Stanford MS&E435: Chai и Claude - кто заберёт деньги в AI-биотехе? (Рубрика #AI) Последняя лекция курса Stanford MS&E435, о котором я писал посвящена теме life sciences и здесь обсуждается вопрос где в AI-стеке экономика. В биотехе один удачный результат может стоить десятки миллиардов, но между демкой и продажами — годы биологии, клиники и регуляторики. Ведущий Apoorv Agrawal разговаривает с Joshua Meier, сооснователем Chai Discovery, и Eric Kauderer-Abrams, Head of Life Sciences в Anthropic. Они предлагают не «лекарство по одному промпту», а новую архитектуру R&D. Как выглядит обычный процесс Если сжать его до одной строки: болезнь и группа пациентов → биологическая мишень → тип терапии → первый hit → оптимизированный lead → кандидат в лекарство → доклиника → фазы I–III → регистрация и производство Путь нередко занимает 10–15 лет, а программа может умереть на любой ступени: неверная мишень, токсичная или непроизводимая молекула, отсутствие эффекта в клинике. Поэтому: binder ≠ кандидат в лекарство ≠ лекарство. Что предлагают Chai и Anthropic 1️⃣ Chai строит «CAD для молекул» — внутренний контур. Модель получает структуру мишени и проектирует антитела, которые должны с ней связаться. В собственном нерецензированном препринте Chai-2 компания сообщает о hit rate около 16%: для 52 мишеней проверяли не более 20 дизайнов на каждую и для половины нашли хотя бы один binder менее чем за две недели. Сильный результат discovery, но ещё не доказательство эффективности лекарства. 2️⃣ Claude — внешний контур: прочитать литературу, выбрать инструмент, запустить специализированную модель, подготовить эксперимент, разобрать данные и предложить следующий шаг. Chai проектирует деталь, Claude координирует процесс, а лаборатория остаётся источником истины. Откуда ускорение относительно стандартного процесса - Обычный discovery перебирает большие библиотеки и повторяет цикл «синтез → тест → анализ → новый дизайн». Здесь модель сужает поиск до десятков конструкций, а агент сокращает передачи между людьми, софтом и лабораторией. Быстрее становится весь feedback loop. - Дальше AI может помогать с мишенями и клиническими испытаниями. Eric предполагает, что полный цикл удастся сократить примерно до пяти, а затем и до нескольких лет. Пока это прогноз: биологию человека, длительное наблюдение и регулятора из конвейера не убрать. - Лабораторной работы при этом может стать больше. Если каждый эксперимент дешевле и информативнее, выгодно проверять больше гипотез — парадокс Джевонса в халате. Где будут деньги - Фарма владеет кандидатом, клинической инфраструктурой, производством и продажами. Здесь пока остаётся основная ценность успешного препарата. - Создатели инструментов — Chai, Anthropic, лабораторная автоматизация и CRO — продают доступ, вычисления и эксперименты. Чтобы забирать больше, им нужно доказать рост вероятности успеха программы. Но Eric предупреждает: продавать инструменты большой фарме — тяжёлый бизнес. - AI-native biotech может небольшой командой владеть молекулами и лицензировать их после первых доказательств. Это максимальный upside вместе с клиническим и капитальным риском. Если дизайн станет доступен всем, moat сместится в выбор мишени, данные, лабораторный feedback loop и права на препарат. Насколько большой рынок IQVIA оценивает выручку глобальной life-sciences-индустрии в 2025 году примерно в $1,94 трлн, а расходы биофармы на разработку лекарств — в $199 млрд. Это разные круги: $1,94 трлн — не TAM (Total Addressable Market) для Chai или Claude. Инструменты конкурируют за часть R&D-бюджета; владелец одобренного препарата — за конечный рынок. Масштаб разницы хорошо показывает одна молекула: tirzepatide под брендами Mounjaro и Zepbound принёс Lilly 36,5 млрд продаж за 2025 год. Поэтому главный вопрос не в том, кто первым сгенерирует красивую молекулу, а в том, кто замкнёт цикл «гипотеза → дизайн → эксперимент → данные», сохранит права на результат и доведёт его до пациента. #AI #Biotech #DrugDiscovery #LifeSciences #Engineering #Economics