Die KI-Pharmaindustrie kopiert derzeit die Wettbewerbslandschaft des Bereichs der großen Sprachmodelle.
An dem Tag, an dem Chai Discovery 400 Millionen US-Dollar erhielt, strahlte die Sonne im Silicon Valley so hell, dass sie die Teslas auf dem Parkplatz mit einem dünnen goldenen Überzug versah.
Das Unternehmen war 18 Monate alt, hatte kein marktfähiges Produkt, keine in klinische Studien eingetretene Pipeline und nicht einmal ein nachweislich funktionierendes Geschäftsmodell. Lead-Investor war Index Ventures, und die Liste der Mitinvestoren umfasste Sequoia, Kleiner Perkins, Thrive Capital und OpenAI. Auch Yosemite, gegründet von Reed Jobs, dem Sohn von Steve Jobs, beteiligte sich an dieser Runde. Die Post-Money-Bewertung belief sich auf 3,8 Milliarden US-Dollar.
In derselben Woche wurde bekannt, dass Miles Wang, ein Forscher bei OpenAI, bald ausscheiden wird, um ein Unternehmen für KI-gestützte Arzneimittelentwicklung zu gründen. Dieser Harvard-Abbrecher verhandelt gerade mit Lightspeed Venture Partners über eine Finanzierungsrunde von 200 Millionen US-Dollar, die eine Post-Money-Bewertung von 2 Milliarden US-Dollar zur Folge hätte. Seine vorherige Arbeit bei OpenAI bestand darin, zu erforschen, wie KI die wissenschaftliche Entdeckung beschleunigen kann – natürlich blieb dies bislang auf die Ebene von Forschungsarbeiten beschränkt.
Immer mehr Anzeichen deuten darauf hin, dass die KI-gestützte Arzneimittelentwicklung nach den großen Modellen zum am stärksten konzentrierten Kapitalstandort im Silicon Valley wird.
Zehn Jahre, eine Milliarde, ein Zehntel
Um zu verstehen, warum die KI-gestützte Arzneimittelentwicklung 400 Millionen US-Dollar wert ist, muss man zunächst verstehen, wie schwerfällig die Branche ist, die sie zu erschließen versucht.
Die Entwicklung neuer Arzneimittel ist ein Glücksspiel mit extrem geringer Effizienz. Von der Zielstrukturidentifizierung bis zur Markteinführung eines Arzneimittels vergehen im Durchschnitt mehr als zehn Jahre, und es werden mehr als eine Milliarde US-Dollar verbraucht. Von zehn Kandidatenmolekülen, die in klinische Studien eintreten, erhält weniger als eines letztendlich die Marktzulassung. Diese drei Zahlen – zehn Jahre, eine Milliarde und ein Zehntel – bilden den eisernen Vorhang, der die Pharmaindustrie am stärksten abschottet.
Jede Technologie, die auch nur eine dieser drei Zahlen um die Hälfte reduzieren kann, wird einen wirtschaftlichen Wert freisetzen, der alle derzeitigen KI-Anwendungen für Verbraucher in den Schatten stellt.
Index-Partnerin Nina Achadjian sagte in einem Interview mit der *New York Times*: „Ich glaube, dass die Biowissenschaften einer der wichtigsten und einflussreichsten Anwendungsbereiche für KI sein werden.“ Einfacher ausgedrückt: Mit Chatten und Codieren verdient man Aufmerksamkeit, mit der Herstellung von Arzneimitteln verdient man Leben.
Das Kernprodukt von Chai heißt Chai-1, ein grundlegendes Modell für die Biologie, das in dieselbe Richtung wie AlphaFold geht: Es nutzt tiefes Lernen, um die Vorhersage von Proteinstrukturen von Monaten auf Stunden zu verkürzen. Aber Chai versucht, weiter zu gehen und die gesamte Kette der Arzneimittelentdeckung abzudecken – von der Zielstrukturidentifizierung über die Molekülgenerierung bis zur Wirksamkeitsvorhersage.
Isomorphic Labs hingegen profitiert von der Rechenleistung von Google DeepMind und der technischen Erfahrung von AlphaFold und hat seit März letzten Jahres 2,7 Milliarden US-Dollar eingesammelt.
Hinter beiden Unternehmen und dem gerade erst gestarteten Miles Wang stehen die großen KI-Lager von Google und OpenAI. Die KI-gestützte Arzneimittelentwicklung kopiert derzeit das Wettbewerbsgefüge im Bereich der großen Modelle.
Aber hier gibt es einen grundlegenden Unterschied: Software kann iteriert werden, Arzneimittel müssen beim ersten Mal richtig funktionieren. Es gibt kein graduelles Rollout, kein Zurücksetzen und keine Fehlerbehebung in der nächsten Version. Wenn man das Internet-Prinzip „Schnell handeln und Regeln brechen“ in die Pharmaindustrie überträgt, riskiert man, die Leber- und Nierenfunktionen von Patienten zu schädigen.
Das ist genau das tiefste Paradox der KI-gestützten Arzneimittelentwicklung: Sie verfolgt mit der Geschwindigkeit des Internets ein Ziel, das keine Fehler duldet.
Der Mangel an Rohstoffen für Alchemisten
Der wahre Engpass der KI-gestützten Arzneimittelentwicklung liegt nicht im Algorithmus, sondern in den Daten.
Daten in der Pharmaindustrie sind nicht so leicht verfügbar wie im Internet. Echte klinische Daten, Molekülbibliotheken und pharmakokinetische Parameter sind alle in den Servern großer Pharmaunternehmen eingeschlossen. Giganten wie Novartis, Roche und Pfizer investieren selbst in den Aufbau von KI-Entwicklungsplattformen. Sie sind sowohl zukünftige Kunden von KI-Arzneimittelunternehmen als auch potenzielle zukünftige Konkurrenten.
Um ein wirklich nützliches Modell für die Arzneimittelentdeckung zu trainieren, müssen Unternehmen wie Chai auf diese Daten zugreifen. Und die Pharmaunternehmen beeilen sich nicht, ihre Kernvermögen den jungen Leuten im Silicon Valley zu überlassen. Dieses Problem zeigte sich bereits in der vorherigen Welle der KI-gestützten Arzneimittelentwicklung.
Zwischen 2021 und 2023 erlebten eine Reihe von Vorzeigeunternehmen für KI-Arzneimittel nacheinander klinische Misserfolge. Der Hauptgrund lag nicht darin, dass die Modelle nicht präzise genug waren, sondern dass die Trainingsdaten nicht ausreichten, um den vollständigen Sprung von der Zielstrukturvorhersage zu menschlichen Studien zu unterstützen.
Index hat diesen Engpass offensichtlich erkannt. Achadjian deutete in dem Interview an, dass sich die zukünftigen Kapitalanlagen auf „Datenvermögen“ konzentrieren werden. Mit anderen Worten: Diese 400 Millionen sind nur das Eintrittsgeld – danach muss noch Geld für Daten, Pipelines und klinische Ressourcen ausgegeben werden.
Die Geschwindigkeit, mit der KI-Arzneimittel Geld verbrennen, wird wahrscheinlich höher sein als bei großen Modellen. Die Trainingsdaten für große Modelle sind öffentliche Internet-Texte, während die Trainingsdaten für KI-Arzneimittel Geschäftsgeheimnisse sind, die in Tresoren eingeschlossen sind.
Das Eintrittsgeld zu bezahlen und den gesamten Vergnügungspark zu kaufen, sind zwei völlig unterschiedliche Kapitalniveaus.
Ein noch verborgeneres Problem ist, dass die Blasenlogik der KI-gestützten Arzneimittelentwicklung der von großen Modellen gleicht. Unternehmen für große Modelle halten ihre Bewertungserzählung aufrecht, indem sie ständig Kapital aufnehmen, um Rechenleistung zu kaufen, während KI-Arzneimittelunternehmen ihre Pipeline-Erzählung aufrechterhalten können, indem sie ständig Kapital aufnehmen, um Daten zu kaufen.
Beide haben gemeinsam, dass vor der tatsächlichen kommerziellen Überprüfung die Bewertung bereits über den Fundamentaldaten liegt. Wenn das Kapital zurückgeht, schrumpft auch die Bewertung der Datenvermögen – sie sind kein Land, keine Patente, sondern eine Sammlung von Vorhersagemodellen, die noch nicht klinisch überprüft wurden.
Die Verlockung, alte Arzneimittel neu zu verwenden
Das neue Unternehmen von Miles Wang hat einen anderen Weg gewählt.
Laut informierten Quellen könnte sich dieses Unternehmen darauf konzentrieren, neue Verwendungen für bereits zugelassene Arzneimittel zu finden – insbesondere für Moleküle, die in klinischen Studien gescheitert sind. Die Neuverwendung alter Arzneimittel ist ein schnellerer Weg zu Einnahmen als die Entdeckung neuer Moleküle von Grund auf. Diese Arzneimittel haben bereits Sicherheitstests bestanden, sodass ihre Toxizität nicht von Null an überprüft werden muss. Für ein neu gegründetes Unternehmen ist dies der pragmatischste Einstiegspunkt.
Aber die pragmatische Seite ist überfüllt. Die technischen Hürden für die Neuverwendung alter Arzneimittel sind relativ niedrig, was mehr Konkurrenten bedeutet.
Große Pharmaunternehmen tun dies selbst, und ihre klinischen Daten sind exklusiv. Externe KI-Unternehmen können nur auf öffentliche Daten zurückgreifen. An einem Spieltisch mit Informationsasymmetrie ist die Partei ohne Daten immer im Nachteil.
Die vier Gründer von Chai haben sorgfältig kombinierte Hintergründe: Einer hat bei Meta AI geforscht, einer hat bei DeepMind als Berechnungsbiologe gearbeitet, und einer ist ein Branchenexperte, der aus einem Pharmaunternehmen stammt.
Diese Kombination trifft genau das zentrale Problem der KI-gestützten Arzneimittelentwicklung: Reine KI-Wissenschaftler kennen die langen Zyklen und regulatorischen Logiken der Arzneimittelentwicklung nicht, während reine Pharmaspezialisten die technischen Grenzen des tiefen Lernens nur schwer verstehen können. Menschen, die beide Sprachen auf muttersprachlichem Niveau beherrschen, sind vielleicht diejenigen, die in diesem Wettbewerb am längsten durchhalten.
Das Team von Miles Wang soll angeblich eine Gruppe von Forschern von OpenAI mitnehmen. Das bedeutet, dass ein weiteres KI-Arzneimittelunternehmen den „modellgetriebenen“ statt den „datengesteuerten“ Weg wählt. Modellfähigkeiten lassen sich übertragen, aber die Barrieren medizinischer Daten lassen sich nicht durch Übertragung überwinden. Wie weit dieser Weg führen kann, hängt davon ab, ob sie in kurzer Zeit tiefe Datenkooperationen mit Pharmaunternehmen aufbauen können.
Das goldene Zeitalter der KI-gestützten Arzneimittelentwicklung
Die 400 Millionen sind eine Fahrkarte. Die 3,8 Milliarden sind der Preis, den der Markt für diese Fahrkarte verlangt. Aber die Menschen an Bord können das Ufer noch nicht sehen. Sie glauben nur, dass das Ufer irgendwo sein muss.
Dieser Glaube ist nicht unbegründet. AlphaFold hat bereits die Fähigkeiten von KI bei der Vorhersage von Proteinstrukturen bewiesen, und Chai-1 erweitert diese Fähigkeiten auf die gesamte Kette der Arzneimittelentdeckung. Wenn KI die Erfolgsquote bei der Entwicklung neuer Arzneimittel von einem Zehntel auf ein Fünftel steigern könnte, würden die eingesparten Versuchskosten eine Branchenwertigkeit in Billionenhöhe ermöglichen. Das Problem ist, dass dieses „Wenn“ bisher nicht durch klinische Daten überprüft wurde.
Die Geschichte der Pharmaindustrie hat wiederholt eines bewiesen: Ein Modell, das im Labor funktioniert, funktioniert nicht unbedingt im menschlichen Körper. Die ultimative Prüfung für die KI-gestützte Arzneimittelentwicklung liegt nicht in der Rechenleistung, nicht im Algorithmus und nicht im Finanzierungsumfang, sondern in einer einfachen Frage: Kann sie ein wirklich marktfähiges Arzneimittel herstellen? Bevor das erste von KI entworfene Molekül die FDA-Zulassung erhält, sind alle Bewertungen nur die Diskontierung von Überzeugungen.
Und Überzeugungen sind das teuerste und zerbrechlichste Gut der Welt. Wenn das Kapital zurückgeht, werden die Unternehmen, die nur Modelle und keine Daten haben, als erste auf Grund laufen. Die Teams, die wirklich klinische Daten besitzen und Kooperationsnetzwerke mit Pharmaunternehmen aufgebaut haben, haben die Chance, die Blase zu durchdringen und das Ufer zu erreichen.
Das goldene Zeitalter der KI-gestützten Arzneimittelentwicklung hat gerade erst begonnen. Gold liegt auf dem Schiffsrumpf – ob es schwimmt, hängt von der Ladung im Laderaum ab, nicht von der Farbe auf der Oberfläche.
Dieser Artikel basiert auf öffentlich zugänglichen Informationen und dient nur dem Informationsaustausch, er stellt keine Anlageberatung dar.
Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „Siliziumbasierter Sternenglanz“, Autor: Xing Mang, veröffentlicht mit Genehmigung von 36Kr.