哈萨比斯是 20 世纪 80 年代在伦敦北部长大的放荡不羁父母的孩子，是一个令人惊叹的天才。透过城市的薄雾，哈萨比斯时不时地能看到一个星座——猎户座，以希腊神话命名——是令人畏惧的猎人，几个世纪以来一直是水手和农民的向导。大约 40 年后，它仍然是哈萨比斯最喜欢的星座，部分原因是它与不朽的联系：甚至古埃及人也崇拜猎户座。 

“首先，当我们从地球上抬头看时，这些星星图案都排成一排，这有点随机，”哈萨比斯说。– 其次，想想猎户座腰带：它由三颗随机排列的恒星组成。但它们有意义，因为我们正在用我们的意识来解释它。”

哈萨比斯和我在距离他长大的地方不远的伦敦大学学院天文台会面，附近的望远镜已经有一个多世纪的历史，仍然高耸入云。这是一个合适的地方来谈论浩瀚，不仅是星星，还有我们自己。 

这里也是与一位因致力于在海量数据中寻找意义而闻名的人士交谈的合适场所。哈萨比斯是我们这个时代最重要的人工智能研究人员和企业家之一：他是深度思维，领先的人工智能实验室被收购谷歌2014年。2016年，DeepMind 的 AlphaGo围棋是世界上最具挑战性的两人策略游戏之一，它击败了世界上最好的棋手，标志着人工智能领域的一个开创性时刻。十多年后，哈萨比斯领导了谷歌的核心人工智能业务，帮助这家巨头凭借 Gemini 3 模型在竞争中脱颖而出。

但他迄今为止最有影响的工作也许是AlphaFold 2 的开发– DeepMind 于 2020 年推出的人工智能系统，可以根据 DNA 序列成功预测蛋白质的三维结构。AlphaFold 2 是一项世代性的科学成就，对于更好地理解甚至治愈帕金森病、肌肉萎缩症和某些癌症等疾病具有重要意义，所有这些疾病都源于错误折叠或故障的蛋白质。它赢得了 Hassabis 和 DeepMind 科学家 John Jumper2024 年诺贝尔化学奖;同年，哈萨比斯被封为爵士。 

对于戴米斯爵士来说，一切都是相互关联的。他早期对天空的迷恋贯穿了人工智能，在看似随机的事物中寻找秩序和意义。 

“夜空是一个谜，它一直盯着我们，”他说。– 它不断提醒人们注意更大的问题。我认为这就是我进入浩瀚世界的方式……你必须在大量数据中找到模式，或者在大量可能性中找到正确的行动。”

过去几年，哈萨比斯每周 100 小时的工作时间中，有很大一部分时间致力于解决世界上最大的模式识别问题之一：药物发现。2021 年，在谷歌母公司 Alphabet 的资助下，哈萨比斯成立同构实验室，一家人工智能药物设计公司，旨在为一些最“无法成药”的疾病创造新的突破性药物，正如这家初创公司引人注目的口号所说，其宏伟目标是“解决所有疾病”。

Isomorphic 自上市以来一直保持沉默，尚未将药物进入成败的临床试验阶段。但是最近的举动表明里程碑并不遥远，其支持者认为，一旦进入竞争，Isomorphic 的方法将为其带来优势。这家初创公司最近向财富;我花了三天时间与该公司的高管和科学家讨论人工智能最大的机遇和挑战。 

“一家生物技术初创公司可能会在其整个企业生命周期中生产一两种药物，”哈萨比斯说。– 但我们正在尝试建立一个系统、一个流程和所有技术，每年可能生产数十种药物。现在看来这很疯狂，但我认为最终，在接下来的 10 到 20 年里，我们可以找到所有疾病的解决方案......如果我们有一个可以大海捞针的过程。

药物发现更像是在爱荷华州找到一根针：这是一个针对生物学的无限变量测试潜在治疗化合物的过程，其特点是不断的挫折和天文数字的失败率。 

虽然它只解决了这个过程的一小部分，但 AlphaFold 提供了摆脱现实的希望——这是人工智能可以通过暴力解决医学科学中的难题并将曾经需要数年时间的过程压缩为几分钟的第一个震撼性证据。在这一突破之后，Hassabis 怀着一个简单的想法创立了 Isomorphic：如果你能将 AlphaFold 变成一个成熟的药物设计引擎会怎样？ 

由此产生的衍生产品旨在通过专注于结构，在许多人失败的领域取得成功：使用人工智能生成有关药物与其靶点相互作用的详细分子水平预测，从而消除定义药物发现的临床前试验阶段的大量耗时的试验和错误，并将“解决”疾病的傲慢概念提升到可能的境界。 

分拆后，Isomorphic 最初从 Alphabet 筹集资金，落入了这家巨头的“其他赌注”桶中。2025年3月，公司额外筹集了 6 亿美元，这是由约书亚·库什纳 (Joshua Kushner) 的 Thrive Capital 领投的 A 轮融资，谷歌风投 (Google Ventures) 也参与其中，该公司从一开始就参与其中。（Isomorphic 拒绝透露估值。）我们的赌注是：随着时间的推移，我们将设计出能够治愈癌症和阿尔茨海默氏症等以前难以治愈的疾病的药物，而新技术驱动的流程如此精确，现在看起来几乎是神奇的，但这最终将成为标准。 

“如今没有人会想象手工设计一架飞机，你也不会想驾驶一架手工设计的飞机，”Thrive Capital 合伙人文斯·汉克斯 (Vince Hankes) 表示。– 但我们所有的药物都是这样设计的。未来，它们都应该通过强大的软件、智能和仿真来设计，就像我们今天设计飞机一样。” 

Isomorphic 的 300 名左右员工的目标就是实现这一目标，可以说，哈萨比斯是他们的飞行员。

赔率极其渺茫

根据最新研究，在可观测的宇宙中，可能存在的化合物数量比恒星还要多，大约为 10^60，即 10 的 60 次方。该估计仅涵盖小型药物分子，并且最终可能会较低。哈萨比斯和他的同事希望通过人工智能来解决这些组合中的哪一种可能驯服肿瘤或危险突变的任务。 

在整个历史的大部分时间里，药物都非常少，而且许多确实存在的药物都是偶然发现的。（因意外霉菌污染而发现的青霉素是最著名的例子。）20 世纪 60 年代，随着早期癌症和心血管治疗方法的出现，药物发现开始加速。但在 20 世纪的大部分时间里，科学家们通过暴力和缓慢改进的技术来探索化学宇宙。许多化学家的职业生涯都花在煮污泥、进行实验室测试、从头开始——但通常都会失败。即使在今天，根据广泛引用的行业数据，只有二十分之一的药物发现化学家能够在其职业生涯中成功地将药物推向市场。 

“您试图将许多不同的参数三角化为一个完美匹配特定问题的分子，”Isomorphic 首席科学官迈尔斯·康格里夫 (Miles Congreve) 解释道。– 您可能会发现您找到了一个很好的目标，它是一种有效的化合物，而且效果非常好。但还有其他一些事情是不对的，你就会走进死胡同。这有点像打地鼠游戏。”

康格里夫在药物化学家中是个异类：他帮助将三种抗癌药物推向市场，其中包括诺华公司以及 Astex Pharmaceuticals 的 ribociclib，用于治疗乳腺癌。在整个行业中，即使将药物投入临床试验也通常被认为是巨大的胜利。但正如他指出的那样，“从历史上看，此类试验的失败率至少为 90%”。“找到完美分子的机会非常小，”诺华生物医学研究总裁 Fiona Marshall 表示同意。

这些几率有助于解释为什么 AlphaFold 2 的效果如此之好让全球科学家感到多么震惊。这一突破反过来又帮助 Isomorphic 吸引了人才。计算生物学主任 Melissa Davis 表示，她之所以加入，正是因为她对 AlphaFold 的构建很感兴趣。“人们会花费整个职业生涯来尝试结晶一种膜蛋白，”戴维斯指出。– 突然之间，您不再需要花费五六年的时间来尝试获得蛋白质的结构。任何科学家都可以产生这样的一个。”

其他高级员工与哈萨比斯的合作历史较长。马克斯·贾德伯格 (Max Jaderberg) 曾担任 Isomorphic 首席人工智能官四年，之后于 11 月被任命接替哈萨比斯 (Hassabis) 的长期合作者科林·默多克 (Colin Murdoch) 担任总裁。他在 DeepMind 工作了七年，开发了 AlphaStar（其中包括），这是第一个在视频游戏中击败人类专业人士的人工智能星际争霸II。Jaderberg 在追随 Hassabis 进入 Isomorphic 的 DeepMinder 团队中很突出（他们约占公司员工的 11%）。 

“听到药物化学家在他们的整个职业生涯中却没有创造出一种成功的药物，这总是令人感到谦卑，”贾德伯格说。“与像我这样的人相比，我来自人工智能世界，你必须每六个月粉碎世界上最好的东西，否则你就死定了。”他补充道，“当橡胶与道路相遇时，它具有真正的科学流程和真正的湿实验室工作，这是令人谦卑的。”

找到合适的人才是哈萨比斯的首要任务之一，因为他排得满满的日程限制了他在 Isomorphic 的时间：他每周有一天（通常是周二）在初创公司办公室与执行团队会面，并为公司的技术方向确定优先事项。 

哈萨比斯开玩笑说，他喜欢管理“难伺候的天才”，并且他正在寻找那些具有创造力的人。“任何专业科学家在技术上都已经非常出色，”哈萨比斯说。– 但是你能想出一个有创意的新想法，或者提出正确的问题吗？这实际上更难。找到答案实际上就是找到正确的问题。 –

结构优先

Jaderberg 解释说，Isomorphic 所谓的结构优先方法是泛化而非专业化的选择。这家初创公司正致力于绘制越来越多复杂的人体生物群图，以便更好地预测任何化合物如何影响一系列疾病和其他生物过程。首席技术官谢尔盖·亚克宁 (Sergei Yakneen) 表示，这一切都是为了实现曾经看似深不可测的精度，就像将火箭降落在你看不到的月球一侧一样。 

其核心技术是围绕多个专有模型构建的药物设计引擎。该引擎包含更新的蛋白质预测模型，以及肽、分子胶和抗体的模型。该引擎构建的数据包括全球蛋白质数据库、英国生物银行、商业许可来源、内部生成的数据集和来自合作伙伴的数据的组合。 

Yakneen 承认，这项任务在一定程度上是从现有数据中获取更多洞察，这是其他人过去尝试过做的事情，但往往没有成功。“然后，你瞧，”他补充道，“凭借正确的技能，您就能够构建这些令人兴奋的系统。” 

Isomorphic 不会透露其短期内针对哪些疾病——这种保密在制药业很正常，但在科技业却有点奇怪。该公司指出其伙伴关系与制药巨头礼来公司和诺华公司作为其进步的证据。（诺华合作伙伴关系将于 2025 年扩大.)

然而，在谈话中，多位高管表示，他们的重点是对不可成药的药物进行麻醉。这是药物开发中广泛使用的短语，其含义相对具体：解决在胰腺癌、肺癌和结直肠癌中特别普遍的蛋白质突变，以及在各种癌症类型中广泛存在的转录因子。迄今为止，所有这些癌症都对治疗有抵抗力，但它们很可能是同构最有可能破解的密码。

节省五年或更长时间

药物发现和人工智能经济学都是无情的。为了将一种新药推向市场，您可能会花费超过 20 亿美元，从发现到临床试验需要十年或更长时间，但最终却面临着 90% 的失败率。与此同时，在人工智能领域，你会不断遇到计算困境;在那里，Isomorphic 的 Alphabet 支持为其提供了一些财力雄厚的支持。 

Isomorphic 还处于一个激烈竞争的市场：成为第一家将人工智能驱动药物推向市场的初创公司面临着巨大的压力。Insilico 和 Recursion 等竞争对手正在取得进展；目前Insilico有多个药物正在中国进行临床试验。Isomorphic 表示正在进行试验，但拒绝讨论时间表。有一个迹象表明这一天已经临近：2025 年 6 月将聘任首席医疗官本·沃尔夫 (Ben Wolf)，他是一名精准肿瘤学专家。沃尔夫正在招募一支位于波士顿的团队。“为了让这一切发挥作用，”他说，“我需要一种超级药物，一种具有卓越药物特性的东西，让我能够直接测试它是否有效。” 

目前，这家初创公司的人员配备和定位主要集中在药物发现过程，而不是临床试验或商业化。在这方面，贾德伯格意识到了可能性和局限性。“至少在中期，我们总是会拥有对人类来说神秘的生物学部分，”他说。他补充道，我们的目标是“建立科学流程，使其不再像魔术，而更像是你在设置捕鼠器来隔离你试图产生的影响。” 

诺华 (Novartis) 的 Marshall 看到了一条将人工智能的发现和试验速度加快 50% 的道路。马歇尔说：“我认为平均时间可以达到五年。”他补充说，大部分节省将来自改进的发现过程。“我不知道我们如何才能削减更多，因为你仍然需要通过临床试验来实现人体生物学和安全性。” 

医学科学家普遍认为，人工智能药物发现在过去十年中的承诺超出了其所能实现的范围，而 Isomorphic 则承诺了很多。当我向哈萨比斯提出这个问题时，他概述了他的哲学：“解决疾病”的想法比一劳永逸地消除疾病更广泛、更实用。他没有说“治愈”是有原因的。他说，虽然你不能保证没有人会再生病，但你可以开发一种系统的、可重复的和可扩展的流程（由先进的人工智能和技术平台提供支持），以便根据需要发现、设计和优化药物或治疗方法。 

“我们将建立对生物学的基本理解，”哈萨比斯说。“希望我们能够提出像虚拟细胞这样的东西，它可以预测如果你采取某些干预措施会发生什么。” 

他认为这在 10 年后就有可能实现，这就引出了下一个问题：“个性化程度如何？”你可以想象走进一家药房对你的特定疾病进行表型分析。这样您就可以准确地知道什么是适合您的个人情况，这可能是疾病治疗方面的巨大突破。 

哈萨比斯认为，思考其他宇宙可以帮助我们开始了解我们体内的生物宇宙。毕竟，“同构”这个词指的是两个看起来不同但结构相似的物体。 

与哈萨比斯交谈后，我走到伦敦大学学院天文台的弗莱望远镜，它的历史可以追溯到 1862 年。透过它，我看到了土星。光在该行星和地球之间传播大约需要 95 分钟，看到如此遥远、如此清晰的东西感觉超现实。 

“宇宙是以某种方式为科学运作而设计的，”哈萨比斯曾说过。——我觉得它几乎想要被理解。否则，为什么科学方法会如此有效并且如此可重复？忘记人工智能吧……为什么计算机还要工作呢？它们是沙子、金属和四处移动的电子。然后奇妙的事情发生了。 –

药物发现过程

确定疾病区域：研究人员定义该疾病是为了瞄准和识别未满足的医疗需求，其中新疗法可以有意义地改善患者的治疗结果。

目标识别和验证：科学家查明了导致该疾病的机制，并确认修改这一目标将使患者受益。这个阶段的成本约为 100 万美元，可能需要三个月到三年的时间。 

检测开发：研究人员设计了可靠的实验室测试，可以准确测量化合物是否以预期方式影响目标。

高通量筛选以进行命中鉴定：使用自动化系统快速测试数百万种化合物。这一阶段通常花费约 300 万美元，需要 12 至 18 个月。

命中：“命中”是指在早期测试中成功影响目标的化合物。可能会有一个有希望的成功——或者几十个。

命中引导优化：科学家们对最初的打击进行了改进，以提高其有效性、选择性和类似药物的特性。此阶段通常花费约 300 万美元，需要 12 至 18 个月。

潜在客户优化：研究人员进一步完善最强的候选药物，以最大限度地提高安全性、有效性和稳定性。这个高风险阶段需要两到四年的时间，成本在 500 万到 1000 万美元之间。

临床前阶段：候选药物在人体试验前经过实验室和动物测试，以评估安全性、毒性和有效性。这一阶段持续一到三年，耗资 1000 万到 2000 万美元。

研究性新药（IND）申请：开发人员向 FDA 提交临床前安全数据，并请求允许开始在人体中测试该药物。

I-III期临床试验：该药物在逐渐扩大的患者群体中进行测试，以评估安全性、剂量和有效性。临床试验可能需要长达十年的时间，成本在 10 亿至 20 亿美元之间。

这篇文章出现在2026 年 2 月/3 月的问题财富标题是“谷歌的人工智能先驱和他的药物设计登月计划”。