黄仁勋看好的下一个万亿美元AI赛道-国际期货

若是要问AI的下一个黄金赛道是什么？黄仁勋的谜底是生命科学。

他在许多场所明确表达了这个看法，好比在一场“天下政府峰会”的集会中，他说：“每小我私人都要学习电脑的时代已经竣事了，未来的天下应该是生物学。”

在另一场集会的问答环节中，他说若是有重来一次的时机，他会首先思量生物学，稀奇是和人类相关的生物学。

不仅仅是黄仁勋这么说，英伟达对外投资也证实晰这一点。近两年，英伟达近乎疯狂地在医疗和药物发现领域投资，已投资了跨越十几家初创公司。

据WSJ报道，Moon Surgical是一家行使AI改善腹腔镜手术的法国创业公司，其首席执行官Anne Osdoit说，她的公司约莫在三年前就最先与英伟达互助，那时该公司正在为生命科学领域开发芯片。她说，这种互助关系最终促成了投资，英伟达还辅助公司解决了有关手术机械人的手艺羁系担忧。“英伟达异常务实，直接说‘嘿，告诉我们你需要什么’。”

英伟达医疗保健副总裁Kimberly Powell甚至直言：“既然盘算机辅助设计行业捧出了*家2万亿美元市值的芯片公司，盘算机辅助药物发现行业，为什么不能打造下一个价值万亿美元的药物公司呢？”

在今年英伟达GTC大会上，与医疗保健/生命科学相关的流动将达90 场，也突显了英伟达对生命科学领域的重视。“我们是相当内行的投资者。”今年1月，黄仁勋在一场摩根大通医疗康健集会上说，“若是你在盘算或AI方面有难题，请给我们发邮件，我们随时为你服务。”

英伟达的对外投资中，医疗保健和生物手艺类异常多

创新药研发一直都费时艰辛，业界有一个著名的“双十定律”，即研发一款新药需要10年时间、10亿美元，而且乐成率也只有10%。以是哪怕是细小的改善，也将无价之宝。

科学家们一直在起劲用传统的统计工具，来实验改善效率，机械学习使筛选成堆的信息成为可能。好比谷歌DeepMind曾行使其AlphaFold系统，来展望卵白质结构。这项手艺的最新希望泛起在5月8日的《自然》杂志，新推出的AlphaFold 3不仅能够模拟卵白质与其他分子的相互作用，还能准确展望包罗DNA、RNA、配体等生物分子结构以及它们若何相互作用，这项手艺能改变我们对生物天下和药物发现的明白。

下面我们来看看 AlphaFold 3 令人兴奋的一些展望效果:

7PNM - 一种通俗伤风病毒的突起卵白（冠状病毒OC43）：随着病毒卵白（蓝色部门）与抗体（绿色）和单糖（黄色）相互作用，AlphaFold 3对7PNM的展望效果与真实结构（灰色）完全吻合。这能够增进我们对这种免疫系统历程的领会，有助于更好地明白冠状病毒，包罗COVID-19，从而提高改善治疗的可能性。

8AW3 - RNA修饰卵白：AlphaFold 3 展望的由卵白质（蓝色）、一条 RNA 链（紫色）和两个离子（黄色）组成的分子复合物与真实结构（灰色）异常吻合。这个复合体介入了其他卵白质的天生，这是一个对生命和康健至关主要的细胞历程。

7R6R - DNA连系卵白：AlphaFold 3 展望的卵白质（蓝色）与 DNA 双螺旋（粉色）连系的分子复合物，其展望效果与通过庞大实验获得的真实分子结构（灰色）险些完全吻合

图片泉源：Google DeepMind

虽然迄今为止只有十几种药物在研发历程中使用了人工智能手艺，但这一数字在未来可能会迅速增进，未来的药物研发会越来越像一个盘算问题。当数据科学、人工智能和自动化相连系时，生物学将变得工程化，有可能泛起指数型改善。

AI 将改变药物发现历程的每一步，虽然它可能是一种渐进式的改善——这里提升10%，那里20%、30%，但最终将所有这些改善相乘，速率和乐成率就可以提高两到三倍。

今天这篇文章，我们就来聊聊AI在制药方面到底能做什么？*的瓶颈——数据，会带来哪些问题？以及AI制药更可能会是一种渐进式的变化，而非突变式……Enjoy：

AI在制药方面到底能做什么？

但为什么现在还没有获批药物，是通过AI方式做出来的？

1

AI在制药方面到底能做什么？

我们先说一个真实案例。

几年前，在奥利地维也纳医科大学，一名82岁的病人（保罗）患有一种侵袭性血癌，他已经做了六个疗程的化疗，但都未能根治。在这个漫长且痛苦的治疗历程中，医生不得不把那些常用的抗癌药一个一个划掉，由于它们都没有起到作用。

最终，保罗介入了一项药物试验，一家英国公司Exscientia正在开发一种新型的配对手艺，能凭证差异患者的细微心理差异，为他们配对所需的准确药物。

研究职员从保罗身上提取了一小块组织样本，将包罗正常细胞和癌细胞在内的样天职成一百多块，并将它们露出在差其余药物组合中。然后，他们行使机械自动化和盘算机视觉，这是一种经由训练的机械学习模子，可识别及展望细胞中的细小转变。

实验证实，有些药物不能杀死保罗的癌细胞，有些药物反而损害了他的康健细胞。最终，这项手艺找到了一款抗癌药物，而此前保罗的医生没有实验过它，由于往期的试验解释，这种药物对治疗这种类型的癌症无效。

最终这款药物乐成了。两年后，保罗的病情完全缓解，他的癌症消逝了。而若是接纳传统的设施，实验的速率和规模不能能这么快。

固然，在这个已经乐成的案例里，机械学习只做到了筛选出准确的药物，这也只是这家英国公司Exscientia的一个小目的，真正的目的是彻底改变整个药物开发流程，行使人工智能手艺设计新药。

但这个目的还未实现，这是现在整个生命科学界和AI界都在探索的偏向。我们希望通过AI和数据驱动的方式，注入更强算力，来提高药物研发中的乐成率。

我们先来看看研发一款新药（这里主要指小分子药物）的基本步骤是什么，再来说AI能切入哪些环节。首先，研发职员需要在人体内选择一个药物会与之发生作用的靶点，例如卵白质；然后设计一种分子，对该靶点起作用，好比改变它的事情方式或让它住手事情。接下来，在实验室中制造出这种分子，并检查它是否真的起了作用，而且这个作用是设计所需的作用，而不是其他作用。最后，在人体中举行测试，看它是否平安有用。

几十年来，研发职员们筛选候选小分子药物的方式是，将所需靶点的样本放入实验室的许多小格子中，加入差其余分子，考察反映。然后多次重复这一历程，调整候选药物分子的结构，好比把这个原子换成谁人原子，云云频频，这内里依赖的都是研发职员的履历和直觉。

但从实验室到人体并不容易，许多药物分子在实验室中似乎很有用，但最终在人体中举行试验时却失败了。以是这内里需要大量修改的事情，好比脂溶性欠好，就需要修改与脂溶性相关的地方；若是有毒副作用，就需要修改响应的地方战胜掉。

新药研发实在就是一个不停迭代、修改的历程，最后经由实验验证，走向临床、上市，发生价值。从履历来看，研发职员可能需要设计和测试20种药物，才气最终选出一种有用的药物，这导致研发成本异常之高。

在这个历程中，AI能切入的主要是两个环节：

汽车激光雷达遭遇尴尬

*是在最初选择苗头化合物时，就通过AI去筛选。传统方式是依赖于研发职员的履历和直觉，只能在一个几百万级的化合物库中去搜索和筛选。据测算，若是剔除一些异常相似的分子，所有的大型制药公司好比默克、诺华、阿斯利康等等加在一起，最多能有1000万个分子可以用来制造药物，其中有些是专有的，有些是众所周知的。这就是大量化学家在已往百年辛勤事情的总功效。

但自然界中的化合物，或者说成药空间，有10的60次方，我们现实上只是在一个异常小的局限内搜索。若是强算力的AI能够在更大的局限内搜索，那就能大大突破现在的探索空间，找到更合适的成药化合物。

这是人工智能的真正潜力所在——打开一个伟大的生物和化学结构库，这些结构可能成为未来药物的因素。

第二是在对先导化合物的修改时，运用AI手艺修改。在选择完苗头化合物后，形成先导化合物，但有许多地方往往需要修改，好比需要把活性修改得更好，或是要把成药性改得更好，这个环节在药企研发中可能占了90%的事情量。

若何修改这些分子呢？由于药物研发已经有了上百年的历史，我们已经纪录了许多结构的作用，基于这些再去做创新会容易一些。打个譬喻，这个历程像是要把一幅画改得更漂亮，然则现在这幅画中的某一部门，已经画得还不错，此前也已经被实验验证过了，那就可以保留，在这个基础上修改。

而经由训练的AI大模子，它可以从数十年间的几百万篇论文和大量档案中挖掘数据，从这些文件中提取出知识图谱——哪些改变会导致什么样的效果，这样的因果链对修改异常主要。

基于这样的数据基础，然后就可以让AI去把其他部门设计出来，让AI施展想象力。AI往往比人类专家的想象力加倍厚实，人类专家往往只能画出几十个分子，而AI天生的数目是没有上限的，只要算力支持。

而且，在修改中需要同时思量许多影响因素，好比合成性、活性、成药性等等，是一个多重目的的庞大问题。人类专家在处置时，往往是简化，一次只处置一个环节，好比在这个环节只思量活性，在另外一个环节才去思量成药性。但AI能够更好地处置多重信息。

拿对照主要的成药性来举例，好比一款口服针对肿瘤的药物，它要想进入体内后可以治愈肿瘤，首先需要经由消化系统，然后进入血液和细胞，这个是吸收、代谢的历程；其次药效需要连续一段时间，而且不能有毒副作用。这些性子统称为成药性，是药物研发中很主要的因素。

以往研发职员主要依赖实验验证，这就导致有可能在之前的研发环节花了许多钱，做了很长时间，好不容易发现了一个有用分子，但在成药性验证上出了问题，而导致重新做或是放弃，这就造成了“双十原则”。

现在则可以通过AI 专家履历 自动化实验的方式，通过AI提升展望的准确率和设计出更结构新颖、性子更好的分子，来提升整体乐成率。有研发职员将药物和卵白质在体内的相互作用，视为一个物理问题，模拟原子间的推拉作用，而这种推拉作用会影响分子若何连系在一起，行使人工智能更准确地模拟分子之间的相互作用。

天生式AI对生命科学各环节的作用及经济价值推动；图片泉源：麦肯锡

2

但为什么现在还没有获批药物，是通过AI方式做出来的？

不外，与AI制药伟大潜力相对应的是一个冰凉的事实，现在还没有任何一款获批的药物，是通过AI的方式做出来的。

“若是有人告诉你，他们可以*展望哪种药物分子可以通过肠道或不被肝脏剖析，诸云云类，那么他们很可能也有火星上的土地要卖给你。"MIT Review曾经采访了一位该领域的专业人士。

现在横在AI制药手艺眼前*的难题是数据，由于生命科学领域的数据异常不尺度化，稀奇是在实验领域，经常会泛起A实验室做出来的实验，与B实验室做出来的实验压根没有可比性。该领域甚至有一个常用语——“Apple to Apple”或者“head to head”，来稀奇强调可比性。

一旦涉及对真实天下的数据采集，*的问题就是若何采集足够多的数据维度。不管是研究细胞照样研究人、动物，一样平常在传统生物学、医学的视角里，采集的都是单点数据，好比这只猴子是胖照样瘦、这个细胞是增殖照样殒命，但这些维渡过于单一，对胖瘦、增殖照样殒命的影响因素实在异常多，若是我们缺乏足够多的考察手段，以及不能形成多维度、结构化的数据，那么对AI举行的训练也就会大打折扣。

以及这些数据从那里来？并纷歧定是大型药企，由于以前的数据纪录方式纷歧定能复用。曾经在自动驾驶领域就有一个经典例子：当我们去寻找可供模子训练的数据时，许多人最初找到出租车公司，由于出租车都配有行车纪录仪，理论上应该有许多自动驾驶的数据。但现实上人人发现不行，由于出租车缺乏多维度的数据纪录，虽然行车纪录仪的数据有许多，但并不知道当某个路况发生时，司机做出了什么动作，好比怎么打偏向盘、什么时刻踩了刹车，原来的行车纪录仪并没有足够的传感器去纪录这些内容。以是现在的自动驾驶公司，为了采集多维度的数据，都必须在测试车里加装许多传感器。

现在在生命科学领域也一样，虽然纷歧定要完全从零最先，但现在的行业数据库一定是不够的，需要加入种种新维度，包罗加尺度、加界说、加新的“传感器”等等，需要围绕AI训练所需，把种种维度补全，才气够有训练好AI的基础。

而若是从AI大模子scaling law的角度，现在还没有人知道一个足够智能的生命科学大模子，到底在哪个局限上才气够到达涌现？在没有足够高质量的数据、没有到达scaling law生效前所做出来的AI，归根结底可能只是overfitting（拟合太过），还无法到达真正的突破。至于这个scaling law的突破点在那里？仍然还处于探索中。

除了数据缘故原由之外，另一大缘故原由是AI也不是*的，无论研发环节何等先进，药物仍然需要举行人体临床试验。任何药物研发的最后阶段，都需要招募大量自愿者，这很需要时间，平均约10年。许多药物需要破费数年时间才气进入这一阶段，但仍然以失败了结。

虽然有许多AI制药公司都在加班加点地研发，但这些实验室中的实验和人体临床试验无法被缩短，以是*批在人工智能辅助下设计的药物，可能还需要几年时间才气上市。

固然，虽然AI无法加速临床试验的历程，但它确实可以辅助制药公司削减试错成本，也就是削减在实验室中测试无效药物分子所破费的时间，让有希望的候选药物更快进入临床试验阶段。而且，由于资金投入的削减，公司可能不会感应那么大的放弃压力，而坚持想碰碰运气。

现在正有越来越多的由AI辅助的药物管线泛起。凭证智药局统计，AI辅助的临床管线已经从2022年的50条，增进到当前的102条，这还仅仅是统计的AI制药公司的管线情形。

一级市场的资金也正在往该领域群集。好比在上个月，生物手艺领域*的投资机构ARCH Venture Partners，做出了有史以来*的一笔投资，单笔领投了2亿美元，投资于AI 医疗创业公司Xaira。这家确立仅一年的创业公司，在种子轮就拿了10亿美金，目的是行使 AI 来重塑药物的研发、寻找治疗疾病的新药。

英伟达对Biotech的投资

当我们在讨论AI制药的未来时，它更像是一场渐进式的变化，而非突进式的变化。

这一轮AI热潮与此前盘算机辅助制药*的差异在于，算力和算法已经获得了显著提升，相比之前已经发生了代际差异，这为药物发现和设计提供了亘古未有的准确度和效率。

由于数据问题，以及AI无法触达的临床试验等耗时环节，至今仍未有获批药物是通过AI方式做出来的。但AI制药的真正价值，可能不在于它能够立刻缔造出逾越现有药物的事业，而在于作为一种工具，能够系统性地解决以往难以解决的问题。这种系统性的解决方案，而不是偶发性的一两次乐成，若是能够实现，将是对传统制药方式的一次重大突破，有可能带来制药行业的革命。

最新的研究里程碑也证实晰这一点。华盛顿大学生物化学教授David Baker的研究团队，首次行使AI手艺从零最先设计出了一种新型抗体，将抗体疗法推向了一个全新的高度。虽然尚未到达人类设计的*水平，但已经证实晰AI设计的卵白质是可行的，这为未来的生长奠基了基础。

最后，若是我们用一句话总结：“AI在大分子领域的潜力值得期待，但这个起劲乐观可能不是在一个2-3年的时间周期里，而是更长的、渐进式的生长周期里。”在古代，药物发现纯粹靠运气；在近代，药物发现依赖履历和直觉；在未来，AI手艺料将大大加速这一历程——这里提升10%，那里20%、30%，最终将所有这些改善相乘，速率和乐成率就可以提高两到三倍。

References：

1. EndPoints：Cash, chips and talent: Inside Nvidia's plan to dominate biotech's AI revolution

2. 国联证券：医疗AI赋能医药产业新生长

3. The Economist：Big pharma is warming to the potential of AI

4. MIT Review：AI is dreaming up drugs that no one has ever seen. Now we’ve got to see if they work.

5. Reuters：Big Pharma bets on AI to speed up clinical trials