摘要

Afeyan 对 Flagship 的判断是：它应成为一个可复制的机构，能够并行创建初创公司，而不是押注一批彼此孤立的创始人。 他称创业是人类「创造价值最多的单一活动」；并行创建公司能暴露哪些做法可以复制，并加快学习。在医疗、气候、农业和粮食安全领域，他反对用「多次射门、总有一次进球」的逻辑，把来之不易的资本投向那些「几乎不可能」解决的问题。
突破可以被培育，却无法被预言；变异、选择和迭代构成其运行系统。 NVIDIA 的 AI 机会来自游戏业务，而不是最初的5年计划；同样，产品会重塑消费者偏好，进而改变自身面临的选择压力。成功创始人事后或许会讲述自己的先见之明，但私下里仍会「向机遇的祭坛膜拜」——真正可守的优势，是做好准备并快速适应。
可投资的前沿，始于可量化风险结束、真正不确定性开始的地方。 邻近创新可以估算概率，却会吸引所有初创公司、实验室和 incumbents，带来商品化风险；再往外，成功概率和回报都无法诚实量化。Flagship 所称的优势很简单：能够「为不确定性承保」，通过实验把未知逐步转化为可缓释的风险——Moderna 是这一方法的例证，也是 Flagship 的第18家公司。
技术成功但没有定价权，不算成功的风险投资。 大约在2008-2012年，Joule 让经过工程改造的光合细菌消耗 CO2、分泌柴油，但碳价从每吨约50美元跌至5美元，美国能源市场也从稀缺走向充裕。科学做成了，但这个行业仍无法为创新支付溢价。
AI 的差异化价值在于科学发现中的涌现，而不是例行的文档自动化。 Flagship 一个创立于6、7年前、名为 What If 的项目，最终催生了 Generate Biomedicines：它从 DNA 序列与蛋白质功能的对应样本中学习——基因组「没有说明书」，却携带着编码信息——如今已有15个以上计算设计的抗体项目，部分已进入临床，部分正推进至临床。Flagship 正在搭建能够生成假设、执行实验、解读结果并迭代的自动化闭环。
AI 扩大候选药物供给，并未消除 III 期试验和 FDA 审批的瓶颈，因此患者筛选和监管成为决定性杠杆点。 大型试验仍需数亿美元；Afeyan 提议把4个粗略的疾病阶段改成约75,000个分子层面的「生物分期」，从而形成同质化患者队列，缩小试验规模并收窄初始审批范围。Operation Warp Speed 证明，3-4个月完成疫苗开发，加上政府采购承诺，可以让资本围绕「目标就是找到解决方案」这一目标协调起来。
在前沿生物科技中，平台是应对技术和市场不确定性的昂贵保险，但投资者往往没有为这份保险定价。 Flagship 的每家公司都是平台，因为单个 RNA、DNA、基因写入或计算蛋白资产，都可能因与核心技术无关的原因失败。投资者看得到多项目的成本，却低估了它们相关的期权价值；如今，低成本的中国资产进一步加剧了 Afeyan 所称的单资产公司的「大灭绝事件」。
Afeyan 的「polyintelligence」论点，将人与机器的二元对立改写为一个三方自适应系统。 他把人类直觉描述为基于单个人数据训练出的模型，而机器智能则调用更广泛的数据。人类智能、机器智能和自然智能以不同方式计算并行动，形成新的涌现轴线。他认为，这个三角形产生的结果就是「生命的未来」。

精读

1. 并行创建公司，是 Afeyan 实现职业化创业的路径

24岁时，Afeyan 在1987年创办了第一家公司。当时，风险资本大多流向曾任高级管理人员的人。这段经历让他对创业作为一种「随机、临场发挥、各自为政、几乎带有情绪色彩、像一场游戏」的活动感到不满，并开始追问：为什么创业不能成为一种职业。
他的答案是并行化：投资人、律师和其他专业人士都能同时处理多个项目，为什么创业者必须一次只做一个？并行创建公司会迫使团队区分哪些做法可以复制、哪些必须有所不同，也让学习周期从根本上区别于一次只做一件事的经验积累。
在1990年代后期进行了一系列独立联合创办的尝试后，他建立了一个机构化的公司创建组织。他的绝对前提是，创业公司是人类「创造价值最多的单一活动」，后来由 Google、Tesla、Facebook 和 Genentech 等公司兑现的价值，都包含在其中。Afeyan 在 MIT 教授创业学16年、在 Harvard Business School 教授创新学3年期间，曾用这一判断展开阐释。

2. 涌现可以被培育，但无法预言

Sarah 问的是：突破能否自然涌现，同时仍然可预测、可控制。Afeyan 否定以目标为导向的发明逻辑：NVIDIA 并没有把 AI 写进最初的5年计划，机会来自游戏业务；新事物通常通过「变异、选择和迭代」涌现。
自然是范本，因为变异、选择和迭代会产生新颖性与复杂性，而不是因为结果因此变得可预测。Flagship 试图创造这些条件，也拒绝事后把成果包装成「天才之举」；它与 Gary Pisano 合作发表在 Harvard Business Review 上的文章，是在实践23年后才出现的。Afeyan 说，生成式 AI 是「一种极其强大的涌现技术」。
Sarah 将这一逻辑对应到 AI 投资：超额收益可能来自早期关注、准备程度和适应能力，而不是提前知道哪种应用会胜出。Afeyan 进一步明确了机制：产品会改变消费者偏好，消费者偏好又会成为新的选择压力；成功的创始人在私下里仍会「向机遇的祭坛膜拜」。

3. 前沿科学仍需要愿意付费的市场

Flagship 只有在掌握专有知识，或有足够把握去承担探索风险时，才会从治疗领域拓展出去。它在一个领域做的第一件事，会影响接下来的5件事；如果5件事全部失败，这个行业可能仍不会为创新买单，因为「并非一切都需要科学跃迁」。这套逻辑催生了超级计算和网络领域的单点项目，也带来了半导体材料和碳捕获材料方面的实验。
Joule 是一个警示样本：大约在2008-2012年，经过工程改造的光合细菌能够消耗 CO2 并分泌柴油，背后有低成本反应器系统支持。技术上原本不可能的事变成了现实，但碳价从每吨约50美元跌至5美元；与此同时，美国从能源依赖走向能源、液体燃料、石油和天然气充沛，柴油价格仍像普通柴油一样定价。
这一区分构成了 Afeyan 的风险框架：在今天已知范围之外不远处，尽职调查仍能估算概率，但所有初创公司、学术实验室和大型公司都会在那里竞争，因而存在商品化风险；再往外，成功概率和回报都无法估算，诚实的标签应是不确定性，而不只是「极高风险」。
Moderna 是 Flagship 的第18家公司，承载着层层不确定性：此前没有 mRNA 药物或疫苗先例，监管、定价和制造问题也都未解决。Afeyan 强调，在 COVID 改变其发展路径之前，Moderna 已经拥有重要潜力。他说，Flagship 的人并不更聪明，也没有更好的人脉；他们能做的是「为不确定性承保」，通过实验把未知转化为风险。

4. 生成式 AI 将发现变成迭代系统

1999-2000年，Flagship 的基金和孵化器刚刚起步，互联网和电子商务公司正吸走原本流向生命科学的资本，人类基因组也在完成测序，其中包括 Afeyan 参与的私人 Celera 项目。Flagship 当时聚焦生物学与技术的交叉地带，但后来才学会系统性地追求突破性发明。
如今 Flagship 约有550人，其中包括200多名科学家、工程师和医学博士；7年前大约只有50人。它每年集中申请600-700项专利。系统性突破发明的能力在2000年代后期才出现，而内部扩张公司的能力则晚得多。
Flagship 的 AI 传承早于当前周期。Affinnova 创立于2001年，花了6年开发机器学习工具，本质上是动态进化算法，用于在线演化消费品。现代生成式 AI 加快了假设生成；Flagship 还与 Pfizer、Novo Nordisk、GSK、Thermo Fisher、Analog Devices 和 Samsung 合作，以扩大其创新的覆盖面和影响力。
一个名为 What If 的项目创立于大约6、7年前，提出的问题是：「如果能够通过计算设计出具备任意目标功能的蛋白质，会怎样？」团队没有采用 AlphaFold、量子折叠模型或类似方法，而是追问：能否从足够多的目标功能与底层 DNA 序列配对样本中学习——基因组「没有说明书」，却可靠地携带着编码信息。
这项工作催生了 Generate Biomedicines，如今已有15个以上计算设计的抗体项目，部分已进入临床，部分正推进至临床。Flagship 当前的一些工作正在尝试闭合整个循环：生成假设、明确实验、执行实验、解读数据并迭代，目标类似于让100万人下1000年国际象棋或围棋。例行写作和总结只是基础能力，不是 Flagship 追求的先锋方向。

5. 临床转化，而不是分子生成，才是瓶颈

Sarah 的反驳值得保留：更多、更好的候选药物仍然只是上游供给，还不是「拿出一款药给我看看」。Afeyan 从审批倒推：BLA 或 NDA 需要建立在 III 期试验基础上，证明药物在正确剂量、足够患者数量下具备统计学显著的疗效优势，同时没有毒性；受监管的试验仍需数亿美元。
他认为，数据驱动模型最终可能减少类比测试的数量，但现在还做不到。COVID 期间，疫苗在3-4个月内完成开发，是因为公共部门、私营部门和监管机构围绕「目标就是找到解决方案」组织起来，同时没有走捷径。
市场信号与速度同样重要：政府承诺按明确价格采购一定数量的产品，让投资者能够为不确定性提供资金。Afeyan 希望癌症和神经系统疾病也能获得类似的紧迫感；这些领域不采取行动的代价极其巨大，只是累积得太慢，不会让人感觉像雪崩一样突然发生。
他近期更看重的杠杆是「生物分期」：不是用4个粗略的癌症阶段，而是基于约75,000个分子层面的点位对疾病进行分期。同质化患者队列可以支持更小的试验和更窄的审批范围，再逐步扩大；患者和遗传数据或许能在帕金森病的某个亚群中找到可干预机制，并明确下一步方向。对那些原本会在等待中死去的生物科技公司来说，这条路径可能比让大型公司把药给所有人更合适。

6. 平台经济学决定谁能在商品化中存活

对 Flagship 而言，追逐前沿技术却只产出单一资产，是「疯狂」本身的定义；它的所有公司都是平台型公司，因为 RNA、DNA、基因写入、基因编辑或计算蛋白都可能因与核心技术无关的原因失败。多个项目可以分散不确定性并创造合作选项，但资本需求也会大幅上升。
Sarah 提出了融资上的冲突：公司希望拥有平台，而不是单资产、双资产或3资产组合，但2、3个项目已经十分昂贵。Afeyan 说，投资者看得到增加的成本，却没有正确评估相关期权价值——一个项目去风险，会降低其他项目的风险——同时又担心管理层负荷过重。在如今的「大灭绝事件」中，许多单资产公司可能实际上已经死去。
中国资产通过更低的成本和不同的临床数据门槛进一步加剧压力，在美国的成本结构下制造商品化威胁；平台提供的是机会，而不是免疫力。
Afeyan 还把直觉描述为一个基于单个人数据训练出的模型，这与基于数百万人数据训练的语言模型不同。他更广泛的「polyintelligence」论点，拒绝在人类和计算机之间划一条界线，而是提出一个三角形：人类智能、机器智能和自然智能。3个参与者彼此适应，直到它们涌现出的结果成为「生命的未来」。

AI的承诺与芯片脆弱性、政策建议与变化中的世界、担忧与反驳 103: 用Attention串起大模型优化史，详解DeepSeek、Kimi最新注意力机制改进