# Chai Discovery's Bitter Lesson: Drug Design Is Another Scaling Problem

- Channel: [Sequoia Capital](https://www.youtube.com/channel/UCWrF0oN6unbXrWsTN7RctTw)
- Published: 2026-08-04
- Source video: [Watch on YouTube](https://youtube.com/watch?v=wv53mDmY-k0)
- Read on ReadTube: https://www.read.tube/p/videos/wv53mDmY-k0
- Language: Simplified Chinese

## Summary

**人工智能重塑药物设计**

Chai Discovery 认为药物发现正变成另一类可扩展问题，核心是用人工智能把生物学流程从试错式探索变成工程化设计。创始人强调，蛋白折叠、扩散模型和抗体设计的进展，让模型如今能够零样本生成更高命中率、可绑定且更具可开发性的分子。

Chai Discovery 的核心判断是：药物发现不该继续依赖大规模筛选和漫长试错，而应逐步变成一种可被建模、可被验证、可被持续放大的工程流程。公司把重点放在“计算化设计套件”上，希望研究者先在计算机里明确分子目标，再由模型生成候选分子进入实验验证，从而把发现周期从月级压缩到周级甚至天级，并扩大可探索的假设空间。

他们回顾了近十年生物人工智能的关键跃迁：从蛋白折叠、到序列与结构预测、再到扩散模型推动的蛋白生成，最终进入能够结合真实约束、同时生成结构与序列的阶段。Chai 认为 2024 年是创业的合适窗口，因为抗体结构预测、抗体设计和更复杂分子形式开始出现“第一次真正起效”的迹象，说明过去被认为过于困难的问题，已经可能被更强模型攻克。

公司方法论非常强调简化、严谨和规模化。他们坚持“苦涩教训”式路线，相信数据、算力和模型规模仍是主引擎，同时反对在系统里堆叠过多模块；团队会尽量把模型拆得更简单，以便更好地理解可扩展方向。由于生物实验误差和评估周期都较大，Chai 认为必须用更严格的实验评估去防止自我欺骗，并以真实实验结果作为模型进步的唯一依据。

- 早期行业状态：抗体设计命中率约千分之一，必须做大规模筛选。
- 当前进展：Chai 2 将成功率提升到约 15%，并能同时考虑可制造性等属性。
- 技术路径：数据来自蛋白数据库、海量序列数据库，以及模型驱动生成的新实验数据。
- 团队结构：以人工智能研究为核心，逐步加入抗体工程师、产品、基础设施与安全人才。
- 商业模式：选择为大型制药公司提供基础设施与模型能力，而不是只做自有药物管线。

他们与礼来、诺华等制药公司合作后发现，制药行业并不排斥人工智能，反而会在证据充分时快速采用新工具，因为药企本身就是高度竞争、必须持续创新的行业。未来十年，Chai 预期行业会出现更高质量、更具针对性、更多面向罕见病和个体化疾病的药物，最终让更多分子设计从“寻找答案”变成“直接构造答案”。