去年12月，一个生物学家会议在墨西哥坎昆召开，回顾了一个令人震惊的发现。Alphabet的人工智能实验室DeepMind击败了一屋子生物学家，赢得了一场基于基因密码预测蛋白质形状的比赛。
这听起来可能不具有里程碑式的意义，但理解蛋白质折叠成三维形状的方式对协助制作药物至关重要。药物通常通过附着在蛋白质上并改变它们在体内的运作方式来对抗疾病。DeepMind能够预测这些蛋白质的形状，其准确性远远高于许多受人尊敬的学者和专业人士在会议上的预测。
参加此次比赛的哈佛大学生物学家兼研究员Mohammed AlQuraishi在接受外媒采访时说：“这是一个人们已经从事了几十年的领域。但是一个新团队能够如此迅速地进入并取得如此好的成绩，让我对学术界的结构性低效倍感失望。”
对于药物研发行业来说，这是一个令人震惊的时刻：一个几乎没有生物学经验的局外人真的能比专家们更擅长科学？！
DeepMind的发现引发了人们的疑问：如果大型制药公司不得不与Alphabet竞争，它们能否在自己的行业保持主导地位呢？俨然，Alphabet作为一家人工智能巨擘，已稳步建立起行业可信度。
但这不仅仅只是取代而已。现实情况是，许多新公司正竞相改变药物的生产方式，利用人工智能作为研究的加速器。
今天的制药巨头比任何人都更清楚这一前景。他们正在投资自建的人工智能实验室，并与风险投资家一道，将大量资金投入有人工智能倾向的药物研发初创企业。根据Pitchbook的数据显示，2018年，美国药物研发公司共融资94亿美元，而今年截至目前，这些企业融资金额已达44亿美元。
无论是谁赢得了这场药物研发竞赛，人工智能都将永远影响药物的生产方式。
早在DeepMind获胜之前，大型制药公司就开始使用人工智能。但面对DeepMind和一大批后起之秀日益激烈的竞争，许多制药公司都在向初创企业进行外部投资，即使这可能意味着为它们最终将与之竞争的公司提供资金。
例如，强生是BlackThorn的投资者之一，这家研发治疗精神疾病药物的公司今年早些时候融资7500万美元。该公司使用大脑图像来更好地了解潜在药物将如何影响精神状态。BlackThorn将于今年年底开始对一种治疗重度抑郁症的潜在药物进行第二阶段临床试验，如果最终获得批准，这种药物将直接与强生公司制药部门最近推出的一种药物竞争。
强生还与另一家名为BenevolentAI的公司签署了协议，这家公司主要使用科学文献训练算法，以便在人体中找到正确的目标。这些相互竞争的投资组合显示，强生的投资战略是全面撒网。不仅如此，诺华（Novartis，瑞士制药公司）、阿斯利康（AstraZeneca）和葛兰素史克（GlaxoSmithKline，英国制药公司）等制药公司都与人工智能新贵签署了协议。如果这些公司中有任何一家提出开创性的配方，传统制药公司已经准备好从中受益。
虽然所有的创业公司都不缺技术，但是大型制药公司有足够的财力和规模来推进其研发药物的商业化，从实验室走向临床。通过这样的形式，他们将会通力协作来击败类似于DeepMind的潜在威胁。
这个领域的初创企业有自己的特权。一些年轻的公司希望成为研发的新力量，把临床测试留给大公司。其他创业公司目前正在与大型制药公司合作，但他们希望最终能够完全取代大型药物研发公司。
新手药物猎人Insilico是一家专注于长寿的生物技术公司。今年9月，该公司披露曾在21天内使用人工智能设计出一种潜在的药物。这个过程只花费了15万美元，在药物发现领域是一个小数目，而且用了几天而不是几年的时间来证明使用机器学习算法创造新药的前景。到目前为止，它已经在老鼠身上显示出成效。随后，该公司融资3700万美元，并计划与制药公司合作进行人体试验。
Insilico在现存的研究和科研学习中训练其机器学习系统，然后由其合作伙伴来进行临床研究。这一战略是为了扩大现有的制药业，利用工具可以更快地使潜在分子显露。然后，它依靠这些公司来验证潜在的药物是否真的有效。
一些研究人员正在讨论Insilico究竟有多大突破性进展。“现实是……这不是一个飞跃。”人工智能药物研发初创公司Recursion （Insilicon的直接竞争对手之一）的首席执行官Chris Gibson表示，“尽管Insilico的发现很重大，发现了一个未曾被人类所知的新分子，但这仍然是一个渐进的突破，因为新的分子只是和科学家已经发现的抑制剂略有不同。”其他批评者指出，人类研究人员或许能够在类似的时间框架内找到这种分子。
Gibson认为DeepMind的蛋白质折叠预测存在问题，该领域的其他研究人员也对此表示赞同。他说，虽然这令人印象深刻，但它只是整个药物发现方程式的一部分。 Gibson对仅靠人工智能就能取得多大成就持怀疑态度，尽管他看好这项技术。
他认为，要想在药物发现方面取得真正的进展，就需要从头开始改造制药公司。与制药巨头将研发外包给人工智能初创企业不同，科学家在寻找新药时应该与人工智能合作。
他相信这种方法的部分原因是，他认为要获得*结果，就需要生成并消化为人工智能量身定制的数据。他认为，利用现有信息训练算法的药物研发公司可能会发现，从长期来看，他们的结果可能不够理想，因为他们使用的数据是在没有考虑机器学习的情况下编写的。
即使人工智能的前景无可限量，创造一种新药仍然是一项艰巨的任务。Gibson说：“对我们这个行业来说，十多年来真正的挑战是，我们投入临床的90%的药物都失败了，这意味着我们有九成的几率是错误的。为了让人工智能证明它作为一种工具的价值，它不能仅仅满足它必须达到的10%的成功率。人工智能已经改变了制药过程，但如果DeepMind要取代生物学家，那也不是近期就能速成的。”
