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

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。