通过自主生产行业数据、建设基础模型，形成可复用的 AI 底层技术能力。

本文为 IPO 早知道原创

作者｜罗宾

微信公众号｜ipozaozhidao

据 IPO 早知道消息，10 月 24 日，第十一届医药创新与投资大会期间，百图生科（BioMap）联合创始人兼首席执行官刘维接受媒体采访，分享了他对于新一阶段 AI 赋能药物研发的趋势、生态变革的思考。

在刘维看来，AIDD 1.0 时期药企开始利用 AI 提高研发环节的效率、降低成本；AIDD 2.0 阶段尝试利用 AI 发现新管线，但 AI 仍是辅助工具，科学家自主决定是否采用及如何使用。

进入 AIDD 3.0 阶段，行业更需要推动研发组织和流程变革，让 AI 真正进入药物研发的核心决策环节。围绕一个项目或一批管线，多个模型可以持续预测和筛选更优的分子序列，再将生成结果交由实验验证。实验产生的数据随即用于更新模型，推动下一轮设计。

" 这也并不意味着研发过程不再需要人。人的判断、确认和审批仍然重要，但 AI 需要承担持续生成、迭代并利用实验资源推进研发的任务。核心区别在于，AI 不再只作为工具，而是进入研发决策和实验反馈的连续循环。"

将 AI 融入实验体系、管线布局等关键流程

随着 AIDD3.0 的进化，刘维尤其看好 AI 对蛋白药物及其他大分子研发的推动作用。在他看来，蛋白药物未来更大的探索空间，在于通过生成式设计，在广阔的分子空间中寻找多个参数的最优解，并结合新型实验设备完成验证。随着这一模式发展，药物设计、实验验证和研发决策之间的关系都可能发生较大变化。

同时，他认为，很多现有药物形式日趋成熟，但新适应症和不可成药靶点仍有大量机会，这些领域有望孕育一批依托 AI 开展创新研发的 Biotech。

这也意味着百图生科的 AI 平台能力可以参与药物研发的更早期环节。百图生科虽然不直接负责药物管线，但可以帮助企业评估每条管线的 "AI 可解性 "，判断哪些研发问题适合利用 AI 解决，以及不同管线之间能否共享模型能力。

" 例如，企业布局 10 条管线时，我们可以评估这些项目是否需要分别开发模型，还是能够由同一组模型提供支持并从不同项目的数据中受益。这类评估有助于企业高效规划研发投入、实验体系和管线组合。"

不过，在他看来，要让多个先进模型在新型药物形式中持续发现具有首创潜力的药物、产生真正的突破，可能还需 3 — 5 年。

底层数据与模型投入，决定 AI 平台能走多远

刘维认为，生命科学领域的 AI 建设难以复制其他行业依赖公开数据或客户数据的模式。一方面，公开数据不足以覆盖新型蛋白、复杂细胞及器官状态等广阔的生物学空间；另一方面，药企最前沿的研发数据往往蕴含知识产权等巨大的商业价值，很难直接交给外部平台公司训练模型。

在刘维看来，" 公开数据不够、药企数据无法广泛共享，因此，生命科学领域 AI 公司的责任就包括生产稀缺数据。" 他表示，百图生科建设基础模型，是为了汇集各种弱相关数据，利用粗糙、高噪音的数据，结合不同任务模型和科学家的专业认知，提高复杂数据的利用效率。

百图生科过去几年持续建设实验设施、积累数据并开发底层模型，正是希望在客户使用平台之前，先完成一部分前期投入。在此基础上，药企可以在自己的环境中训练和迭代 AI 模型，无须将前沿的研发数据交给平台公司。药企可以结合自身数据持续优化模型，从而兼顾 AI 能力的调用与核心研发数据的保护。这也是公司坚持 " 平台赋能 " 定位的原因。

用户为节约的研发实验成本付费

据介绍，公司目前主要提供生命科学基础大模型驱动的系统许可，客户可以直接调用发现系统的某一专业模块，也可以通过能够调用多个模块的 Agent 使用平台；部署方式则可根据客户需求选择云端或实验室本地环境。

刘维表示，AI 的价值并不一定体现为让实验数量减少，也可以在相同的实验预算下探索更大的设计空间，或者在相同的探索范围内降低实验成本。模型对实验筛选和验证工作的替代能力逐步提高，是客户愿意持续合作的重要原因。" 我们处于行业早期，目前有多种收费形式，其背后的商业逻辑是一致的，客户为 AI 带来的实验成本节约和研发效率提升而付费。"

本文由公众号 IPO 早知道（ID：ipozaozhidao）原创撰写，如需转载请联系 C 叔↓↓↓

奕斯伟计算｜本末科技｜梅卡曼德

他山科技｜同心医疗｜九章云极

帕西尼｜微亿智造｜海柔创新