跳转至

Chai Discovery：生物学正在变成软件——蛋白质设计的"中性软件工厂"（Latent Space，2026-08-11）

  • 嘉宾: Matt McPartlon（Chai Discovery 联合创始人，研究侧）、Neil Patil（Chai 平台与产品负责人）
  • 主持: Brandon（Atomic AI，做 RNA 疗法）与 RJ Honiki（Mirror Omix CTO 兼联创）——⚠️ 本期不是 swyx / Alessio 主持，是 Latent Space 的 "AI for science" 子系列，两位主持本身都是 AI-bio 创业者（[00:01:00]）。姓名拼写来自自动字幕，本库未核实。
  • 来源: YouTube · 95 分钟（自动字幕）
  • 转录稿: sources/latent-space/20260811-Qp5xklyJySI

⚠️ 自动字幕在专名上几乎全程出错，对照表（本库引用时按判读还原，原文照录在 sources/）：

转录稿写法 判读
try / chi / CHI / THI / Tai / Taiwan / Chiu / CHIA Chai（公司名 / 模型名 Chai 1、Chai 2、Chai 3）
alfold / alful / Alful 2 / Alphold / fold two three AlphaFold（1 / 2 / 3）
enthropic Anthropic
Janentech Genentech
Eram's law / "More backwards" Eroom's law（Moore 反过来拼）
Fizer Noardis and our Gen X（[00:03:01]） Pfizer、Novartis，第四家疑为 argenx；⚠️ 本库不做认定
protein mnnn ProteinMPNN
crym / cryomm / Cryom cryo-EM
by specifics / bio specifics bispecifics（双特异性抗体）
carties CAR-T
SAS SaaS
epidote prediction epitope prediction

说话人映射（据补做分离的 speakers.md；转录稿本身无标签，此处认人属 wiki 层编辑判断）： 开场逐个自我介绍，接话标签清楚：

标签 占比 认定 依据
SPEAKER_03 40.6% Matt McPartlon（研究侧） "I'm Matt McPartland. I'm one of the…"（[00:01:00] 块，之后 100%）；高纯度块讲 pair representation 上的 attention（[01:04:35]）
SPEAKER_00 37.2% Neil Patil（平台/产品） "And I'm Neil Patiel. I help lead a pl[atform]…"之后由此标签作答（[00:02:00] 块，之后 100%）；高纯度块讲合作方与命中率（[00:44:26]、[01:32:46]）
SPEAKER_01 10.8% Brandon（主持） "I'm Brandon. I build RNA therapeutics…"（[00:01:00] 块，之后 100%）
SPEAKER_02 11.4% RJ Honiki（主持） 排除法

概要

这是本库 AI 与科学发现 条线上第四家结构生物学方向的公司——前三家是 Genesis Molecular AI（小分子 co-folding）、Xaira（虚拟细胞）、Lila Sciences（实验室即 verifier）。Chai 的位置与三家都不同，而且这个差异是本期最该被记住的东西：

  • 它明确拒绝做自己的药。"很多 AI for bio 公司在做自己的药。我们完全不那样看自己——我们把自己看成一个做药的中性软件工厂（a neutral software factory for making medicines）。"（[00:04:03]）
  • 它靠合作伙伴关系挣钱，已公布的合作方是 Eli Lilly、Pfizer、Novartis 和第四家（⚠️ 转录稿作 our Gen X，疑为 argenx，本库不认定），并刚再融 4 亿美元（[00:03:01]、[01:07:36]）。
  • 它只有约 30 人，其中研究团队约 10 人（[01:26:43]–[01:27:45]）。

本期最该被单独引用的六条：

  1. ⚠️ cryo-EM 验证时他们以为结果错了——把模型预测叠到电子云点云上看不出差别，第一反应是"这不可能对，他们肯定把我们自己的设计发回来了"。实际误差是 0.33 埃，约为一个原子宽度的三分之一（[00:34:22]）。这是本库结构预测精度这条线上目前最具体的一个数。
  2. ⚠️ "AlphaFold 2 解决了结构预测"是错的，而且错得有量级——其 multimer 版本在抗体-抗原预测上只做对约 11%，"意思是 90% 的时候它是错的"（[00:53:28]）。主持人补的机制解释很关键：抗体在进化上不可能有模板，因为每个人的抗体都是按各自一生遇到的东西定制的，所以 MSA 这个"魔法"在抗体上失效（[00:53:28]–[00:54:28]）。
  3. ⚠️ 产品长得不像 ChatGPT，像 Autodesk / SolidWorks / Figma——加载分子，用一个"画笔工具"涂出你要打的 epitope，用一个"内容感知填充"式的工具让 Chai 生成 binder（[00:00:00]、[00:41:25]）。这是本库第一份"科学 AI 的界面不该是聊天框"的完整产品论证。
  4. ⚠️ 算力市场"被 LLM 化了"——B300 一类的新卡，"超大规模云和最大的那几家 AI 实验室买走 95% 以上，创业公司在抢剩下的渣"；更麻烦的是硬件本身是照 LLM 的形状造的（巨大的 KV cache、72 张 GPU 互连），而结构模型的形状恰好相反（[01:02:34]–[01:03:34]）。
  5. ⚠️ GLP-1 的两个药加起来可能是万亿美元级资产；直到约三个月前，GLP-1 的总收入比所有 AI 实验室加起来还多（[01:23:42]）。这条被用来论证制药领域单个 token 的下游价值可能是所有领域里最高的。
  6. ⚠️ 他们对"没有数据护城河"的反驳，用的是 Anthropic 做类比（[01:19:41]–[01:20:42]）："这就好比说，跟 Anthropic 合作的那些企业不让 Anthropic 拿它们的数据训练，所以你没法造出擅长企业工作流的模型——（不成立）。"

核心观点

一、公司定位：中性软件工厂，不做自己的药

  • 为什么药企愿意买（Neil，[00:04:03]）：药物发现"非常漫长"，药企"花很多年、几十亿美元去找最初的候选分子"；Chai 训模型来加速这个过程、找到最初的 binder。因为不做自己的药，所以能同时服务并支持所有这些药企。
  • ⚠️ Matt 对激励结构的表述，是本页最该被引用的商业模式论证（[01:18:40]–[01:19:41]）："Chai 完全没有做自己 pipeline 的计划，我们很认真地对待合作模式。从我个人立场，我喜欢这里面的激励一致性——我们把模型做得更好，合作伙伴就更成功，然后它自己迭代自己。"
  • 两年前这是个有争议的赌注（[00:05:03]）："Chai 的主张一直是做软件与建模那一层，这在当时非常有争议——这条路以前有人试过，但模型当时就是还不到位。"他们赌的是模型会到位。
  • 赌注的依据（[00:05:03]–[00:06:04]）：CEO Josh 在 Meta 参与过最初的 ESM 论文，看到"这里可能有 scaling laws"的早期迹象；⚠️ 一个被他称为"疯狂"的时间尺度事实——直到 2021 年才有多聚体（multimer）结构预测模型，也就是五年前人类才第一次能用深度学习同时预测两个蛋白的形状；"而你恰恰需要那个才能解锁设计。"
  • 他给 Baker lab 的信用（[00:06:04]）：inverse folding 开始 work、ProteinMPNN 在实验室里真的有效，"功劳归 Baker lab 在他们所有模型上做的那些出色的实验室验证"。

二、模型谱系：Chai 1 → 2 → 2.5 → 3

Chai 1（结构预测，开源）——本节最有意思的是他们为什么开源它（[00:17:14]–[00:19:15]）：

  • 当时公司只有 5 个人，在做设计但意识到"我们真的需要一整套 MSA 流水线、需要这些基础设施"。AlphaFold 3 出来了，他们决定开源复现它。
  • ⚠️ 真正的动机是把它当作 forcing function：主持人的复述被他确认——"你们表面上在建一个模型，实际上在学怎么建基础设施"。Matt："完全正确。我在 PhD 里建过很多类似的基础设施，但不是公司生产级别的。"
  • 一段花絮（[00:19:15]–[00:21:17]）：Chai 1 发布前他们连续熬了 48 小时赶论文和临时决定要建的 web server（"直接给 git repo 太烦人了，尤其对生物学家"）。发布当天早上 Josh 上 Bloomberg TV 接受采访，全办公室的人都躲着不想被拍到，采访者说"有意思的公司，看起来这儿一个员工都没有"。
  • ⚠️ 办公室是 OpenAI 的（[00:19:15]）：两位联创 Josh 和 Jack 与 OpenAI 的人有关系，OpenAI 联合领投了他们的种子轮；当时那间（Mission 区的）办公室大部分空着，所以五个人就坐在里面。

模型是什么形状（[00:22:17]–[00:24:18]）——本库此前没有这么直白的一份说明：

Chai 1 大致是"一个 tokenizer + 一个 transformer（看起来像语言模型）+ 一个看起来像图像扩散模型的东西，全都缝在一起"。tokenizer 不是文字那种——是"我有一molecule 里的一堆原子，现在要把它们拉成我这个 LM 式主干的 token"；这些 token 条件化一个大扩散模型，扩散模型吐出的"图像"就是那个 3D 结构。

  • 输入是多模态的：token 序列表示 + 每个 token 挂着的一组原子 + 原子自身的属性（电荷、元素类型）。

Chai 2（设计，2025 年）：

  • 技术上是全原子扩散模型——"模型真的有能力设计原子、放置原子、决定哪些原子实际存在"，然后再映射回是什么氨基酸（[00:25:18]）。
  • 能力上的跨越（Neil，[00:26:18]）：Chai 1 是"我知道序列和结构"；Chai 2 是"我有一个目标结构，给我设计一个 binder"——"这才是真正跨过有用性门槛的地方。"
  • ⚠️ 那个被反复引用的实验（[00:07:05]–[00:08:07]、[00:22:17]）：Josh 定了一个全公司挑战——给 50 个靶点设计抗体。其中约一半拿到了 binder，平均结合命中率约 20%。 "药企在这个点上开始意识到，这里真的有活的迹象。"
  • 选靶点的过程本身值得记：他们一开始自己挑"有意思的靶点"，结果一半的时候就是不 work（还在摸索湿实验流程），于是改成去拿 CRO 的目录、只用 CRO 已经验证过的靶点，再从中限定出一个有意思的集合。⚠️ 这意味着那个 50 靶点的结果是在一个被 CRO 可行性预筛过的集合上取得的，本库标注这个前提。
  • Chai 2.5：几个月后发布，重点是可开发性（developability）——除了结合得紧，还要"安不安全、稳不稳定、好不好生产、会不会自聚集"（[00:37:24]）。他们说抗体在这方面"从那个抗体框架里白拿了很多"。

Chai 3：

  • ⚠️ 中间还有 Chai 2.5、Chai 2.7——"每一次我们都看到越来越好的表现"（[00:35:23]）。
  • ⚠️ 本页最能代表其研究文化的一条决策（[00:35:23]–[00:36:24]）：Chai 2 之后内部有过分歧——是去研究那 25 个没成功的靶点、找出它们的共同性质，还是干脆赌模型会变好？"我们绝对是选了后者——我们赌模型会变好，然后在那个方向上尽可能猛推。"他自己用的词是 "be bitter lesson pilled"。
  • 要提升的主要指标：结合亲和力（"不能只是弱弱地结合……要在或非常接近治疗级"）+ 可开发性（[00:36:24]）。

三、怎么知道设计是对的：从自洽性到 cryo-EM

这是本期对 评估与 Benchmark 的主要贡献（[00:29:18]–[00:34:22]）。

  • 起点是一个很朴素的困境："你设计出一个序列和结构，怎么知道它是不是真的？"——"作为人你看着这个东西，只能说'我不知道，看着还行'。就连生物学家都说，我完全不知道这玩意儿会不会折叠。"⚠️ 他还补了一句："连我们自己的生物学家都会对某些最后真的成功的设计感到意外。"
  • 当时的做法（AlphaFold 使得它可行）：把你预测的序列丢进一个完全独立的结构预测方法，看它折出来的结构和你预测的结构一致不一致——自洽性（self-consistency）。
  • ⚠️ 这个指标被玩坏了（[00:30:18]–[00:31:19]）："人们把这些 benchmark 刷了一阵……结果发现，如果你所有的蛋白长得都一样，自洽性是很容易拿到的。"主持人把它说得更清楚："如果你同时用你的 oracle 和你的 sampler，你最终一定会收敛。"
  • 他们叠的两层补丁：① 结构预测模型自带校准过的置信度——"这是我认为的结构，这些是我不太确定的部分"，可以聚合成一个标量；② 看生成的多样性——"你可能有一个完全自洽、置信度也很好、但每次都给同一个结构、同一个序列的模型"。
  • ⚠️ 真正的瓶颈是反馈回路的时间尺度（[00:32:20]–[00:33:21]）：湿实验验证"可能要几个月……在这样的研究环境里很难迭代"。好消息是现在有一整个湿实验室网络可以跑这些实验，"我们不再是以年计，降到了周"——但 Neil 的限定很重要："不像 LLM 那样能扩个 eval、砸更多算力、几小时拿到结果，但快到足以开始递归自我改进了。"
  • ⚠️ cryo-EM 那段（[00:33:21]–[00:34:22]），本库记为本页最强的一条精度证据：

    "我们把一些模型预测的蛋白拿去做 cryo-EM，结果回来我们说等一下，这结果看着不对——我们把预测叠到那个电子云、那个点云上，看不出任何差别。……误差是 0.33 埃，是一个原子宽度的三分之一。……我们当时想，这不可能是对的，他们肯定就是把我们自己的设计发回来了。"

  • ⚠️ 主持人当场问了数据泄漏，Matt 的回答是：这些靶点是特意选的"没有已知抗体 binder"的——"所以如果我们真拿到 hit，那一定是这个靶点上的第一个抗体 hit"（[00:34:22]）。本库把这条记为该实验设计上的一个重要防御。
  • 主持人的那句概括值得单记（[00:34:22]）："我以前没意识到生物学有多少是字面意义上在黑暗中摸索——这不是比喻，你是真的看不见这些东西长什么样。"

四、epitope 预测：他们自己承认这是更难的问题

（[00:51:27]–[00:55:28]）主持人的挑战很直接："领域里很多人会说这可能比找抗体和 binder 难得多。"

  • Matt 的回答是承认："这是个难得离谱的问题。我同意你——这是更难的那个问题。"
  • 他把它拆成两层：① 最基础的一层是"我要打的这个病，到底是哪些蛋白负责"——这是生物学问题；② 定下来之后变成结构生物学问题：这组蛋白在和某个不该互作的蛋白互作，你想阻断那个互作面，"那个位点通常就是 epitope"。难在"你需要的上下文量、以及需要的全局理解"。
  • 如果是新冠新变种或新流感这种情况（[00:53:28]）：可以跑结构预测模型看模型认为会结合在哪儿，置信度高就当作要阻断的位点；"但总体上仍然很难。"
  • ⚠️ 就在这里他给出了那条"AlphaFold 2 没有解决结构预测"的判断："很多人以为 AlphaFold 2 解决了结构预测——并没有。AlphaFold 2 的 multimer 版本在抗体-抗原预测上做对了大概 11%，意思是 90% 的时候它是错的。"
  • ⚠️ 主持人补的机制解释是本节最有价值的部分（[00:53:28]–[00:54:28]）：AlphaFold 2 解决的是有 MSA 的一类单体蛋白；MSA 才是让这一切 work 的魔法，它某种意义上是"结构该长什么样"的模板。而"抗体在进化上不可能有模板——每个人都必须有一套按自己一生所遇之物定制的独特抗体"，所以它不像其它蛋白那样在进化中被保守。
  • 他对现在最接近 SOTA 的猜测：虚拟细胞（virtual cell）"可能是最接近的东西，但那还有很远"（[00:55:28]）。⚠️ 这条与本库 Xaira 的 X-Cell 直接接上——Chai 把自己解不了的那层指向了 Xaira 在做的那层。

五、产品：为什么不是聊天框

（[00:39:25]–[00:42:26]）本库第一份"科学 AI 的界面形态"的完整论证。

  • 起点是 Chai 2 之后药企主动上门："我们跨过了有用性的门槛……然后我们想，天哪，我们得建个产品让你能用这个模型。"
  • ⚠️ 他明确否掉了聊天框："我们看了看，觉得我猜我们可以在外面套个 chatbot，那会非常好聊——但你真正要建的是很视觉的东西，而有了这些结构预测模型你终于能建出很视觉的东西了。"
  • 产品的形状："看起来远不像 ChatGPT，更像 Autodesk、SolidWorks 或者 Figma"——加载你的分子，一个近乎 Photoshop 式的设计套件，有相当于画笔工具的东西来涂你的 epitope，有相当于内容感知填充的东西来让 Chai 生成 binder，还有科学分析和作图。
  • ⚠️ 他强调难点在哪："我们很惊讶光是把这件事做对就有多少复杂度……这样你在 prompt 这些模型要建议的时候才不会搬石头砸自己的脚。"
  • IP 与安全那一关（[00:39:25]–[00:40:25]）：这是他被告知"做不成"的地方——"药企是出了名的对 IP 敏感的行业，他们不会把数据放进一个平台、让所有新药从里面生成出来"。他的安全背景在这里派上用场：极度激进地做数据隔离、做单租户（single tenancy）——几乎是给每个客户部署一个单独版本 / 单独账户。
  • 怎么说服 med chemist（[00:42:26]–[00:43:26]）：主持人说"med chemist 出了名地讨厌 AI 工具"。两人的答案分两层：
  • Neil："模型工作得非常好这件事帮了大忙"——Chai 2 / 2.5 的结果本身就是足够的激活能，药企会说"你们能不能就拿我们这几个靶点跑一下模型看看结果"。
  • ⚠️ Matt 的那段值得整段记，因为它反的是这个行业对客户的刻板印象："药企其实极其务实……他们愿意被证明是错的，而且我其实不怪他们不信任模型——我自己用过这些模型，我看到新发布的时候也一直挺怀疑的。所以你就是得给他们看证据。"客户通常先给一个过去自己搞不定的靶点来试，"一旦你给他们看到证据，他们几乎压倒性地愿意接受"。
  • ⚠️ Neil 的对照组是他自己的上一段职业生涯（[00:43:26]–[00:44:26]）："我做过网络安全产品，那是黑暗的岁月——你大量时间花在向技术上出人意料地不那么强的人推销……是一场对着很不成熟的客户的上坡企业销售苦役。"而在这里，"这些是花了 5 年、10 年、20 年只研究一个靶点的科学家……他们非常成熟、非常聪明，能和他们协作简直是金矿。"
  • ⚠️ 一个被他们讲出来的现场时刻（[00:44:26]）：几个月前向一家药企合作方展示某个靶点的结果时，房间里一位科学家开始流泪——"我真的花了 10 年想拿到这个东西的第一个 binder，而你们帮我做到了。"本库照录，作为这类工具落地时的从业者反应的一手记录。

六、工程：durable execution、简单性偏好、以及"被 LLM 化"的算力市场

  • ⚠️ 算力那段是本期对 AI 算力与基础设施 最直接的贡献（[01:01:33]–[01:03:34]）：
  • Neil 的岗位之一是给公司买算力——"最糟的活，我不推荐，压力非常大"。
  • 去年 9 月开始感到紧：他们大量推理跑在 spot 和按需市场上，开始出现容量挤兑，于是决定自己买。
  • ⚠️ 他给的结构描述："我没意识到这是多大的一个幂律——比方说全球在出货 10000 台 B300，超大规模云和最大的那几家 AI 实验室买走 95% 以上，然后创业公司在抢剩下的渣。"
  • ⚠️ 更值得记的是第二层："这些后期的算力版本——Vera Rubin、B300——很多东西是照着 LLM 造的：巨大的 KV cache、72 张 GPU 全都要互相通信。有些性能收益当然也帮到我们，但算力市场被 LLM 化（LLM pilled）的程度挺有意思的……我认为这一类模型会和 LLM 一样大、一样有影响力，但算力那边好像还没意识到——既是容量意义上的，也是软件栈意义上的。"
  • Matt 的架构侧解释（[01:03:34]–[01:04:35]）：AlphaFold 2/3 式架构里，注意力是在成对表示（pair representation）上做的，"你可以把它想成长度 L² 而不是通常的 L 的序列；按实际 batch 的方式，最后是 L³"。所以每个 token 上砸的 flops 非常高，而内存带宽开销才是真瓶颈——"哪怕简单如一个 layer norm 都可能占掉相当一部分算力。"
  • ⚠️ triangle layer 与 GPU 的不匹配（[01:11:37]–[01:12:38]）："它们不只是算力上贵，在现代 GPU 上根本就不高效——隐藏维度小、序列维度大，恰好和 GPU 被设计来处理的东西相反。"他给的心智模型是："triangle layer 某种意义上就是拿参数换算力。"
  • durable execution（Neil 主动要求展开的一段，[01:05:35]–[01:07:36]）：设计一个分子不是一次模型调用，是大量 GPU 上的分片计算；这种规模下总有部分基础设施是脆的——桶挂了、数据库因事务太多打嗝、GPU 报错。"我待过一些公司，你把大量时间花在这上面……本来是个挺简单的分布式计算，最后 95% 以上的时间花在排队和重试上。"他们的做法是尽可能多的东西跑在 Temporal 上。⚠️ 他的落点直接回答了主持人问的"生物学变成工程学最大的阻碍是什么"："我其实认为很大一部分瓶颈就是没有对的工程原语。"
  • ⚠️ 简单性偏好（Matt，[01:08:36]–[01:09:36]），本页最能代表其研究方法论的一条：

    "复杂性和 bitter-lesson-pilled 是根本对立的。比如 AlphaFold 3——数字我可能记错——大概有 23 个子模块，到那个程度这就是个很难优化和研究的系统。你会想'我们可以加个模块 24 让它更好'，但你到底该不该加，还是该想想怎么删东西、把复杂度降下去？"

  • 他们办公室墙上挂着 SpaceX Raptor 1 和 Raptor 2 的对比图——"就是这么回事，怎么才能删、删、再删更多东西"。
  • ⚠️ 主持人给了一段有分量的反驳（[01:09:36]–[01:10:36]）：AlphaFold 2/3 之所以 work，恰恰是因为它们相对是小模型——算力密集但数据效率极高，"一层归纳偏置叠一层归纳偏置，都是人的直觉和硬打出来的经验带进来的……如果你想超过那个，你真的需要新的数据来源，或者至少用一种效率高得多的方式对待数据。"
  • Matt 的回应是"第一性原理 + 把每个问题映射成核心 ML 问题"（[01:10:36]–[01:11:37]）：整个研究团队里"除了我和 Kevin，几乎没人有所谓 bio 背景"。他举 CNN → transformer 的先例：CNN 是为图像造的归纳偏置，后来"把它 tokenize 扔进 transformer 也 work 了"。但他自己给了限定：蛋白质"确实很难"——结构数据没那么多，序列数据一大堆（这是 ESM 能 work 的解锁点），"如果你拿实验结构数据做同样的事，祝你好运。"

七、组织与商业：30 个人，"每个人都是资本配置者"

  • ⚠️ 规模（[01:26:43]–[01:27:45]）：研究团队约 10 人（"跟 Isomorphic、DeepMind 那种比确实小很多"）；全公司约 30 人。
  • ⚠️ 他们对自己组织的描述：研究"几乎像一份投资的工作——你在把想法投向算力，在这个意义上你就是资本配置者"。Neil 把它推得更广："我们把 Chai 的每一个人都当成某种资本配置者……尤其现在他们被 AI 高度赋能，很多工作就是把注意力配置到对的想法上、把算力配置出去。"
  • ⚠️ 主持人提出的分类被 Neil 部分反驳，这段值得记（[01:27:45]–[01:28:46]）：主持人说 B2B SaaS 公司的约束主要是人，而做 AI 模型/硬件/科学的约束是实验室、算力这些资源。Neil 的"yes and no"："那个 API 也有增量成本——你得支持它、它给产品加复杂度、它是又一个要去做市场和销售的东西。也许你本该把那份投入配到别的赌注上。" 在一个"建东西变得极其便宜、并且越来越免费"的世界里，稀缺的是注意力——你能投入的、以及你的客户能投入的。
  • 收尾那句被两人都接了："我们都在变成某种执行官。"（Neil 引 Satya Nadella 的"让每个人成为无限心智的管理者"，并说"我每天都在和 Claude 说话"）

商业逻辑上最值得记的三条：

  1. ⚠️ 主持人对经济性的质疑，以及他们的反驳（[00:55:28]–[00:57:31]）：主持人的算术是——做出一个抗体也许几百万美元，而把药推到上市"如果你有先见之明选对了靶点和技术，也许要 5 亿"（那个常被引用的 26 亿是把所有失败也摊进去的）。"所以你是在一个 5 亿美元的战役里省了几百万，这为什么这么有吸引力？"
  2. 他们的回答是"你搞错了对象"：不是把现有的药做得更快，而是解锁做不到的东西——Chai 2 展示过 GPCR 激动（agonist）活性，"非常精确地按下细胞上的那个门铃蛋白"；⚠️ 以及 bispecific 的乘性稀有度论证："如果一条臂找到 binder 的概率是十亿分之一，另一条臂也是十亿分之一——传统方法根本不可能成。"（[00:57:31]）
  3. 第三条是组合价值：合作方不是要一个药，是一个靶点组合 / 药物组合，"平台方式能随着他们追更多、也更有野心的靶点一起 scale"（[00:57:31]–[00:58:32]）。
  4. ⚠️ 会不会被商品化（[01:15:39]–[01:17:40]）：Neil 的答案是用 LLM 世界做类比——"会有某个商品层……但同时我们能做越来越有野心的药。就像 LLM 那样：开源模型对某些事有用，但人们还在买前沿模型，而且如果你看价值捕获，是闭源前沿模型拿走了大部分——整个饼在长，长得快到即使开源份额在扩，前沿仍然捕获多数价值。"两条理由：① 更多智能就会去追更难的任务；② 产品层——"我不用开源模型的一大原因是我拿不到 Claude Code"。
  5. Matt 的补充走的是数据侧："生物学是慢的（这有好的一面），而且标注数据没那么多……所以就算 AGI 也不会马上解决——那里确实有技术性的阻碍。"
  6. ⚠️ "你没有数据护城河"这个前提被他们直接顶回去（[01:19:41]–[01:21:42]）：Neil 的 Anthropic 类比（见概要第 6 条）之后给了两条：① "有办法把算力变成数据，我们在做"；② 紧贴合作方做研究意味着"我们做的是被真实需求告知的研究，而不是在真空里研究什么假想上很酷的东西"。
  7. 他们确实在给合作方做定制（[01:21:42]–[01:22:42]）："这些交易里我们在和他们一起训练或微调一个属于他们的模型版本"——⚠️ Neil 顺带提到他哥哥创办了 Applied Compute，在 LLM 侧做类似的事。
  8. 定制的价值是什么：一部分是他们有来自实验的科学数据，能让模型在他们关心的候选类别/靶点上更好；另一部分朴素得多——"他们可能就是有某种偏好的做事方式……'我们的设计要有性质 X，你能保证吗'。就这种简单的事都能对他们有相当大的影响。"
  9. ⚠️ 主持人由此提出的判断，本库并列记录："所有 AI 公司、尤其做生物和科学的，其实都是咨询公司。" Neil 的回应是"我们努力让模型和产品足够通用，但确实每个客户都有集成工作，你也确实因此拿到一些防御性"。主持人接了一句"以后很难换供应商吧"，Neil："我希望如此。"

制药业的资本结构，这段本库此前完全没有（[01:23:42]–[01:26:43]）：

  • ⚠️ 单 token 下游价值（Matt）："我不知道还有哪个领域里一个 token 的下游价值有制药这么高——出来的药可以是几十亿美元级的资产。GLP-1 的两个药加起来大概是万亿美元级的资产。"
  • ⚠️ "直到大约三个月前，GLP-1 的总收入比所有 AI 实验室加起来还多。"（Neil）"我不觉得人们意识到这一点。"——⚠️ 两人接着都感叹"市场给的估值相对低得离谱"。本库照录这条判断，未核实。
  • 药企其实是 VC：Neil 说他此前没意识到制药有多像 VC 生意——"某种意义上在下非常有野心的赌注"。他举Genentech 是 80 年代最早、最大的风险投资成果之一，作为"硅谷不只是软件"的例子。
  • ⚠️ Eroom's law（[01:24:42]–[01:25:42]）：Moore 反过来拼——制药里做出一个药的成本大致在指数上升，"每个药投入的钱以指数速率增长"。主持人接："这保证了在某个点上，新药开发的边际回报会变成负的。" Matt："我认为我们可能正处在把其中一些翻转过来的边缘"——主持人补了个词："把 S 曲线掰弯。"
  • 把药企理解成"成熟的资本配置者"：他们手上是一个靶点的投资组合，在其中做配置。"这对我是个很大的重构。"

八、两人给的"如果能凭空移除一个瓶颈"

（[01:29:46]–[01:31:46]）Latent Space 的固定收尾问题。

  • Matt：验证回路。 "能够立刻说'这个 work、那个不 work'。仍然有一部分是在黑暗里摸索。"主持人接："这是未解问题。"
  • ⚠️ Neil：人才的"晦涩性"（talent obscurity）——本页在 AI 与就业 / 人才流向上最值得记的一条：
  • "很多聪明人去做 LLM、去做 SaaS 的软件工程师，但没有那么多聪明人去做生物。我高中时也没做生物——因为我可以打开电脑就写 app，而如果我想做生物，我得去上学、拿好成绩、可能还得读个 PhD。"
  • 第二个原因是它太晦涩了："这期播客里我们扔了一大堆大词，而且你没法把这些东西可视化。"——他把这条直接接回产品哲学："这也是我们在 CHai 特别在意怎么让整件事在网站上和产品里都变得视觉化的原因之一。"
  • ⚠️ 他把它上升成一个资源配置问题："90 年代大家往（金融）流，2000 年后往科技流，大科技吃掉了很多人才，现在 LLM 和大 AI 实验室在吃掉很多好人才。在元层面上，怎么才能把人才配置得更好？"并且诚实地加了限定："出于私心我想要更多人才进生物。我们大概也需要更多人才进制造业和物理世界的事情。"

九、两人的收尾判断

  • Neil：生物学一直是个"摸黑走路"的领域——看不清、实验有非确定性、试错回路极长。"但当你能把折叠模型做到 1 埃以内、当设计模型的命中率能到 50% 以上——你把它放进一个 96 孔板，里面有 48 个有意思的 binder——你就开始跨过那个门槛：你可以声明式地、精确地工程出你要的东西，而不是赌自然或者靠试错。"（[01:32:46]–[01:33:47]）他的类比链是：软件（写代码得到确定结果）→ 电子工程（Cadence 里画原理图）→ 机械工程（CAD 出图直接制造）→ 现在轮到生物。
  • ⚠️ Matt："最大的收获是这个领域真的在 work。不只有商业牵引，研究上也真的显示出生命迹象——甚至不只是显示，是已经显示过了。我们现在真的处在模型能用、在交付价值、而且还有大量有意思的研究问题的位置。所以我认为这个领域里唾手可得的果子比别的领域多得多。**"（[01:33:47]–[01:34:47]）

与本库其它观点的关系

  • ⚠️ 与 Xaira 的"因果模型需要因果数据" 接得非常紧，而且是 Chai 主动接的：Chai 把 epitope 预测（"我到底该打哪儿"）定为比设计 binder 更难的问题，并明确说 "virtual cell 可能是最接近 SOTA 的东西，但还很远"（[00:55:28]）。本库把这两页记为同一条流水线的上下游：Xaira 在做"该打哪儿"，Chai 在做"打中它"。
  • ⚠️ 与 Genesis Molecular AI 的"RMSD<2Å 不够、要 1Å" 是同一把尺子上的两个刻度：Genesis 讲的是小分子 co-folding 的 eval 门槛；Chai 给出的是抗体设计经 cryo-EM 验证的 0.33 Å。⚠️ 但两者不可直接比较——一个是小分子对接的评估标准，一个是单个设计的实验验证误差，本库并列不换算。
  • ⚠️ 与 Lila Sciences 的"实验室即 verifier" 是同一命题的两种答法：Lila 的答法是把实验室本身建成 RL 的 verifier；Chai 的答法是不自建实验室、用 CRO 网络把回路从"年"压到"周"，并明确承认这仍然远慢于 LLM 的 eval 回路（[00:32:20]–[00:33:21]）。Neil 说这个速度"快到足以开始递归自我改进"——⚠️ 本库标注这是一句自评，与 Lila 的重资产路线构成成本/速度上的真实权衡，不裁决。
  • ⚠️ "不做自己的药"是本库 AI 商业化与价值捕获 里罕见的一个"主动放弃向下游整合"的样本。与 Retell AI 想替掉客户的 CRM、Decagon 明确不做 CRM 这组对立并读，Chai 是第三种位置：不仅不整合，还把"中性"本身当成卖点——因为它同时服务互相竞争的药企。
  • ⚠️ "算力市场被 LLM 化"是本库 AI 算力与基础设施 里第一条来自非 LLM 工作负载的抱怨。此前所有材料（Baseten、游凯超、Simon Mo、孟子立）都是在 LLM 形状内部讨论优化。Chai 说的是硬件形状本身就不是为这类模型造的——小隐藏维度、大序列维度、L³ 的计算量、内存带宽而非算力是瓶颈。这与 刘子鸣的"Transformer 中了硬件彩票" 是同一论证的另一侧：刘子鸣说是架构中了硬件的彩票，Chai 说的是没中彩票的那些架构现在过得什么日子。
  • ⚠️ "复杂性和 bitter lesson 根本对立"与 Baseten 唱空 mega kernel 是同一种工程直觉在不同层的表达，但 Chai 的版本更强：它是研究层的取舍原则（该不该加第 24 个子模块），而不只是部署层的判断。⚠️ 同时它与主持人给的反驳（AlphaFold 的成功恰恰来自层层归纳偏置）构成本页未解决的一组分歧，本库并列不裁决。
  • ⚠️ "人才晦涩性"给 AI 与就业 补了一个此前没有的方向：本库这条线上的材料基本都在讨论AI 怎么改变现有岗位；Neil 讨论的是人才在领域之间怎么流动、以及为什么生物拿不到人——门槛不是能力而是入门路径的长度（写 app 可以马上开始，做生物要读到 PhD）与不可视化。他自己把这条与产品设计连起来了。
  • "所有 AI 科学公司其实都是咨询公司"（主持人）与 Decagon 的"FDE 是陷阱" 是同一疑虑的两个行业版本。Decagon 的答案是把 FDE 的活全部产品化；Chai 的答案不同——它承认集成工作存在，并把它当成防御性来接受（"以后很难换供应商吧" / "我希望如此"）。本库并列。

事实性断言与预测（可验证）

除注明外，均为嘉宾自报，本库未核实。

  • Chai 已公布的合作方为 Eli Lilly、Pfizer、Novartis 及第四家（⚠️ 转录稿作 our Gen X，本库不认定），并再融 4 亿美元（[00:03:01]、[01:07:36]）。
  • 公司约 30 人，研究团队约 10 人（[01:26:43]–[01:27:45]）。
  • OpenAI 联合领投了 Chai 的种子轮；公司早期 5 人时坐在 OpenAI（Mission 区）办公室（[00:19:15]）。
  • Chai 2 对 50 个靶点设计抗体，约一半拿到 binder，平均结合命中率约 20%（[00:07:05]、[00:22:17]）。⚠️ 靶点集合经 CRO 可行性预筛。
  • ⚠️ cryo-EM 验证误差 0.33 埃（约 1/3 个原子宽度）；靶点特意选择无已知抗体 binder 以排除数据泄漏（[00:34:22]）。
  • ⚠️ AlphaFold 2 multimer 在抗体-抗原预测上正确率约 11%（[00:53:28]）。
  • 湿实验验证回路已从"月/年"压缩到"周"（[00:32:20]–[00:33:21]）。
  • 设计命中率"50% 以上"的说法出现在收尾——"96 孔板里有 48 个有意思的 binder"（[01:32:46]）。⚠️ 与前文"约 20% 命中率"（Chai 2 时期）不是同一时点，本库并列不合并。
  • B300 一类新卡由超大规模云与最大 AI 实验室买走 95% 以上（[01:02:34]）。
  • ⚠️ 直到约 2026-05，GLP-1 类药物总收入超过所有 AI 实验室收入之和；两个 GLP-1 药物合计约为万亿美元级资产（[01:23:42]）。
  • AlphaFold 3 约有 23 个子模块（[01:08:36]）。⚠️ Matt 自陈"数字我可能记错"。
  • 预测（Matt）：Chai 的北极星是直接从模型产出类药分子，不再区分 hit discovery / lead optimization 等阶段；"这会很难、会有大量路障，但我认为非常可实现"（[00:47:26]–[00:48:26]）。
  • 预测（Neil）：产品会在越来越高的抽象层被重写——从现在类似 Cursor 的"检视分子"，到编排假设 campaign，再到对整条通路的所有靶点做 campaign；"也许最后这东西自己就跑起来了"（[00:50:27]–[00:51:27]）。他同时承认这意味着现在建的产品寿命可能只有一年。
  • 预测（Neil）：会出现某个商品化层，但前沿模型仍将捕获大部分价值，机制类比 LLM 市场（[01:15:39]–[01:17:40]）。