KeyFrame內部研究專用

🔬The BioAI Phase Shift - Matthew McPartlon & Neil Patil, Chai Discovery

Latent Space95 min英文
觀看原始影片

三句話摘要

AI蛋白質設計公司Chai如何透過精準工程將藥物發現從實驗轉化為可規模化的工程問題。 Chai從幸運猜測進化為精準工程的故事,關鍵不是模型一夜成功,而是工程紀律、跨領域協作與耐心驗證讓AI設計的蛋白質真的能在現實中工作。 傳統vs精準設計的經濟學改變

重點整理

  1. 傳統vs精準設計的經濟學改變

  2. 傳統抗體發現依賴免疫化、酵母展示等方法,需篩選數十億分子才能得到命中,但對命中的特性一無所知。Chai的設計模型不只加快速度,更重要的是解鎖過去無法做的功能——如GPCR精准激動、多特異性抗體、抗體藥物結合體等——這些才是真正改變遊戲規則的新療法模式。

  3. 從瀑布流到敏捷迭代的工程轉變

  4. 藥物發現傳統上是靠時間與成本極高的序列門檻(目標發現→命中發現→優化各要數月到數年),Chai的高品質設計模型正在改變成類似軟體開發的快速反饋迴圈——實驗室驗證從月級變周級,能容許更多假設測試與迭代。

  5. 精密工程學科化的基礎是跨領域深度合作

  6. Chai內部網羅了ML科學家、AI生物學家、實驗室科學家(包括Baker Lab出身的頂級結構生物學家)與工程師,用科學嚴謹性測試模型邊界、選擇驗證指標、同時向合作藥廠學習真實需求。單純堆模型不夠,產品UI設計(Photoshop式設計套件、epitope繪製工具)與基礎設施成熟度才是限制因素。

實用技巧與重點

  • 模型與性能數據
  • Chai1:結構預測模型,採用tokenizer + transformer + diffusion架構
  • Chai2:所有原子擴散設計模型,50目標測試命中率50%(平均~20%結合率)
  • Chai3:改進後代,主攻未解決的25個目標與治療級別親和力
  • Chai2與独立AlphaFold驗證的結合:實驗結構與預測結構偏差0.33埃(一個原子寬度的1/3)
  • 合作夥伴
  • Eli Lilly、Pfizer、Novartis、Amgen
  • 平台設計類比
  • Autodesk/Solidworks/Figma級別的UI,具備:
  • Paint工具(epitope靶點繪製)
  • Content-aware fill(綁定者AI生成)
  • 科學分析模組
  • 核心技術與概念
  • MSA(多序列比對):演化保守性編碼3D鄰近性資訊
  • 反向摺疊(Inverse folding):給定3D結構預測序列
  • 交叉反應性設計:同時結合人類與非人類(如猴)目標蛋白變體
  • 選擇性設計:設計僅結合目標、避免結合相似蛋白
  • 基礎設施與工程挑戰
  • 計算瓶頸:Chai1型注意力機制在成對表示上運行(L²序列長度),實際運算為L³複雜度
  • 使用Temporal框架做耐久執行(durable execution),管理分佈式計算的重試與隊列邏輯,避免「重試地獄」
  • 計算市場LLM偏差:H100/B300系統針對LLM優化,對結構模型的稀疏通信與高計算密度支持不足
  • 資料解析問題:生物學領域檔案格式缺乏標準化,NMR、Cryo-EM等實驗方法產生多個結構副本,需要工程化處理
  • 驗證與質量指標
  • 自洽性檢驗:序列與結構經獨立模型(AlphaFold)再預測,若一致性高則信心增加
  • 置信度校準:使用模型輸出的预測不确定性作為篩選依據
  • 多樣性檢查:防止模型退化為生成單一重複序列
  • 溼實驗驗證:與CRO(合同研究機構)合作從周級反饋迴圈驗證

結論

Chai從幸運猜測進化為精準工程的故事,關鍵不是模型一夜成功,而是工程紀律、跨領域協作與耐心驗證讓AI設計的蛋白質真的能在現實中工作。

完整解析

Chai Discovery的故事始於2023年Alpha Fold 3發布後一個關鍵決策。當時公司僅五人規模,聯合創始人意識到若要建立企業級藥物發現平台,必須先掌握支撐模型的工程基礎設施。他們決定開源實現Chai1(結構預測模型),目的不只是貢獻社區,更是通過這個「有具體目標的強制函數」快速累積生產級基礎設施經驗。這段時間團隊就坐在OpenAI辦公室裡,OpenAI甚至共同領導了他們的種子輪融資。

此時的背景是蛋白質設計領域正處於轉折點。AlphaFold 2多聚體版本剛問世一年,逆向摺疊技術開始在實驗中驗證有效,Baker Lab等研究機構做了充分的濕實驗驗證。Chai的創始人Josh當年在Meta參與ESM論文工作,看到了可擴展性規律的早期信號——他們賭上了「模型會變好到足以設計新蛋白質」這個假設,這在當時相當大膽。

真正的突破是Chai2模型的推出。與Chai1只能預測給定序列的結構不同,Chai2採用全原子擴散架構,能同時協同設計序列與結構。這看似簡單,實際上是個雙向耦合問題:模型必須考慮「如果我改變這個結構位置,對應的序列應該如何變?」這需要模型有足夠的思考時間去迭代調和結構-序列的自洽性。為驗證可行性,公司設置了大膽的「五十個目標抗體設計挑戰」,結果在約50%的目標上成功獲得命中。這沒有僅做一兩個案例的小把戲,而是真實統計驗證,直接打動了大藥廠。

為什麼這個成果如此關鍵?傳統方法中,一個藥廠團隊用免疫化或酵母展示篩選抗體,可能要搜索數十億候選才能找到一個有用的結合者,而且得不到對結合位置的精確控制。Chai改變了這個遊戲:科學家可以說「我要結合這個特定上表位區域」,模型給出答案後還能視覺化驗證結合姿態是否如預期。更進一步,這種精準性開啟了過去無法做的設計——不只是阻斷,還能做GPCR激動、多特異性抗體、抗體藥物結合體等高級模式。這不是加快舊工作的速度,而是解鎖了整個新藥物模式的可能性。

產品層面同樣重要。一開始團隊考慮在模型周圍套個聊天機器人,但意識到結構生物學的核心需求是視覺化。最終產品看起來更像Figma或Solidworks——科學家能載入分子、用paint工具框出靶位點、模型用類似content-aware fill的方式填充候選、然後分析結果。這聽起來簡單,實際上涉及文件格式標準化、NMR與Cryo-EM多結構副本處理、信心度校準、選擇性約束等複雜工程問題。

大藥廠的採用要素不是熱情而是實證。Chai與Eli Lilly、Pfizer、Novartis、Amgen的合作模式也很獨特:Chai定位為「中立軟體工廠」而非自己開發藥物。這需要極度認真的安全與IP隔離設計——每個客戶幾乎是一個獨立部署的產品實例,確保一家藥廠的機密不會洩漏到另一家。

但真正的瓶頸不在模型,而在工程基礎設施。Chai1的注意力機制在成對表示上運作,序列長度L被當作L²處理,實際運算複雜度是L³。這意味著即使Layer Norm這樣簡單的操作也成為顯著計算開銷。Neil團隊花大量時間優化GPU級別的操作、跨GPU集群的計算編排、以及最關鍵的「耐久執行」框架。他們採用Temporal這類工具來管理分佈式計算中的隊列、重試與監控,避免陷入傳統的「重試地獄」——在沒有成熟框架下,95%的工程時間會被耗在處理flaky基礎設施上。

還有一個常被忽視但深刻的挑戰:計算市場本身已被LLM「meme pilled」。H100、B300等最新晶片系統針對LLM的大KV快取與密集通信優化,但結構模型有不同的計算-記憶頻寬比與稀疏通信模式。Chai自己花時間做基礎優化,同時指出整個AI硬體產業可能正在忽視一個同樣龐大的領域。

最後是驗證與迭代文化。Chai雇用了來自Baker Lab的頂級結構生物學家,他們最初對AI生成的蛋白質持懷疑態度。但一旦Chai2結果出爐,他們轉向「bulletproofing」模式——確保所有結果都經得起嚴格檢驗。內部會跑獨立的AlphaFold預測來校驗設計、測量結構一致性、評估多樣性以防模型退化。實驗反饋從月級縮短到周級,形成真正的快速研發迴圈。一次,團隊用Cryo-EM驗證預測結構,發現誤差只有0.33埃——小到他們懷疑自己收到的是原始設計的反射影像。

83 min
企業管理英文PODCAST11月19日

Scaling Linear’s GTM to $100M ARR — Cristina Cordova, COO

Latent Space看原片 ↗
  • 議題追蹤已死的真正含義:不是issue單位消失,而是人類應停止手動追蹤工作。Linear著重構建AI友善的系統,讓代理自動執行原本由人工完成的繁瑣步驟(標籤、指派、狀態更新),讓工程師和PM把時間花在產品開發上。
  • 務實的市場階梯策略:Linear沒有直接攻擊企業市場,而是先聚焦成長期公司—那些已有既有工具但可被說服轉換的組織。唯有成功說服這個客群,才有信心向上攻擊企業。這個策略花了兩年時間,直到2025年才正式啟動企業銷售部門。
98 min
AI 技術英文PODCAST11月16日

Building Visual Intelligence — Andreas Blattmann & Dustin Podell, Black Forest Labs

Latent Space看原片 ↗
  • 從研究到商業的轉折點:穩定擴散2022年開源不僅改變了講者個人的職涯軌跡,也啟發整個社群。Dustin因此辭職投身AI,Andy看到了基礎模型產業化的可能性,這股動能直接催生Black Forest Labs的創辦。
  • 資料品質優於複雜算法:整個採訪反覆強調資料的重要性。從SDXL的多寬度訓練、SD3的文字渲染,到Flux Context的編輯能力,關鍵都不在算法創新而在精心設計的資料集。Dustin在法國小屋用6小時訓練測試集就看到編輯能力湧現,說明好資