对话碳硅智慧CEO邓亚峰：我为什么放弃互联网公司高管职位，来做AI制药？

辞去360人工智能研究院院长一职、投身AI制药，对于邓亚峰来说是不是一个不后悔的决定？

2012年，AlexNet深度卷积神经网络在ImageNet分类比赛中大杀四方，深度学习革命就此发轫。

一年后，邓亚峰加入了百度深度学习研究院，成为一名资深科学家。

2016年8月，邓亚峰离开百度加入格灵深瞳，半年后成为CTO，职业角色从一名技术专家，转变为一个百人技术团队的管理者。

2020年，邓亚峰加入360集团。

他的近三段职业生涯，以四年为一个节点，但却一直围绕AI切换赛道和角色。

在一个偶然的机会下，邓亚峰认识了现任公司首席科学家侯廷军，后者是浙大药学院教授，在计算机辅助药物设计领域有二十多年的积累。

当时，邓亚峰已经是360集团副总裁、人工智能研究院院长兼搜索事业部总经理，管理着400人左右的产品技术团队。

但两人深入交流之后，邓亚峰毅然决定进入AI制药行业。

2022年自然语言处理峰会上，邓亚峰以碳硅智慧创始人兼CEO身份公开亮相，并且在近日完成了5000万人民币天使轮融资，由联想创投、联想之星联合领投。

对于邓亚峰而言，一切重新开始。

撕掉身上的旧标签

对于自己做AI制药，邓亚峰给出了三个理由。

首先是，技术“迁移”的可行性。

细细算来，邓亚峰在CV（计算机视觉）领域做了近20年，这是他身上的一个标签。

在百度深度学习研究院的三年里，邓亚峰参与提出了第一个基于深度学习的端到端的一阶段物体检测框架DenseBox，和团队一起将LFW评测的准确率做到了第一，成绩是接近极限的99.77%；

在格灵深瞳他担任CTO ，主要负责人脸识别、人体再识别、车辆识别等算法和软件产品的研发工作。

“不过，我不想只做CV，因为我不想给自己人生设限。”

所以到了360之后，除了CV之外，邓亚峰开始做NLP、多模态表示学习、机器人等方向。

在以深度学习为特征的AI技术跃迁下，不同研究方向的迁移、融合已经渐成趋势。

“2002年左右，做车牌识别和人脸识别是两拨人，因为大家的技术栈非常不一样。想要转行，得花上两年时间学习。但是，二十年后的今天，借助CNN/Transformer等模型，CV领域内部、CV和其他领域间，都可以比较轻松地实现跨界。”

和其他AI落地的领域一样，药物研发需要领域知识，不仅仅涉及到药学，还包括物理、化学、生物、医学等，这是一个非常跨学科的交叉领域。

对邓亚峰而言，不可能在短时间内学好所有的生物医学知识。

但是在他看来，有了一定的领域知识，将具体场景的需求抽象成AI建模问题后，会非常考验团队的AI算法建模能力和软硬件产品开发能力。

“我们团队已经有比较多药学背景的同学，所以，我们最近一段时间花精力招人，更侧重于AI算法人才。我们希望找到深度理解深度学习，并且对生命科学感兴趣、有使命感的人。这些算法同学，初期需要学习一些领域知识，之后就可以在团队配合下去解决新药发现各子任务的建模问题。实际上手项目的时间，只需要一两个月就好。”

其次，是人生规划的必要性。

在格灵深瞳2016年到2020年的3年半时间里，邓亚峰是一个技术管理者，但他把内部团队和业务梳理清楚之后，也对这一角色产生了疲态。

邓亚峰坦言，离开格灵深瞳，是不想一直做重复的事情。

“今年格灵深瞳也上市了，我离开时还是放弃了很多的。如果我一直在格灵深瞳待下去，从财务角度会好很多，但我还是想做一件让自己更有激情的事情。”

到了360之后，邓亚峰已经变成一个实际意义上的业务负责人，无论是在人工智能研究院还是搜索事业部，都要对预算负责，要考虑项目的投入产出比。

所以，选择加入360本身就是邓亚峰有意实现自我转型、从技术管理者向业务负责人的规划使然。

最后一个原因是，是时代给他的机遇。

这一波AI的创业浪潮，本质上属于技术者。互联网和移动互联网的创业草莽氛围，决定了创业者本身不需要精通技术，洞悉人性、营销裂变、花钱拉新，就能做好一个创业项目。

但这种粗放的创业路径，放在当下的创业环境下早已难以为继。

所以，我们能发现一个趋势：AI行业里的CEO，尤其是在创业初期的CEO，多是技术出身。

当然，在一家公司成熟之后，出于商业化的考虑，技术管理者可能会让位于销售、渠道见长的商业人才、抑或是职业经理人。但是，技术管理者的思维、组织框架，已经给公司打上深深的烙印。

一个很明显的现象是，无论是“深度学习预测蛋白质结构”第一人许锦波、亦或是华深智药彭健、百奥几何唐建、燧坤智能曾建阳等等一系列AI制药公司的创始人，均是技术背景出身，也陆续拿到千万级别的融资，这说明资本认可这条赛道。

AI制药，是一个属于邓亚峰这类人的机会。

AI制药，能否避开影像的前车之鉴？

AI行业的创业，缘起10年前。直至2016年的AlphaGo之后，医疗AI的创业大幕正式拉开。

早期的医疗AI以医学影像AI为标志，但坦白而言，医学影像AI的前期创业门槛不算高：基于开源的数据库和算法，就可以做成很好的“实验室”效果，轻松拿到融资。

同样的情况，也发生在AI制药身上。

2021年，全球AI+制药产业共发生77起融资事件，累计融资额达45.64亿美元，融资事件数和融资额共同刷新了历年融资纪录。对比2020年，2021年融资额增长率达152%。

邓亚峰认为，技术角度，医学影像AI是CV的垂直应用领域，有现有的图像检测、分割算法模型可以借用，技术壁垒并不高；

商业角度，医疗影像服务，一直都没有找到一个合理地从消费者身上额外收费的模式，同时，也难以处理与医生的伦理关系，即最终还需要医生签字，无法真正代替医生。

所以，最终医疗影像算法变成了医疗器械的附属，难以创造非常高的商业价值。

相比而言，AI制药有着与医学影像AI不同的处境。

从AI制药的痛点而言，目前的新药研发效率很低，失败率很高。邓亚峰透露了一组数字：“目前手工试验是非常低效的，一个博士5年期间只能合成约100种化合物，效率并不高。”。

在新药发现的各个环节中，都有AI算法发挥的空间，AI是解决新药研发领域痛点的钥匙。谁掌握了基于AI平台开发新药的能力，谁就会脱颖而出。而药品市场是一个十万亿市场，具有非常大的想象空间。

另一方面，AI制药领域的技术门槛非常高，没有如计算机视觉、自然语言理解领域那样成熟的框架和模型可以直接使用，现有的算法需要持续打磨才能产生价值，这就需要团队有非常强的算法建模能力。

新药发现领域的AI技术分为两个层次：

第一个层次，从微观、底层的角度进行建模，例如围绕分子和靶点的相互作用或分子的性质预测，基于Transformer或者图神经网络对底层物理化学规律进行建模；

第二个层次，就是从宏观层面对化合物、蛋白、基因、疾病之间的数据关联性进行建模，这里会用到多模态预训练、知识图谱等技术。

“在生命科学领域，必须要有原创的模型和方法，去真正解决掉研发环节中的某个具体问题，目标客户才会付费。而且，AI制药的目标客户不同于医院，少了很多政策、伦理上的掣肘。”

如其他“AI+”赛道，AI制药的核心在于制药，需要具备深厚药学背景的人才，这就要提到碳硅智慧的另一位联合创始人侯廷军教授。

侯廷军教授本硕博均从北京大学毕业，作为国家“万人计划”科技创新领军人才，曾获得Elsevier中国高被引学者、药明康德生命化学研究奖、英国皇家化学会”Top 1%”高被引中国作者，SCI学术论文400余篇，ESI高引和扩展ESI高引论文30篇，总引次数 (google)> 20000 次，H因子70，软件著作权19项，发明专利43项，并已授权23项。

作为浙江大学药学院特聘教授，侯廷军拥有长达20余年的药物设计方法学和应用研究经验，在2022年刚刚发布的全球学者学术影响力排行榜上，他位列国内药学学科领军人物榜单第三位。

他所带领的研究团队也是国内人工智能辅助药物设计领域最好的团队之一。

两人的分工则是：邓亚峰作为董事长兼CEO，负责公司的战略规划、运营管理以及人工智能软硬件产品研发；侯廷军作为首席科学家，专注公司在药学领域的研发和布局，以及前沿方向探索。

2022年9月，侯廷军团队、浙江大学谢昌谕团队、武汉大学陈曦团队、中南大学曹东升团队及碳硅智慧团队联合在《药物化学杂志》（Journal of Medicinal Chemistry）发表了论文。

药物发现中的一个问题是，如何有效地寻找具有所需特性的新分子，例如生物活性、成药性和安全性一直以来都是药物发现中亟待解决的难题。

一个主要困难是类药物化学空间中分子的估计数量在10的三十次方到六十次方之间。如何从如此庞大的集合中智能地生成或识别有用的分子结构一直是从头药物设计的长期障碍。

基于遗传算法（GA）的分子生成方法不需要模拟训练数据集的分布(因为它们根本不需要训练)，因此它们表现出更高的探索能力。

因此，上述5个团队联合提出了两种分子生成算法ChemistGA。模型在单靶点（DRD2）与多靶点（GSK3β与JNK3）分子生成任务中，对比现有的传统GA与DL分子生成模型，ChemistGA 不仅保留了传统GA分子生成算法的优点，而且大大提高了具有所需特性的生成分子的可合成率以及生成效率。

这样的案例也表明，碳硅智慧在AI制药的原创研究道路上，已经正式起步。

做服务还是做管线的路线选择

仅有AI制药的模型和算法策略并不够，还需要形成一个完整的流程。

药物设计需要一个像芯片设计领域的EDA工具，帮助药物设计专家看到药物设计全貌，且能形成数据和模型闭环迭代的设计平台。

近期，不少AI制药团队都陆续提出类似概念，例如智峪生科、天壤智能等。

据邓亚峰介绍，目前，碳硅智慧已建立了业内领先且完全拥有自主知识产权的一站式新药发现平台 DrugFlow，包括靶标评估、虚拟筛选、先导化合物优化、成药性预测等模块，可以帮助药化专家更高效、便捷地找到潜在成药分子。

这类似于芯片设计领域的EDA软件，帮助专家更好地决策和判断。其中的成药性预测、分子生成优化、AI打分等模块都是行业里面其他软件不具备的独特功能。

除此之外，碳硅智慧内部的药化及计算专家，基于DrugFlow平台，总结出基于AI计算的最佳药物设计实践，并对外提供药物分子设计服务。

在美国国家生物技术信息中心工作多年，目前担任夸克资本合伙人Leo 韩涟漪曾表示：“在谈AI前景前，药学家和医药从业者，会先关注AI制药企业的业务逻辑是什么，核心竞争力在哪里，最终影响哪一类赛道，无论是晶型预测，还是小分子药物筛选，AI怎样找到药物研发的服务关系才是关键。”

邓亚峰表示，碳硅智慧没有将自己定位成一家Biotech公司，而是想做行业AI基础设施和服务赋能者，通过构建基于AI和物理计算模型、数据驱动、干湿实验闭环的药物设计平台和设计服务，最终让客户自己决定是使用软硬件设计产品，还是直接使用碳硅智慧的药物设计服务。

在小编此前的报道中，据2020年6月发表于Drug Discovery Today杂志的文章显示，21家头部跨国药企在2014-2019年共发表398篇与“AI药物研发”相关的论文，同时启动了73项内部AI研发项目、61项与外部AI公司合作的项目、以及11项投资/收购初创AI企业。

这里涉及到一个核心问题：既然AI技术对药企而言很重要，那么药企不能通过自建团队来实现？

类似的事情是，安防公司海康威在摄像头业务之外，专门设立AI事业部，做边端算法；或者飞利浦、西门子等器械厂商去做扫描环节的图像重建、增强等AI算法。如此而言，AI制药团队就会面临不小的挑战。

“我觉得（药企自建AI团队）很难做起来。AI制药不同于AI安防，安防本质上是一个硬件生意，考验的是供应链以及售后体系的构建。”

邓亚峰给出了自己的观点：“传统药学专家亦或是内部的IT工程师，对于AI的理解是不一样的。生命科学领域的AI，不是拿一个开源软件就可以做起来的，有很高的门槛，需要顶尖的团队才能真正做好。而成熟企业，想建立这样的团队，目前看并不容易，核心原因是顶尖的AI人才不会选择特别传统的平台，两种团队的文化氛围差别很大。即使建立了AI团队，在巨大投入下，AI的价值也很难评估，团队会面临巨大的压力。”

除此之外，企业内部的关键决策人，其思路和视角仍不可避免地聚焦在传统业务的“价值链”上，新业务的投入产出比也会屡受内部争议。

因此，邓亚峰认为，对于药企来说，借助外部团队的AI能力，对自身而言是一个最具备“性价比”的选择，也是不可或缺的补充剂。