生技業的未來，會滿是零員工新創嗎？

Dimension 合夥人暨研究主管 Simon Barnett 主張，「零員工生技公司」是真實的能力躍遷，而非行銷口號：AI 模型如今能完成 12 個月前根本不存在的工作，讓小團隊得以同時推進十幾個研發專案，而不是隻能做一兩個。整段訪談大部分在談技術底層究竟改變了什麼——對委外研究機構（CRO）的代理式（agentic）排程、把 AlphaFold 這類專用模型當作工具呼叫（tool call），以及抗體設計與系統生物學之間的落差——Anthropic 收購 Mithril Medicine 的交易和「一人公司」的說法，只佔了開場一小段。

Barnett 是從投資人視角發言：Dimension 自 2023 年初起便持續投資以計算為核心的精實生命科學公司，內部也自行執行代理，因此他對模型能力的判斷，有一部分來自自家實戰。主持人 Drew Armstrong（Endpoints News 執行編輯）與 Andy Dunn 追問他：這是不是炒作？AI 會在哪裡撞牆？對大藥廠與藥物經濟學又意味著什麼？讀者讀完應該能清楚掌握 Barnett 所說真正全新的三件事、他預期會形成瓶頸的環節，以及他坦承尚未有解的部分。

真正全新的是三件事，省下的人事成本不算在內

Barnett 的核心論點是：精實的虛擬生技公司並不新鮮——他把源頭追溯到羅氏（Roche）1996 年分拆出來、他稱之為 Rotodyne 的公司，據他所述，該公司以約八人規模推進研發專案——但這一輪有三點不同。第一，團隊組成變了：除了懂得擬定開發計畫與目標產品概況（target product profile）的生技高階主管，現在還多了一位機器學習原生世代，清楚當前模型能做什麼、不能做什麼。第二，產能擴張了。以往一個聰明又勤奮的人或許能扛一、兩個專案，Barnett 說最新技術是「實實在在的 10 倍」，足以支撐「十幾個專案」——前提是這些專案共用同一個主幹；他建議採受體促效（receptor agonism）這類共同機制，而不是把 RNA、抗體與小分子混在一起做。第三，排程能力：長時程的前沿模型，或內部自行分支（fork）的開源模型，可以承接大量管理 CRO 與內部流程的工作，還能像 LLM 查詢 PubMed 那樣去呼叫專用模型。

他明確表示，重點不在省成本。「比方說，你在人事費上省下的金額，並不是決定這套模式成敗的關鍵，」他說，因為藥物開發終究是「極度艱難的產業」。更重要的是讓小團隊具備更好的情勢感知——細到分鐘級的競爭情報與商業嗅覺——從而做出更好的決策。

模型更擅長排程，但還沒有任何流程能整晚無人看管地跑完

Barnett 說，代理能持續運作而不出錯的時間跨度「在過去六個月強健許多」，這個說法有 Dimension 的內部實務為據——該公司為自身的投資工作執行代理與基礎設施，他將之比擬為生技營運。他把這波重新受到關注，部分歸功於前沿實驗室對生技領域的定向投入，以及一批部落格文章和他在本集播出當週提到的、名為「Nifrol」的發布。

他不認同這已是無人化自動運轉。他的工作模型是：愈來愈強大的通用語言模型，加上一整套專用工具，而要用得好「確實需要大量品味與知識」。他的說法是：「這不是我把這些東西盲目對準一個問題、然後去睡覺，隔天醒來它就幫我解決了。我們還不到那個階段。」

抗體設計領先系統生物學好幾年

被問到炒作與現實的落差會在哪裡顯現，Barnett 劃出一條清楚的界線：資料豐富、回饋迴路緊密的地方，模型進步最快。生物製劑與抗體分子設計「明顯領先小分子」，因為候選分子可以合成、送驗，再把結果回饋進迴路。複雜的系統生物學則是最難的一塊——即使有 10x、Illumina 這類公司提供的高通量量測，從細胞內的化學擾動到人體的療效或安全性之間，仍隔著「太多層謎團」。他預期這需要更根本的突破，但同時預測約 12 個月內，模型對區域性層級的小分子結合與作用，將能達到實驗室水準的預測品質。

至於「品味」問題——誰有資格經營這些公司——Barnett 說，AI 已為任何有好奇心、肯下功夫的人降低了學習門檻，但驗證依然困難。針對一個標靶產出一份深度研究報告很容易；但要判斷某項檢測存在已知限制、或某個模型系統有缺陷，靠的是新手可能欠缺的內隱知識。這正是「左腦配右腦」的組合：一個人懂什麼能讓藥物具備商業可行性與給付條件，另一個人懂資源該往哪裡配置，因為他掌握變化的節奏——包括知道何時不該投入，因為「實驗室三個月內就會把它吃下來」。

Anthropic 收購 Mithril 既是膽大包天的行銷，也是真實的能力轉變

Armstrong 交代新聞背景：Anthropic 買下 Mithril Medicine，這家公司被描述為「一名員工加上 AI 與約聘人員」，由 Atlas Ventures 的進駐創業家（entrepreneur-in-residence）Cody Tranberger 經營，他在 X 上的帳號是「Professor Oak」。Dunn 點出他眼中 Anthropic 策略的張力——一邊是漸進、看似理性的動作（他稱為 Coefficient 交易的春季那筆案子、在灣區設有濕實驗室的酵素研究計畫，接著是 Mithril），另一邊是宣傳式語言，包括一份點名阿茲海默症、癌症與心臟病的 S-1。他把它比作德米斯·哈薩比斯為 Isomorphic Labs 喊出的「解決所有疾病」。

Barnett 的答案是「兩者可以並存」。他理解生物學家的懷疑——在他們眼中，醫學是隨機的、深奧的、難以用模型駕馭的——但他說，Dimension 所投資公司的營運「已因 AI 大幅改變」，改變的是速度，更重要的是點子的品質。他反駁「AI 做出幾款藥了」這類文章，認為那根本問錯了問題，部分原因是幾乎不可能用百分比去界定一款藥的源頭有多少歸功於 AI。他的策略判讀是：實驗室有興趣透過強化學習後訓練（reinforcement-learning post-training），在價值鏈中較可驗證的環節吸收內隱知識，這應是利多，也會讓產業更具競爭力，只是中間會夾雜「大量雜訊」，爭論它究竟帶來多大差別。

「我完全不認為這已經是什麼無人化自動運轉。」——Simon Barnett

「我們的猴子就這麼多。」——Simon Barnett，談臨床與臨床前瓶頸

小團隊砍掉官僚，大藥廠承受壓力但不會被取代

Barnett 不認為這是大藥廠的喪鐘。他稱這項技術是「水漲船高」，並指出老牌藥廠正在延攬技術人才、多方嘗試，預期它們會像過去數十年一樣持續收購這類團隊。小團隊的優勢在於擺脫官僚惰性——「中間的傳話人，以及傳話給那些傳話人的人」，還有大型組織的政治腐化——加上能推進那些規模太小、不足以驅動龐大組織的商業構想，他稱之為「中尺度商業機會」（mesoscale commercial opportunity），對投資報酬與病患仍可能意義重大。若十年左右之後，傳統前二十大藥廠名單重新洗牌，他也不會意外。

臨床、猴子與投資人算數，才是真正的速率上限

Armstrong 提出早期研發加速後隨之而來的限制：願意參加試驗的人就那麼多，實地試驗基礎設施就那麼多，動物模型研究還面臨真實的猴子短缺。Barnett 同意這正是「現實開始起作用」的地方——時間無法壓縮，「我們的猴子就這麼多」。他引用 Bruce Booth 在本集播出當天上午發表的文章，該文主張：合成化合物所需的啟動門檻降低後，首先會加劇過去十年的標靶擁擠效應，也就是「喔，又一個填空題」的問題。

他提出兩點但書。第一，機器學習系統在訓練分佈之外的泛化能力，令他印象深刻。第二，風險資本本身會形成紀律：「當然，我們可以做出一百或一千個 TL1A，但到了某個點，投資人的算數就不成立了」，這股力量會把局面拉回中間。談到經濟效益，他不預期藥物開發總成本會一夕崩跌——IND 申請前的準備工作與一期／二期臨床依然昂貴——但他說，對某些模態而言，尤其是生物製劑，要在內部達到真正理想的目標候選產品輪廓，所需成本與時間已大幅改變。而優質的一期／二期資料與併購仍有健康的市場，是很好的出場機制。

flowchart TD
    A["精實團隊：生技高階主管 + 機器學習原生人才"] --> B["通用前沿模型"]
    A --> C["專用模型作為工具呼叫"]
    B --> D["CRO 排程、醫學寫作、競爭情報"]
    C --> E["結構預測、設計工具、雲端實驗室"]
    D --> F["更多專案並行推進"]
    E --> F
    F --> G["標靶擁擠加劇"]
    G --> H["臨床、動物供應、試驗量能"]
    H --> I["投資人算數與併購紀律"]

尚未有解的部分

本集留下幾處未解的張力。Barnett 坦承，他無法切分任何一款藥的成功有多少可歸因於 AI，而他最強的能力主張，依據的是 Dimension 的內部經驗，而非公開基準。帶動新聞熱潮的「零員工」標籤，他明確不願背書，這意味著標題所引發的爭論，並不是他認為重要的爭論。而瓶頸分析也與這套論點最樂觀的版本相牴觸：若臨床、動物供應與風險資本形成限制，更快的假設生成，在做出更多藥物之前，多半隻會先製造更擁擠的標靶空間。值得持續觀察的是：Anthropic 的生技攻勢能否產出可驗證的內部成果，而不只是 S-1 上的文字；以及 Barnett 預期的標靶擁擠效應，是否會在未來一年的早期交易流中浮現。