跳到正文
Silicon Valley Girl(youtube.com)· Max Jaderberg·· 12 天前品質評分58

DeepMind 資深老將:AI 缺失資料中的商業機會

DeepMind 資深老將:AI 缺失資料中的商業機會

重點導讀

Isomorphic Labs 執行長 Max Jaderberg 說明公司如何運用源自 AlphaFold 的 AI 與虛擬實驗室模擬來壓縮藥物研發流程,並主張物理科學突破的瓶頸在於資料可得性,而非模型構想。

AI 伴隨問答

自備 Key 深度分析

針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:

Podcast 專家音訊節目

收錄於 888news Podcast 智庫專區,包含精華摘要與上市公司即時行情

正文

Max Jaderberg 是 Isomorphic Labs 總裁,他主張:要用 AI 治癒疾病,靠的不是單一個 AlphaFold 等級的突破,而是「至少六、七個」這類突破,再整合成一套藥物設計引擎。整場對談多半圍繞這套引擎如何打造與商業化:該建哪些模型、如何建立基準來衡量;AI 設計代理與「虛擬實驗室」模擬器如何把實驗篩選量從數十萬個設計壓到 20 至 50 個;在 AI 與生命科學跨域人才都還不存在的情況下如何招募;以及為什麼 FDA 與臨床試驗時程才是藥物真正上架藥局的瓶頸。標題所說的「尋找 AI 的下一個大機會」,其實只佔中段一小段篇幅——Jaderberg 在那裡點名材料科學、工程及其他實體設計領域,認為它們各自都值得迎來自己的 AlphaFold 時刻。

Jaderberg 的資歷,正是這些具體說法有分量的原因:他是牛津出身的 AI 研究者,創辦的新創被 Google 收購,之後在 DeepMind 參與 ImageNet 時代的電腦視覺、生成模型、語言模型與深度強化學習,曾投入 AlphaGo 與 AlphaStar,也協助開發 AlphaFold 3,如今執掌 Demis Hassabis 創辦的藥物設計公司。讀者讀完應該能掌握:Isomorphic 的營運模式(自有研發專案加上與藥廠合作)、公司自訂的準確率門檻與成功率指標、他們對 AI 研究職與化學職走向的看法,以及對 AI 設計藥物何時真正送到病人手上有一個務實的判斷。

Isomorphic 押注的是一組突破,而非單一模型

Jaderberg 的核心論點是:AlphaFold 證明瞭 AI 模型能在生物學與化學中泛化——這是「先前沒有人真正展示過」的事——但它「並不是製藥的解答」。一款藥必須同時解決大約十幾個難題:選對蛋白質標的與細胞訊號路徑、設計出能如預期調控該標的的分子、把這個分子送到身體正確的部位,還要證明它安全、沒有毒性副作用。他的答案是集結一批「AlphaFold 等級的突破」——他估計「大概六、七個以上」——每一個都是一種「超能力」,交到化學家或生物學家手上,就能徹底改變製藥方式。Isomorphic 已經辨識出這些突破是什麼,並花了約五年打造朝這些目標前進的模型。

他把工作分成兩條戰線。理解端是一組生物學基礎模型,用來描繪蛋白質、DNA 與 RNA 如何組合成訊號路徑,以及疾病如何改變這些路徑。設計端則拿這份理解去生成介入手段——小分子藥丸、抗體,或胜肽注射劑。

他引用的產業基準很嚴峻:從概念成形到藥物送到病人手上約需 10 年,開發過程失敗率約 90%。這個失敗率正是商業切入點,因為它意味著現行流程靠的是經驗性的反覆試錯,而非預測。

「我們不必再靠實驗逐一篩選、跑過數十萬個不同設計,只要做 20 或 50 個就好。」

商業化與研究並行,成果由外部人評判

Isomorphic 刻意不走「在暗無天日的洞穴裡蹲十年」那套模式。從第一天起,公司就同時跑兩條線:打造核心 AI 平臺,並立刻把它套用到市面上最難的商業問題上。公司早期就與大型藥廠簽下合作,對方帶來「名副其實是業界最難的問題」,Jaderberg 把這形容為一種紀律機制——「你不能自己給自己打分數。」

面向自有專案合作專案
發起方Isomorphic藥廠合作夥伴
資金完全自籌由合作夥伴出資
智財歸屬Isomorphic 擁有全部智財依合作條款共享
策略角色建立自家 AI 設計藥物產品線以業界最難的問題作為基準

至於模型何時算成熟、可以走出實驗室,Jaderberg 不接受單一門檻。自駕車上路前需要「99.99999%」的準確率;藥物探索不必如此,因為 AI 出現之前的預測能力實在太弱,只要比業界現況略勝一籌,就已創造科學與經濟價值。他的檢驗方式是「翻譯檢查」:內部基準與評測只是代理指標,這些指標上的進展必須在真實的藥物探索專案上化為實際突破。若基準進步了、現實卻沒變,解法就是「回頭重新設計你的排行榜與評測,讓它們更貼近第一線的真實情況。」

在他看來,這份野心有市場規模撐腰:公司估算了潛在的病人影響力,以及 AI 能從中吃下的比重,這樣的規模足以支撐對核心建模與科學研究的大手筆投資。

任務樹與遊戲化排行榜,把「攻克所有疾病」拆成每天的工作

Jaderberg 說這個使命「瘋狂」又「膽大」,並強調公司是「一本正經」地這麼說;但他也坦承,這件事不會一夕達成,也不會「只靠 ISO 這四面牆內的人」。他認為,把野心縮小反而會改變公司的設計——最後你會「設計出一些和那份野心對不上的目標」。

要讓一個遠超過任何個人能耐的使命有所依託,他用的機制叫任務樹(mission tree):最頂層是攻克所有疾病,往下一層是「改變我們製藥的方式」,一路往下拆,直到每個人都有一組能向上匯總到頂層的個人任務。里程碑則像試紙,用來檢驗公司是否還走在正軌上,或該調整方向。

他最具體的管理例子,是一個從公司創立時就存在的建模任務。團隊設下量化目標:在某個基準上達到 80% 準確率,而「全世界在這件事上只有 10% 的水準」——這個數字感覺遙不可及,卻具體到可以一次爬 1%、2%、3%。年年複利累積,差距就會收斂。Isomorphic 把這類目標叫排行榜,公司每個部門都有一個量化目標可以持續推進,「即使那個數字有點人工也無妨。」

遇到低潮時,他給創辦人的建議是:事前就要花時間把使命論證清楚,讓自己能完全認同它。「ISO 的使命,是我可以乾脆奉獻一生、事後也毫無遺憾的那種。」

下一個 AlphaFold 時刻,出現在實體實驗成為瓶頸的地方

這一節才真正回答標題。Jaderberg 說,許多應用 AI 領域仍需要 AlphaFold 式的突破,而共同特徵就是瓶頸卡在實體世界。目前的 LLM 與推理代理能分析實驗資料、提出下一個實驗——他說在生物學領域,它們在這件事上已開始「甚至可能超越人類」——但它們無法可靠預測實驗結果本身。總得有人去「戳一戳真實世界」。

他點名材料科學、工程,以及「任何形式的實體設計工作」,認為在這些領域打造能模擬部分實體世界的模型,就能讓研究者改為戳模型、而不必真的跑實驗。他把這類模擬器定位為 LLM 與推理模型的互補,而非替代。

卡關的是資料,不是演算法。Jaderberg 自稱是「深度學習極大化論者」:演算法幾乎能解決任何問題,算力充裕,人才也都在——所以限制在於手上的資料是否含有足夠訊號。資料若雜訊多、維度低或量太少,模型能力就有上限。他把這看成機會而非死路:先問什麼樣的資料若能存在就能解開問題,再問有沒有新的資料生成技術能把它造出來。他說,很多新生意正是從這裡冒出來——蒐集資料,並讓模型能取用。

flowchart TD
    A["推理模型與 LLM"] --> B["分析資料、形成假設、提出下一個實驗"]
    B --> C{"模型能預測實驗結果嗎?"}
    C -->|"能,透過世界模型"| D["改為戳模擬器,不進實驗室"]
    C -->|"不能"| E["執行實體實驗"]
    E --> F["產生新資料"]
    F --> A
    D --> G["實驗次數更少、更有針對性"]

設計代理與虛擬實驗室,把篩選量從數十萬壓到 20 至 50

被問到 Isomorphic 如何判斷哪些 AI 生成的假設值得追,Jaderberg 說明瞭一套雙模型架構。生成模型與設計代理會產出數千到數百萬個候選設計;另一組互補的模擬模型——他稱之為「世界模型」或「虛擬實驗室模型」——則預測每個候選設計若真的做出來、真的測試會有何表現,把範圍縮到信心最高的少數幾個。到這時,才有東西進到濕實驗室,也就是「真正耗時又燒錢的部分」。

成果指標是實驗成功率。Isomorphic 現在只做 20 或 50 個分子,而不是篩選數十萬個設計,命中率高到足以讓過去那種蠻力做法退場。他明確對比了那些試圖更快接上真實世界的「實驗室迴路(lab in the loop)」方法:「我們其實是想盡可能把真實世界搬進電腦裡。」

有些設計代理會自主運作兩到四天。對這些代理而言,成功不是單一準確率數字,而是一個由多項性質構成的目標空間,其中好幾項彼此衝突——把性質 A 拉高,性質 B 就會變差。這使它成為開放式的探索與利用搜尋,而非貪婪最佳化,他把這點連結回強化學習的核心。真正的關鍵工程在於提示、代理的執行框架,以及如何定義成功。

他判斷該自動化什麼的框架,是以評測為依據、而且帶點懷疑:用代理時「很容易自我欺騙」,以為某項任務已自動化,實際結果卻不夠好。在可驗證的領域,電腦能檢查代理的答案;但在生物學與藥物探索不行,所以評測較軟性,且必須針對代理系統的每個元件分別建立。檢驗標準是:在那個情境下,代理在品質或速度上是否勝過人類——這項量測結果,再回過頭指引開發時間該投到技術堆疊的哪一層。

研究職與化學職,正從「提出想法」轉為「定義搜尋空間」

Jaderberg 說,研究者的角色已經改變,AI 科學家與化學家皆然。以前的 AI 研究者會提出某個具體的模型改動、把它實作出來、再跑實驗。現在研究者定義的是模型改動的設計空間與目標——提升效率、吞吐量,或某種面向的準確率——由代理生成想法並執行實驗。以前的化學家會在 whiteboard 上畫分子、逐一替換原子;現在藥物設計師定義下一輪的設計空間與目標,設計代理則自主處理一個個具體設計。

在他看來,不會被自動化的是「管人」。他有很大一部分時間花在和公司各部門的人談話,並提到那場改變整體策略的 20 分鐘對話。他說,即使模型逼近 AGI,真正的限制仍會是人類的注意力時間與實體空間。

他個人的工具組合以 Gemini 為主,再加上「幾乎所有模型」,包括開源模型,並把代理接上公司各專案的資料。他形容為「令人腦洞大開」的用例是資料分析與視覺化——這類工作原本需要一位優秀設計師坐在他旁邊,現在他身為公司負責人,自己就能直接驅動。

目前還沒有世界級專家,所以各領域找最強的人,再讓他們互相學習

Isomorphic 的招募邏輯,源自這個領域還太年輕:「世界上不存在用 AI 攻克疾病或製藥的世界級專家,因為這個領域存在的時間還不夠長。」任何人自稱有這個頭銜,用的八成是 Isomorphic 內部不採用的技術。因此公司分別招募最頂尖的 AI 科學家、AI 工程師、軟體工程師、化學家、生物學家與臨床醫師,再要求他們學會彼此的語言。

沒有生命科學背景的 AI 人才,公司期待他們「有意願、有好奇心、樂於學習」。Jaderberg 指出,這些領域的頂尖人才通常熱愛學習,而且這個領域有很多東西是可以學會的。還有第二個好處:對某個學科完全陌生的新進者,會不自覺地用第一原理去思考它,而這正是在全新領域中打造東西所需要的。

他的面試問題聚焦在「在不適中學習」——「你什麼時候待過一個對你來說完全陌生的領域?那是什麼感覺?」——以及失敗經驗,請應徵者描述失敗的技術工作,以及後來如何找到解法。他也點出研究品味(research taste)是一項真實且可討論的特質:能快速篩選出該問哪些問題、哪些方法可能回答它們。品味來自實作經驗,實作會建立心智框架與直覺,讓人得以駕馭那些維度太高、無法直接裝進腦中的領域。他補充,保持通才身分是有回報的,因為來自數學與科學鄰近領域的跨界想法,往往效果最好。

決定 AI 設計藥物上市時間的,是 FDA 與臨床試驗,而非模型品質

Jaderberg 不願為 AI 設計藥物登上藥局貨架給出時間表。他說,監管路徑其來有自:病人安全優先,藥廠必須產出動物模型等資料,說服專家某個分子很可能安全有效,才能開始試驗。即便如此,仍有約 90% 的藥物在臨床階段因非預期的副作用或毒性而失敗。

一期試驗的重點正是毒性與耐受性——從極小劑量開始、逐步加量,這很花時間。Jaderberg 認為這種緩慢是預測能力不足的症狀:動物模型對人類毒性的預測力只有約 30%,「因為老鼠不是人」。隨著 AI 證明自己能更準確預測安全性與療效,他預期這些證據會促使流程時長改變——但前提是所有人,包括 FDA 與病人,都希望有效藥物盡快又安全地送達。

談到接下來的進展,他說有些進入臨床的專案「或多或少碰過機器學習」,而 Isomorphic 正把自家完全由 AI 設計的藥物產品線推向試驗。他願意點名的專案在腫瘤領域——不同型別的癌症——以及免疫與發炎領域,鎖定這些疾病的核心驅動因子。至於哪些病人先受益,他不願多說:「現在說哪些會先進臨床,還太早。」

對於 Ray Kurzweil 主張 2030 年之後每多活一年、預期壽命就增加超過一年,Jaderberg 不背書那個速率,但說「這說法很有幾分道理」。他版本中的未來是預防性且個人化的:對疾病發病機制理解得夠透徹,能在病情惡化前就介入;對個人蒐集遠更多量測;並從一顆藥打全人類,轉向為病人族群、最終為個人量身設計的藥物。他預期未來 10 年可取得的藥物型別會有明顯轉變,而與老化相關疾病帶來的生活品質改善,會先於任何逆轉器官老化的嘗試。

對未來五年想投入 AI for science 的人,他的建議是:別忽略把科學本身學好。算力有限,而智慧即將變得充裕,所以稀缺的投入是「知道該把算力聚焦在哪些核心科學問題上」。還有,採用代理時要「非常有創意、非常積極」。

本集留下的未解張力在於時間。Isomorphic 的內部指標——20 至 50 個分子取代數十萬個、實驗命中率高、代理可連跑數天——描繪的是一條已經大幅壓縮的設計迴路。但 Jaderberg 描述的 10 年、90% 失敗率的臨床關卡,絲毫沒有鬆動;而他自己對 FDA 路徑的說法也是:唯有 AI 在臨床上證明預測能力更好之後,流程才會改變。因此近期該盯的檢驗點不是某個基準分數,而是 Isomorphic 第一個專案進入臨床試驗,以及究竟是腫瘤還是免疫領域的資產先走到那一步。

來源: Silicon Valley Girl (youtube.com)
開啟原文

讀者討論

理性交流 · 即時討論