人工智能及机器人产业投资高峰论坛（上午场）

人工智能及机器人产业投资高峰论坛（上午场） 问：AI技术在生物医药领域有哪些应用？ 答：AI技术在生物医药领域中发挥了重要作用，特别是在药物研发方面，它通过与机器人技术结合，构筑了物质发现的新范式，打造了行业科研新基建。 问：您能否简单介绍一下自己和所在公司的背景？ 答：我是金泰控股的何飞鸿，来自一个以量子物理为基础，结合人工智能和机器学习前沿技术驱动创新的平台型科技企业。公司在生物医药和材料发现领域运用人工智能技术，并且拥有超过800名员工，其中接近500人从事研发工作，包括200名博士以上学历人员。公司在深圳、上海、波士顿和北京设有办公场地，其中北京研发中心的设立得益于中国AI人才的聚集效应。 问：贵公司在药物发现领域的切入点和发展历程是怎样的？ 答：公司自2015年成立以来，最初专注于生物药创新环节中的晶体结构预测（晶型预测），随后逐渐拓展到整个小分子药物发现领域，再到2018年实现向大分子药物发现的拓展。目前，公司在全球范围内既在小分子又在大分子药物发现领域达到了领先的水平，拥有深厚的行业经验和资源积累。 问：对于人工智能在药物发现中的应用，您认为主要瓶颈是什么？ 答：当前人工智能在药物发现应用层面的核心瓶颈主要在于数据的高通量和高质量产出，如何能产生大量高质量的数据是必须解决的关键问题。 问：公司上市的情况以及投资人背景如何？过去十年人工智能在药物发现领域的竞争格局是怎样的？ 答：公司在2024年成功登陆香港联交所，成为了18C规则下首家上市的企业，融资金额大且投资人背景广泛，涵盖了腾讯、谷歌等技术方向的投资人，以及中国生物、软银、中金、中信等客户角度的投资人。在过去十年中，人工智能在药物发现领域的竞争围绕数据积累、人才聚集和资本优势三个核心方面展开。公司作为全球范围内人工智能辅助药物发现领域融资金额最大、投资人背景最广泛的上市企业，在此期间经历了行业波澜壮阔的发展历程。 问：在21年之后，中国创新药行业面临了哪些挑战？ 答：21年之后，中国创新药行业面临了资本市场的估值重构挑战，这与政策变化、集采启动、仿制药行业的国际局势变化以及境外资本市场的影响等因素有关。 问：近年来，中国创新药在全球市场中的参与度有何变化？创新药研发领域当前存在哪些主要问题？ 答：从2020年之前不到5%的参与度，到去年已超过30%，显示出中国越来越多的创新药企业在崛起，并在大型药物交易中取得显著成绩。创新药研发领域面临投资周期长、投资风险高、成功率低的问题，例如一款药物从成功上市平均需要超过10亿美元投入，临床整体成功率低于10%，研发周期长达十年以上。 问：辉瑞公司在新药研发方面的成果如何？ 答：辉瑞公司通过加强对生物学机理的研究、扩展模型列表和应用新技术，其药物临床转化率已从行业的8%-10%提升至20%左右，表明整个行业并非进入深水区，而是正经历精细化发展和科学理解与新技术融合的过程。 问：人工智能等新技术对创新药行业有何影响？ 答：人工智能等新技术显著缩短了上市时间，提高了知识产权价值，当前及未来将带来巨大的变革性意义，但其需要更多时间和信心去实现行业内的广泛应用和深度整合。 问：对于公司而言，在新技术如人工智能面前，应选择做服务、管线还是平台？ 答：这取决于公司的资源禀赋和行业发展的阶段。从行业早期发展阶段来看，作为平台服务型企业可能是更合适的选择，同时人工智能不仅提升效率，还能在决定药物能否成功的关键阶段提供重要支持。 问：在生物药行业，为什么人工智能尚未带来显著变革？生物药行业在数据层面存在哪些主要问题？ 答：虽然人工智能在通用大模型上取得了显著进展，但在具体应用到物理、化学、生物学等领域时，由于数据方面的局限性，暂时还未产生革命性的影响。数据质量、记录维度不全以及正负样本的不对称性（错误实验比正确实验更容易产生）等问题，使得在这些实应用学科中，构 建准确因果关系和逻辑关系成为挑战。行业面临的第一大问题是现有数据质量较差，很多情况下数据记录是为了应对监管而非探究核心要素间的关联关系，导致许多关键维度未被合理记录。第二大问题是数据可重复性和可复现性差，许多公开数据无法被准确复现，且不同平台间因仪器误差等因素导致的数据比较性存在问题。 问：如何解决这些问题以推动人工智能在生物药行业的应用？ 答：解决这个问题需要从三个方面着手：一是加强人机协同，二是重视数据要素的质量和丰富性，三是打造开放平台以促进数据共享和实验结果的可比性。同时，结合量子物理等学科的理念与技术，如在缺乏实验数据时利用量子力学的客观规律生成虚拟数据进行补充训练，以及推动真实数据与AI模型的深度融合，逐步提高预测准确性和整体效能。 问：在行业的大规模应用中，人工智能团队的成果面临哪些挑战？ 答：虽然人工智能团队在科研领域产出很多paper，但在行业大规模应用时，其实受限于一些前提条件。尽管如此，它确实能帮助传统科学家在思维拓展和解决复杂优化问题上取得成果。 问：公司内部的研发人员是如何分成两大阵营的？ 答：公司500个研发人员分成两大阵营，一方面从事技术科学研究，如生物学、化学、物理学、数学等领域的研究；另一方面从事应用科学，比如软件工程师和传统的销售公司人员。 问：AI在科学实验中的应用现状如何？ 答：科学家最初对AI抱有很高期望，但实际使用中发现并非想象中的那样万能，这导致部分科学家对AI持怀疑态度，认为当前取得的结果不可靠。而谷歌DeepMind提出的未来五年内人工智能可能全面替代湿实验的观点也遭到了反驳，认为实验结合与算法进步应相辅相成。 问：如何理解“人机协同”这一概念？ 答：人机协同指的是在算法生成层面，例如分子生成领域，人工智能可以帮助在更大的化学空间中探索并突破传统思维范式，但最终的决策判断仍需科学家参与。 问：现阶段及未来科学研发范式将如何发展？ 答：现阶段是科学家与AI结合的cosinese阶段，接下来将进入机器人技术和实验人员深度协 作的阶段，即C2模式。长期来看，Q3加qbot将长期共存，直到人工智能和机器人技术取得更大突破。 问：为何大模型和领域模型的理解是相互深度融合的过程？ 答：大模型由于数据缺乏，通用性强但专业性不足，需要构建小模型来弥补这一缺陷。例如，在新药研发过程中，针对不同阶段的问题建立小模型，并利用算法强大的计算能力反哺科学家，实现科学发现的加速。 问：金泰科技自动化实验室的重要性体现在哪里？ 答：自动化实验室能实现7×24小时不间断工作，提高通量和时间利用效率，并且实验结果高度可重复，解决了传统实验中部分实验结果难以复现的问题。通过自动化工作站和智能调度系统，整个实验室过程可监控、可追溯，确保数据安全，同时提升了实验效率和质量。 问：人工智能驱动的智能体在机器实现的调动过程中，当前自动化实验室是否已达到自主化状态？ 答：其实还没有，现在仍是一个自动化实验室，而非自主化实验室。要实现自主化，需要大量的现实数据积累来帮助AI在做选择时具备更好的判断能力。 问：如何从自动化演变成自主化，并提升AI的决策自主化程度和准确率？ 答：通过不断增加实验次数和数据积累，AI的决策自主化程度会逐渐提高，其在反应路径选择和判断准确率上的表现将比人更好。 问：AI在预测正确反应结果方面的表现如何？ 答：AI在预测正确反应结果方面表现出色，甚至超过有经验的化学家，但在预测失败反应方面，AI的优势更为显著，因为人在记录错误和总结经验方面的不足。 问：人工智能是否能解决行业所有问题，特别是在药物研发全链条上？ 答：不是的，虽然人工智能在分子设计等方面有出色表现，但在整个药物研发链条中，从分子设计到临床应用等多个环节仍存在无法单点突破的问题，需要全链条的整体提升和与行业合作伙伴共同协作。 问：投资相关领域的公司意味着什么？ 答：投资如器官芯片、分子动力学模拟芯片等公司是为了强化我们在擅长领域的优势，并通过投资撬动的方式弥补不擅长领域的短板，推动行业整体进步。 问：医药和材料发现领域在AI应用上的差异是什么？ 答：在材料发现领域，虽然与药物分子发现有相似之处，但我们在材料迭代发展趋势、商业化潜力以及利用AI工具和算法解决复杂问题方面有更深入的理解和应用。同时，材料领域在数据积累方面可能不如医药行业，因此正致力于将专家知识模型化，形成结构化、高通量的数据，构建机器人实验室，以推动不同领域材料发现的进程。