围绕新动力源重新设计
在帕布罗·卢布罗斯对杰克·斯坎内尔的采访中，斯坎内尔提到了大卫·谢维茨的一个类比——他将当前的人工智能发展状况与第二次工业革命时期的工厂电气化进程相提并论。在电力出现后的几十年里，许多工厂只是将电动机安装在原本为蒸汽动力设计的厂房结构上，却几乎未能获得任何好处。只有当整个厂房都围绕新的动力源重新设计之后，才有了成效，而这样的重建过程耗费了数十年时间。
在人工智能革命的发展阶段上，我们似乎正处于类似的状况。我们已经创造了相当于电动机的人工智能技术，但却仍在将这一技术强行应用到原本为蒸汽动力设计的生产系统中。
在许多物理领域尤其如此，人工智能在生成设计以及模拟其运行方式的相关技术环节上已经表现得极为出色。但要将这种能力转化为现实世界中的实际成果，仍是一项正在进行中的工作。
这一趋势在制造业中的体现
在制造业领域，人工智能发展最快的是与设计相关的前端工作。它能够读取 3D CAD 模型和技术图纸，并将其转化为生产参数、成本估算以及刀具路径。同时，它还能识别出制造过程中可能存在的问题（如壁厚过薄、存在工具无法触及的部件、工艺难以达到的公差要求等），并提出相应的解决方案。
这些工具固然有助于设计工作，但最关键的是能够大规模地稳定生产出高质量的产品。而这一目标受到实际物理加工周期的限制，加快设计速度对此并无太大影响。虽然可以在几秒钟内完成零件的建模，但仍然需要切割模具、启动生产线、检测成品质量、进行调整，然后再重新启动生产。加快设计速度并不能缩短那些真正耗费时间的实际生产流程。
在这一循环中，实际的产品生产环节还能生成有价值的数据，说明最终成品的情况以及是否存在、何处偏离了规格要求。将这些数据反馈到人工智能的设计与仿真工具中，就能实现闭环，从而在后续的生产中打造出更优质的产品。因此，从理论上来讲，虽然目前还无法加快单个物理生产周期的速度，但可以让每次生产都为下一次提供经验，进而减少达到预期产量或质量标准所需的生产次数。
正因如此，基于人工智能的制造模式才如此令人期待。它所指向的，是那种能够从设计到最终产品全程统筹管理整个生产流程的系统。其核心理念在于：一旦掌握了整个生产循环，就能够将其闭环。随着上游设计工具的日益普及，我认为价值恰恰会体现在这一领域。这些新进入者并非只是在传统工厂中加装“电动机”，而是选择彻底重建整个工厂。
这一现象在生命科学领域是如何体现的
生命科学领域也存在着同样的态势。两篇近期的优秀文章指出，尽管我们已让分子设计变得比以往更加容易且成本更低，但最困难的部分——也是价值最有可能产生的地方——则是在这些设计在人体中的效果进行验证。
卡洛斯·奥泰拉尔在《抗体的革命是真实的，但商业价值却未必》一文中探讨了这样一个现象：一旦多个实验室以及开源模型都能设计出性能相当的抗体，设计环节就会变得高度标准化，利润空间也会随之缩水，最终起决定性作用的将是那些具有差异性的药物本身。用他的话来说，“真正的问题在于这种抗体能否为真实患者带来实际益处，而这并非由分子结构决定，而是取决于生物学特性，再高的结合亲和力或易于检测的属性都无法确保这一点。”
在本文开头提到的《Decoding Bio》杂志的采访中，Scannell 指出，研发效率面临的一个根本性瓶颈就是预测有效性，也就是临床前模型与检测方法在多大程度上能够准确预测人体试验的结果。Scannell 在 2012 年提出了“Eroom 定律”，该定律认为，经过通胀调整后，开发一种新药的成本大约每九年就会翻一番。“Eroom”这个名字其实是“Moore”倒过来写的，以此表明药物研发的发展趋势与晶体管的发展趋势恰恰相反。造成这一现象的原因之一就在于缺乏预测有效性——如果所使用的生物学模型无法预测人体反应，那么加快设计结合剂的速度只会更快地得到错误结果。而哪怕预测有效性仅有小幅提升，其价值也足以超过筛选效率提升百倍所带来的好处。
这正与上文所讨论的制造业发展态势如出一辙。我们虽然拥有出色的分子设计及模拟工具，但这些工具的价值只有在与现实世界形成闭环之后才能显现出来；在生物学领域，这意味着要通过人体试验来研发药物。所谓建立闭环，其实就是重新构建“工厂”——只不过这里的“工厂”指的正是药物研发公司本身：这类企业拥有设计、模拟和实体验证功能，能够将临床测试中的成果反馈到后续的设计中，从而提升预测的准确性。虽然无法跳过人体试验，但每一次试验都能为生成下一款候选药物的模型提供数据，因此找到真正适用于患者的有效药物所需的试验次数就能相应减少。
稀缺的是下游环节。
在许多物理世界领域中，人工智能正在使设计等上游环节变得商品化，而价值则正向下游转移，即那些存在瓶颈的环节——验证产品在实际使用环境中的性能。这意味着需要更优质、更可靠的制造产品，以及能够在人体而非实验鼠身上发挥作用的药物。其他物理领域也有诸多类似案例，但所有这些案例的共同点都是：物理验证极为困难，因为它既缓慢又昂贵，而且无法简化。
我们正身处另一场革命之中，我认为它的影响力最终将会远远超过工业革命（也有人说它已经如此）。人工智能便是这股新的动力。正因如此，我们能够以前所未有的速度设计新分子、发现新材料并模拟各类部件。然而，如何将这些成果转化为成品及可行的商业模式，依然是一个未解之题。我觉得这一过程不会像工厂为适应电动机而进行改造那样耗时，但我认为我们才刚刚开始面对或许最艰难的那部分工作。
作者注：仅使用 LLM 进行轻度文字编辑（拼写、语法及清晰度）。内容、含义、语气和结构均未改变。
