辭去360人工智能研究院院長一職、投身AI制藥，對于鄧亞峰來說是不是一個不後悔的決定？

2012年，AlexNet深度卷積神經網絡在ImageNet分類比賽中大殺四方，深度學習革命就此發轫。

一年後，鄧亞峰加入了百度深度學習研究院，成為一名資深科學家。

2016年8月，鄧亞峰離開百度加入格靈深瞳，半年後成為CTO，職業角色從一名技術專家，轉變為一個百人技術團隊的管理者。

2020年，鄧亞峰加入360集團。

他的近三段職業生涯，以四年為一個節點，但卻一直圍繞AI切換賽道和角色。

在一個偶然的機會下，鄧亞峰認識了現任公司首席科學家侯廷軍，後者是浙大藥學院教授，在計算機輔助藥物設計領域有二十多年的積累。

當時，鄧亞峰已經是360集團副總裁、人工智能研究院院長兼搜索事業部總經理，管理着400人左右的産品技術團隊。

但兩人深入交流之後，鄧亞峰毅然決定進入AI制藥行業。

2022年自然語言處理峰會上，鄧亞峰以碳矽智慧創始人兼CEO身份公開亮相，并且在近日完成了5000萬人民币天使輪融資，由聯想創投、聯想之星聯合領投。

對于鄧亞峰而言，一切重新開始。

撕掉身上的舊标簽

對于自己做AI制藥，鄧亞峰給出了三個理由。

首先是，技術“遷移”的可行性。

細細算來，鄧亞峰在CV（計算機視覺）領域做了近20年，這是他身上的一個标簽。

在百度深度學習研究院的三年裡，鄧亞峰參與提出了第一個基于深度學習的端到端的一階段物體檢測框架DenseBox，和團隊一起将LFW評測的準确率做到了第一，成績是接近極限的99.77%；

在格靈深瞳他擔任CTO ，主要負責人臉識别、人體再識别、車輛識别等算法和軟件産品的研發工作。

“不過，我不想隻做CV，因為我不想給自己人生設限。”

所以到了360之後，除了CV之外，鄧亞峰開始做NLP、多模态表示學習、機器人等方向。

在以深度學習為特征的AI技術躍遷下，不同研究方向的遷移、融合已經漸成趨勢。

“2002年左右，做車牌識别和人臉識别是兩撥人，因為大家的技術棧非常不一樣。想要轉行，得花上兩年時間學習。但是，二十年後的今天，借助CNN/Transformer等模型，CV領域内部、CV和其他領域間，都可以比較輕松地實現跨界。”

和其他AI落地的領域一樣，藥物研發需要領域知識，不僅僅涉及到藥學，還包括物理、化學、生物、醫學等，這是一個非常跨學科的交叉領域。

對鄧亞峰而言，不可能在短時間内學好所有的生物醫學知識。

但是在他看來，有了一定的領域知識，将具體場景的需求抽象成AI建模問題後，會非常考驗團隊的AI算法建模能力和軟硬件産品開發能力。

“我們團隊已經有比較多藥學背景的同學，所以，我們最近一段時間花精力招人，更側重于AI算法人才。我們希望找到深度理解深度學習，并且對生命科學感興趣、有使命感的人。這些算法同學，初期需要學習一些領域知識，之後就可以在團隊配合下去解決新藥發現各子任務的建模問題。實際上手項目的時間，隻需要一兩個月就好。”

其次，是人生規劃的必要性。

在格靈深瞳2016年到2020年的3年半時間裡，鄧亞峰是一個技術管理者，但他把内部團隊和業務梳理清楚之後，也對這一角色産生了疲态。

鄧亞峰坦言，離開格靈深瞳，是不想一直做重複的事情。

“今年格靈深瞳也上市了，我離開時還是放棄了很多的。如果我一直在格靈深瞳待下去，從财務角度會好很多，但我還是想做一件讓自己更有激情的事情。”

到了360之後，鄧亞峰已經變成一個實際意義上的業務負責人，無論是在人工智能研究院還是搜索事業部，都要對預算負責，要考慮項目的投入産出比。

所以，選擇加入360本身就是鄧亞峰有意實現自我轉型、從技術管理者向業務負責人的規劃使然。

最後一個原因是，是時代給他的機遇。

這一波AI的創業浪潮，本質上屬于技術者。互聯網和移動互聯網的創業草莽氛圍，決定了創業者本身不需要精通技術，洞悉人性、營銷裂變、花錢拉新，就能做好一個創業項目。

但這種粗放的創業路徑，放在當下的創業環境下早已難以為繼。

所以，我們能發現一個趨勢：AI行業裡的CEO，尤其是在創業初期的CEO，多是技術出身。

當然，在一家公司成熟之後，出于商業化的考慮，技術管理者可能會讓位于銷售、渠道見長的商業人才、抑或是職業經理人。但是，技術管理者的思維、組織框架，已經給公司打上深深的烙印。

一個很明顯的現象是，無論是“深度學習預測蛋白質結構”第一人許錦波、亦或是華深智藥彭健、百奧幾何唐建、燧坤智能曾建陽等等一系列AI制藥公司的創始人，均是技術背景出身，也陸續拿到千萬級别的融資，這說明資本認可這條賽道。

AI制藥，是一個屬于鄧亞峰這類人的機會。

AI制藥，能否避開影像的前車之鑒？

AI行業的創業，緣起10年前。直至2016年的AlphaGo之後，醫療AI的創業大幕正式拉開。

早期的醫療AI以醫學影像AI為标志，但坦白而言，醫學影像AI的前期創業門檻不算高：基于開源的數據庫和算法，就可以做成很好的“實驗室”效果，輕松拿到融資。

同樣的情況，也發生在AI制藥身上。

2021年，全球AI 制藥産業共發生77起融資事件，累計融資額達45.64億美元，融資事件數和融資額共同刷新了曆年融資紀錄。對比2020年，2021年融資額增長率達152%。

鄧亞峰認為，技術角度，醫學影像AI是CV的垂直應用領域，有現有的圖像檢測、分割算法模型可以借用，技術壁壘并不高；

商業角度，醫療影像服務，一直都沒有找到一個合理地從消費者身上額外收費的模式，同時，也難以處理與醫生的倫理關系，即最終還需要醫生簽字，無法真正代替醫生。

所以，最終醫療影像算法變成了醫療器械的附屬，難以創造非常高的商業價值。

相比而言，AI制藥有着與醫學影像AI不同的處境。

從AI制藥的痛點而言，目前的新藥研發效率很低，失敗率很高。鄧亞峰透露了一組數字：“目前手工試驗是非常低效的，一個博士5年期間隻能合成約100種化合物，效率并不高。”。

在新藥發現的各個環節中，都有AI算法發揮的空間，AI是解決新藥研發領域痛點的鑰匙。誰掌握了基于AI平台開發新藥的能力，誰就會脫穎而出。而藥品市場是一個十萬億市場，具有非常大的想象空間。

另一方面，AI制藥領域的技術門檻非常高，沒有如計算機視覺、自然語言理解領域那樣成熟的框架和模型可以直接使用，現有的算法需要持續打磨才能産生價值，這就需要團隊有非常強的算法建模能力。

新藥發現領域的AI技術分為兩個層次：

第一個層次，從微觀、底層的角度進行建模，例如圍繞分子和靶點的相互作用或分子的性質預測，基于Transformer或者圖神經網絡對底層物理化學規律進行建模；

第二個層次，就是從宏觀層面對化合物、蛋白、基因、疾病之間的數據關聯性進行建模，這裡會用到多模态預訓練、知識圖譜等技術。

“在生命科學領域，必須要有原創的模型和方法，去真正解決掉研發環節中的某個具體問題，目标客戶才會付費。而且，AI制藥的目标客戶不同于醫院，少了很多政策、倫理上的掣肘。”

如其他“AI ”賽道，AI制藥的核心在于制藥，需要具備深厚藥學背景的人才，這就要提到碳矽智慧的另一位聯合創始人侯廷軍教授。

侯廷軍教授本碩博均從北京大學畢業，作為國家“萬人計劃”科技創新領軍人才，曾獲得Elsevier中國高被引學者、藥明康德生命化學研究獎、英國皇家化學會"Top 1%"高被引中國作者，SCI學術論文400餘篇，ESI高引和擴展ESI高引論文30篇，總引次數 (google)> 20000 次，H因子70，軟件著作權19項，發明專利43項，并已授權23項。

作為浙江大學藥學院特聘教授，侯廷軍擁有長達20餘年的藥物設計方法學和應用研究經驗，在2022年剛剛發布的全球學者學術影響力排行榜上，他位列國内藥學學科領軍人物榜單第三位。

他所帶領的研究團隊也是國内人工智能輔助藥物設計領域最好的團隊之一。

兩人的分工則是：鄧亞峰作為董事長兼CEO，負責公司的戰略規劃、運營管理以及人工智能軟硬件産品研發；侯廷軍作為首席科學家，專注公司在藥學領域的研發和布局，以及前沿方向探索。

2022年9月，侯廷軍團隊、浙江大學謝昌谕團隊、武漢大學陳曦團隊、中南大學曹東升團隊及碳矽智慧團隊聯合在《藥物化學雜志》（Journal of Medicinal Chemistry）發表了論文。

藥物發現中的一個問題是，如何有效地尋找具有所需特性的新分子，例如生物活性、成藥性和安全性一直以來都是藥物發現中亟待解決的難題。

一個主要困難是類藥物化學空間中分子的估計數量在10的三十次方到六十次方之間。如何從如此龐大的集合中智能地生成或識别有用的分子結構一直是從頭藥物設計的長期障礙。

基于遺傳算法（GA）的分子生成方法不需要模拟訓練數據集的分布(因為它們根本不需要訓練)，因此它們表現出更高的探索能力。

因此，上述5個團隊聯合提出了兩種分子生成算法ChemistGA。模型在單靶點（DRD2）與多靶點（GSK3β與JNK3）分子生成任務中，對比現有的傳統GA與DL分子生成模型，ChemistGA 不僅保留了傳統GA分子生成算法的優點，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。

這樣的案例也表明，碳矽智慧在AI制藥的原創研究道路上，已經正式起步。

做服務還是做管線的路線選擇

僅有AI制藥的模型和算法策略并不夠，還需要形成一個完整的流程。

藥物設計需要一個像芯片設計領域的EDA工具，幫助藥物設計專家看到藥物設計全貌，且能形成數據和模型閉環疊代的設計平台。

近期，不少AI制藥團隊都陸續提出類似概念，例如智峪生科、天壤智能等。

據鄧亞峰介紹，目前，碳矽智慧已建立了業内領先且完全擁有自主知識産權的一站式新藥發現平台 DrugFlow，包括靶标評估、虛拟篩選、先導化合物優化、成藥性預測等模塊，可以幫助藥化專家更高效、便捷地找到潛在成藥分子。

這類似于芯片設計領域的EDA軟件，幫助專家更好地決策和判斷。其中的成藥性預測、分子生成優化、AI打分等模塊都是行業裡面其他軟件不具備的獨特功能。

除此之外，碳矽智慧内部的藥化及計算專家，基于DrugFlow平台，總結出基于AI計算的最佳藥物設計實踐，并對外提供藥物分子設計服務。

在美國國家生物技術信息中心工作多年，目前擔任誇克資本合夥人Leo 韓漣漪曾向雷峰網《醫健AI掘金志》表示：“在談AI前景前，藥學家和醫藥從業者，會先關注AI制藥企業的業務邏輯是什麼，核心競争力在哪裡，最終影響哪一類賽道，無論是晶型預測，還是小分子藥物篩選，AI怎樣找到藥物研發的服務關系才是關鍵。”

鄧亞峰表示，碳矽智慧沒有将自己定位成一家Biotech公司，而是想做行業AI基礎設施和服務賦能者，通過構建基于AI和物理計算模型、數據驅動、幹濕實驗閉環的藥物設計平台和設計服務，最終讓客戶自己決定是使用軟硬件設計産品，還是直接使用碳矽智慧的藥物設計服務。

在雷峰網此前的報道中，據2020年6月發表于Drug Discovery Today雜志的文章顯示，21家頭部跨國藥企在2014-2019年共發表398篇與“AI藥物研發”相關的論文，同時啟動了73項内部AI研發項目、61項與外部AI公司合作的項目、以及11項投資/收購初創AI企業。

這裡涉及到一個核心問題：既然AI技術對藥企而言很重要，那麼藥企不能通過自建團隊來實現？

類似的事情是，安防公司海康威在攝像頭業務之外，專門設立AI事業部，做邊端算法；或者飛利浦、西門子等器械廠商去做掃描環節的圖像重建、增強等AI算法。如此而言，AI制藥團隊就會面臨不小的挑戰。

“我覺得（藥企自建AI團隊）很難做起來。AI制藥不同于AI安防，安防本質上是一個硬件生意，考驗的是供應鍊以及售後體系的構建。”

鄧亞峰給出了自己的觀點：“傳統藥學專家亦或是内部的IT工程師，對于AI的理解是不一樣的。生命科學領域的AI，不是拿一個開源軟件就可以做起來的，有很高的門檻，需要頂尖的團隊才能真正做好。而成熟企業，想建立這樣的團隊，目前看并不容易，核心原因是頂尖的AI人才不會選擇特别傳統的平台，兩種團隊的文化氛圍差别很大。即使建立了AI團隊，在巨大投入下，AI的價值也很難評估，團隊會面臨巨大的壓力。”

除此之外，企業内部的關鍵決策人，其思路和視角仍不可避免地聚焦在傳統業務的“價值鍊”上，新業務的投入産出比也會屢受内部争議。

因此，鄧亞峰認為，對于藥企來說，借助外部團隊的AI能力，對自身而言是一個最具備“性價比”的選擇，也是不可或缺的補充劑。

結語

從6月18日離職到正式運營碳矽智慧，鄧亞峰隻花了三個月的時間。目前，公司已經建立起近60人的團隊。

而碳矽智能的第一要務，是基于AI和物理計算模型以及軟件流程和硬件自動化，去搭建一個真正提高藥物發現效率的設計平台。無論是賣軟硬件産品，還是做藥物設計服務，抑或是與戰略合作夥伴聯合做藥，都可以基于效率去談價值實現。

過去兩年，國外先後有Schrodinger薛定谔、Exscientia、Relay多家AI制藥企業完成了上市。從找到臨床前候選化合物，到接踵而至的藥企合作；從持續不斷的大額融資，到斬獲百億巨額訂單。

AI新藥研發企業的攻城掠地速度，刷新了各個藥企、投資人、AI圈人的認知。

“AI對新藥研發領域的價值毋庸置疑，但是能否成長為一個千億規模的大平台，還有待驗證。關鍵在于，你相不相信制藥的固有模式會被AI改變。隻要你創造了價值，就會有獲得回報的方式。”