Flagship 创始人：AI for Science 的下一步是 Multi-Agent

01.

Flagship 的创立

Flagship 的创立源于 Noubar Afeyan 的个人经历和深刻思考。Afeyan 出生于黎巴嫩，来自亚美尼亚侨民家庭，他的家族世代流离，Afeyan 本人则作为政治难民移居加拿大。1983 年，Afeyan 进入麻省理工学院攻读生物化学工程博士学位，成为该项目的第一位毕业生。求学期间，在一次国际会议上与惠普创始人 David Packard 的交流为他指明了方向。

1987年，在美国风险投资主要流向前默克或 IBM 高管等人群的环境下，毫无背景的 24 岁移民 Afeyan 获得资金创办了他的第一家公司 PerSeptive Biosystems（一家生物技术仪器公司，后于1998 年被 Applied Biosystems 收购）。

在创业的过程中，Afeyan 开始思考：为何创业被视为一种随机、即兴甚至游戏化的过程，而非一种专业活动？Afeyan 认为，创业公司是人类最伟大的发明之一，他不理解为何如此重要的事业被视为随机的游戏化活动。作为工程师背景的科学家，他坚信在医疗健康、气候变化等关键领域的创业不能简单视为“like shots on goal and this and that”。

元问题：如何把创业专业化

于是 Afeyan 开始系统思考如何使创业专业化。他认为判断一个活动是否专业的标准之一是能否同时进行多个项目。VC 可以同时投资多个项目，而企业家却被期望专注于单一项目。这种认知差异促使他探索“并行创业”的可能性。

为了验证这一理念，90 年代后期他一边经营第一家公司，一边参与创办其他公司。但他很快意识到单打独斗难以实现这一目标，于是创建了专门孵化公司的公司——最初名为“newcogen”（New Company Generation），后来改名为 Flagship Pioneering。

Flagship 的使命正是将创业转变为一种专业化、机构化的活动，就像投资已经机构化一样，以团队形式运作，制定明确目标，更有效地创造价值。其筛选、孵化流程包含四个关键阶段：

• Explorations：在初始阶段，Flagship Labs 提出看似遥不可及的假设，探究“What if...？”问题。公司的科学家团队通过变异和筛选使这些假设不断演进，并与外部专家合作测试新概念的优缺点。Flagship 每年开展 80-100 项这样的探索，寻找潜在的突破性创新点。这些探索并非简单的创意头脑风暴，而是基于严谨科学方法的系统性探究。

• ProtoCos：有潜力的 Explorations 进入原型公司（ProtoCos）阶段。每个 ProtoCo 按照在 Flagship Labs 序列中的位置获得编号（如 FL1、FL2...FL63 等）。在这一阶段，Flagship 的创始团队对概念进行测试，无法在实验室验证科学原理的 ProtoCos 将被终止。Flagship 将这一过程称为“origination”，即围绕独特突破构思、迭代和启动新公司。公司每年平均创建 8-10 个 ProtoCos。

• NewCos：当创始团队能够将“What if...?”问题转变为“It turns out...”的确定性答案时，ProtoCo 升级为新公司（NewCo），获得正式名称和 Flagship 的大额资金承诺。每个 NewCo 专注于开发专有技术平台（proprietary platform），这些平台能在未来数年持续产出创新产品。此阶段开始组建正式的董事会、CEO 和领导团队。Flagship 每年形成 6-8 家 NewCos。

• GrowthCos：在最终阶段，NewCo 分拆成为成长公司（GrowthCo）。GrowthCo 的领导团队负责吸引外部投资者、建立战略合作伙伴关系，并构建创造长期价值的业务模式。许多 GrowthCos 最终成为上市公司。自 2013 年以来，Flagship 已有 25 家 GrowthCos 完成 IPO，其中最著名的包括 Moderna 等生物技术公司。

这一系统性方法使 Flagship 能够在高不确定性领域中系统化创新，将科学突破转化为商业价值。

与传统风险投资模式不同，Flagship 不是寻找已有的创业团队进行投资，而是自行识别机会并从零开始构建公司，这种“company-creation”模式已成为生物技术领域的独特范式。

涌现式创新

Afeyan 将自己多年来创业实践的经验总结为“涌现式创新”（emergent innovation）。2021 年，他和  Gary P. Pisano 在《哈佛商业评论》 上发表了一篇文章来阐释这个概念。

涌现式创新挑战了传统的目标导向设计思维。Afeyan 发现，人类的设计通常基于明确目标，但实际上如果问创建 NVIDIA 的目标是什么，很难给出确切定义。NVIDIA 最初只是认为自己能创造出有价值的游戏产品，而 AI 的机会完全是自然涌现的，并非最初商业计划或五年规划中可预见的结果。

Afeyan 从自然界寻找灵感，这种不可预测的新颖性正是自然界的特点。在自然界中，变异（variation）、选择（selection）和迭代（iteration）创造了令人难以置信的复杂系统，比如我们至今无法人为创造的生命。这就是所谓的"涌现"。

关于是“变异”先发生，还是“选择”先发生？答案是，在自然界里，选择压力来自于自然界所有事物的总和。商业世界也是如此。消费者偏好会对产品做出反应，这些反应又会形成新的消费者偏好。因此，创新过程需要创造一个环境，让二者能够相互作用，才能产生新的产品和服务。

Afeyan 认为，在任何领域应用这三个原则都会产生涌现式创新——在思想领域会产生革命性观念、政治思想和宗教；在产品领域会创造出 Air Jordan 这样的标志性产品。虽然参与者常常声称是他们想出了这些创新，但 Afeyan 认为这是人类自负的表现。"人们往往以一种自负的方式描述一切。我们有自己的语言，现在有了 LLMs，它们很擅长将现实转化为'人类如何主导了这一切'的叙事。这就像人们常说的，赢得战争的人才能书写历史。"

在 38 年的创业生涯中，Afeyan 深刻意识到，他参与创造的任何事物都不完全是个人工作的产物，而是涌现的结果。大多数成功企业家表面上会将“成功”归结为“努力”，实际上暗地里也在崇拜“机会之神”。Flagship 的核心工作并非某种天才技术或超级智能，而是创造一个促进涌现的环境。

02.

如何实现科研自动化

Flagship 从 25 年前开始探索 AI 

回顾过去 25 年，成立于 1999-2000 年的 Flagship 在当时面临着独特的市场环境。互联网和电子商务热潮正盛，大部分资金流向诸如 sunglasses.com、diapers.com 等网站，而生命科学和医学项目获取资金极其困难。尽管如此，Afeyan 看到市场对药物等产品的巨大需求，仍决定专注于生物学和技术的交叉领域。

Flagship 从一开始就致力于系统地构思和创建公司，但初期并未押注于能够系统地实现突破性创新。这正是他们在随后几年中逐渐掌握的能力——公司从单纯的创业构思平台，发展为能够持续产生颠覆性科学突破的系统化引擎。

7 年前，Flagship 还只有约 50 名员工，如今公司已拥有 550 名员工，其中约 200 多人是科学家、工程师和医生，每年集中申请 600-700 项专利。更重要的是，Flagship 已将公司构建能力内部化，建立了能够并行创建多家公司的内部引擎，大大加快了学习周期。

与普遍认知不同，Flagship 在 AI 领域的探索可以追溯到 25 年前。早在 2001 年，他们就成立了 Affinnova 公司，使用机器学习进化算法在线开发消费产品。如今，他们的第 100 家公司 FL100 正在利用 Generative AI 开发相关技术。Flagship 认为，Generative AI 在提出假设和概念构思方面的能力令人惊叹，并且每天都在进步。

未来，Flagship 将越发重视创造能让整个行业受益的突破性技术。为扩大创新影响范围，他们与辉瑞、诺和诺德、葛兰素史克等制药公司，以及赛默飞世尔、ADI 公司、三星等科技公司均建立了大型合作伙伴关系。

Multi-agents 系统

可以实现涌现式创新

Afeyan 认为自己的工作目标是创造新型平台，建立自主科学发现方法——能够生成假设、设计实验、执行实验、收集数据、解释数据并迭代假设，实现类似于 Waymo 自动驾驶那样的科学研究自动化。

虽然与完全自动化的科学研究相比还有差距，但 Afeyan 表示 AI 已经足够可以展示其关键要素并将它们整合。在特定生物研究领域，AI 已经实现了像之前在国际象棋和围棋领域那样的突破。

Flagship 最感兴趣的是能够实现涌现性能的多智能体系统（multi-agent systems）。他们正在产品领域研究这些技术，开发全新品牌和产品，并在心理健康领域应用这些技术，设计基于 agent 的早期干预措施。这不是简单地训练 AI 模仿医生行为，而是让系统自行交互，从不同类型 agent 模型之间的动态中学习。

比如 Flagship 最新孵化的  Lila Science 。Lila 是一个 AI 科研平台，“scientific superintelligence platform”，Lila 构建了一个把 AI 和自动化实验设备结合的 AI 科研平台，可以把原本需要数年的研究缩短至 6 个月，已在基因药物设计、新型催化剂和碳捕获材料等领域取得突破。公司采用向行业伙伴开放平台的商业模式，不自行推进临床试验，而是通过合作或分拆实现商业化。Flagship 的 GP Geoffrey von Maltzahn 担任 CEO，哈佛遗传学家 George Church 加入担任 CSO。

战略偏好：押注平台型公司

通常来说，Bio-tech 企业可以分为平台型（platform）和资产型（asset-based），即专注某一个或某几个管线。Afeyan 认为， Flagship 的战略是探索前沿未开发领域，如果只是为了获得某个单一资产冒险，在逻辑上是不合理的，如果是 asset-based，更明智的做法是押注已被验证的技术路线，并做小幅改进。

Afeyan 强调，当企业涉足全新领域如 RNA、DNA、基因编辑或计算蛋白质设计时，多元化战略至关重要，因为项目失败常常源于与底层技术无关的因素。正是基于这一理念，Flagship 在过去 25 年支持的 110 家公司无一例外都采用了平台型模式，这一策略让他们能够"超越邻近领域，超越合理范围，进入‘不合理’的领域”。

尽管大多数公司都有这种愿望，但并不是所有公司都能够采用平台化策略，Afeyan 分析了这里的三个关键障碍：

• 资金需求的重大挑战。单一项目的开发已经需要大量资金，而建立支持多个项目的平台则需要极其庞大的投资；

• 投资者普遍难以准确评估平台的价值。他们往往无法理解平台内各项目之间的协同效应，即一个项目如何因其他项目的成功而降低风险。相反，平台公司常因被认为"过于昂贵"和"过于复杂"而在估值中受到不利影响

• 投资者担忧管理团队的执行能力。管理单一项目与同时协调多个项目需要完全不同的能力，这种能力分散可能导致执行不力。Afeyan 担忧这种限制可能创造出"注定失败的公司"，这本质上是一个概率问题。

Afeyan 观察，当前市场环境下，生物技术行业正经历一场变革，尤其对于“单一资产”公司而言，规模化的“fast-followers”让市场竞争愈加激烈，印度等地的企业以更低成本进入相同领域，且这些地方面临的临床数据准入门槛更具优势。

面对这种全球竞争格局，Afeyan 会质疑单一资产的生物技术公司如何能在商业发展中保持竞争力。虽然制药巨头可以从中获利，但生物技术初创企业面临着被商品化的风险，特别是在西方更高的成本结构下。

这些因素综合考量，让 Afeyan 认为平台策略的价值。平台模式至少为公司提供了建立多样化合作关系和寻找生存途径的机会。虽然不能保证所有平台公司都能成功，但相比单一资产模式，它提供了更大的生存空间和发展机会，特别是对于真正拥有平台技术的企业家和有远见的投资者而言。

03.

投资布局

强调“实验精神”

在领域选择上，Flagship 采用的是“涌现式”思维模式。但他们清楚地意识到，并非所有事情都需要科学上的飞跃，也并非所有领域都适合这种活动方式，所以他们保持实验精神。

Flagship 在早期尝试中，除了在 Moderna 上利用深度神经网络外，还采用了多种技术，利用整个 mRNA 领域的数据来指导新一代产品的研发和生产。同时，他们也开始将 AI 视为设计蛋白质的创新方法。

大约六七年前，Afeyan 的团队启动了一个前瞻性项目，探索通过计算方式设计具有特定功能的蛋白质的可能性。虽然现在已有 AlphaFold 和量子折叠模型，但他们当时采取了不同路径。他们想探究学习算法是否能够通过分析大量功能实例及其对应的 DNA 序列，来生成全新的蛋白质。尽管许多人对此表示怀疑，认为必须先了解 DNA 序列、蛋白质序列和折叠结构等各环节，但 Afeyan 坚持认为，自然界中 DNA 代代相传时并没有附带说明书，却能实现功能传递，这意味着这些信息一定以某种方式编码在 DNA 中。

这一假设驱使他们直接开始实验，因为技术进步已大幅降低提出此类问题的成本。几年内，他们证明了至少对于抗体及其与靶标的结合而言，计算方法可以实现传统实验方法无法达到的突破，这一成果催生了 Generate：Biomedicines 公司。值得一提的是，这是 NVIDIA 在生物学领域最早建立的大型合作关系之一。如今，该公司已拥有 15 个以上的计算设计抗体项目，部分已进入临床试验阶段。

Afeyan 的团队随后将这种计算设计方法扩展应用于细胞模型、DNA、RNA 和各种分子，以及脂质纳米颗粒（LNP）的设计，现已拓展到多个前沿研究领域。Abiologics 正是这一扩展战略的重要组成部分，通过整合专有的生成式 AI 算法和肽合成技术，创造出具有强大、理想药理特性的 Synteins™，突破了传统生物制药的中心法则，开创了一个全新的药物设计范式。

AI + 临床试验

将 AI 驱动的创新药物候选物转化为可上市疗法面临着显著挑战。从监管流程角度来看，Afeyan 通过倒推方式分析了这一路径：最终步骤是向 FDA 提交生物制品许可申请（BLA）或新药申请（NDA）获得批准，而在此之前需要完成三期临床试验，证明药物在足够大的人群中具有统计学意义的优越性且无毒性。

Afeyan 认为，尽管 AI 和计算方法已经显著增加了药物发现初期的候选物数量和质量，但这些后期阶段仍受到严格监管，需要进行昂贵且耗时的传统临床试验。他认为，未来我们可能能够基于数据创建模型来预测结果，但在此之前，行业仍需等待大型试验及其所需的数亿美元投入。

关于这一转变何时到来的问题，Afeyan 觉得这种变化应该更早实现，特别是考虑到当前情况对患者的影响。他引用了“曲速行动”（Operation Warp Speed）作为例证，表明在新冠疫情紧急情况下，私营部门、公共部门和监管机构能够高效协同工作，不是走捷径，而是重新调整优先级，认识到目标是寻求解决方案，避免因过度谨慎而导致延误。

Afeyan 认为，现有系统的问题在于，像癌症和神经系统疾病这样的慢性疾病尽管影响巨大，但并未被视为紧急威胁，导致创新疗法的开发进展缓慢。

作为解决方案，Afeyan 提出了一个核心构想：利用数据驱动的方法重新设计临床试验流程。这一构想的核心是对疾病进行更精准的分类和理解。他提出了超越传统疾病分期系统的"生物分期"概念，这种方法不是将疾病简单地划分为四个阶段，而是可能细分为数万个不同阶段，能够在分子水平上捕捉疾病发展的细微变化。

基于这种精细分类，Afeyan 认为可以更精准地选择临床试验参与者，减少测试人群的异质性对试验结果的干扰。这种方法允许进行较小规模但更有针对性的临床试验，先获得较小范围的批准指标，然后再扩大应用范围。

Afeyan 强调，实现这一愿景的关键在于充分利用现有患者数据。在遵守隐私法规如 HIPAA 的前提下，这些数据可以用于训练模型，识别特定疾病亚型的独特机制。例如，这种方法可以帮助识别帕金森病某个特定亚型需要针对的分子靶点。

他承认，这种精准医疗方法可能与大型制药公司希望将药物推广给广泛人群的商业模式相冲突，但对于资源有限的生物技术创业公司和急需新疗法的患者来说，这种方法可能具有重要价值。

不局限于药物研发

Flagship 具有极其广泛的投资版图，不仅涉足治疗药物研发，还在营养、农业和气候等不同领域进行了布局。实际上，Flagship 的业务范围比外界想象的更广。早在 2000 年代初，Flagship 就开始涉足超级计算公司，也投资了网络公司。现在，他们也开始在材料领域进行新的尝试，比如半导体材料、碳捕获材料等。

对于全新的领域，Flagship 通常保持高度谨慎，除非拥有核心优势，不管是知识产权还是因为对该领域了解不足而产生的一种无畏创新精神。

对 Flagship 而言，在一个领域的第一次尝试会影响随后的五个项目。如果这五个项目都没有成功，他们就会认为，“也许我们无法从这个领域的创新中获得应有的回报，从而迅速放弃转向更 promising 的项目”。

Flagship 的核心策略是寻找那些能够“加速未来技术实现”的领域，但 Afeyan 也提示到，并非所有先进技术在当下就有商业价值。

以可再生能源领域的经验为例，Flagship 曾在该领域工作多年，发明了一种利用改造光合细菌制造碳中和液体燃料的先进方法。这些经过基因工程改造的细菌能直接吸收二氧化碳，然后生产并分泌柴油燃料，这是一个巨大的技术突破。2008 年至 2012 年间，他们创立了 Joule 公司来推广这项技术。

然而，市场环境的变化使这项创新难以获得预期回报。当 Flagship 开始这个项目时，碳的价格是每吨 50 美元，到项目结束时降到了每吨 5 美元。项目开始时，美国依赖能源进口，而到项目完成时，美国已经能源充沛。最终他们意识到，无论在该领域做出怎样的创新，都无法获得溢价，因此决定不再投入。

04.

投资哲学

管理不确定性

在真实的商业世界中，开辟全新领域时，一家公司不仅要解决技术挑战，同时还需要创造整个生态系统（包括监管框架、市场认知、公众接受度等等），关于如何管理未知领域的众多不确定性，Afeyan 分享了 Flagship 的思考方式和应对策略。

Afeyan 首先区分了“风险”和“不确定性”这两个关键概念。他用一个形象的比喻解释创新的发生地带：将当前已知和存在的一切想象为一个圆圈，而紧邻这个圆圈外围的区域则是下一个时间段内将被认识的领域。在这个"邻近圈"中，大多数创新得以发生，人们可以对风险和回报做出合理估计。这正是传统尽职调查的意义所在——咨询领域专家（key opinion leaders），汇总信息做出投资决策。

但当远离已知范围时，情况会发生质变。Afeyan 认为此时人们不再能够估计成功的可能性和回报率，这种情况不应被称为风险，而应称为"不确定性"（uncertainty）。他不认同华尔街和其他机构推动的观念，即所有事情都可以放入风险矩阵。以当前的核聚变技术为例，Afeyan 认为这不是风险而是不确定性，因为没人能真正估计其成功概率。

Afeyan 承认，开辟陌生领域确实会增加更多不确定性层次。但他同时提出了一个悖论：虽然"邻近区域"的风险看似更低，但实际上存在一个被忽视的问题，即商品化（commoditization）风险。由于所有参与者——无论是初创公司、学术实验室还是大公司——都在关注这些邻近创新领域，导致竞争异常激烈，最终会面临商品化风险。即使创新成功，也难以获得高回报，因为市场上会出现多个类似解决方案。因此，Flagship 更倾向于选择谨慎地拥抱不确定性。

而如何管理不确定性，Flagship 的应对之道是进行实验。Afeyan 认为，对于那些价值和可行性尚不确定的事物，关键是设计合适的实验，将其变为现实，验证其可行性，至少控制可控的部分。

Flagship 的第 18 家公司 Moderna 正是这一策略的典范。在 Moderna 创立之前，mRNA 药物或疫苗市场基本不存在，几乎无人涉足。这意味着他们需要争取监管变革或认可、建立市场定价机制，以及解决最初完全未知的生产制造问题。据 Afeyan 表示，即使没有疫情，Moderna 的回报也是可预见的，实际上他们在疫情前已创造了大量价值。

Flagship 的核心思考方式是接受不确定性并对其进行系统地管理。Afeyan 强调，如果不愿意这样做，就只能在"跟风价值池"（Me Too value pools）中工作。Flagship 并不认为自己比他人更聪明、更努力或人脉更广，他们的核心竞争力在于愿意承担不确定性。

Polyintelligence

在 Flagship 的 2025 年年度信中，Afeyan 提出了“polyintelligence”概念，这一理念及人类直觉在未来世界发展中的相关性。

Afeyan 首先对“直觉”的本质提出了重新思考。Afeyan 认为，人类直觉本质上可以被理解为一种认知模型——每个人基于自身经验生成并简化使用的模型。

从这个角度看，直觉与 LLM 有着概念上的相似性，区别在于数据规模：LLM 经过数百万人的数据训练，而个人直觉仅基于个体有限经验构建。

那么在 AI 时代，人类的哪些方面将保持其独特价值？受到 PBS 纪录片 Leonardo da Vinci 的启发，Afeyan 展开了更为宏观的视野：当前关于 AI 的讨论常将焦点局限于人类与机器的二元关系，而忽略了一个根本事实：科学的核心一直是人类与自然的互动。

在 Afeyan 的框架中，未来的智能生态不是简单的人机对立或融合，而是一个由三方构成的动态系统：人类智能、机器智能与自然智能。这三种智能形式相互作用、相互适应，形成一个不断演化的整体。

Afeyan 强调，在这个三角关系中，人类的角色仍然不可替代，因为人类的思维方式和行为模式与计算机和自然界的其他力量有着根本区别。人类的价值不在于与机器竞争信息处理，而在于以独特方式参与这个三方系统，贡献人类特有的思维模式、创造力和目标导向。

现在，Polyintelligence 已成为 Flagship 使命的关键指导原则：不仅要了解自然，还要超越其现有能力进行创新。类似于达芬奇在打破传统界限之前掌握了透视和色彩理论，Flagship 希望通过让 AI 学习和编码大自然运作的基本“规则”来提出新的解决方案。就像研究人员曾利用机器学习分析抹香鲸复杂的咔嗒声模式，并从中揭示了一种结构化的交流方式，挑战了我们对语言和智力的认识一样。Quotient Therapeutics 正在应用 AI 分析体细胞基因组学，将突变与功能结果联系起来，揭示传统遗传学无法理解的见解。

Polyintelligence 中的"三方关系"被 Afeyan 描绘为"美丽的新兴涌现轴线"（ a beautiful new axisof emergence），暗示这种多元智能的融合将推动生命形态的未来发展。这一框架超越了技术决定论，将人类、机器和自然置于一个互惠互利、共同演化的系统中。