图片 | 来自网络原创整理 | TOP创新区研究院，FTA建筑设计事务所 转载引用请注明出处。内容仅供交流学习，不做任何商业用途，不代表任何投资建议。如有侵权请联系后台删除。
众所周知，今年诺贝尔奖的关键词是AI
物理学奖颁给了搞机器学习和人工神经网络的John Hopfield和Geoffrey Hinton；化学奖则颁给了用“AI预测和设计蛋白质结构”的David Baker，Demis Hassabis和John Jumper。
其中，Demis Hassabis和John Jumper，他们通过AI模型（AlphaFold）破解了困扰科学界50年的蛋白质折叠问题；David Baker也因为其在计算蛋白质设计方面的工作分享了诺贝尔化学奖。
而他们研究成果，造就了一批最最最hard core的硬科技公司——
比如，David Baker作为联合创始人的Xaira Therapeutics，Xaira使用的核心技术模型——RFdiffusion 和 RFantibody就是Baker实验室开发的。Xaira的CEO叫Marc Tessier-Lavigne，此人来头很大，是一位著名的神经科学家，曾在Genentech做首席科学官，之后还相继担任了洛克菲勒大学和斯坦福大学的校长，去年从斯坦福卸任后，今年4月就来了Xaira这家初创公司，目前已经有十个亿美元的资金了，传闻还有数十亿在排队打钱。
还有我们今天的主角Isomorphic Lab，它由Demis Hassabis亲自创办、亲自挂帅CEO，如果按辈分算，就是妥妥的“诺奖嫡子”。
但据英国金融时报称，Isomorphic Labs在2023年的亏损飙升至6000万英镑，相比 2022 年的 1700 万英镑，直接翻了3.5倍。这主要是由于研发和人员成本的显著增长——
首先，AI本身就非常“烧钱”，尤其是在起步阶段，企业需要大量的资金投入以构建和训练AI模型。支持这些算法运行的背后是价值不菲的超级计算机、庞大的数据存储设备等硬件基础设施。在短短一年间，Isomorphic Labs的研发成本就从1200万英镑涨到 4900万英镑。
另外就是人才成本。AI药物研发是一个需要多学科交叉的“顶配”领域。除了AI方面的技术大咖，还得招募一群顶尖的生物医药科学家，而这些跨界的复合型人才，很贵！因此，虽然员工人数将从43人增加到71人，但员工成本从2022年的 660万英镑飙升至2023年的2000万英镑。
当然，现在烧钱越厉害，恰恰说明了市场对它的认可……
故事得从2010年说起。
那年，Demis Hassabis和他的两位伙伴一同创办了DeepMind，他们的目的就是开发通用人工智能（AGI）。做着做着，这帮AI天才就被科技巨头Google看上了。
2014年，DeepMind被谷歌收入囊中，有了谷歌这个大金主的支持，公司资源和技术能力进一步增强。
2016年，DeepMind推出AlphaGo，战胜当时的围棋世界冠军李世石，一战成名。
两年后的2018年，DeepMind又扔出一颗重磅AlphaFold 1，标志着DeepMind在生命科学领域的标志性突破——AlphaFold首次成功预测了蛋白质的三维结构，解决了困扰科学界几十年的“蛋白质折叠问题”。
2020年，DeepMind又发布了AlphaFold 2，在当年的CASP14竞赛中表现惊艳，准确预测了大多数已知蛋白质结构，获得了科学界的高度认可。
2024年5月发布的AlphaFold 3又提升了至少50%，并且超越了蛋白质，进入广泛的生物分子领域，顺势开启更多变革性科学，从开发生物可再生材料和更具弹性的作物，到加速药物设计和基因组学研究……
等等，你可能会好奇，为什么用AI预测和设计蛋白质结构如此重要呢？重要到可以拿诺奖？要知道，诺奖通常颁发给那些开创了某个新领域或开辟了新的研究范式的人啊。
首先，蛋白质在生物体中负责执行各种重要的任务，而蛋白质如何发挥功能，完全取决于它的形状（即三维结构）——就像一把钥匙，只有形状对了，才能开锁。很多药物的工作原理是与特定蛋白质相互作用。如果能够提前预测这些蛋白质的形状，那么药物的研发就可以更加快速和高效。
但，蛋白质的结构预测曾是生物学领域中的一个长期未解的难题，早期的科学家只能通过实验室的方式（如X射线晶体学和核磁共振）来解析蛋白质结构，但这些方法非常昂贵且耗时；后来研究人员试图通过计算方法来解决蛋白质“折叠”问题，但效果仍然不佳。
然后，AI就横空出世了，它用人工智能的强大计算能力，将蛋白质折叠的准确性与效率提升到史无前例的高度，比如确定蛋白质的 3D 结构过去需要数月或数年的时间，现在只需几秒钟！
AlphaFold的成功代表了从实验室手段到AI模型的重大范式转变，它充分展现了AI技术在生命科学中的潜力，也为生物学研究开辟了一条全新的道路。
Demis Hassabis一句话直接点破了未来：“正如数学被证明是物理学的正确描述语言一样，我们认为人工智能将被证明是理解生物学的正确方法。Just as mathematics turned out to be the right description language for physics, we think AI will prove to be the right method for understanding biology.”
看到AlphaFold的有如此神威，谷歌决定将其商业化。
2021年，Isomorphic Labs从DeepMind中独立出去，单独成立了一家公司，其核心技术基于AlphaFold，帮助加速新药的研发。
一开始，Isomorphic Labs作为谷歌母公司Alphabet的“亲儿子”，是靠Alphabet给生活费过日子的。
但，2022年亏损1700万英镑，2023年亏损6000万英镑，这账单一出来，谷歌表示，亲父子也得明算账。于是让Isomorphic用发行发行新股的方式筹集了1.82 亿英镑，Alphabet也增持了对Isomorphic的股权，更有利于公司长期的管理。
当然，自力更生也在路上了：
自成立以来，Isomorphic已经和多家跨国制药巨头达成合作协议。
就在不久前，公司与礼来（Eli Lilly）和诺华（Novartis）签下了29亿美元的战略合作协议，涉及多个治疗靶点的药物发现工作，Isomorphic将利用其AI平台帮助开发潜在的小分子药物。
在首付款方面，礼来支付了4500万美元，而诺华支付了3750万美元，而预计这两项合作的里程碑付款总额可达数十亿美元。
说到里程碑式融资（Milestone-based Financing），这是生物制药行业中常见的合作模式。
具体来说，在药物研发的初期，药厂会在这个阶段支付一笔前期付款（upfront payment），Isomorphic则利用其 AI 技术（如 AlphaFold）帮助制药公司寻找潜在的治疗靶点和药物分子。
当药物分子被发现并经过初步的实验验证后，它们需要在实验室中进一步优化，这一步是药物研发的临床前阶段(preclinical)，如果 Isomorphic Labs 成功完成分子优化并证明其在细胞实验或动物实验中有效，它们就达到了下一个“里程碑”，也意味着新款项到账。
再往下，就是临床试验阶段(clinical trial)，这是一个非常重要的里程碑，分为 I 期、II 期和 III 期试验：如果 III 期试验成功，药物即可申请上市批准，这是整个研发过程中最重要的里程碑之一，Isomorphic Labs 会因此解锁更大一笔里程碑付款。
此外，根据合作条款，Isomorphic Labs 还可能从药物的未来销售收入中获得分成，进一步确保其长期收益。
现在时间尚短，Isomorphic Labs还没有推出自己的药物，但这家AI新贵的重量级合作已经表明了其技术的含金量。
根据英国癌症研究中心的数据，开发一种药物需要 10-15 年的时间，开发成本高达 28 亿美元。麦肯锡估，借助人工智能的帮助，主要是加速新药的识别过程以及加快开发和审批来提高生产力，制药和医疗产品行业每年可创造600 至 1100 亿美元的经济价值。也就是说，如果 Isomorphic能成功，那么与它合作的公司可能会获赚得盆满钵满。
然而，新药分子的发现只是第一步，接下来还要面对长达数年之久的临床试验、监管审批等漫长流程，这些过程充满了不确定性，这也意味着玩家们仍需面对较长的研发周期和财务压力。
此外，AI药物研发不仅是技术问题，还有巨大的市场教育门槛。很多传统药企和医疗机构对于这类新兴科技还是持观望态度，或者还在适应这一新技术。
比如，被科技巨头Meta的裁掉了AI蛋白质研究团队创立的Evolutionary Scale，虽然融资达到了上亿美元，但创始人也承认，这条路不容易走。生成式AI模型从构想到落地，尤其是在药物研发领域，可能还需要10年的摸索和等待。
这个领域不仅仅需要“钱”和“技术”，还需要耐心。
不过，早入场就意味着拥有“先手优势”。
在AI制药这个新赛道上，很可能又是一个“强者恒强”的游戏。
一方面，AI技术的有效性依赖于海量的高质量数据，比如AlphaFold数据库已经包含数亿个蛋白质结构，在数据的基础上，Isomorphic Labs可以进一步训练和优化其AI模型，而要训练一个这样的AI模型需要巨大的计算能力和长期的算法研究投入，没有类似资源和技术背景的公司很难迅速达到Isomorphic的技术水平。
更重要的是，随着数据和经验的积累，AI模型会不断迭代优化，变得越来越聪明。这种自我强化的过程不仅让Isomorphic Labs跑得更快，还让他们能推出更精准、更高效的药物发现平台。最终，领先公司就有可能像滚雪球一样，越滚越大，把后进者远远甩在身后。
另外一方面，药物研发是一个高度保守且复杂的行业，与制药大厂建立合作关系并获得行业信任非常困难。现在Isomorphic Labs已经跟礼来、诺华等公司在合作了，随着合作的深入，这些“信任”和“经验值”会不断累积，形成强大的行业影响力和广泛的合作网络。
这也说明，医药产业是一个需要聚集的创新产业：新兴的AI药物研发公司需要与制药公司、生物科技公司形成紧密合作，而在类似于湾区或波士顿那样的生命科学产业集群中，AI药物研发公司能快速找到技术支持、资金来源，以及市场对接的机会。正因为有了这些创新生态系统的加持，研发效率和技术落地速度才会被极大提升。
在可见的未来，领先公司依靠数据、资金、技术壁垒和行业关系的多重优势，可能会出现“一步先，步步先”的“强者恒强”现象。
“我希望通过 Isomorphic 实现商业成功和社会效益，打造一个价值数千亿美元的企业。我认为它有这个潜力，”诺奖得主Demis Hassabis腼腆但坚定地表示。
对于这样的人，我们全人类都应该祝他们交好运、发大财！
创新区研究，就在TOP研究院。
TOP研究院专注于全球创新区的一体化研究，从Talent(个人), Organization(组织), Place(区域)三大维度出发，通过“研究/连接/分享”，探索中国创新区的实践路径。
看完想跟我们交流互动？欢迎关注微信公众号：TOP创新区研究院
请后台回复“入群”，扫描最新二维码，期待群里见到您❤️
