“AI药物研发就像AlphaGo下棋”——Isomorphic Labs首席AI官描绘药物设计革命

来源丨科技行者

作者丨周周

药物研发长久以来一直是一个耗时、昂贵且风险极高的行业，而在这个AI技术日益成熟的时代， Isomorphic Labs公司（从DeepMind分拆出来）正在试图改变这一现状。

留意到Isomorphic Labs首席AI官Max Jaderberg的一次访谈，他揭示了如何利用AI彻底重塑药物发现，这可能会导致全球医药研发模式的根本性转变。

Jaderberg讲了这样一个趋势：AI系统有望在庞大到几乎无法想象的分子空间中（科学家估计有10^60种可能性，远超宇宙中的原子数量）发现突破性药物，他还解释了Isomorphic Labs的“完美药物设计系统”愿景，以及如何利用AI技术在这片广袤的“分子海洋”中精准导航。

最引人深思的是Jaderberg将药物发现比作复杂的策略游戏——需要AI既精通“游戏规则”（生物化学原理），又能像聪明的“游戏玩家”那样找到创新性解决方案。他引用AlphaGo著名的“第37步”作为类比——一步当时被所有人类专家认为错误但最终证明至关重要的棋着，后来却证明是制胜关键。“我们可能很快就会看到AI设计出人类科学家从未想到过的药物分子，而这些分子可能成为治疗疾病的关键。”

Isomorphic Labs团队正在努力实现多个像AlphaFold一样级别的科学突破，Jaderberg表示有充分理由相信，未来十年药物研发领域将迎来翻天覆地的变化。如果他们的愿景成真，AI不仅会加速药物研发进程，还将从根本上改变我们理解和治疗疾病的方式，为人类健康带来前所未有的可能性。

在传统制药行业面临转型压力之际，Max Jaderberg这样将AI创新与医学使命相结合的先行者，或将引领全球医药产业步入一个崭新的时代。

参与强化学习的成长

在探讨Isomorphic Labs的宏伟使命之前，Max首先回顾了他在深度学习领域的职业历程。作为DeepMind的早期成员，他参与编写了许多开创性论文，包括「Capture the Flag（夺旗）」和「AlphaStar」等突破性研究。

“在DeepMind时，我接触了各种研究方向，从早期的计算机视觉到深度生成模型。但真正吸引我的是强化学习，当时DeepMind绝对是全球强化学习研究的中心。”Max说，“我们当时思考的核心问题是：如何训练一个AI，能够执行任何我们想让它做的任务。”

Max指出，当时机器学习领域的主流范式是监督学习，它与强化学习有本质区别。在监督学习中，你需要知道问题的答案才能训练模型；而在强化学习中，你不需要知道确切答案，只需能够评判模型给出的答案好坏即可。

如果从AI应用的角度思考，监督学习适用于人类已经擅长的领域，但真正的前沿在于那些人类尚未掌握或存在能力限制的领域——这正是强化学习大有可为的地方，强化学习不要求知道答案是什么，只需能评估答案的好坏程度，这打开了一个全新的问题领域。

DeepMind早期的重大突破之一，是在Atari游戏上应用强化学习。而Max和团队的下一个挑战是：如何将这种方法扩展到更接近现实世界复杂问题的系统？

“从概念上讲，我们需要从简单的Pong和太空入侵者等游戏，过渡到真正看起来像现实世界问题的领域。我们逐步扩展这些方法的规模，取得了惊人的进展。”Max回忆起在研究过程中，团队经常一边训练AI智能体，一边在间隙玩上一局Pong游戏，“这些经典游戏确实很有趣。”

用游戏训练AI

在谈到「Capture the Flag（夺旗）」和「AlphaStar」这两个重大突破时，Max解释了为什么选择这些特定游戏作为研究对象。（编者注：夺旗模式（Capture the Flag） 是一种多人游戏模式，玩家需要夺取对方的旗帜并保护自己的旗帜，DeepMind用这个游戏训练AI学习团队合作和策略思维。AlphaStar是DeepMind开发的AI系统，是首个在《星际争霸II》这款复杂战略游戏中击败顶级职业玩家的AI。）

“首先，视频游戏就像是完美封装的世界，是可以完全被控制的小世界。”Max解释道，“作为研究人员，我们可以随意调整游戏设置，测试不同的AI方法，这让游戏成为开发新AI技术的理想场所。”

随着研究深入，简单的Atari游戏已经不够用了。Max有个大胆的目标：创造能适应任何新挑战的AI智能体，而不必为每个新任务重新训练它。

“我们想要的是这样一种AI：训练一个智能体，它就能面对任何全新的任务并表现出色，不需要额外训练，这就像是要求AI具备‘举一反三’的能力。要做到这一点，你需要用大量不同类型的任务来训练它。在强化学习中，训练数据不是图片或文字，而是各种各样的任务本身。”

团队最初尝试手动创建各种小游戏和虚拟世界来训练AI，但很快就遇到了瓶颈——人类的创造力有限。

“这就是多人游戏的神奇之处，”Max说，“一旦从单人游戏转向多人游戏，情况就完全不同了。不仅仅是AI在玩，还有其他玩家参与其中。每个不同的对手、每种不同的策略都会从根本上改变游戏性质和AI的目标。”也就是说，多人游戏和多智能体系统提供了智能体可能遇到的任务多样性，而这种多样性是由于其他玩家的存在。

他用国际象棋举例：“为什么人们数百年来一直痴迷于国际象棋？为什么职业棋手每天仍然兴致勃勃地下棋？表面上看是同一个游戏，但实际上每次面对不同的对手，游戏本质上就完全不同了。”

“Capture the Flag（夺旗）”是团队首次利用多人游戏来拓展AI能力的尝试，它证明AI可以在复杂的多人第一人称游戏中达到人类水平。而“AlphaStar”模式则代表了更高难度的挑战。

当被问到这些早期理念如今在语言模型中的应用时，Max欣慰地表示：“看到7年前我们只能讨论的基础概念，如今在大语言模型中发挥如此重要的作用，真的很令人满足。当时我们只敢梦想的性能，现在已经变成了现实。”

从趣味性AI系统，到解决真实世界难题

Max讲述了他如何从开发“趣味性AI系统”逐渐转向“解决真实世界难题”的经历，特别是在药物设计领域的突破。

“我沉迷于深度学习已经10多年了，这个领域最让我着迷的是，那些基础的核心概念就像乐高积木一样，可以奇妙地应用到完全不同的领域。无论是2012年的计算机视觉技术，还是早期的生成式AI，再到语言和强化学习，它们都用着同样的基础构件。”

Max不断发现一个规律：只要结合这些基本概念、聚集优秀人才、再加上足够的计算资源，就能解决那些看似遥不可及的难题。

“我一次又一次地看到，当我们拿着这些关键技术，组建一支像‘顶级厨师’一样精通如何混搭这些技术的团队，去挑战真正困难的问题时——那些你在会议上听到行业专家说‘至少还需要10年’的问题，我心里却知道‘我们基本上已经解决了’。”

“我一直都想看到这些技术真正应用到现实生活中，带来积极的变革。现在，这个时机终于成熟了。”

Max与DeepMind创始人兼CEO Demis Hassabis的合作已经持续了十年。他们的公司Vision Factory和DeepMind都在2014年左右被谷歌收购，此后两人便开始共事。Max分享了与这位他称为“我们这个时代最伟大的科学家、技术专家和创业者之一”的合作经历。

“Demis真的是个非常了不起的人，一个真正有远见的人。他的感染力超强，只要聊五分钟，你就能感受到他宏大的愿景和实现这些愿景的紧迫感。他有本事给一群非常聪明的人注入巨大的能量，让大家看到眼前困难之外的可能性。”

Max举了个生动的例子：“我记得在DeepMind早期办公室的大厅里，我们正在庆祝发表了公司的第一篇《自然》杂志论文。当时Demis说，‘这实际上只是我们要发表的几十篇《自然》论文中的第一篇。’那时候，这差不多是第一篇登上《自然》的机器学习研究——关于AI玩Atari游戏的论文。几十篇《自然》论文的目标听起来简直不可思议。他甚至说，‘而且我们会因此赢得诺贝尔奖。’那是10年前的事了。”结果他真的在2024年拿到了诺奖。

“Demis有一种我称之为‘前瞻性思维’的能力，可能是因为他下国际象棋的经验，他总是在展望未来，思考现在需要采取哪些步骤才能达到那个宏大目标。”

Isomorphic Labs愿景：开发一个通用的AI药物设计引擎

谈到Isomorphic Labs的使命，Max用简单但充满激情的语言描述了他们的愿景：利用AI彻底改变我们发现和开发药物的方式。

“在Isomorphic，我们的目标非常大胆——我们想要解决所有疾病！我们正在打造的AI技术将彻底改变两件事：一是我们理解生物世界的方式；二是我们设计化学物质来调节生物机制的能力。”

“想象这样一个未来：我们能够应对任何疾病，AI不仅帮我们发现、创造和设计新的治疗方法，还能让我们真正看懂生物世界的运作方式——我们的细胞是怎么工作的，疾病的真正原因是什么，从而找到全新的治疗途径。”

Max强调，Isomorphic从创立之初就怀揣这个宏大梦想。他们不是专注于某一种特定疾病或某个特定靶点，而是致力于创建一个通用的“AI药物设计引擎”，可以应用于任何靶点、任何类型的疾病。

当被问到如何从一开始就建立这种通用性时，Max解释了Isomorphic与传统药物设计AI的根本区别。

“目前药物设计中的AI应用，有很多使用机器学习模型的例子，大多是我称之为‘第一代’或’局部模型‘。这些模型通常只有特定靶点的数据，或者只了解特定分子类别的行为数据。你用一个小型AI模型来学习这些有限的数据，帮你做一些预测，指导下一步设计。”

“我们的方法完全不同。从第一天起，我们就致力于创建能够适用于整个化学领域和各种靶点的模型。AlphaFold就是一个很好的例子——这个模型可以应用于任何蛋白质，可以处理任何你能想到的小分子，而且不需要额外调整，不需要任何专门的数据。”

这种通用性彻底改变了科学家使用这些工具的方式。在Isomorphic的每个研究项目中，他们都坚持这一理念：开发能应用于任何靶点、任何疾病机制的通用模型。

就像一把能开各种锁的万能钥匙，而不是为每把锁单独打造钥匙，Isomorphic的AI系统旨在成为药物研发的通用解决方案。

挑战：我们还需要“半打”AlphaFold突破

Max首次透露，要实现他们梦想中的革命性药物设计系统，还需要几项和AlphaFold同等级的科学突破。

AlphaFold是理解生物分子结构的一项重大突破。AlphaFold 2让我们能看清蛋白质的三维结构，而AlphaFold 3则让我们能看清蛋白质与药物分子、DNA和RNA是如何相互作用的。这是巨大的进步，让我们能够以实验级的准确度理解生物化学的核心原理。

“说实话，我认为我们可能还需要5-6个类似的突破——在生物学和化学的其他关键领域达到实验级准确性的突破——才能真正变革药物设计。因为药物设计极其复杂，不仅仅是了解蛋白质结构，也不仅仅是设计能以特定方式影响蛋白质的分子。”

“理想的药物需要很多条件：你希望这个分子能做成药片方便服用，能在体内被正确吸收，能到达目标器官和细胞，能进入细胞内部，还不能被肝脏过快分解掉。作为药物设计师，你需要考虑许多复杂因素，每一个因素都需要像AlphaFold那样的突破性进展。”

AlphaFold 3是一项真正开创性的突破，它让我们从仅能看清蛋白质结构，进步到现在能够模拟所有分子及其相互作用。Max用通俗的语言解释了这一进展的意义：

AlphaFold 2是让我们看清蛋白质结构的重大突破。后来又有了AlphaFold 2 Multimer，让我们不仅能看清单个蛋白质的结构，还能理解多个蛋白质如何组合在一起形成复合物，这帮助我们解答了许多生物学难题。

但要设计治疗药物，还有一大步要跨越。许多常见药物属于“小分子”类别，它们不是蛋白质，比如咖啡因或扑热息痛，通常可以做成药片吃下去。这些小分子药物的工作原理是，它们进入细胞后会粘附在特定蛋白质上。

蛋白质是生命的基本构件，它们通过与其他蛋白质相互作用形成“分子机器”。想象一下，如果有另一个分子——你的药物——附着在蛋白质上，它可能会干扰该蛋白质与其他蛋白质的正常相互作用，从而调节该蛋白质的功能。这就是药物设计和治疗药物工作的本质。

作为化学家或药物设计师，你的工作是设计一个小分子，它会附着在特定蛋白质上，改变或增强其正常功能。了解这个小分子如何与蛋白质互动非常重要——它们形成什么样的结构？有哪些物理互动？

“这就是启发AlphaFold 3创建的原因——现在我们有了一个模型，不仅能预测蛋白质的结构，还能预测蛋白质如何与小分子、DNA和RNA等基本生物分子相互作用。这基本上让我们能够看清药物设计的核心部分。”

“AlphaFold 3非常准确，让我们可以完全在计算机上回答这些问题，而以前你必须去实验室，花上六个月甚至几年，亲手结晶这些物质才能看清它们，有时甚至根本无法做到。现在在Isomorphic，我们的药物设计师只需坐在电脑前，通过网页界面就能理解设计变化及其影响。”

当被问到训练AlphaFold 3面临的挑战以及为什么选择扩散模型时，Max用简单的语言解释了这个复杂问题。

“我们面临的一个最有趣的难题是：如何让AlphaFold从只认识蛋白质扩展到认识DNA、RNA和小分子药物。”

首先，我们需要解决如何‘标记’这些不同类型的分子。对DNA和RNA来说比较简单，我们可以按照它们的基本单位（碱基）来标记。但对小分子药物，我们尝试了很多不同的方法，最后发现直接到原子级别的标记效果最好。

然后，预测这种混合分子结构。我们不能用AlphaFold 2相同的框架，这时扩散模型就派上了大用场。我们可以单独模拟每个原子及其在三维空间中的位置，让扩散模型生成这些3D坐标，同时使用我们的标记方式来引导这个过程。

“这是一个巨大的突破。尤其是在小分子-蛋白质相互作用准确性方面，我们取得了飞跃性进展，这真正为整个项目打开了大门。”

寻找“药物设计圣杯模型”与“智能科学助手“

Max描述了他所说的“药物设计圣杯模型”和“科学智能体”的概念，这是Isomorphic Labs愿景的核心。

“我们一直在追求的一些研究方向，比如预测分子的结构和性质，以及这些生物分子如何相互作用并随时间演变，这些真的是药物设计中的‘终极问题’。我们已经取得了令人难以置信的突破，彻底改变了我们在Isomorphic内部设计药物的方式。”

但Max指出，即使创造了世界上最好的预测模型，也不足以完全解决药物设计问题。

“有一个数字：10^60，这可能是所有可能的类药物分子的数量。就算我们把这个数字减少20个量级，得到10^40，这仍然是个巨大的数字。即使你有世界上最好的预测模型，能筛选10亿个不同的分子（10^9），我们仍然有10^31个分子没有探索。”

“所以，即使有最好的预测模型，我们也只是触及了应该探索的分子空间的表面。这就是为什么我们需要超越预测模型，需要能够自动生成分子的模型，需要能够在这个10^40到10^60庞大空间中智能导航的‘智能体’。”

Max用一个简单的比喻解释：“分子设计更像围棋而不是国际象棋。和国际象棋不同，我们不可能计算出围棋中所有可能的走法。同样，我们不可能枚举出所有可能的分子设计。这就是生成模型的用武之地——利用能自动创造分子的模型、智能搜索技术、和这些惊人预测能力的智能体，真正打开整个分子宇宙。”

“令人惊讶的是，即使没有AI，人类科学家也已经在这个10^60或10^40的空间中找到了一些有效药物。这表明可能存在很多‘重复解’，很多潜在的可行设计。对于特定疾病或特定靶点，应该存在多种设计方案，它们都能成为良好的治疗药物。”

Max将这种方法与他的游戏AI背景联系起来：“我们必须创建我们的「世界模型」，我们的生化世界模型，我们的生物世界模型。但我们不止步于此，还需要创建能够自动探索的智能体和生成模型。如何在这个庞大的化学空间中找到那些珍贵的‘针’——那些可能改变数百万人生命的药物。”

AI在生物学中的三大支柱：数据、计算与算法

谈到数据、计算和算法的重要性时，Max回应了Demis在一次采访中说的“我们在生物学方面并不受数据限制”这一观点。

“无论你在机器学习的哪个领域工作，你总会感觉数据不够用。我理解Demis的意思是，数据不是真正卡住我们的瓶颈，我们可以利用现有数据和我们能自己创造的数据取得很大进展。我们不必等50年，让世界产生足够的数据才能做出影响，完全不是这样。”

“有些领域的数据其实已经存在多年了，我们现在能取得比以往好得多的成果。但这并不是说生物学领域没有数据机会。思考‘我们应该创造什么样的数据’将是我们继续开发这些模型和系统的重要部分。”

“我认为，为生物学机器学习专门设计的数据其实还没有被创造出来。虽然有很多历史数据，但这些数据不是为训练AI而收集的。当你思考如何专门为训练模型创造数据时，你的思路与过去科学家收集数据的方式完全不同。这里有很大的创新机会。”

当被问到目前缺少什么类型的数据以及是否需要合成数据（人造数据）时，Max表示他一直是合成数据的坚定支持者。

“从我职业生涯开始，我就一直看好人造数据。在我的博士研究中，我曾经生成人造文本数据，来克服我只能访问几千张图像而谷歌有数百万张图像的局限。在化学领域，我们也面临类似情况。”

“幸运的是，我们对物理有很好的理论基础。我们对量子化学和量子力学有相当了解，可以创建计算机模拟。我们可以简化这些理论，创建更高效的分子动力学模拟。这为生成大量人造数据提供了基础。再加上AI生成模型本身，我们可以创造新数据，并使用评分系统来提高这些数据的质量。”

但Max指出，一个重大的未开发领域是“活体数据”（in-vivo data）——通常需要在活的动物如小鼠或大鼠身上测量的数据。“对于活体数据，虽然有一些历史记录，但你不能轻易地大量生成，实际上有些根本无法在实验室外生成。这里存在利用新的数据生成技术的重大机会。有些杰出的研究者正在开发‘芯片上的微器官（organoids on a chip）’等技术——这些方法开始测量你通常需要在真实动物身上才能测量的东西，但完全在芯片上进行。”

“我相信在生物学和化学的数据生成技术方面，会有一系列全新的突破，这将彻底改变我们模拟生命世界的方式。”

如何组建未来的药物开发团队

Max分享了他如何组建一个集合AI、化学和生物学等多领域顶尖人才的团队，以及如何引入新思想挑战传统观念。

“AI药物设计这个领域其实很新，所以想找到既精通药物设计又是机器学习专家的人几乎是不可能的，仅仅因为这两个领域交叉的时间还不够长。”

“我相信Isomorphic实际上正在培养一个全新的科学领域，因为我们有这些真正生活在这个交叉点上的人。但因为我们无法直接招聘到这样的复合型人才，我的策略是：把药物设计和药物化学的专家与机器学习和深度学习的专家聚到一起，让这些出色的人并肩工作。”

“单纯让这些优秀的人在各自独立的团队中工作是不够的。我们需要让大家真正坐在一起，学会理解对方的‘语言’，带着极大的同理心和好奇心去了解这门新科学，在自己的领域中建立新的直觉。”

Max指出，在招聘机器学习科学家和工程师时，团队中60-80%的人在加入前对化学或生物学几乎一无所知，但这实际上可能是一种优势。

“这种‘不懂’反而可能是一种财富，因为你进入时带着一种‘天真’的视角。只要你保持好奇心，敢于问那些看似‘愚蠢’的问题，这让我们能够从第一性原理思考问题。它几乎让我们突破了过去经验的教条和人们传统上处理这些问题的方式。我们可以从零开始思考。这正是我们创造研究突破的思维方式。”

展望：药物设计的“GPT-3时刻”，更像是AlphaGo的“第37步”

当被问到AlphaFold未来的发展方向时，Max用简单的话表达了他对完全解决分子结构预测的期望。

“我认为AlphaFold 3是朝这个方向迈出的重要一步，是一个重大突破，但它还不是100%准确。在这个领域，100%准确到底意味着什么？科学就是这样，当你开始突破边界时，你会发现一个问题往往会引出更多的问题。这正是科学令人上瘾的部分。”

“AlphaFold 3就是一个很好的例子，当你开始拥有这些能力时，你会发现其实还有更深层次的问题等待解决。更好、更准确地理解结构当然很重要，但这不仅仅关于静态结构。AlphaFold 3模拟的是晶体结构，这些基本上是分子被冻结在某一刻的样子。但实际上，我们体内没有这种晶体，这些分子在溶液中是活动的，它们在不断移动，是动态的。所以，理解这些系统的动态变化可能也非常重要。”

当被问到AI在生物学领域的“GPT-3时刻”会是什么样子以及何时到来时，Max给出了引人深思的回答。

“GPT-3本质上是一个生成模型，是一个能创造文本的模型。对我来说，GPT-3时刻是当这类模型跨越了一条界线——从‘我们有文本生成模型，它们能产出一些看起来像人类写的东西，但不太像’到’哇，这真的看起来像是人写的‘。GPT-3是第一个让人有这种感觉的模型。”

“简单来说，一个好的生成模型能够重现它从训练数据中学到的世界样貌。当我把这个概念应用到生物学时，你可以想象在’GPT-3时刻‘，这些生成模型开始能够重现现实世界。这非常令人兴奋，因为这意味着这些模型可以输出真实存在于世界上的东西——我们可以验证它，甚至发现世界上已存在但我们不知道的新事物——或者它们可以创造出理论上可以存在的东西，我们可以制造出来并在现实世界中使用。”

但Max认为，生物学领域的“GPT-3时刻”可能不会像语言模型那样容易辨认，而更像AlphaGo的“第37步”。

“语言是人类发明的，所以当AI生成人类水平的文字时，我们能理解和欣赏它。但在化学和生物学领域，很多问题连人类自己都难以完全理解。所以当我们达到‘GPT-3时刻’时，它可能不会像GPT-3那样显而易见，而更像是AlphaGo的‘第37步’——我们开始看到一些超出人类理解范围但确实在物理世界中有效的东西——这将让人震惊。”

“事实上，我们已经开始在内部看到这种情况了。有时候我们的AI模型会创造出一些设计，让人类药物设计师说‘我不太确定这个设计好不好，我更喜欢那个设计’。但当你在实验室中测试它时，发现AI是对的，而人类专家是错的。”

Max特别强调了AlphaGo的“第37步”这个比喻的重要性，这是AlphaGo与围棋世界冠军李世石对弈时的一步棋。

“这是比赛中的第37步棋，它震惊了世界，震惊了整个围棋界，因为它对人类来说是不可解释的，它看起来像是一个错误，在围棋几千年的历史中，没有人下过这样的一步棋。但随着比赛的进行，这步棋被证明是关键的一步，最终帮助AlphaGo在那场比赛中战胜了李世石。”

“我们将会看到越来越多这样的情况——AI模型做出人类难以理解但却非常有效的决策，特别是当我们把它们应用到像化学和生物学这样人类本能理解有限的领域时。”

从实验室到临床，还有多久？

当被问到什么时候会看到第一个AI设计的药物进入临床试验时，Max表示他们在药物设计项目上已经取得了令人惊讶的进展。

“现在我在思考的是，当我们开始把这些AI设计的分子送入临床阶段时，我们该如何参与临床开发过程，好让这些药物尽可能快速、安全地送到需要它们的人手中，因为世界上有太多未得到满足的医疗需求。”

“我们正在探索与药监局打交道的新方法，以及如何更好地利用我们的预测模型。这些模型不仅能预测药物对疾病的作用，还能预测它如何与身体其他部分互动，可能会引起哪些副作用。”

“我相信会有很多机会让这个过程变得更简单、更快速。甚至可能彻底改变我们对人体临床试验的看法，因为我们的AI模型能更快、更精准地设计分子，并且对这些分子的工作原理有更深入的理解。”

虽然如此，Max也坦率地承认，整个行业还有很长的路要走，才能真正弄清楚AI将如何彻底改变药物研发流程。

最后，Max被问到随着Isomorphic的成功以及整个AI药物设计领域的发展，传统制药行业会发生什么变化时，他说：“我相信五年后，没有人会在不使用AI的情况下设计药物。这是不可避免的，这就像想在不用数学的情况下做科学研究一样不可能。AI将成为生物学和化学研究的基础工具，它在Isomorphic已经是这样了，未来每个人都会用它。”

“所以，问题不会是‘是传统制药还是AI’，而是两者将融为一体，整个行业都会适应这一变化。”