更快的科学，更好的药物
摘要
Arc 的押注是：当多学科团队与基础模型同时压缩组织和实验延迟，科学研究就会实质性提速。 Patrick Hsu 表示，生物学仍然离不开培养细胞、组织和动物，以及把样品从一支试管转移到另一支试管；而学术激励机制又在阻碍协作。Arc 的做法是把神经科学、免疫学、机器学习、化学生物学和基因组学集中在同一屋檐下，最终希望让实验达到“神经网络前向传播的速度”。
虚拟细胞真正可投资的价值，不是构建一个完美的数字生物体，而是成为筛选药物靶点和实验方案的实用引擎。 Hsu 将任务定义为：预测哪些扰动能把细胞从疾病状态 A 推向健康状态 B，其中包括刻意设计的连续组合，而不是偶然产生的多重药理作用。Erik 将类似的“AlphaFold 时刻”定义为约90%的可靠性；Hsu 则表示，今天的能力还只处于“GPT-1和GPT-2之间的某个位置”。
生物学缺失的数据是真实存在的，但 Arc 押注可规模化的测量，能够作为那些尚无法直接捕捉的生物学层面的不完美镜像。 RNA 可能是蛋白质信号传导和代谢的“低分辨率镜像”，未来再逐步补充蛋白质、空间和时间信息。Hsu 承认，“我们还没有测量生物学中许多最重要的东西”，但他认为，预测模型不必解释每一种机制也能发挥作用——就像天气模型可以预测降雨。
AI 药物发现必须解决两类不同的失败原因：选错靶点，以及靶点正确却做出了错误的药物。 约90%的药物会在临床试验中失败，Hsu 表示，具体有多少失败分别归因于这两类原因尚不清楚，两者都可能参与其中。即使虚拟细胞达到90%的准确率，也可能建议只在心脏组织中靶向某个 GPCR，但现实中未必存在合适的组织特异性药物分子。Hsu 的警告是，当前垂直整合的 AI 制药叙事“超前于基础研究能力的突破”。
只有当技术同时提高成功率、降低资本强度、压缩时间线并带来更大的疗效，生物科技的经济性才会改善。 Jorge Conde 表示，早期投资者目前要承担多年的资本投入，但科学价值出现拐点时，估值却未必同步跃升。GLP-1 展示了上行空间：Hsu 估计，Eli Lilly 和 Novo Nordisk 的市值合计增加了约1万亿美元，超过过去40年所有生物科技公司市值增量的总和。Conde 的结论是：“奖赏——真正的收益——必须值得付出代价。”
设计环节可能变得计算资源充沛，但物理测试和临床开发仍然顽固地按串行推进。 即使模型能“在计算机里生成1万亿个结合分子”，分子仍需被制造出来、在动物体内测试，并推进到人体试验；生存期和寿命等终点也有无法消除的时间要求。在 Hsu 对“炒作与分量”的划分中，毒性预测和含义模糊的多模态生物学被过度炒作，而蛋白质设计、病理学、放射学和行政自动化已经具备真实分量。
Jorge Conde 更广泛的投资框架瞄准生物、认知和物理前沿，并假设 AI 智能体会从软件预算扩展到服务业支出。 他重点关注合成生物学、脑机接口和机器人，同时预计计算机操作智能体可能落后于编程智能体约1年，并将无错误工作的时长从几分钟提升到数小时乃至数天。Conde 认为，2017年 Transformer 架构之后仍存在反共识研究机会：“到了2025年，我们确实早该迎来”一种新架构，包括那些在1B、7B、35B和70B参数规模上重新接受检验的旧思路。
精读
1. 科学之所以缓慢，是因为物理工作和激励机制都按实时节奏推进
Hsu 的出发点是物理约束：除 AI 研究外，科学研究需要培养细胞、组织和动物，需要搬运样品、把液体从一支试管转移到另一支试管。机器学习的意义在于，它可能让这些工作实现大规模并行，而不是把生物学简单变成软件。
更深层的问题，是资金、训练、职业激励，以及基础研究与商业可行研究彼此割裂所形成的“奇怪的戈尔迪之结”。单个团队或许能在两个领域做到优秀，比如计算生物学和基因组学，但现代问题越来越要求同时掌握5个领域。
因此，Arc 本质上是一场组织实验：神经科学、免疫学、机器学习、化学生物学和基因组学共处一个实体空间，以提高“碰撞频率”。Erik Torenberg 反驳称大学本来就把不同学科放在一起；Hsu 的区分是，校园里的地理接近并不够，因为研究人员仍要分别发表论文、各自拥有不同的发现。
Arc 的两项旗舰项目——寻找阿尔茨海默病靶点和构建虚拟细胞——都需要超越单一实验室边界的协作。它的登月计划，是打造一种能让持怀疑态度的实验科学家信任的工具：工具能够产出数据和结果，最终让实验达到“神经网络前向传播的速度”。
2. 虚拟细胞把药物发现变成穿越细胞状态的导航问题
Hsu 把 AlphaFold 作为采用率基准：它不模拟分子动力学，却能以“90%以上的准确率”给出蛋白质最终状态的判断；当不存在实验结构时，它就会成为默认工具。Arc 希望扰动预测也能在细胞生物学中达到同等程度的常规化。
虚拟细胞代表心脏、血液、肺等不同细胞，以及炎症、凋亡、应激、饥饿或静息等状态。药物发现因此变成一个导航问题：判断哪些扰动能把处于毒性、致病状态的细胞“点击拖拽”到稳态。
复杂疾病可能需要有意设计的序列——先做“这3个变化”，再做2个，随后做6个——而不是让一个分子偶然命中多个靶点。这会把多重药理作用重新定义为随时间展开的、经过设计的组合控制，由模型同时提出靶点和推动状态转变所需的药物组合。
实用性决定了模型的边界：它应当帮助湿实验室生物学家在12种条件下选择大约12个实验，再通过预测、测量和修正组成的实验室闭环持续学习。Hsu 希望实现计算机内的靶点识别，但也提醒，AI 制药公司的叙事目前已经跑在底层研究能力前面。
3. 生物学仍处于 GPT-1至GPT-2 阶段，因此可验证的基准比抽象分数更重要
当被问及虚拟细胞距离90%可靠性还有多远时，Hsu 把这个领域定位在“GPT-1和GPT-2之间的某个位置”。Arc 与 Brian He 合作开发的 Evo DNA 基础模型，能够生成“生命的模糊图像”：Hsu 不认为合成出的新型基因组会是活的，但也不认为这种能力“遥不可及”。
进展需要一次全栈式爬坡：整理公共数据、生成海量私有数据集、构建基准，并同步开发架构。规模变化已经十分明显：2010年代初的单细胞论文通常只有20或40个细胞；Arc 预计将在相对较短时间内生成10亿个经过扰动的单细胞。
一个可信的 GPT-3 时刻，应当能够重新发现生物学界的经典结论：推断出能把成纤维细胞重编程为类干细胞的4个 Yamanaka 因子，识别 Neurogenin-2、ASCL1 或 MYOD 等分化因子，或复现细胞对 HER2 抑制的反应。基准必须能让“从未碰过终端的老教授”看懂，而不只是让平均绝对误差变得更好看。
教科书提供的是评估目标，而不是完整真相。教科书中的 A 信号导致 B、B 抑制 C 的图示，压缩了一个充满例外的多维系统；发现往往意味着找到这些例外，而不是把图示当成字面意义上的模拟器。
4. 可规模化的测量，可能揭示生物学目前无法直接观察的内容
语言和图像模型进步更快，是因为人类能够原生判断它们的输出；而“我们不会说生物学的语言”，最多只能“带着非常浓重的口音”交流。生物学模型必须依靠真实实验获得真值，因此每一轮迭代都更慢。
Hsu 预计，能力会按层累积：先是单个细胞，再到细胞对、组织，最终扩展到生理状态完整的动物；空间和时间信息也会逐步加入。他的技术框架区分发明、工程化和规模化：有些测量已经可以扩大规模，另一些则仍需要基础性发明。
RNA 是当前押注的规模化路径。它可能是蛋白质、信号传导乃至代谢的低分辨率“镜像”：对单个细胞而言并不可靠，但在海量转录组数据中仍能提供信息，尤其是在加入蛋白质节点之后。Arc 不希望只是把今天的单细胞筛选工业化，结果3年后就显得过时。
Erik 最难回答的质疑是：如果某个核心生物变量仍未被发现怎么办？Hsu 直接承认，这“几乎肯定是真的”。成像和测序是生物学目前的两项高通量工具，但类似气象学的虚拟细胞仍可能在不解释每个因果细节的情况下预测正确终点，就像 AlphaFold 能预测折叠结果，却不会重建蛋白质为何形成这种折叠。
5. 更好的发现只有在价值经受住临床检验后，才能改善生物科技经济性
软件优先的生物科技公司最初争夺的是规模较小的 SaaS 预算，后来转向药企研发预算，并开始宣称生物智能体可以替代人员。Hsu 的判断标准很简单：这些公司是否能帮助人们更有效地造出药物？
约90%的药物会在临床试验中失败，原因大致分为两类：靶点错误，或靶点正确但药物分子错误。Hsu 表示，对于任何一次具体失败，无法确定两类原因各自占比多少，两者可能同时存在。即使虚拟细胞达到90%的准确率，也可能给出技术上无法实现的指令，比如只在心脏组织中抑制 GPCR、而不影响其他组织，从而再次提出对新化学生物学的需求。
Conde 的方案有3部分：通过提高成功率降低资本强度，在可能的地方压缩发现和临床时间线，并提高疗效大小，让疗效更早变得显著。临床开发尚未实现类似早期发现阶段的 AI 压缩；癌症生存期和寿命研究仍然受制于天然较长的时间周期。
对投资者而言，后果十分直接：早期资本承担完整的开发负担，但科学价值出现拐点时，估值往往没有同步跃升。更低的资本强度和更高的价值创造，才能恢复早期投资的回报，而不是让投资者只是在为一长串昂贵验证提供融资。
6. GLP-1 的雄心撞上人体测试这一不可消除的瓶颈
Hsu 对市值的比较，是本期节目最尖锐的产业信号：Eli Lilly 和 Novo Nordisk 通过 GLP-1 开发获得的市值增量约为1万亿美元；据他估计，这超过了过去40年所有生物科技公司市值的总和。庞大的患者群体能够支撑行业过去常常回避的风险和雄心，而行业此前更倾向于围绕已验证机制和小适应症聚集。
Conde 认同，“奖赏、真正的收益必须值得付出代价”。小分子、生物制剂、基因疗法和基因编辑技术，应当与更好的靶点理解结合，在肥胖、心脏代谢疾病、神经退行性疾病以及越来越多被当作慢性病治疗的癌症领域带来更大疗效——但“我们必须交付结果”。
即使计算机模拟取得最大成功，Hsu 的约束依然存在：“在计算机里生成1万亿个结合分子”之后，这些分子仍然必须被制造和测试。Conde 所说的压缩路径是“先小鼠，再大鼠，再猴子，然后是人”；在这段漫长旅程之后仍然失败，正是更好的上游模型必须避免的结果。
在一场受 Dan Wang 启发的律师与工程师之争中，Jorge Conde 指出，美国前13位总统中有10位学过法律，1980年至2020年间所有民主党总统候选人都曾就读法学院。他认为 FDA 和监管瓶颈中也存在类似回声，并提到先在海外开展 I 期试验、再把数据带回国内进行 II 期疗效试验的思路；但他表示，这个方向“还不够”解决药物制造和测试问题。
7. 持久的 AI 机会在于可验证的工作、新架构和开放竞争
Hsu 将毒性预测和定义宽泛的“多模态生物学模型”归入炒作范畴。蛋白质结合与设计、病理学和放射学预测，以及监管文件撰写和报告，已经显示出真实分量；AI 设计的药物仍然难以单独评估，因为 AI 最终会原生融入设计、制造、测试和审批的每一个环节。
Dario Amodei 的乐观科学情景，建立在发现足够彼此独立、能够由数百万或数十亿个智能体并行推进的前提上。Hsu 认为，如果模型能够可靠地完成靶点选择、分子设计、对接、脱靶评估、细胞纠正和实验室验证，长期压缩是可信的；但每个接口仍然需要实验反馈。
Conde 把合成生物学、脑机接口和机器人视为在一代人生命周期内改善人类体验的路径。创始团队必须同时具备技术发明、产品直觉和商业能力，完成一次正确的“RPG 骰子投掷”；只要执行能够在5年或8年内完成，就应当获得融资，而不只是因为想法在科幻作品里成立。
智能体之所以重要，是因为它们攻击的是服务业支出，而不只是软件预算；随着可靠工作从几分钟扩展到数小时乃至数天，计算机操作智能体可能比编程智能体落后约1年。Conde 还认为，2017年 Transformer 架构之后存在研究机会：当旧的机器学习思路从1亿或6.5亿参数扩展到1B、7B、35B或70B参数时，可能呈现出不同面貌。
Arc 发起的开放 Virtual Cell Challenge 提供10万美元奖金，由 NVIDIA、10x Genomics、Ultima Genomics 等公司赞助，建立了一条透明的能力进展轨道，让人们今天以及未来几年都能追踪这个领域走向“ChatGPT 时刻”的过程。