作为一名8岁的孩子，德米斯·哈萨比斯几乎看不清天上的星星。
这位波希米亚式父母的早慧孩子，20世纪80年代在伦敦北部长大。透过城市雾霾，他偶尔能辨认出一个星座——猎户座，这个以希腊神话中强大的猎人命名的星座，数百年来一直是水手和农民的指南。大约40年后，猎户座仍然是哈萨比斯最喜爱的星座，部分原因在于它与不朽的联系：甚至古埃及人也崇敬猎户座。
"首先，这些星星的排列模式从我们仰望地球的角度看有点随机，"哈萨比斯说。"其次，想想猎户座腰带：三颗星星只是随机排列的。但它们之所以有意义，是因为我们用意识去解读它。"
哈萨比斯和我在他成长地附近会面——位于伦敦大学学院附近的天文台，那里有超过百年历史、仍指向天空的望远镜。这里是谈论浩瀚之处的绝佳场所，不仅指星空，也指我们自身。
这里也是与一位以将意识投入到海量数据中寻找意义而闻名的人交谈的合适地点。哈萨比斯是我们这个时代最重要的AI研究者和企业家之一：他是先驱性AI实验室DeepMind的联合创始人，该实验室于2014年被谷歌收购。2016年，DeepMind的AlphaGo在围棋这一世界上最复杂的双人策略游戏中击败了世界最佳选手，标志着AI发展的里程碑时刻。十多年后，哈萨比斯领导着谷歌的核心AI业务，帮助这家科技巨头在Gemini 3模型的推动下奋力跻身竞争前列。
但或许他迄今为止最具影响力的工作是AlphaFold 2的开发——DeepMind于2020年发布的AI系统，能够成功从DNA序列预测蛋白质的三维结构。AlphaFold 2是一项具有划时代意义的科学成就，对更好地理解和甚至治愈帕金森病、肌营养不良症和某些癌症等疾病具有深远影响，这些疾病都源于错误折叠或功能失调的蛋白质。它为哈萨比斯和DeepMind科学家约翰·詹珀赢得了2024年诺贝尔化学奖；同年，哈萨比斯被封为爵士。
对德米斯爵士而言，这一切都是相互关联的。他早年对星空的迷恋与AI有着千丝万缕的联系，在看似随机的事物中寻找秩序和意义。
"夜空是一个不断呈现在我们面前的谜题，"他说。"它不断提醒我们更大的问题。我想这就是我如何接触到浩瀚的……你必须在海量数据中找到模式，或在大量可能性中找到正确的走法。"
哈萨比斯近几年来将他100小时工作周的重要部分投入到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的资金支持下，哈萨比斯创立了同构实验室(Isomorphic Labs)，这是一家AI药物设计公司，旨在为一些最"不可成药"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标语所言，其目标是"解决所有疾病"。
自成立以来，同构实验室一直保持低调，尚未将任何药物推进到决定成败的临床试验阶段。但最近的动向表明这一里程碑已不远，其支持者认为，一旦进入这一领域，同构实验室的方法将使其占据优势。该公司最近向《福布斯》敞开了大门；我花了三天时间与该公司的高管和科学家交谈，讨论AI在医疗领域最大机遇与挑战。
"我们正试图建立一个系统、一个流程……每年可能研发数十种药物。"
德米斯·哈萨比斯，同构实验室创始人兼首席执行官
"一家生物技术初创公司可能在其整个企业生涯中只研发一两种药物，"哈萨比斯说。"但我们正试图建立一个系统、一个流程以及所有技术，每年可能研发数十种药物。这现在看起来很疯狂，但我认为在接下来的10到20年内，我们可能找到解决所有疾病的方法……如果我们有一个能在浩瀚中找到这些'针'的流程。"
药物发现更像是在爱荷华州找一根针：这是一个将潜在治疗化合物与生物学无限变量进行测试的过程，其特点是持续的挫折和天文数字般的失败率。
尽管仅解决了该过程的一小部分，AlphaFold为打破这种现实带来了希望——这是AI能够将医学科学中需要蛮力、耗时费力的问题压缩的过程，将曾经需要数年的时间缩短至几分钟。在这一突破之后，哈萨比斯创立了同构实验室，提出了一个简单想法：如果能将AlphaFold转变为一个全面的药物设计引擎会怎样？
由此衍生出的公司旨在通过专注于结构——利用AI生成关于药物与其靶点相互作用的详细分子级预测——在一个许多人失败的领域取得成功，从而消除药物发现临床前阶段定义的大量耗时的试错过程，并将"解决"疾病的鲁莽概念提升到可能实现的领域。
分拆后，同构实验室最初从Alphabet筹集资金，归入这家巨头的"其他押注"类别。2025年3月，该公司又筹集了6亿美元A轮融资，由Joshua Kushner的Thrive Capital领投，谷歌风投也参与其中（同构实验室拒绝透露估值）。这一赌注是：随着时间推移，我们将设计出能够治愈以前难以治疗的疾病（如癌症和阿尔茨海默病）的药物，新技术驱动的流程如此精确，现在看起来几乎像魔法，但最终将成为标准。
"今天没有人会想象手工设计飞机，你也不想乘坐手工设计的飞机，"Thrive Capital合伙人Vince Hankes说。"但我们所有的药物都是这样设计的。未来，它们都应该像今天设计飞机一样，通过强大的软件、智能和模拟来设计。"
同构实验室大约300名员工正致力于此，哈萨比斯则充当前所未有的"飞行员"。
残酷的长 odds
可观测宇宙中的恒星数量远少于可能的化学化合物数量——根据最新研究，约为10^60，即10的60次方。这一估计仅涵盖小的、类似药物的分子，最终可能还偏低。找出哪些组合可能控制肿瘤或危险突变，正是哈萨比斯及其同行希望用AI解决的任务。
在人类历史的大部分时间里，药物数量非常有限，许多存在的药物都是偶然发现的。（作为意外霉菌污染结果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，科学家们依靠蛮力和缓慢改进的技术来搜寻化学宇宙。许多化学家花费职业生涯煮沸污泥、进行实验室测试并从头开始——通常以失败告终。即使在今天，根据广泛引用的行业数据，每20名药物发现化学家中只有一人能在其职业生涯中成功将一种药物推向市场。
"你正试图将许多不同的参数三角测量成一个完美匹配特定问题的分子，"同构实验室首席科学官迈尔斯·康格里夫解释道。"你可能发现你有一个很好的靶点，它是一种有效的化合物，并且表现非常好。但还有其他事情不对——你走进了死胡同。这有点像打地鼠。"
康格里夫在药物化学家中是异类：他帮助将三种癌症药物推向市场，包括诺华和Astex Pharmaceuticals的ribociclib，用于治疗乳腺癌。在全行业范围内，即使将药物推向临床试验通常也被视为巨大的胜利。但正如他指出的，"历史上，此类试验的失败率至少为90%。""找到那个完美分子的机会微乎其微，"诺华生物医药研究总裁菲奥娜·马歇尔表示同意。
这些概率解释了为什么AlphaFold 2如此成功让众多科学家感到震惊。这一突破反过来帮助同构实验室吸引了人才。计算生物学总监梅丽莎·戴维斯说，她加入正是因为她对在AlphaFold基础上构建感兴趣。"人们会花整个职业生涯尝试结晶一个膜蛋白，"戴维斯指出。"突然间，你不必再花五六年时间获取蛋白质结构了。任何科学家都能像那样生成一个。"
其他高级员工与哈萨比斯有更长的历史。马克斯·贾德伯格——在2023年11月被任命为接替哈萨比斯长期合作者科林·默多克担任总裁之前，曾担任同构实验室首席AI官四年——在DeepMind工作了七年，开发了（除其他外）AlphaStar，这是第一个在视频游戏《星际争霸II》中击败人类职业选手的AI。贾德伯格是跟随哈萨比斯加入同构实验室的DeepMinders中的佼佼者（他们约占公司员工的11%）。
"当理论与实际接触，进行真正的湿实验室工作时，这是令人谦卑的。"
马克斯·贾德伯格，同构实验室总裁
"听到药物化学家可能花费整个职业生涯却未能创造一种成功药物，总是令人谦卑，"贾德伯格说。"与之形成对比的是像我这样来自AI世界的人，你必须每六个月击败世界最佳，否则你就完了。"他补充道，"当理论与实际接触，进行真正的科学流程和真正的湿实验室工作时，这是令人谦卑的。"
鉴于哈萨比斯繁忙的日程限制了他在同构实验室的时间，获取合适的人才是他的首要任务之一：他每周只在初创公司办公室待一天，通常是星期二，那时他会与执行团队会面并设定公司技术方向的优先事项。
哈萨比斯开玩笑说他喜欢管理"高维护天才"，并寻找那些具有创造性思维的人。"任何专业科学家在技术上已经非常出色，"哈萨比斯说。"但你能提出创造性的新想法，或提出正确的问题吗？这实际上更难。找到答案实际上是找到正确的问题。"
结构优先
贾德伯格解释说，同构实验室所谓的"结构优先"方法是一种选择，即选择泛化而非专业化。这家初创公司正专注于努力绘制越来越多的人体复杂生物星座图，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·亚克宁表示，这一切都是为了朝着曾经难以想象的精确度努力，就像在月球你看不到的那一侧着陆火箭一样。
其核心技术是一个围绕多个专有模型构建的药物设计引擎。该引擎结合了更新的蛋白质预测模型，以及肽、分子胶和抗体的模型。该引擎所基于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、内部生成的数据集以及合作伙伴的数据。
在从事药物开发之前，马克斯·贾德伯格曾致力于掌握视频游戏《星际争霸II》的DeepMind AI。
任务部分是通过现有数据挤压出更多见解——亚克宁承认，过去其他人也曾尝试过，但往往没有成功。"然后，瞧，"他补充道，"凭借正确的技能，你就能构建这些令人惊叹的系统。"
同构实验室不会透露短期内针对哪些疾病——这在制药行业很常见，在科技行业则有点奇怪。该公司指出其与制药巨头礼来和诺华的合作伙伴关系是其进展的证据。（诺华的合作关系于2025年扩大。）
然而，在交谈中，多位高管表示他们专注于为"不可成药"的疾病提供药物。这是药物开发中广泛使用的短语，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。所有这些癌症迄今都对治疗有抵抗力，但它们可能是同构实验室最致力于破解的代码。
节省五年或更多时间
药物发现和AI经济都不容情。要将一种新药推向市场，从发现到临床试验，你可能要花费超过20亿美元和十年以上的时间——却仍面临90%的失败率。在AI领域，你不断面临计算难题；在这方面，同构实验室的Alphabet背景为其提供了一些资金雄厚的支持。
同构实验室也处于竞争激烈的市场中：作为第一家将AI驱动药物推向市场的初创公司，竞争压力巨大。像Insilico和Recursion这样的竞争对手正在取得进展；目前Insilico在中国有几种药物正在进行临床试验。同构实验室表示正在向临床试验迈进，但拒绝讨论时间表。表明这一天更近的迹象是：2025年6月聘请了首席医学官本·沃尔夫，一位精准肿瘤学专家。沃尔夫正在招募一支波士顿团队。"为了让这一切发挥作用，"他说，"我需要一种超级药物，具有卓越的药物特性，使我能够直接测试其有效性。"
目前，该初创公司的员工配置和方向主要集中在药物发现过程，而非临床试验或商业化。在这方面，贾德伯格既意识到可能性，也意识到局限性。"至少在中期，我们总会有一部分生物学对人类来说是神秘的，"他说。他补充说，目标是"建立科学流程，使其不那么像魔法，而更像是设置捕鼠器来隔离你试图驱动的效果。"
诺华的马歇尔认为，AI有望将发现和试验时间缩短50%。"我认为平均时间可以缩短到五年，"马歇尔说，并补充说大部分节省将来自改进的发现过程。"我看不到我们如何再节省更多，因为你仍然需要进行人类生物学和安全性测试"通过临床试验。
医学科学家普遍认为，过去十年中，AI药物发现承诺的比它能提供的更多——而同构实验室承诺了很多。当我向哈萨比斯提出这一点时，他阐述了他的理念："解决疾病"的概念比一劳永逸地消除疾病更为广泛和实用。他不说"治愈"是有原因的。虽然你不能保证没有人会再生病，但他说，你可以开发一个系统化、可重复和可扩展的流程——由先进的AI和技术平台驱动——根据需要发现、设计和优化药物或治疗方法。
"我们将建立对我们生物学基础理解，"哈萨比斯说。"希望我们能提出类似预测性虚拟细胞的东西，了解如果你进行某些干预会发生什么。"
他认为这可能在10年后实现，这引出了下一个问题："它能有多个性化？……你可以想象走进药店并对你的特定疾病进行表型分析。所以你确切地知道自己有什么特点"——这可能是疾病治疗的潜在巨大突破。
思考其他宇宙，哈萨比斯认为，可以帮助我们开始理解我们体内的生物宇宙。毕竟，"同构"一词指的是两个外观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 Fry 望远镜前，这台望远镜可以追溯到1862年。通过它，我看到了土星。光从这颗行星到达地球需要大约95分钟，能如此清晰地看到如此遥远的东西，感觉很不真实。
"宇宙以某种方式设置，让科学能够发挥作用，"哈萨比斯曾说。"我感觉它几乎想要被理解。否则，为什么科学方法能如此良好且可重复地发挥作用？忘记AI……为什么计算机甚至能工作？它们是这些沙子、金属和移动电子的碎片。然后，一些令人惊叹的事情发生了。"
药物发现过程
确定疾病领域： 研究人员定义要针对的疾病，并确定新疗法可以显著改善患者结果的未满足医疗需求。
靶点识别与验证： 科学家确定驱动疾病的机制，并确认修改此靶点将使患者受益。此阶段成本约为100万美元，可能需要3个月到3年。
检测方法开发： 研究人员设计可靠的实验室测试，以准确测量化合物是否以预期方式影响靶点。
高通量筛选至命中识别： 使用自动化系统快速测试数百万种化合物。此阶段通常成本约为300万美元，需要12至18个月。
命中： "命中"是在早期测试中成功影响靶点的化合物。可能有一个有希望的命中——或几十个。
命中到先导物优化： 科学家优化初始命中，以提高其有效性、选择性和类药物特性。此阶段通常成本约为300万美元，需要12至18个月。
先导物优化： 研究人员进一步优化最强候选物，以最大化安全性、有效性和稳定性。这一高风险阶段需要2至4年，成本在500万至1000万美元之间。
临床前阶段： 药物候选物接受实验室和动物测试，以评估在人体试验前的安全性、毒性和有效性。此阶段持续1至3年，成本为1000万至2000万美元。
新药临床试验申请(IND)： 开发者向FDA提交临床前安全数据，并请求许可开始在人体上测试药物。
I-III期临床试验： 药物在逐渐增大的患者群体中进行测试，以评估安全性、剂量和有效性。临床试验可能长达十年，成本在10亿至20亿美元之间。
本文发表于《福布斯》2026年2/3月刊，标题为"谷歌的AI先驱及其药物设计登月计划"。
关于作者：Allie Garfinkle是《福布斯》资深财经记者，报道风险投资和初创企业。她负责《条款清单》，即《福布斯》的工作日交易通讯。
【全文结束】
