他們最大的競爭對手，是一隻老鼠

TL;DR

• Chai Discovery 兩年半，從五個人擠在 OpenAI 辦公室的空位，做到 38 億美金估值、Eli Lilly、Pfizer、Novartis 三家大藥廠同時簽約
• 傳統找抗體的方法是拿病去感染老鼠，看牠自己長出什麼；或者一次篩幾十億個分子大海撈針。共同創辦人說：我們最大的競爭對手是老鼠
• Chai-2 對五十個標靶設計抗體，一半成功拿到結合物，平均命中率兩成。這個數字讓藥廠開始認真看待
• 他們的產品長得不像 ChatGPT，比較像 Photoshop 或 Figma，有筆刷工具讓你「塗」出想結合的位置
• 一次 cryo-EM 驗證誤差只有 0.33 埃，不到一顆原子寬度的三分之一，團隊第一反應是「實驗室一定寄錯了，這是我們自己送過去的檔案吧」
• 真正的瓶頸不是模型，是驗證。你設計完要等好幾週才知道對不對
• 他們不做自己的藥，定位是「中立的製藥軟體工廠」

這集是 2026 年 8 月 11 日發佈的 Latent Space「AI for Science」系列。Latent Space 原本就是 AI 圈相當硬的技術訪談節目，這個分支則專門聊 AI 在科學研究上的落地，兩位主持人本身就在生技 AI 創業，問的問題都很內行，不會停在表面。

來賓是 Chai Discovery 的共同創辦人 Matthew McPartlon 跟平台與產品負責人 Neil Patil。Chai Discovery 是一家 2024 年在舊金山成立的公司，做的事情是訓練模型來預測跟設計分子之間怎麼互相結合，講白話就是「用 AI 畫出一款藥的形狀」。今年七月他們完成四億美金的 C 輪，估值 38 億美金，七個月翻了三倍，OpenAI 是早期投資人之一。Matthew 的博士念的是深度學習做蛋白質設計，起點其實是理論計算機科學，中途才轉進生物。Neil 的路更歪，十五年前在 App Store 做 App，做過自駕車、做過資安公司，一年前才加入 Chai。兩個人都不是傳統意義上的生物學家，這件事等一下會變成整集最有趣的部分。

我們最大的競爭對手是老鼠

先講抗體是什麼。抗體是一種 Y 字形的蛋白質，你比一個「耶」的手勢，兩根手指頭就是抗體的兩隻手臂。真正負責黏住目標的只有指尖那一小段，其他部分基本上是固定的框架。這也是為什麼抗體特別適合拿來當藥物設計的對象：你只要設計指尖，其他部分免費繼承。

那過去怎麼找？兩條路。第一條是拿病原去感染老鼠，看老鼠的免疫系統自己生出什麼抗體，再拿來用。第二條是酵母展示（yeast display），一口氣篩幾十億個候選分子，看哪個會黏。運氣好的話，最後撈出一兩個、頂多十來個。

問題在於，你只知道它「有黏」。黏在哪裡？黏得夠不夠緊？會不會順便黏到不該黏的東西？這些通通不知道。Chai 的執行長 Josh 有一句話很傳神：我們最大的競爭對手是老鼠。

Chai 想做的是把這件事從「碰運氣」變成「畫設計圖」。你可以直接指定：我要抗體黏在這個蛋白質的這一塊區域，而且要避開旁邊那個長得很像但不能碰的健康蛋白。他們甚至能同時處理跨物種問題，因為新藥不會直接打進人體，得先在猴子身上試，所以抗體必須同時黏得住人的版本跟猴子的版本，那就要找出兩邊都保守不變的那一段來下手。

從「這是什麼形狀」到「幫我做一個」

Chai 的模型有一條很清楚的演進線。

Chai-1 是結構預測模型，你給它胺基酸序列，它告訴你摺出來長什麼樣。這個模型他們選擇開源，理由很誠實：五個人的公司，需要一個逼自己把基礎建設蓋起來的理由。Matthew 說那段時間他們四十個小時沒睡，趕論文趕網站，Josh 跑去接受彭博電視訪問，主持人環顧四周說「有趣的公司，看起來一個員工都沒有」，因為早上七點大家都癱在辦公室裡不敢出現在鏡頭前。

Chai-2 才是跨過門檻的那一步。它從「看圖說故事」變成「憑空生圖」。用影像模型來比喻：Chai-1 是告訴你這張圖裡有一隻貓，Chai-2 是你說「幫我在草原上放一隻貓」，它直接生給你。而且在生物的場景裡它必須同時生兩樣東西：序列跟結構，還要讓兩者自洽。

驗證的方法也很有意思。他們挑了五十個標靶去設計抗體，故意選那些從來沒有已知抗體結合物的目標，避免模型是在背答案。結果一半的標靶拿到了結合物，平均命中率兩成。這個數字在業界是step change 等級的。

現在的 Chai-3 是最新一代，據他們說在標靶成功率跟結合親和力（binding affinity，簡單說就是黏得多緊）上都有明顯提升。中間其實還有 Chai-2.5、Chai-2.7，是一路 hill climbing 上來的。

那個讓他們以為實驗室寄錯檔案的驗證

最好笑的一段是 cryo-EM 驗證。Cryo-EM 是把蛋白質冷凍起來、拿電子束轟它、看反彈訊號來還原真實原子位置的技術，貴到爆。他們把模型預測的結構跟實驗結果疊在一起，發現完全看不出差別，第一反應是「結果有問題吧，實驗室是不是直接把我們送過去的設計原封不動退回來了」。

後來確認誤差是 0.33 埃，一顆原子寬度的三分之一。

這件事講的其實不只是準確度。之前寫過的材料 AI 那篇有一個相同的結論：這類科學問題最難的地方在於你根本不知道自己對不對。生物學有很大一部分是字面意義上的摸黑，你看不見那個東西長什麼樣。當結構預測準到這個程度，摸黑這件事才第一次有了燈。

產品長得像 Photoshop，不像聊天框

Neil 講產品的那段我最有感。

模型很強，但你要怎麼讓使用者用？他說團隊第一個念頭當然是「包一個聊天機器人不就好了」，但很快就放棄。因為這件事的本質是視覺的：你要指定黏在蛋白質的哪一塊、要避開細胞膜、要避開哪個相似蛋白，這些用打字描述會瘋掉。

所以 Chai 的產品長得比較像 Autodesk、SolidWorks 或 Figma。你把分子載進來，有一個像筆刷的工具讓你「塗」出想結合的表位（epitope，抗體實際結合的那一小塊位置），然後有一個類似「內容感知填滿」的功能，讓模型幫你把結合物生出來。

Neil 說他前陣子有點存在主義危機：現在辛辛苦苦做的這些視覺化工具，等 Chai-4 出來搞不好整個要丟掉重寫。但他的結論是，這就是現在做產品的現實。以前寫軟體是想撐二十年，現在可能只撐一年，它的角色是把價值送出去的橋，然後帶你走到下一階段。他預期產品會一層一層往上抽象：現在你還在檢查每個鍵結，之後可能是編排一整批假設，再之後是對整條通路的所有標靶跑一整輪。

有一個細節很打動人。幾個月前他們跟某家藥廠展示結果，會議室裡一位科學家當場哭了。問她怎麼了，她說她花了十年想拿到這個標靶的第一個結合物，一直沒有。

真正的瓶頸不是模型

主持人問了一個好問題：如果能用魔法移除一個瓶頸，你們要移除哪個？

Matthew 的答案是驗證迴圈。你設計完一個蛋白質，怎麼知道它是不是真的？只能送到濕實驗室，等。以前是等好幾個月，現在的委外實驗室網路把它壓到幾週，但跟 LLM 那種「加算力、幾小時出結果」還是天差地遠。這也是之前那篇 Lila Sciences 的訪談在講的同一件事：AI for science 真正的戰場在實驗吞吐量，不在模型參數。

另一個沒人談的瓶頸是算力市場。Neil 說他負責幫公司買算力，去年九月開始發現搶不到卡。真正讓他有感的是，市場已經徹底「LLM 化」了：新一代硬體全部圍繞著大語言模型的需求在設計，七十二顆 GPU 綁在一起、巨大的 KV cache。但結構預測模型的計算特性完全不同，隱藏維度小、序列維度大，正好是 GPU 最不擅長的形狀。他們得花大量時間自己做底層優化。

Matthew 補了一句：Anthropic 大概是唯一一家同時在加速科學跟拖慢科學的公司。玩笑歸玩笑，算力被大廠吃掉九成五，剩下的新創在搶碎屑，這是真的。

為什麼不自己做藥

最後聊商業模式。這麼強的設計能力，為什麼不自己開發藥？

他們的定位是「中立的製藥軟體工廠」。不做自己的管線，跟每一家藥廠合作，藥廠成功他們才成功。Neil 說當初一堆人告訴他這行不通，藥廠對智慧財產權敏感到不可能把資料放進別人的平台。他的解法很資安人：單租戶架構，每個客戶等於部署一套獨立的系統，資料徹底切開。

有兩個數字值得記下來。第一，兩款 GLP-1 減重藥合起來的營收，在三個月前為止都還超過所有 AI 實驗室加起來的總和。第二，摩爾定律反過來寫的那個定律（Eroom's Law）說的是製藥的單位成本在指數上升，這代表某一天新藥開發的邊際報酬會變成負的。

如果從單位 token 的下游價值來算，大概沒有任何領域比製藥更高。一段序列可能對應一個幾十億美金的資產。這也是為什麼 Chai 只有三十個人、研究團隊大約十人，卻能簽下這種規模的合作。

Neil 說他最想解決的其實是人才問題。很多聰明的人跑去做 LLM、做 SaaS，不去做生物，因為生物看起來需要博士學位、名詞又難又抽象。但 Chai 的研究團隊裡幾乎沒有正統生物背景的人，他們的做法是把每個問題都翻譯成核心機器學習問題來解。Matthew 的說法是：你不會因為不是導演就不能做影片模型。

這個判斷對不對，未來幾年會有答案。但至少從結果看，一群外行人用外行的方法，把一個內行卡了幾十年的問題往前推了一大段。

想看更多這類產業第一線的觀察，我都會發在 wilsonhuang.xyz，歡迎訂閱。