从“制药”到“智药”，AI如何在生命科学界激起创新涟漪？ 原创

作者| 周雅

如果一个人的职业生涯也遵循某种规律，那么对于邓亚峰而言，他的职业上半场一直在追求AI技术生长曲线“从0到1”的突破，而下半场则是摸索AI商业需求曲线的“最后一公里”。

细细算来，邓亚峰已经在AI领域披荆斩棘20多年，在这不算短的岁月里，他曾协助逆境中的AI创业公司成功转型，最终度过一段危机；也曾在互联网巨头管理数百人团队，维护传统业务的同时，不断开拓AI创新业务。

他同样擅长的，或许还有带领团队在众多世界级AI竞赛或评测中，屡次拿到一流成绩。目前，邓亚峰累计申请发明专利140余项（已授权近百项），发表论文40+篇，曾获得“2021年中国人工智能年度十大风云人物”。如果用一句话总结，即不断在AI技术战场勇攀高峰。

如果故事只是听到这里，或许有人以为可以线性预测他接下来的职业走向，但那就很可能猜错了结果。

因为，他的人生剧本并不打算按常理出牌。

2022那一年，邓亚峰放弃在计算机视觉、自然语言等传统AI领域的多年积累，毅然选择踏进生命科学领域从零开始，合伙创立了一家聚焦AI+新药研发的科技公司——碳硅智慧。

碳硅智慧所在的生命科学或医药领域，是极为厚重的领域，这对于任何入局者而言，都是堪比翻越大山般的考验。以医药研发行业公认的数据来看，创新药从开始研发到上市最少需要10年，耗资最少10亿美元，被称之为“双十定律”。

邓亚峰为何知难而上？

答案，就不得不从他创业之前开始说起。

01 时代与机遇，选择与坚持

回顾邓亚峰创业之前的几段职业经历，看似每一次都在做不同的选择，但其实更多是一个关于坚持的故事。

2002年，邓亚峰考入清华电子工程系读研，凭兴趣选择了计算机视觉专业，殊不知恰巧踩中了AI这一未来方向。但“技术成熟度曲线”既然是曲线，就意味着波动性，AI自然也不例外。

当时的AI发展尚在早期，也因此，毕业后的邓亚峰，也只是在工业界的小团队里做做计算机视觉有关的应用，他说自己虽然快乐，却久久看不到AI大规模落地的希望。

就这样，时间过去了十年，AI命运的齿轮开始转动。

2012年，神经网络之父Hinton和他的学生Alex Krizhevsky和Ilya Sutskever（是的，就是现在的OpenAI首席科学家）主导的AlexNet深度卷积神经网络在ImageNet分类比赛中拔得头筹，这一事件彻底轰动学术界。不过“技术”到“应用”的鸿沟堪比天险，技术已经蓄势待发，但市场还没准备好，所以产业界并未因此激起太大涟漪。

但邓亚峰经过调研后认为，深度学习作为机器学习领域新的方法，潜力巨大。于是他在2013年毅然选择加入百度IDL(百度深度学习研究院，现百度研究院的前身)，成为一个技术方向的负责人。彼时正值百度IDL刚成立，执行院长是余凯（现任地平线的创始人），此人正是推动国内深度学习发展的关键人物之一。

从那一年起，伴随着算力的持续提升和海量训练样本的支撑，深度学习成为研究热点，发展可谓是突飞猛进，持续有突破性成果产生。此后三年的时间里，邓亚峰与团队一起屡创成绩，多次在人脸检测的主流评测中获得第一的成绩，并将当时号称“学术界人脸识别世界杯”——LFW的评测准确率推进到极限的99.77%，达到世界第一，还参与提出了DenseBox——是行业里第一个基于FCN（全卷积神经网络）的一阶段物体检测器。

从2016年离开百度之后，在接下来的五年多的时间里，邓亚峰先后在两家头部公司任职，也正是这两次经历，让他实现了完整蜕变。

前三年，他先是作为一家AI创业公司的CTO，带领仅有头部公司1/10人数的算法团队，从零开始，仅用两年时间，就在号称“工业界人脸识别世界杯”——美国标准化局（NIST）举办的FRVT竞赛中，首次参赛拿到四项任务综合得分世界第一的成绩。当时的他，一方面设计团队架构，提拔培养核心骨干，另一方面，从数据、异构计算引擎、算法多角度打造深度学习引擎，并落地到人脸识别、车辆结构化、行人重识别等任务中。

后两年，他又作为一家巨头公司的副总裁，管理着约400人团队，带领业务团队将某个“国民级产品”的用户指标提升20%之多，这对于一个当时已经有数亿用户的成熟产品来讲，是个显著增量。更不用说，期间他在技术研发这个主战场，带领团队所向披靡，比如所研发的R2D2模型，在图文跨模态表征领域的表现，超过行业里最主流的CLIP模型；此外，在世界级知识图谱权威竞赛“OGB-WIKI”上，他带领的团队独霸OGB-wikiking2榜单两个席位——冠军和季军，而当时Meta团队以及图灵奖团队都败给了这支“中国队”。

几番征战，邓亚峰所接触的技术，从原来的计算机视觉，拓展到了自然语言理解、多模态大模型、知识图谱、机器人、智能搜索等多个领域，逐渐摸清AI技术的底层逻辑，也在AI产业界积累了经验。而邓亚峰本人的角色，也已经由最初的一名技术专家，蜕变为一位技术管理者，并延伸到一位创新业务掌舵者，他的羽翼逐渐丰满，开始渴望更高挑战。

他逐渐意识到，即便刷下一个又一个高含金量的技术榜单，并不能直接带来一个又一个产业应用的广泛普及，于是，一个念头在他内心萌生出来——创业！探索让技术真正落地之法！

“人的成就感和价值感来源于多方面”，他说，小时候经常拿第一名第二名，就是莫大的成就感。而在产业界打拼多年后的结论是，成就感要么就像“爱因斯坦”一样的科学家，带领人类探索未知往塔尖上走；要么就像“马斯克”一样的创新企业家，让硬核技术落地到产业界造福人类社会。

“我更倾向于做一个高科技行业的企业家。”他告诉科技行者。

02 生命科学，迎来前所未有之大变局

2022年，承载邓亚峰愿景的碳硅智慧宣告成立。

公司命名的寓意也很明显，“碳”是构成生命体的基本元素，代表着化学、生物、药学等生命科学技术；“硅”是构成计算机系统的基础元素，代表着人工智能、物理计算等新一代信息科学技术——碳硅智慧希望将生命科学技术与新一代信息科学技术深度融合，将新药研发的各个环节数字化和智能化，解决新药研发难题。

前文我们已经提及，生命科学或新药研发领域，是一个高门槛、高投入、又封闭的市场，而邓亚峰的躬身入局，背后有三个理由：

站在时代角度是迫在眉睫。

· 首先是景气周期。AI发展至今半个多世纪以来，虽然一直起起落落，但也并非毫无规律可言。无论是2012年底爆发的AlexNet深度学习技术“让技术崭露头角”，还是2022年底问世的ChatGPT“掀起大模型热潮”，AI发展似乎遵循了“每10年为一个迭代周期”的历程。按照此逻辑，邓亚峰认为时机正好。

· 其次是案例示范。2021年，DeepMind公司与欧洲生物信息研究所合作开发的AI系统AlphaFold2一战成名，成功入选《自然》和《科学》各自评选的“年度十大科学突破”之首，其能预测出超过100万个物种的2.14亿个蛋白质结构，几乎涵盖了地球上所有已知蛋白质，在制药界引起巨大轰动。邓亚峰更加笃定，AI的技术红利，已经来到生命科学领域。

站在地利角度是只欠东风。

在前期筹备创业时，邓亚峰做了大量调研，他认为中国未来有三大方向——移动互联网、新能源和汽车、生命健康。其中在生命健康领域，中国已经进入人口下行通道，2023年出生人口比死亡人口减少约300万。由此他判断，“未来医药产业一定存在极大需求”。

再反观市场现状，中国传统的制药模式，与国外相比差距悬殊，新的政策导向下，“Me-too药”和“仿制药”发展受限，药企和生物制药公司有更强的诉求去做差异化和创新药物研发。邓亚峰直言：

“如同电动化、智能化催生了百年汽车产业巨变，现在恰逢新一代AI技术拐点，当医药产业的商业价值足够大时，未来中国有机会在AI制药领域与国际站在同一起跑线上，有机会实现弯道超车。”

站在个人角度是性格使然。

生命科学是一个惠及生命、具有很高社会价值、且让人非常有使命感的领域，足够承载多家伟大的企业。“目前还有很多疾病无药可治，如果真的提高了药物研发效率，尤其是如果能为罕见病研发出药物造福人类，那真是值得骄傲一辈子的事情”，邓亚峰强调。

但与其他AI落地的领域一样，或者说比绝大多数行业来说，药物研发都是一个更加复杂的领域，涉及到药学、物理、化学、生物、医学等跨学科领域，而邓亚峰开疆辟土同时要做两件事情：一个是快速入行学习，另一个就是壮大队伍。

因此，当时的邓亚峰，一边花大量时间攻读每个学科的背景知识，一边与相关学者、合作伙伴、客户进行大量交流，但更重要的，他快速组成了一个合理的初创团队。

“在碳硅智慧，有AI的专家，有药学的专家，还有物理计算的专家，而且每个人都很资深”，邓亚峰介绍说，“从2022年6月到2023年底，仅用了一年半，我们就发表了28篇顶级论文，其中有5篇发表在《自然》子刊，这证明了团队具有非常强的原创能力”。

“虽然我们起步晚，但我们做得很好，一方面因为我们团队的综合能力非常强，对技术理解非常深，另外一方面则得益于我们刚好赶上了对的时间。2022年之后，蛋白质结构预测，以及生成式AI和预训练大模型技术在生命科学领域密集落地，这些技术都被我们应用在自研的模型中。”

03 AI制药的过去、现在和未来

本质上，药物设计本身是一个多因素、多目标的设计，有诸多考虑因素：比如要有活性(有药效、能治病)、要有成药性（能被人体吸收、被代谢、且没有副作用）、还得避开他人的专利……种种因素决定了，它是一个非常复杂的兼具决策、预测、迭代的过程。

回溯历史，碳硅智慧所在的药物研发领域，之前走过了两个阶段：

· 第一阶段是早期的“神农尝百草”，把天然的药材提纯之后，又对它进行改进，把它生产成本降下来，从而实现药物普及。

· 第二阶段是理性设计阶段，通过“专家+实验驱动”的模式，专家依据知识和经验进行药物设计，再进一步做实验验证，逐步迭代。

这两个阶段，药物发现的效率，并不是很理想，一直存在研发周期长、成功率低且成本巨大的问题。这种现象，如果用硅圈（计算机领域）的术语来描述，刚好符合“反摩尔定律”；而碳圈（医药领域）的行话则是，“差不过每九年，一款药物的研发成本会翻倍”。

此情此景之下，邓亚峰认为如果将“硅”与“碳”更好结合，则可以改变现状，从而达到第三阶段：

· 即“AI建模+自动化实验+专家驱动”的模式，通过AI计算、挖掘、预测，结合专家知识和经验，再通过自动化实验，提高药物研发的确定性，提高成功率，降低成本，并让制药的迭代速度更快。
邓亚峰认为，药物研发第三阶段的到来，本质上得益于AI自身的特点，和近年来指数发展的速度。

一方面，AI可以突破人类的思维定势，创造更多“合理的差异化”。人类固然有经验，但也存在思维定式，容易受到条条框框限制，而AI敢于打破常规思维，所以生成的内容更天马行空。

碳硅团队曾在一个实验中发现，专家花几天时间只能设计出几十个分子，且经过数据分析后发现，这些分子结构一致性很高，只有几个独特的结构；而AI则可以快速生成大量结构新颖的分子，且多样性非常好，在一些实验中，仅合成几个AI生成的分子就可以得到结构新颖且活性有显著优势和差异化的分子，这会非常有助于中国团队突破me too/me better的模式。

另一面，AI可以同时考虑多种因素，尽可能追求“全局最优”，减少尝试的次数。传统药物研发过程中，往往要合成数百个甚至数千个分子，才能找到一个合格的PCC分子，而AI的引入，有望通过和专家的交互，将这个数量降低到几十个左右，这无疑会大大提高迭代速度并降低成本。

当上述两点达到极致时，结合自动化实验，传统药物研发的范式，将有望被打破。未来也许有一天，专家通过与AI助手的交互，快速设计出少量分子，通过半自动化合成和实验验证后，将实验结果反馈给AI平台，待进一步优化后，再次进行合成和实验，直到分子达到预定设计目标。这个过程中，除了生物体内实验外的其他环节，都有望被数字化自动化操作。

“在这个时代，并不是说AI要淘汰专家，而是说用好AI的专家，比用不好AI的专家效率更高，我们相信这一天一定会到来。”邓亚峰总结说道。

04 技术要融合，商业模式也融合

纵观当前的AI制药企业，商业模式上主要有三类：AI-Biotech（利用AI自己建立新药研发管线，如英矽智能），AI-CRO（提供药物发现服务，如晶泰科技、腾迈医药、药明康德），AI-SaaS（售卖AI药研平台与软件的服务商，如薛定谔）。

具体到碳硅智慧这家公司，邓亚峰认为更倾向于提供上述第二+第三类商业模式，从产品和服务的角度主要分为三步走：

1、首先，碳硅智慧具有核心原创技术的一站式AI驱动新药发现平台DrugFlow，将以产品方式为专家使用，或者被客户集成成为客户研发平台的一部分供专家使用，成为行业AIDD基础设施平台。

该平台几乎覆盖了药物早期发现的所有环节，包括靶标发现、活性预测、成药性预测、分子生成、AI建模、物理计算、数据自动提取等模块，可帮助药化专家更高效便捷地找到潜在成药分子，并且通过专家持续使用，实验数据反馈、专家反馈和计算反馈迭代，持续提升算法的精度。

其中，基于AI的对接方法KarmaDock相对传统方法，精度相当的情况下，相对传统方法速度提升千倍；基于AI的对接方法CarsiDock，是当前最准确的对接方法，第一次将对接精度提升到90%以上。

更值得一提的是在分子生成优化方面，碳硅智慧研发了多种算法，其中FragGPT方法，通过将小分子结构表征为一维序列，并利用数亿分子训练GPT模型，在GPT模型加持下，可以做到同时支持「全新、RGroup、Linker、侧链、骨架跃迁」5种生成模式——“这5种生成模式，覆盖了药物设计的所有方法，过往一个AI算法仅仅只能支持其中一种或两种，而碳硅智慧的FragGPT是行业里第一个同时支持全部5种生成模式的方法，给了专家最大的自由度。”

2、其次，基于GPT模型打造新药研发领域的Copilot，提供包括文献自动获取、结构化信息自动提取、基于检索增强生成的GPT问答、专家知识库构建和可视化，再结合模型构建、模型部署、预训练模型、开放数据、数据采集工具以及多组学数据分析工具在内的各种组件，为客户提供开源开放、开箱即用的AI Copilot，赋能合作伙伴研发自主可控的新药研发信息化解决方案，提升领域应用AI的效率。

3、第三，相对传统CRO模式以FTE为主的商业模式，碳硅智慧希望基于最先进的AI计算技术和完整解决方案，与战略合作伙伴一起针对重点管线进行合作研发，按照结果来为合作伙伴交付分子，提供包括新靶点发现、成药分子发现及优化等服务。

图片碳硅智慧技术框架示意图

沿着这一发展思路，邓亚峰对这个领域未来也做出预判，认为AI的药物研发未来将会呈现三个局面：

· 首先在未来1-3年的时间里，无论是药企还是BioTech，都会积极拥抱AI技术，逐渐使用AI；

· 其次在未来5年左右，真正AI设计的第一批药物将被推上市场，并显著加快药物研发速度，提高成功率；

· 最后，作为一种结果，未来药企真正有竞争力的团队，一定是用 “AI建模+自动化实验+专家驱动”的方式在研发药物，拥抱AI太晚的团队，如同汽车领域被淘汰的传统车企一样，将面临被淘汰的风险。

05 向内完善管理，向外完善生态

谈及创业历程，对于创业者来说，最核心的三件事往往是“找人找钱找方向”，这三件事更直白概括而言，是人才发展、商业变现、PMF的良性循环。

而任何一项技术发展曲线都是波动性的，过程中有曙光、也有低潮，碳硅智慧如何潜移默化地影响整个产业？

邓亚峰坦言，科学家非常擅长攀登学术上的高峰，但现实的残酷在于，技术的领先有时不直接带来商业的回报，“有时候哪怕你把技术指标做到世界第一，也不一定有人愿意来用。”

一个行之有效的办法是：自己先用。软件行业有个俗语叫“吃自己的狗食”，战场有个俗语叫做“让听见炮火的人指挥战斗”，意思是自己研发的产品必须自己能用，从中发现问题和需求。

碳硅智慧内部专门设立了一个小团队，团队不大但一应俱全，有计算专家、生物专家、药化专家，真正还原一个真实的新药研发管线，该团队提出的需求，会直接反馈到内部的AI和软件团队，最后针对需求去开发，极大简化了研发流程。当最终案例呈现给专家或外部客户时，他们也会眼见为实，由此影响整个市场。

在这一过程中，对于创始人的管理也同样是个考验，如何去管理跨学科、跨部门、跨领域的人才？邓亚峰现身说法，分享了两个心得：

其一，要让大家协同共进，就是要追求所谓的“超级对齐”。从战略、到产品，一定要让大家有共同目标，目标就是匹配市场需求。

比如在碳硅智慧团队中，算法部门的人和药物研究部门的人，出发点肯定有区别，但如果反向推理，为了把某一个分子做出来，就要让做计算的人服务于做药物研究的人，让做AI模型的人服务于做计算的人，环环相扣。

其二，尽可能平衡技术研发和商业市场，这就对应到“内部需求”和“外部需求”。

在内部需求上，并非一味追求“前无古人的”技术新颖度，而是要在关键时刻学会断舍离。比如内部需求是做更多的模型以实现分子生成，但最后并非每个模型都有用，这时候就要取舍，舍掉对用户没有价值的模型进行重新改造。

在外部外部需求上，重视产业链生态伙伴的力量。2022年4月，碳硅智慧加入NVIDIA初创加速计划 (NVIDIA Inception)，期间得到了技术支持，市场宣传、业务推荐等一系列助力，比如通过NVIDIA GPU实现模型算法的优化。一年后，碳硅智慧参与2023 NVIDIA 初创企业展示(NVIDIA INCEPTION SHOWCASE)活动，最终从250家企业中脱颖而出，入选成为10家“荣耀企业”称号中的一员。

荣誉的背后，是双方技术合作的价值。碳硅智慧的整个系统非常庞大，有包含100余个AI模型，而通过NVIDIA CUDA和系统优化，使绝大多数模型运行在GPU上，让系统的GPU使用率超过大多数。

此外，由于制药领域的关键痛点之一就是耗时，而碳硅智慧部分模块经由NVIDIA技术优化后，比起传统模式可谓效率惊人。邓亚峰对科技行者回忆了其中一个细节，记得碳硅智慧此前发表在《自然》子刊上的一个工作，通过算法改进和NVIDIA GPU优化，把对接的速度提高了近千倍。

“NVIDIA 给了我们AI创业者一个展示舞台，而且他们在生态上是比较不功利的；我与NVIDIA的合作关系，其实早在创业之前就建立了，跟他们公司各部门都挺熟。所以整体上我们与NVIDIA的合作挺愉快的”，邓亚峰表示。

至此，如果算上创业至今的两年时间，邓亚峰已经在AI领域走过22年，尽管所处的赛道和身份一直在变，但不变的是他对于AI的坚持。当被问及坚持不懈的原因，他淡淡地说：

“选择是存在一定偶然性的，但最终使你坚持下来的，必然是因为强烈的兴趣使然。”

“剩下的，就交给时间。”