出”。
Dwarkesh 的对比构成这一节的主轴：机器学习沿着同一条曲线，却吸引了指数级增长的资本；“而在生物科技领域，除了 NewLimit 的新一轮融资外，它压低了估值，也压低了兴奋度和活力。”他的诊断是通用性：同一个模型可以先吸收1亿美元，再吸收10亿美元、100亿美元；而另一种模式是“我们靠这款药赚了钱，现在要用这些钱，以10种完全定制的方式投资10种不同药物”。
Kimmel 提出两个可能解释。第一，回报可能没有超指数增长——生物科技的产出“未必在潜在收入上实现了同等规模化”，因此成本上升没有被 ROI 抵消。第二，跨任务迁移有限：治疗疾病 X，“并不一定让你更容易治疗疾病 Y”，因为可迁移的核心能力在于制造分子，而这“实际上并没有降低流程中最大的风险”。
收入端的解法是 TAM，而且他说得很绝对：“我们终有一天都会生病并死亡。因此，任何真正成功的药物，其 TAM 理论上都可以是地球上的每一个人。”这也是对行业从广泛疾病类别转向“越来越窄、由基因定义且患者数量很小的疾病”的反驳。

16. 最难的是知道该瞄准什么——而 Dwarkesh 对此提出反驳

Kimmel 的判断是：“弄清楚该制造什么抗体来作为靶点，是药物研发最困难的部分。”Dwarkesh 并不完全接受，因为小分子存在金发姑娘困境：“在那种情况下，找到合适的分子抓手似乎才是最大问题。”
Kimmel 先让步，再反驳：如果把自己限制在小分子上，很多靶点确实无法成药；但还存在其他药物形式。他提出一个思想实验：把10名聪明的药物研发者关进房间，让他们写下那些唯一因为缺少分子抓手而无法推进、但他们高度确信的靶点—疾病组合。“这份清单相当短，大概一页纸就能写完。”而可能的适应症和基因组合数量则是天文数字。
他给出的证伪测试是：如果缺少分子抓手是唯一障碍，那么转基因动物——可以在任意时间、任意细胞中开启任意基因组，并进行剂量控制——应该能让我们在最好的动物模型中治愈这些疾病。“但对于大多数病理，我们根本没有多少这样的例子。”

17. 虚拟细胞是预训练——而 NewLimit 更像 Cursor Tab，不是前沿实验室

虚拟细胞是一个“非常模糊、甚至有时带有神秘色彩的想法”，也是候选的通用模型：进行扰动，测量转录组，学习这张映射关系，再在计算机中搜索能把病变细胞推向健康状态的干预。NewLimit 同时训练两个头：一个预测细胞表达的每个基因，“这是一个目标，而不是对细胞的价值判断”；另一个进行价值判断，判断某个转录组“看起来像不像更年轻的细胞”。输入包括从蛋白质基础模型中提取的转录因子表示，因此“模型是从一个相当聪明的起点出发”。
Dwarkesh 的对应关系是：预训练负责学习细胞如何工作，之后“还有一层价值判断”。“这让我更乐观。LLM 有效，强化学习也有效。”Kimmel 认为：“概念类比非常贴切。但我们目前实际上没有使用强化学习，所以我不想夸大现有技术的复杂程度。”至于谁来写标签，Dwarkesh 开玩笑说是“尼日利亚的标注员点击不同的细胞图片”；Kimmel 回答：“更像是把发育生物学家关在一个房间里，正如我的朋友 Cole Trapnell 所说。”
Dwarkesh 的结构性批评是：这就像2018年的 Cursor 在构建自己的 LLM——“看起来你把技术栈中的两个不同层级合在了一起。”Kimmel 接受这一框架，但缩小了目标：“想象一下，我们在2018年试图创造 Cursor Tab，但不是试图创造完整的 LLM。”NewLimit 只研究少数几种细胞类型，即当前有可信递送手段的细胞，因为“如果我们解决了该使用哪些转录因子的问题，就能很快做出药物”。
垂直整合并非主动选择，而是被现实逼出来的：LLM 数据是“互联网产生出来的公共品”，而生物数据不是。“想象一下，我们身处1980年代初，刚刚开始考虑创建一些最早期的网页。”因此，他们必须自己构建高质量语料库——也就是那个你可能用来训练过度类比版 LLM 的“Wikipedia”。

18. Perturb-seq 早在2016年就已存在——为什么规模化花了这么久

Dwarkesh 提出怀疑：2016年几乎同时出现了3篇论文——Weizmann 的 Ido Amit 实验室、Broad 的 Aviv Regev 实验室与 Atray Dixit、UCSF 的 Jonathan Weissman 实验室与 Britt Adamson——“但我们似乎还在等它应该带来的重大突破。”
不起眼的答案是，读出成本从每个细胞几美元降到了几美分甚至几分之一美分，而早期条形码检测只有“约50%的成功率”。他的类比很直观：“想象一下，你雇了一个人，他每标记两管就有一管标错……你等于把所有数据标签随机化了。”
组合扰动会让问题按乘法恶化：在50%的检测率下，正确标记的细胞数量按1/2^n缩放，因此“很快，错误标记的数据就会多于正确标记的数据”。六七年前，试剂厂商发布了第一份百万细胞数据集，作为只有他们能运行的概念验证；“现在我们实验室里的2名科学家一个下午就能生成同样的数据”，每天可生成数百万个细胞的数据。

19. 谁来为持久性药物买单——保险流失、按效果付费与 DTC

对灰色市场问题——中国 GLP-1 肽、同构分子——他基本拒绝置评：“这是地缘战略层面的知识产权执法，我没有资格谈论。”但他认为支付体系会保护现有企业：如果要在“从深圳某家公司网站上买来的可疑小瓶”与低自付额的正版 Tirzepatide 之间选择，大多数患者会选择 Tirzepatide。他也坦承：“你我可能生活在一个更习惯从深圳订购小瓶的人群环境里，而大多数人未必如此。”
真正的结构性问题是疗效周期与保险流失之间的错配：美国体系中的普通人每3到4年更换一次保险公司，因此一款要到第5年才产生节省的药物，“没有任何一家保险公司在经济上真正有动力为其报销”。他提出的候选方案是按效果付费：一款疗程为10年的药物，每年报销十分之一，并以测得的效果为条件；但他承认，除基因疗法可以直接检测表达之外，效果测量是“这个行业面临的一个重大挑战”。
他倾向于让保护健康的药物直接面向消费者销售，LillyDirect 是正在运行的模板：处方直接交给“Lilly，也就是优质药物的来源”，绕过药房—PBM 链条，“也不让某个中间的配药商介入，而那个配药商甚至可能无法正确制造你的分子”。一旦患者每天都能感受到收益，“这种模式就会开始占据主导”，而分期融资也会像任何大额购买一样变得稀松平常。

20. 去衰老应该压低医疗支出，而制药是唯一具备通缩属性的环节

Dwarkesh 对问题重要性的解释是：医疗支出已经占 GDP 的20%，且仍在增长；其中“压倒性多数都用于实施已经发明的治疗”，而不是发明新的治疗。Kimmel 确认了数量级：“药物大约占医疗支出的7%。”
Kimmel 预计净支出会下降，但承认 Baumol 成本病以及客户与医疗服务提供者脱钩，是“更大的经济问题”，单靠生物科技无法解决。关键统计是：“Medicare 总成本大约三分之一花在生命最后一年，这一点令人震惊，因为 Medicare 的普通参保人可能已经被覆盖了超过10年。”哪怕只避免几次住院，也能把支出负担从行政体系转向药物。
这种转移具有通缩属性，原因在于仿制药交易：“制药体系是医疗行业中唯一一个技术让我们变得更高效的部分。”因此，当被问及作为患者希望在哪个时代出生，他给出的最终判断是：“你总是希望尽可能接近今天出生”，因为就每1美元而言，“今天能获得的制药技术，比历史上任何时候都多”。

21. 大型药企已经变成风险投资机构，也是买方寡头

当被问及 Lilly 或 Pfizer 的研发负责人如何看待通用型平台时，Kimmel 首先收窄了自己的护城河主张：在组合转录因子过表达方面，他们“毫无疑问”拥有最多数据；在尝试重编程细胞年龄的研究上，他“非常、非常确信”他们的数据最多，但其他团队也拥有大型单细胞扰动数据集。真正的差异在于底层材料：他们使用“染色体数量正确的人类细胞，而业内很常见的做法是使用拥有200条染色体的癌细胞系。那是人类吗？我不知道”。
市场结构的判断是：“你可以把一些现代制药公司看成有点像风险投资机构。” 外部创新部门承担企业发展职能，让灵活的生物科技公司探索先锋想法，之后再进行合作。据他凭记忆给出的、并明确标注为近似的数据：“某一年获批的分子中，大约70%最初来自小型生物科技公司，而不是大型药企；但如果看资产负债表上的实际研发支出，主要仍然在大型药企。”其中很大一部分支出用于临床试验，而生物科技公司会通过合作将试验外包出去。
清算价格集中在一个地方：生物科技初创公司把资产卖给“由药企组成的买方寡头”，市场上“针对一期、二期资产存在非常活跃的流动性市场”。这并非普遍适用——Roche 在“2013年买回 Genentech”后，其研发由 Aviv Regev 负责；Regev 是“我最钦佩的科学家之一”，帮助发明了这项技术，并在 Roche 内部带领一个大型团队推进相关研究。
Dwarkesh 在节目结尾披露：“我现在是 NewLimit 的一名小天使投资人，但这并没有影响我们邀请 Jacob 上节目。”

E204｜运动品牌的成长烦恼：lulu低谷与Alo Yoga崛起与 Caro-Kann 的 Artem Fokin 一起精进投资技艺