从制药到AGI热潮，再到金融AI开发：Martin Shkreli的历程
摘要
Shkreli最有把握的AI判断是：药物发现的瓶颈在于选择生物学靶点，而不是生成分子。 他估计，真正的发明约占整个流程的10%，其余90%是人体测试，临床试验则占总成本的50-70%；如今暴力筛选1000亿个分子已经可行，但扩大到100万亿甚至10京个分子，可能也增加不了多少价值。真正的机会在于打造“GPT制药”：读取约3600万-3800万篇PubMed论文，给被忽视的靶点排序，再告诉人类该做什么药。
他最有力的例子是BTK：一项有价值的洞见在论文中沉睡了15-20年，才有人把它转化为重大药物战略。 Shkreli认为，LLM可以把这类论文与覆盖所有人类蛋白质的临床可能性连接起来，解决“人类智能”这一约束；正是这一约束，迫使他的18人团队以及Vivek Ramaswamy约80人的团队手动扫描医学文献。“智能发生在前端”，下游大量化学工作则相对确定。
生物医药真正稀缺的投资约束，仍是稀缺靶点、极高资本强度和10年开发周期，而不是分子生成工具不够多。 按Shkreli的统计，每年只有约40种药获FDA批准，其中或许只有20种具备真正创新性，而所有竞争者都会涌向每个有希望的靶点。他说，自己第一家药企最终保留了约10%的股权；软件达到产品市场匹配所需的成本，可能还不到一次100万美元小鼠实验。氯胺酮项目也再次证明了风险：强劲的Yale数据到了3期试验，只是比SSRIs更好，并没有成为预期的“奇迹”。
Shkreli的金融创业公司放弃强行贴AI标签、转而打造面向交易员的高密度低延迟金融套件后，找到了数百万美元收入。 在经历TTS和消费级医疗AI等早期尝试后，这款尚未正式发布的beta版“直接冲上天际”；它刻意拥挤的界面被称为“金融版Vim”，服务于每天花8-10小时浏览证券的人。他眼下的AI切入口是突发新闻解读：LLM本可以在1秒内对Hims的GLP-1公告作出反应，但任何优势都可能在6个月到1年内扩散到整个华尔街。
他认为，AI热情可能膨胀成“终结所有泡沫的泡沫之一”，但今天的市场还没有表现出互联网泡沫式的狂热。 他预计OpenAI上市时的市值接近1万亿美元，背后有真实收入和生产率提升支撑；Verizon或Procter & Gamble这样的公司，可能在不同环节各省下10亿美元。对于高速增长的SaaS公司，他甚至认为100倍销售额可能合理；真正的危险信号是无差别融资，而如今不透明的私募估值让价格发现难以判断。
失败的AI产品让他明白，技术新颖性无法替代分发能力、工作流整合和付费意愿。 TTS的整体市场可能只有“10亿美元左右”，并且容易受到本地开源模型的冲击；他的AI医生产品虽然带来了使用量，却几乎没有收入，还可能直接与Grok及其他通用基础模型竞争。他的结论与Nuance的先例一致：可持续的生意，可能在于把技术封装进医生工作流，而不是拥有基础模型。
面对药价争议和刑事案件，Shkreli给出的是真正面防守，而不是让步；Biewald则保留了核心的道德质疑。 Shkreli说，如果病人买不起药，他绝不会袖手旁观；他为一种致命儿科疾病、患者可能只有500人的药物定价上百万美元辩护，并将欺诈起诉称为“法律战”（lawfare）。他称自己的对冲基金为投资者带来4-5倍回报、没有投资者亏钱，同时承认自己因误导投资者被定罪但坚持无罪。他说自己被判7年，通常实际服刑约5年；狱中读了300-400本书，还给Sam Bankman-Fried提供过建议。后者据他说面临25年刑期，而监狱要求文化上的适应性：“你只能随机应变。”
精读
1. Shkreli先以资产配置者视角理解制药，后来转为亲自经营
Shkreli最初采用的是金融视角：生物医药看起来像一组高度碎片化、彼此大体可比的模块化资产。Pfizer或Merck旗下可能有1000种药物，管理层必然会给部分项目更高优先级，由此创造出授权、收购、融资或重新定位资产的机会。
交易最终让他觉得“乏味”和抓狂，而私募股权式的经营让他能够真正参与产品、人员和行业内部知识。回头看，他的判断非常明确：“我在那方面比投资或交易强1亿倍。”
尽管没有接受过正式的生物学训练、主要靠自学，他说15年的沉浸式学习让他接触了药物发现、药物化学、晶体学、授权、药物开发和上市公司管理。在他看来，CEO不必是最优秀的化学家，但必须懂得追问：一个低log-P化合物为什么最终会有用？
2. 药价争议的核心是可及性、激励与道德直觉
Biewald的质疑值得保留：无论资本主义逻辑如何，一个人如果面对买不起救命药的患者，都会觉得“太可怕了”。他直接问Shkreli，在提高争议药物价格后，是否真的有患者因此无法获得药物。
Shkreli的回答斩钉截铁：“我是人道主义者。我绝不会让这种事发生。”他说替代药物是存在的，公司当时并不盈利，自己也没有拿薪水；批评者强调的是价格涨幅，而不是一个仍远低于某些100万美元级孤儿药的绝对价格。
他以一种致命的儿科疾病为例，患者可能只有500人：如果希望药物开发能够存在，“那你就得向每位患者收取100万美元”。他把选择描述为：由富裕的保险公司承担500笔理赔，还是让孩子们根本没有药可用；同时他表示，此前的涨价没有造成可及性问题，有时反而让药物能够更广泛地供应。
Shkreli从未收回这一决定——他说自己会“为它战斗到死”——但也遗憾争议掩盖了真正的工作。他用来描述药物设计的类比很有吸引力：像写代码一样写出一个分子，然后“你的身体有点像编译器”。
3. 传染病准备才是争议背后真正隐藏的战略
那种引发争议的药物大约已有70年历史，但一直没人做出更好的替代品。Shkreli的团队瞄准寄生虫与人体二氢叶酸还原酶之间的细微差异，试图开发一种能够阻断寄生虫酶、却不会在高剂量下让人患病的化合物。
他更广泛的批评是：传染病开发总要等到“火烧起来”才开始，尽管药物开发通常需要约10年。抗生素耐药、西尼罗病毒、Chagas病和冠状病毒，都属于近期经济回报有限、却可能让社会没有现成应对手段的市场。
他认为，一家长期存在的传染病公司本可以在疫情爆发第一天就拿出冠状病毒抗病毒药，也可以对冲那些仅仅推测、但由AI强化的生物安全威胁。按他的说法，这一雄心出现得太早，而药价闹剧又进一步加深了公众对这个行业的鄙视；在他看来，这个行业为丙型肝炎和囊性纤维化带来的治疗，是人类的重大胜利。
4. 药物发现稀缺的是靶点选择，而不是化学能力
Shkreli的核心观点是，最大的瓶颈在于决定把“临床试验、药物化学和毒理学设备”指向哪里。药物项目通常从一种需要被阻断、恢复或增强功能的蛋白质开始；靶点选对与否，决定了后续所有工作是否有意义。
Dupixent是他举出的样本：真正的突破在于为哮喘、湿疹等疾病选择分子靶点，而不是发明抗体技术。在他的叙述中，制造抗体或基础小分子抑制剂，对优秀团队来说几十年来一直都是常规工作。
他把整个流程清晰地拆开：真正的药物发明可能只占约10%，人体测试则占另外90%；临床试验单独就约占总成本的50-70%。AI无法消除观察患者所需的时间，也无法绕过给动物给药并等待毒理结果这一对应环节。
他同样不认为分子数量是约束。按他的说法，依次筛选1000亿个候选分子已经可行；但扩大到100万亿甚至10京个分子，并不会实质性改善药物：“我们不是被这个卡住的。”
5. 负责阅读文献的LLM可以直接攻击智能瓶颈
Shkreli说，自己对AI的兴趣源于PubMed；他对其文献库的规模有时说是3800万篇，有时说是3600万篇。他约18人的团队和Vivek Ramaswamy约80人的团队，都在试图通过阅读全球研究成果，寻找被忽视的药物，再决定应该授权、收购还是融资。
他提出的循环很简单，但规模巨大：针对每一种人类蛋白质，询问GPT，抑制它或以其他方式与之作用，是否可能治疗疾病；然后给前1000个机会排序。更强大的未来系统甚至可以告诉Pfizer或Merck：“也许我们应该做这种药。”
BTK案例承载了这一论点。1980年代的研究已经将Bruton酪氨酸激酶与自身免疫疾病联系起来，但15-20年后，才有人把这一发现转化为抑制剂项目。“当时只需要有人读到那篇论文，并把它转译成临床方案。”
RNA表达数据可能因为转录本数量庞大而受益于机器学习，但Shkreli仍然把文献理解排在更高位置。对于Sjögren’s disease或局灶节段性肾小球硬化等疾病，关键问题依然是：什么生物学干预，真的能够改变疾病进程？
6. Biewald为AI原生生物科技辩护，Shkreli则否定其假定护城河
Biewald的挑战关乎机构信念：Isomorphic、Recursion以及其他资金雄厚、技术复杂的组织，已经让严肃投资者相信AI可以改变药物发现。如果他们的论点并非空谈，那么Shkreli的模式究竟在哪一点不同？
他的回答是：这些公司认为药物发现比他想象的更难，也更依赖数据表征。采集10万名阿尔茨海默病患者的数据，再把基因或血液数据连接起来，当然有价值；但决定性信号可能只是普通聚类，甚至可以直接观察，比如发现一种具有保护作用的APOE等位基因，再考虑开发模拟物。
Huntington’s disease展示了另一种失败模式：致病的畸形蛋白已经明确，但递送方式仍未解决。CRISPR相对容易进入肝细胞，却难以进入脑细胞；问题在于制造“一把更好的螺丝刀”，这或许更依赖偶然发现，而不是从更多候选分子中提取隐藏特征。
他用Human Genome Sciences作历史类比：拥有一个备受追捧的平台，并不能免除制造出真正对人体有效药物的要求。抗体同样在数年内变成全行业都能使用的技术形态，而不是持久的战略垄断；AI可能走上同一条路。当化学工具先于临床战略出现时，“尾巴在摇狗”。
7. 生物科技的经济学把他推向了软件
Shkreli说，监管和法律障碍使他无法进入制药行业，尽管他考虑过在欧洲开发剩余的想法，之后再曲线回到美国。即便没有这一障碍，他现在也觉得软件更有趣、稀释更少、回报更高。
对生物科技同行而言，在第一家药企保留约10%的股权已经是极好的结果；但在软件创始人看来，这个比例低得荒谬。一次小鼠实验就可能花费100万美元，而一些软件公司用相近资源就能达到产品市场匹配并实现盈利，创始人还可能保留几乎全部股权。
稀缺靶点进一步加剧资本问题。Shkreli估计，每年约有40种药获FDA批准，其中或许只有20种属于“真正有趣”的进展；Keytruda和Opdivo验证PD-1之后，几乎每一家大型药企都开始追逐这一靶点，类似的扎堆也出现在LAG-3等没那么成功的肿瘤学方向上。
氯胺酮让他看到生物噪声如何击败自信预测。早期Yale抑郁症数据强到让3期试验看起来轻而易举；但后来的结果“稍微低于”奇迹，又略高于SSRIs。在软件里，失败了可以改代码；分子失败后，“你得从头开始”。
8. 他的叙述将药价丑闻与欺诈定罪分开
Shkreli说，直播让他找到了绕开敌意媒体的路径：不再依赖媒体采访和报道，“我就直接让你看看我是谁”。在他看来，那些看过他写程序、分析财务报表和教授创业课的技术人士，成为高确信度的支持者，足以压过数百万条低确信度的负面印象。
这起刑事案件针对的是欺诈，而不是药物价格。Shkreli称自己的对冲基金带来4-5倍回报，没有投资者亏钱，自己也没有赚到钱；他被判定无罪的指控占相当一部分，但仍因包括误导基金投资者在内的罪名被定罪，而他称这些投资者没有人感到不满。
他仍坚持自己完全无罪，并将起诉解读为与包括Hillary Clinton在内的政治人物围绕企业定价权发生冲突后的“法律战”。这明确是他的说法：他也承认指控最终成立，并形容自己走进法庭时相信“所有事情都在针对你”。
9. 监狱用书本取代了计算机，也迫使他进行另一种适应
Shkreli对监狱最强烈的观察并非监禁本身，而是社会经济层面的：在数千人中，他几乎没见过来自稳定双亲家庭的人。他遇到过严重、似乎从未被诊断的学习和心理健康问题，包括连基本加减法都不会的人。
由于禁止使用计算机，他读了约300-400本书，有时一天一本，其中包括SICP——MIT那本“巫师之书”。在一台用于证据审查的机器上，他发现了浏览器开发者控制台，还通过修改HTML、显示巨大的笑话来逗其他囚犯开心：“Good old JavaScript。”
他把失去互联网称为近乎“肉刑”，但也承认其中存在一线好处：回到创业生活后，他可能只读完了一本书。他把坐牢的前景评为焦虑量表上的8分或9分；父亲去世是10分。监狱里有句说法：“你只需要过两天，第一天和最后一天。”他认为这话部分正确。
他给Sam Bankman-Fried的建议是尊重陌生文化、变得灵活、学会沟通，并“随机应变”。Shkreli认为Bankman-Fried应该受到惩罚，但不该被判25-30年；他担心Bankman-Fried的“反魅力”和一成不变地沉迷技术，可能让适应过程更加困难。
10. TTS暴露了令人惊艳的模型与持久市场之间的鸿沟
Shkreli的公司最初探索了LLM和文本转语音，却找不到强劲的产品市场匹配。Microsoft收购Nuance让他形成了一个结论：Nuance的成功来自将语音技术封装成产品，尤其是医生工作流，而不只是拥有TTS或ASR技术。
他估计，整个TTS市场的收入只有“10亿美元左右”，其中很大一部分嵌在IBM、AWS、GCP和Azure之内。即使是高质量的专业公司，也可能面临这样的前景：随着算力和数据成本下降，一个优秀的Hugging Face模型最终可以直接在本地运行。
剩下的技术挑战是长程上下文：按句切分的片段可能无法判断一个名字属于反派还是恋人，于是选择错误的语调。Shkreli仍然设想过个性化Disney角色或每天生成一集SpongeBob，但无法说服自己相信市场会大到足够支撑这类生意。
技术上的深度投入是真实存在的：团队重写了Torch的部分代码，Shkreli还向Microsoft的DeepSpeed提交过pull request，并研究开源TTS工作。Greg Brockman的名言——教软件工程师AI，比教AI专家做好工程更容易——在实践中证明并不简单。
11. AI医疗吸引了用户，却撞上报销体系与基础模型
Shkreli认为，医疗天然适合自动化，因为人力占医疗成本的很大一部分，而许多诊疗流程都类似流程图。以高血压治疗为例，可以根据收缩压和既往反应，按指定药物逐步推进。
一个中东国家告诉他的团队，只要强制使用AI医生，就可以削减成本；但在美国落地更难：临床医生会维护报销体系，保险公司需要被说服，政治阻力也会很大。他曾多次猜测，Medicare和Medicaid约占预算赤字的一半到四分之三，但明确表示自己并不确定。
这款消费级产品带来了使用量，却没有带来收入。更根本的问题是，Grok或其他通用LLM本身就能提供“第二意见”；就像Cursor可以调用基础模型，而不必训练一个完全独立的编程模型，Shkreli怀疑专门的医疗LLM能否保有可防守的优势。
12. 金融终端靠服务创始人自己的工作流找到了产品市场匹配
Shkreli被捕后重新开始编程，学习JavaScript，并把一些小型金融工具逐步积累成一套大型产品。经历AI方向的多次转向后，长期投资经历为他提供了一个足够熟悉、可以在每个细节上反复打磨的市场。
Biewald把演示称为一个充满图表、表格和指标的“怪兽级BI工具”，随后问它究竟是在辅助决策，还是只是在喂养交易员的焦虑。Shkreli的回答是：专业交易台本来就该是这样，而一个每天工作8-10小时的人需要的是命令行速度，不是一打开就要停下来加载的精致SaaS页面。
指导性口号是“金融版Vim”。它分散、略显丑陋的界面反而是功能，因为从Apple切换到另一只证券只需要1毫秒；更深层的护城河还包括从Frankfurt、Osaka、Tokyo及其他交易场所协商获取数据，再识别延迟或损坏的数据源。
早期产品有的完全没有连接，有的带来了使用量却没有收入，TTS则只有有限 traction。金融beta版尚未正式发布，却已经实现数百万美元收入并“冲上天际”。团队成员被鼓励每天至少投资10分钟，以便亲身感受用户的痛点。
13. LLM可以更快交易新闻，但信息优势终将商品化
Shkreli预计，AI会强化量化交易，并进一步削弱主观交易员。人类仍可能在整合零散线索方面保有微小优势，比如把多家公司的通胀信号拼在一起，再结合市场心理；但高频市场早已属于计算机。
他眼下的产品想法，是让LLM读取突发新闻、判断信息是否真实，并在市场完成解读前采取行动。Hims宣布将销售GLP-1产品时，他说市场花了几分钟才消化这条新闻，而LLM可以立即分类：“对，买它。”
但金融世界的残酷之处在于：一旦这套方法有效，所有人可能在6个月或1年内都拥有它。Shkreli希望让小型交易员也能使用这类工具，同时承认人类选股越来越像Kasparov看着Deep Blue走出棋路。
他反对Robinhood式的做法：每次发工资就存一笔钱，然后猜股票会涨还是会跌。更广泛的终端可以开放量化工具，绘制天气、货运或其他结构化序列等非证券数据，同时帮助用户识别自己何时其实没有真正的优势。
14. AI泡沫可能大得多，因为这项技术已经有用
Shkreli的立场只有在附加条件下看起来矛盾：这可能成为“终结所有泡沫的泡沫之一”，但当前市场行为仍相对理性。就像互联网泡沫周期一样，表面上的平台期之后，可能还会出现一次巨大的向上跳升。
他的具体预测是，OpenAI将以约1万亿美元估值上市。与许多互联网泡沫公司不同，今天的领头者有收入、有可用产品，也能立刻影响企业；Verizon、Procter & Gamble及类似公司，可能通过生产率提升在不同环节各省下10亿美元。
对于一家高速增长的SaaS初创公司，他并不认为100倍销售额自动就是非理性。真正的警报应是无差别狂热，比如一家尚未有产品的机器人公司以1000亿美元估值融资；不过即使是这个例子，也会让人犹豫，因为替代人力可能支撑一个最终规模极其庞大的市场。
私募资本如今让判断变得模糊：巨型风投和成长基金可以给出“疯狂的价格”，却让价格发现变得不清晰；公开市场则会施加现实检验。一家名义上价值50亿美元的公司，在资金提供者停止融资后可能直接消失，证明那笔估值“只是一个标记”。他诚实的判断是：5年后会更容易识别泡沫。
15. Wu-Tang的收购是关于赞助的命题，而不只是一件奖杯
Shkreli把Wu-Tang专辑描述成一次实验：付钱给音乐人，让他们创作不受约束的艺术作品，这类似历史上的赞助制度。与其再买一幅Picasso或一栋避暑别墅，创始人不如委托Taylor Swift或Drake，只为一个赞助人创作，而不必围绕商业产出做优化。
他设想过的其他奖杯——一具4000万美元的恐龙骨架、早期Apple电脑、历史信件——遵循同一原则：财富应该资助对买家有意义的物品。Biewald最后谈到Wu-Tang在技术人士中的吸引力；Shkreli补充说，有一项分析认为，这个组合的词汇量“比大多数说唱歌手高出许多个标准差”，同时还拥有异常密集的隐喻和神话体系。