Nhà nghiên cứu OpenAI Miles Wang đàm phán khởi động startup khám phá thuốc bằng AI với định giá $2 tỷ

Khi một nhà nghiên cứu cấp cao rời khỏi một trong những phòng lab AI có ảnh hưởng nhất thế giới để xây dựng một startup công nghệ sinh học, toàn bộ ngành công nghiệp chú ý. Những báo cáo cho rằng nhà nghiên cứu OpenAI Miles Wang đàm phán khởi động startup khám phá thuốc bằng AI với định giá $2 tỷ đánh dấu điều gì đó lớn hơn một bước thay đổi sự nghiệp — chúng cho thấy một điểm chuyển tiếp trong cách những tâm trí kỹ thuật tham vọng nhất chọn triển khai AI. Đây không còn là về chatbot nữa. Đó là về các phân tử.

Điều gì đã xảy ra

Câu chuyện tuân theo một mô hình đã trở nên ngày càng quen thuộc trong thế giới AI: một nhà nghiên cứu có thông tin kỹ thuật sâu sắc, được rèn luyện bên trong một trong những phòng lab biên giới, quyết định rằng biên giới tiếp theo không phải ở bên trong một tổ chức lớn. Theo các báo cáo, Miles Wang — một nhà nghiên cứu liên kết với OpenAI — đang tham gia thảo luận để thành lập một startup khám phá thuốc do AI hỗ trợ, với các cuộc đàm phán định giá giai đoạn đầu được báo cáo đạt tới mức $2 tỷ trước khi công ty thậm chí chính thức ra mắt.

Con số đó cần bối cảnh. Định giá $2 tỷ trước khi ra mắt sẽ đặt startup này ngay lập tức vào số những công ty khám phá thuốc AI được tài trợ nhiều nhất khi thành lập. Nó phản ánh một luận điểm nhà đầu tư rộng hơn đã tích lũy động lực trong vài năm: rằng các mô hình ngôn ngữ lớn và kiến trúc AI sinh tạo, khi được áp dụng vào gấp protein, mô phỏng phân tử và thiết kế thử nghiệm lâm sàng, có thể nén lại lịch trình phát triển thuốc từ chu kỳ truyền thống hơn một thập kỷ xuống còn ngắn hơn nhiều.

Tiền lệ tồn tại. AlphaFold của DeepMind đã định hình lại sinh học cấu trúc. Một làn sóng startup — Isomorphic Labs, Recursion Pharmaceuticals, Insilico Medicine — đã chứng minh rằng AI có thể phát hiện các ứng cử viên thuốc mà việc sàng lọc thông thường sẽ mất nhiều năm để xác định. Điều đã thay đổi bây giờ là mức độ tài năng tham gia vào lĩnh vực này. Khi những nhà nghiên cứu đã làm việc trên các mô hình AI mục đích chung biên giới chuyển sang sinh học, họ mang theo những trực giác kiến trúc và kinh nghiệm huấn luyện theo quy mô mà các đội AI công nghệ sinh học được xây dựng cho mục đích cụ thể thường thiếu.

Trọng tâm kỹ thuật cụ thể của công ty được báo cáo của Wang không hoàn toàn công khai, nhưng luận điểm rộng — sử dụng AI sinh tạo để tăng tốc độ xác định mục tiêu, tối ưu hóa dẫn đầu và dự đoán lâm sàng — là nơi lĩnh vực này đang hướng tới bất kể đội nào đến trước.

Tại sao điều này quan trọng đối với Châu Á

Lợi ích của Châu Á trong khám phá thuốc bằng AI lớn hơn hầu hết các câu chuyện công nghệ phương Tây thừa nhận. Trung Quốc đã đầu tư nặng nề vào công nghệ sinh học AI trong nước, với các công ty như XtalPi và Insilico Medicine (hoạt động đáng kể từ Hong Kong và Trung Quốc) đã chạy các hợp chất được thiết kế bằng AI qua các thử nghiệm lâm sàng. Lĩnh vực dược phẩm Hàn Quốc, được neo bởi các tập đoàn như Samsung Biologics và Celltrion, đã tích cực khám phá các kỹ thuật hợp tác AI. Cơ sở sản xuất thuốc generic của Ấn Độ — lớn nhất thế giới theo khối lượng — là một ứng cử viên tự nhiên cho tối ưu hóa quy trình do AI hỗ trợ và khám phá hợp chất mới.

Đối với những người sáng lập và nhà phát triển châu Á theo dõi câu chuyện này, tin tức về Wang quan trọng vì ba lý do.

Thứ nhất, nó xác nhận rằng vốn đang theo dõi tài năng. Cuộc đàm phán định giá $2 tỷ cho một startup khám phá thuốc bằng AI trước khi ra mắt có nghĩa là các nhà đầu tư — có khả năng bao gồm các quỹ đầu tư mạo hiểm lớn có tiếp xúc với Châu Á — đã sẵn sàng viết những séc lớn vào danh mục này. Điều đó tạo ra những cơ hội hạ lưu: công cụ, cơ sở hạ tầng, đường ống dữ liệu và nền tảng tuân thủ quy định mà các công ty khám phá thuốc bằng AI sẽ cần.

Thứ hai, nó tăng tốc độ hợp pháp hóa của lĩnh vực này trong các cuộc trò chuyện tài trợ Châu Á-Thái Bình Dương. Khi một đội sáng lập mang theo thông tin xác thực OpenAI, nó giảm bớt rào cản hoài nghi đối với các startup liền kề trong khu vực đưa ra những lời đề nghị tương tự cho các LP địa phương và các cánh tay đầu tư công ty.

Thứ ba, Châu Á có những lợi thế cấu trúc trong không gian này được đánh giá thấp. Sự đa dạng dữ liệu bệnh nhân trên khắp Đông Nam Á, Ấn Độ và Đông Á đại diện cho một độ rộng bộ gen và kiểu hình mà các bộ dữ liệu phương Tây thường thiếu. Các startup và tổ chức nghiên cứu trong khu vực có thể xây dựng cơ sở hạ tầng dữ liệu tuân thủ, bảo vệ quyền riêng tư xung quanh các dân số này sẽ có một khoảng cách bảo vệ mà không có lượng tính toán nào ở San Francisco có thể sao chép.

Hệ sinh thái công nghệ Châu Á không chỉ theo dõi xu hướng này — nó được định vị để tham gia vào nó, nếu các nhà phát triển và người sáng lập di chuyển với sự khẩn cấp phù hợp.

Điều này có nghĩa gì đối với các nhà phát triển

Nếu bạn là một nhà phát triển ở Châu Á suy nghĩ về nơi xây dựng tiếp theo, câu chuyện về Wang là một tín hiệu hữu ích về nơi tập trung đòn bẩy kỹ thuật. Khám phá thuốc bằng AI không phải là một khối đơn — nó là một ngăn xếp, và hầu hết ngăn xếp đó cần được xây dựng.

Ở lớp dữ liệu, AI khám phá thuốc yêu cầu dữ liệu sinh học sạch, có cấu trúc: trình tự bộ gen, cấu trúc protein, kết quả xét nghiệm, hồ sơ sức khỏe điện tử. Xây dựng các đường ống nạp, chuẩn hóa và kiểm soát phiên bản dữ liệu này là công việc không hấp dẫn, nhưng nó là nền tảng mà mọi thứ khác chạy trên đó. Các nhà phát triển có kinh nghiệm trong kỹ thuật dữ liệu và MLOps có thể áp dụng những kỹ năng đó cho các định dạng dữ liệu sinh học — FASTA, SDF, DICOM — sẽ có nhu cầu cao.

Ở lớp mô hình, công việc thú vị là trong việc tinh chỉnh và điều chỉnh các kiến trúc mục đích chung cho các nhiệm vụ phân tử. Các mô hình Transformer được huấn luyện trên các trình tự protein, mạng thần kinh đồ thị được áp dụng cho các cấu trúc phân tử, các mô hình khuếch tán tạo ra các hợp chất mới — đây không phải là các chủ đề nghiên cứu kỳ lạ nữa. Chúng là những vấn đề kỹ thuật. Các nhà phát triển hiểu cách điều chỉnh các mô hình nền tảng mã nguồn mở như ESM-2 hoặc RFdiffusion cho các mục tiêu điều trị cụ thể sẽ thấy mình ở trung tâm của một không gian vấn đề được tài trợ tốt.

Ở lớp ứng dụng, nút cổ chai thường là trải nghiệm người dùng và tích hợp quy trình làm việc. Các nhà sinh học tính toán và hóa học dược phẩm không phải là các kỹ sư phần mềm. Xây dựng các giao diện cho phép các chuyên gia lĩnh vực tương tác với các mô hình AI mà không cần viết mã — hãy nghĩ về các truy vấn ngôn ngữ tự nhiên trên các cơ sở dữ liệu phân tử, trình chỉnh sửa hợp chất trực quan với các gợi ý AI, tạo báo cáo tự động cho các bài nộp quy định — là nơi các nhà phát triển có tư duy sản phẩm có thể tạo ra giá trị không cân xứng.

Đối với các đội xây dựng trên các nền tảng như MonstarX, phương pháp phát triển AI-native ánh xạ sạch vào vấn đề này. Các quy trình khám phá thuốc liên quan đến việc kết nối các nguồn dữ liệu khác nhau, chạy các đường ống suy luận và hiển thị kết quả trong các giao diện cụ thể về lĩnh vực — chính xác là loại điều phối đa hệ thống nơi một nền tảng AI-native tăng tốc độ chu kỳ xây dựng thay vì thêm ma sát vào nó.

Chiều kích quy định cũng là một thách thức kỹ thuật thực sự. Các khung công tác mới nổi của FDA cho phát triển thuốc hỗ trợ bằng AI, và các cơ quan tương đương trên khắp Châu Á-Thái Bình Dương, yêu cầu các dấu vết kiểm toán, phiên bản mô hình và các tạo tác khả năng giải thích mà hầu hết các đường ống triển khai ML tiêu chuẩn không tạo ra theo mặc định. Các nhà phát triển nướng tuân thủ vào kiến trúc của họ từ đầu — thay vì lắp ráp lại nó — sẽ xây dựng các sản phẩm có thể thực sự đạt được sử dụng lâm sàng và thương mại.

Những điểm chính

Bước lùi lại từ tiêu đề định giá và các tên cụ thể, và một vài mô hình bền vững xuất hiện từ câu chuyện này.

Tài năng AI biên giới đang tự tổ chức xung quanh khoa học khó khăn. Bước chuyển từ nghiên cứu AI mục đích chung sang khám phá thuốc, khoa học vật liệu và mô hình hóa khí hậu không phải là một sự rút lui khỏi tham vọng — nó là một nâng cấp. Đây là những lĩnh vực nơi các vòng phản hồi chậm, dữ liệu đắt tiền và các khoảng cách cạnh tranh sâu. Các nhà nghiên cứu đã dành nhiều năm suy nghĩ về cách huấn luyện các mô hình lớn hiện đang đặt câu hỏi: vấn đề thế giới thực khó khăn nhất mà cái này có thể được nhắm vào là gì?

Môi trường định giá cho AI biotech