“
分子並非標準化產品，但機器學習可以訓練出分子合成的自動化工具。”
作者：塗鴉君
編輯：tuya
在很多場景中，從結果看AI還只起到了錦上添花的作用，很多行業的痛點並未解決。在安防、金融、政務等應用領域，AI公司競爭激烈，但經濟化模型堪憂，尋求新場景的實質性落地是每一家AI公司的嚴峻課題。這甚至也關乎到助力企業發展的創投機構的切身利益，因為一些即將迎來收穫期的被投企業正面臨審查標準趨嚴的科創板和創業板。
生物製藥領域是典型存在效率痛點的行業，體現在從新分子到藥物規模化生產的幾乎全產業鏈。
製藥過程的早期過程是化學層面的分子發現、設計與合成。智化科技Chemical。AI創始人兼CEO夏寧博士對《財經塗鴉》表示，目前化學研發行業的“工業1。0”變革還沒有實現，從分子合成到後期生產都基於專家的經驗積累，類似手工業。
Chemical。AI智化科技是一家制藥化學AI科技企業，它的化學合成路線設計平臺讓藥企能夠
快速獲得新分子，提高新分子合成速率
，從而讓後續製藥環節的探索有更多的可能。今年3月，公司完成了超過3000萬元的A輪融資，由紅杉中國種子基金領投，巢生資本和天使輪老股東峰瑞資本跟投。
新藥發現領域，AI主要應用在靶點篩選、新藥分子設計與合成、分子有效性預測上，而用AI輔助新分子設計環節的創業公司數量較多，目前也非常熱門。代表公司Schrödinger（SDGR。US）與Relay Therapeutics（RLAY。US）已在美股上市。其中，Schrödinger的分子設計軟體收入目前佔比達到80%左右。
然而，
虛擬的分子在設計出來後，合成的成功率不高，且分子合成後，還要進行有效性測試以篩選出有生物化學活性的分子
。以美國為例，資料顯示，製藥業每年測試數以十萬計的分子，但大約只有30個被FDA批准。因此對於有機化學博士來說，
他們在新藥研發中的一項重要工作就是合成有生物活性的分子，繼而研究分子如何影響細胞內的過程
。這時也能體現出傳統大藥廠的優勢——更有能力合成並測試數以千計的分子。
Chemical。AI智化科技團隊所攻克的則是AI方法輔助化合物合成的解決方案，其客戶包括羅氏製藥、藥明康德（603259。SH；02359。HK）等國內外大型藥企及頭部CRO。並且，AI輔助實現化合物合成需要有化學反應基礎資料、大量實驗的經驗積累等，壁壘較高。
夏寧從小喜歡程式設計，深耕化學後，他認為計算機程式可以更好地解決化學研究中的問題，也一直希望將兩者結合應用。
從法國科學院有機化學博士學業畢業後，夏寧就開始了演算法研發的工作並持續積累。夏寧曾在國際藥企研發部門工作，2009年在法國參與創立eNovalys，該公司自研了化合物逆合成系統的早期版本。當時的逆合成系統未成功實現商業化，夏寧回國後繼續探索，在2016年上線了逆合成系統的第一個版本，積累了一些使用者，隨後兩年系統的效能不錯，證明了此應用方向的前景，夏寧在2018年成立了智化科技專注實現產品的商業化。隨著客戶的使用，智化科技希望把演算法打磨得更精確。據悉，目前公司的軟體收入已經使公司盈利。
《財經塗鴉》近日對話了夏寧博士，以下為訪談內容（有刪節）：
Q：《財經塗鴉》
A：夏寧 智化科技Chemical.AI創始人兼CEO
夏寧（來源：受訪者提供）
Q：為什麼堅持將化學與計算機的方式結合起來應用？
A：化學是基礎行業，但這個行業又與製造業不同，化學的研發一直是“手藝活”，從業人員還是像兩百年前的化學家一樣手工操作完成實驗的工作，沒有實現自動化。因為
化學的產品是一個個分子，新的分子和之前的分子又是不一樣的，不是標準化的產品
。
化學研發的問題是如何合成幾千個分子，生產要解決的是怎樣用最便宜的方法生產出目標分子。
現在的化學領域，從業者得有高學歷、有豐富的經驗才能勝任，這是化學的“大腦”；但其他很多行業已經實現了自動化，它們的“大腦”已變成一段程式
。同時，我認為計算機程式也非常擅長解決化學的問題。
Q：業內很早就開始探索用計算機的方法做合成，為何現在的商業化進展最明顯？
A：哈佛大學教授Elias James Corey因提出“逆合成分析原理”，將
有機合成路線設計技巧變成了嚴格的思維邏輯科學
而獲得1990年諾貝爾化學獎。該原理簡而言之，就是為了合成某個分子，從目標一步步往回推其原料和合成方法。
早在1969年Elias James Corey就嘗試用計算機設計分子的合成路線，但當時軟硬體條件受限，這類工具沒有被廣泛應用。後來2018年上海大學的Mark Waller教授和德國明斯特大學的Marwin Segler博士等人在《自然》雜誌報道了
一款可以透過自主學習有機反應來設計分子合成路線的AI新工具。此套演算法被公開後，很多分子合成路線都使用到這套演算法的改進版
。此後計算機合成化合物便引起了資本的注意，因為運用計算機的方式，化學家可以比以往更快地合成目標分子。
化學的文獻、專利資料早已實現標準化，資料量也足夠大
，也非常適合演算法的發展。
Q：為什麼選擇化合物合成AI的商業化？
A：如果將藥物研發成本降到藥廠有利可圖，資金會更願意集中到新藥研發中。現在很多做AI的新興藥企聚焦於新分子的設計，但做出的新分子真正合成後並不能被確定為有效，正如設計的晶片並不一定能投產使用。
結構過於複雜的分子，化學家也無法合成
。因此這些新的虛擬分子透過AI演算法的迭代可能在幾年後甚至更長時間才能算得準確，
但分子的計算機合成是可以更快落地的。我們解決的是快速獲得其所設計開鎖的鑰匙的問題
。藥企在快速拿到分子後，才能知道它有怎樣的效果，從而做出新的管線。
Q：計算機程式是怎樣切入化學研發的知識體系的？
A：
AI單領域已經體現不出強競爭壁壘了
。對於化學家來說，分子怎麼做是一套很大又很細分的知識體系，而且化學家有各自精通的領域如糖化學、磷化學等，這樣看
化學家更像是傳統“手藝人”
。計算機程式更像是一種GPS的訓練體系，
它在沒有經驗的地方也不會受太多限制，因為它會找最好的解決辦法
，從而加快分子合成過程的探索效率。現在機器學習是按照最高經驗水平打造的，可以無限複製自己，同時做很多實驗。原來靠人力無法完成的分子合成需求，在AI的輔助下卻可以完成。
現在，深度學習可以解決很多問題，但還難以解決“邏輯問題”
，比如在無人駕駛場景，車輛前方左右兩側分別有一隻狗和一個人，如果無法剎車了，它應該撞向哪一側？這種情況下，目前AI還做不了邏輯判斷，需要由專家把規則寫好，光靠訓練是無法學會邏輯判斷的。其實大量的問題都涉及因果關係，這都不是現在的深度學習技術擅長解決的。
Q：那AI在化學領域夠用嗎？
A：化學裡面有大量的因果關係，所以我們做的並不是純粹基於深度學習的AI，這也是我們可以做、別人不容易做的原因。我們有自己的演算法來解決因果關係。與自動駕駛這種場景的複雜性相比，
化學的邏輯關係相對簡單、可描述
。
Q：很多場景裡AI目前只是一個工具的作用，但我們期望的是AI本身的迭代。
A：強人工智慧是人類所向往的，但我們對大腦還不夠了解，大腦一定是在我們從類人猿到人的過程中進化出了思考決策能力，因為進化過程中我們生理結構的變化遠沒有邏輯、智力的變化大。
我個人認為很重要的原因是人產生了語言，而類人猿沒有語言，導致它沒法進行邏輯思維
，雖然科學界還沒有對這一點形成共識。
Q：現在AI輸出的“語言”是人類寫好的。
A：AI現在還沒法表達出它在想什麼，也還沒有語言。但凡我們用語言問它再簡單的邏輯問題，AI也無法回答。
Q：可能AI還沒法理解大腦的機制，而且理解了也無法模擬此機制。
A：這我倒不這麼認為，理解了就可以模擬。
其實人的思維就是一段程式，只不過是在大腦神經系統的硬體上執行的
。
Q：回到化學的場景，公司未來需要持續的資金投入去推動核心的研發能力嗎？
A：相比於生物醫藥的後期環節，我們並不需要太高額的研發費用，主要花費是在人才上。人才不僅要有跨學科的能力，還要有持續的研發能力。對於成熟的技術，透過大量資金投入或許可以複製，但如果是我們這些還沒有完善的技術，則需要有人創新，需要靈感和試錯，這種經驗的積累靠“燒錢”可能難以去大規模加速。
Q：公司有沒有想過以後還有什麼商業模式的可能？
A：商業模式可以有很多，但我
認為提升分子產生的效率是最核
心的
，因為它的變革性已經足夠大了。
