弗雷德里克斯贝有一条法赛纳路(Fasanvej),路边有一栋不起眼的建筑。大约100年前,诺和诺德的前身"诺和治疗实验室"(Novo Terapeutisk Laboratorium)就在这片土地上起步,生产最早一批胰岛素。 本周三,诺和诺德宣布与同样在这个地址运营的丹麦生物技术公司Orbis Medicines签署合作协议,协议价值最高14亿美元,约合91亿克朗。某种意义上,这家公司回到了它一百年前出发的地方——这一次,它在押注的是下一代口服药物。 现有口服减重药是个精心包装的折中方案 去年12月,FDA批准了口服版Wegovy(每日一次、25毫克口服司美格鲁肽),今年1月5日上市。这是全球首个获批用于减重的口服GLP-1药物,第一季度销售额即达3.55亿美元,市场热情毋庸置疑。 但有一个数字鲜少被公开讨论:这颗药丸里,只有大约1%的活性成分最终抵达靶点。患者必须空腹服药,服后还须等待一段时间再进食饮水。剩下99%的药物成分在穿越胃肠道的过程中已然分解。 这个局限不是诺和诺德的疏失,而是整个行业面对的结构性难题。GLP-1药物属于"大分子"生物制剂,分子结构复杂、靶点精准,但在胃酸面前极其脆弱——这也是它们长期只能以注射形式存在的根本原因。口服版Wegovy依靠一种特殊辅料护送药物穿越肠壁,在工程上算得上一次突破,但1%的入血率,说明这条路的上限已经隐约可见。 大环化合物:夹在两类分子之间的"第三条路" Orbis Medicines的思路不同于对现有分子的改良,而是从分子类别入手。 它的技术核心是"大环化合物"(macrocycles):这类分子比常规的小分子药大,但比完整的生物制剂小,特征是含有12个以上原子构成的闭合环状结构。这个环使分子足够刚性,能精准嵌入致病蛋白;同时足够紧凑,可在一定程度上抵抗消化道降解,以口服形式到达靶点。 大环化合物本身并非新发现——默克(Merck)和强生(J&J)已有产品上市,但口服生物利用度仅为1-2%。Orbis的突破在于其nGen平台:把生成式AI与高通量自动化化学合成结合,每周可以制造并筛选最多10万个不同结构的大环分子,系统在海量数据中持续优化分子设计。 根据公开数据,Orbis的nCycles分子在临床前研究中...
那家咨询公司两周内就完成了分析报告:航空公司忠诚度积分计划重设方案,数据完整,逻辑严密。 然后,真正的工作才开始。 各层管理层需要逐一说服,方案随反馈持续修改,合作酒店和信用卡公司要一家家谈妥——从方案出炉到第一位乘客在新系统里积到第一个积分,整整花了半年。 伦敦政治经济学院(LSE)公共政策教授Luis Garicano今年讲这个故事,是为了说明他新书的核心论点:AI替代不了那种"乱糟糟"的工作。 末日预言建立在一个误解上 2025年5月,Anthropic首席执行官Dario Amodei向媒体预测,AI将在一至五年内消灭半数初级白领岗位,推动失业率升至10%-20%。那时美国失业率是4.2%,16个月后的今天是4.1%。 Garicano与香港大学经济学教授Jin Li和Yanhui Wu合著的新书《Messy Jobs: The Work That AI Cannot Reach》认为,这类预言犯了一个根本错误:把编程领域的AI能力套用到全部知识工作上。 "机器写代码很厉害,为什么?因为代码是单一可验证任务。运行测试,看它跑不跑通,正确与否一目了然。" 但大多数知识工作没有这样一个客观的终点。 判断工作是否安全的两个问题 Garicano提出了"乱糟糟工作"的两个特征: 任务能否被拆开。 销售员既要理解客户,又要在饭桌上察言观色、临时切换推荐方案——这两件事无法单独剥离出来交给机器。 人际关系是否核心。 工厂首席工程师要招人、说服管理层、与市政部门谈建设许可,这张关系网本身就是工作,而非工作的附属品。 反过来,高风险的岗位特征是:只做一件事,而且有客观标准判断对错。技术性翻译、标准合同起草、简单账目核对,属于这类。 他特别强调,风险与复杂度无关。国际象棋极其复杂,但IBM的深蓝1997年就赢了卡斯帕罗夫——因为棋局是单一可验证任务,结果黑白分明。 AI拿不到的三类知识 即便在"乱糟糟"的工作中,会议里真正驱动决策的信息往往不在会议记录里。Garicano指出有三类知识是AI系统难以获取的: 策略性知识 ——你知道自己卖房的底价,但不会告诉买家。职场中大量信息出于博弈原因被刻意隐藏,录音加转录文字根本捕捉不到这层。 默会知识 ——资深顾问凭经...