Gemini, Inc.

当 AI 成为科学家的"超级搭档"，从假设生成到文献洞察 科研效率迎来指数级飞跃。 一场正在发生的科学革命 2026 年 5 月，谷歌 AI 正式推出 Gemini for Science —— 一套专为科学探索设计的 AI 工具集，覆盖假设生成、计算发现和文献洞察三大核心环节。这不是简单的效率工具升级，而是科学研究范式的根本性转变。 全球每年产生数百万篇学术论文，研究数据以 PB 级增长。传统文献综述可能耗时数月，假设验证受限于人力和算力。Gemini for Science 正是为解决这些结构性瓶颈而来 —— 它以 Gemini 模型家族为核心，构建起从假设到验证、再到洞察的完整 AI 闭环。 谷歌强调，该工具集是在与全球 100 多家机构（涵盖高校、企业与研究所）、从博士生到诺贝尔奖得主的社区协作下打磨而成，确保 AI 输出负责任且经过严格验证。值得一提的是，Co-Scientist 和 ERA 两项核心技术已于发布同日在 Nature 期刊发表经同行评审的论文，其中 ERA 生成的模型在新冠住院预测任务中超越了美国 CDC 的集成模型——这在 AI for Science 领域极为罕见。 三大核心工具，直击科研痛点🔬 假设生成（Co-Scientist） 传统科研中，从灵感到可行假设往往需要数月积累。Co-Scientist 系统改变了这一局面：研究者只需输入研究挑战，AI 便能基于海量文献自动映射知识空白、生成原创假设，并通过"想法锦标赛"机制迭代优化。 关键价值：在已有案例中，假设生成周期从数月大幅压缩至数天。例如，Imperial College London 的研究团队报告，Co-Scientist 在短时间内提出了与其十年实验室研究一致的假设。 ⚙️ 计算发现（AlphaEvolve + ERA） 科学建模需要探索成千上万种代码变体，这在过去是人力不可企及的。Computational Discovery 工具支持研究者上传初始代码和优化目标，AI 在沙箱环境中自动生成、运行、评分数千种方案。 关键价值：研究者从低级调试中解放，专注于高价值科学决策。在气候建模、药物模拟、材料科学等计算密集型领域意义重大。 📚 文献洞察（NotebookLM） Literature Insights 工具能快速合成科学论文，自动识别研究空白、生成思维导图、引用分析与差距评估，甚至产出信息图和音频概述。 关键价值：帮助研究者避免重复劳动，发现跨学科的隐含联系，极大提升文献综述效率。 Science Skills 除三大工具外，谷歌还推出 Science Skills 捆绑包，集成 30 多个主要生命科学模型和数据库。研究者可将 Gemini 转变为专业科学工作台，在几分钟内完成从数据清洗到多步实验设计的端到端任务。 这对生物制药等领域的研究者而言，是真正的效率倍增器——已集成的工具包括 AlphaFold Database、UniProt 等蛋白质与基因组核心数据库。 为什么这对您至关重要？ 作为 Google Cloud 合作伙伴，Nabula Data 长期深耕 AI 技术在产业中的落地应用。Gemini for Science 的发布，与我们两大战略方向高度契合：🧬 AI for Science / Healthcare / 生物制药 Gemini for Science 为药物发现、临床研究、基因组分析等场景提供了强大的 AI 加速能力。目前该工具正通过 Google Labs 逐步开放访问，企业用户可通过 Google Cloud 申请优先接入。从靶点发现到临床前建模，从文献挖掘到假设验证，AI 正在重塑研发流程的每一个环节。 Nabuladata 可以帮助您： 协助您基于 Google Cloud 基础设施搭建科研环境 结合企业私有数据构建安全合规的 AI 科研工作流 为生物制药团队提供从工具接入到场景落地的技术支持 🤖 Physical AI / AI + 硬件（Nabuladata 能力延伸） Gemini for Science 中的计算发现能力——自动生成并评估数千种代码变体——天然适配智能硬件仿真、机器人控制策略优化、传感器数据建模等 Physical AI 场景。结合 Nabuladata 在 GCP 高性能计算领域的积累，AI 驱动的自动化实验与代码进化，将为硬件研发注入全新动力。 Nabuladata 可以帮助您： 协助搭建基于 GCP 的高性能计算环境，支撑大规模仿真与模型训练 支持整合 Gemini 能力构建 AI + 硬件的端到端开发平台 提供从概念验证到规模化部署的全链路技术支持 Gemini for Science 代表着 AI 从"辅助工具"向"科学伙伴"的跃迁。无论您是高校实验室、生物制药企业，还是智能硬件团队，现在正是借助 AI 重新定义研发效率的最佳时机。 Nebula Data 星雲數據，总部位于新加坡，在雅加达、广州、上海、香港设有分支机构。公司自主研发 Nebula Lab 一站式 AI 内容生成与模型聚合平台，搭载企业级 AI Agent，聚合全球通用大模型与行业垂直模型；同步推出 Nebula AIoT 硬件生态体系（含智能交互终端、物联网网关等产品），形成 “云 - 边 - 端” 全链路智能解决方案，为电商、制造、零售等多领域客户提供从云端算力支撑、AI 智能决策到终端场景落地的一体化服务；同时提供全球 AIDC（AI 智算中心）+ 低延迟网络服务，以技术底座赋能企业拥抱 AI、链接物理世界，拓展全球业务。 点击全文联系我们

一、新兴产业与趋势 1. Google I/O全面转向Agentic AI，搜索、眼镜与应用生态重构 摘要：Google在I/O 2026发布多项AI更新，主线是把AI从问答工具推进为任务代理。Gemini Omni、Gemini 3.5和Gemini Spark成为核心发布内容。Google还推动搜索、YouTube、Workspace、智能眼镜和AI购物场景联动。AI正在从模型竞赛进入“入口、设备、数据和工作流”一体化竞争。投研提示：下一轮平台竞争不只是模型性能，而是AI能否占据用户日常任务入口。关注点：Gemini用户数、AI Mode商业化、智能眼镜生态。来源：  2. Google智能眼镜回归，AI硬件入口再度升温 摘要：Google宣布通过合作伙伴推进新一代智能眼镜。新品将与Gemini结合，通过语音、摄像头和环境理解提供交互。该路线与Meta Ray-Ban模式形成直接竞争。消费AI硬件正在从“独立设备”转向“手机与云模型的外设入口”。投研提示：AI眼镜的核心不是硬件毛利，而是视觉入口、地图、广告和个人数据闭环。关注点：Warby Parker、Gentle Monster、Samsung合作进展。来源：  3. Microsoft印度最大数据中心年中上线，全球南方AI基础设施升温 摘要：Microsoft印度负责人表示，该公司在印度最大的数据显示中心有望在2026年中上线。公司称Azure云服务和Copilot 365在印度需求强劲。印度正成为美国云与AI巨头争夺的关键增量市场。AI基础设施扩张正在从北美向亚洲大市场加速外溢。投研提示：印度AI云需求会带动数据中心、光通信、电力和企业SaaS本地化机会。关注点：Azure印度收入、数据主权政策、电力供应。来源：  4. SpaceX IPO文件曝光，太空互联网与AI基础设施故事合流 摘要：Reuters报道称SpaceX披露IPO文件，可能成为美国史上最大规模上市之一。Starlink仍是其主要收入来源，但公司也强调未来AI和太空数据中心设想。若上市成功，SpaceX将强化“太空基础设施公司”而非单纯火箭公司的定位。太空、通信和AI算力叙事正在形成新的资本市场组合。投研提示：SpaceX上市若成行，将重估卫星通信、发射服务、地面终端和空间算力链条。关注点：估值区间、Starlink现金流、Starship测试进展。来源：  二、投融资与产业观察 1. Lambda拿下Hudson River Trading GPU云订单，金融高频算力需求显性化 摘要：Nvidia支持的AI云公司Lambda与Hudson River Trading达成云服务协议。Lambda将提供超过1000套Nvidia Blackwell AI系统访问能力。该客户是大型高频交易机构，显示AI算力正在进入金融交易基础设施。GPU云的客户结构正在从AI实验室扩展到量化、金融和企业工作流。投研提示：GPU云租赁市场的估值锚将从“模型训练”扩展到“金融、科研、工程仿真”等高付费场景。关注点：Blackwell供给、Lambda毛利率、金融客户续约。来源：  2. OpenAI准备秘密提交IPO，万亿美元AI上市潮逼近 摘要：Reuters称OpenAI正准备在未来几周秘密提交美国IPO申请。该公司最近估值约8520亿美元，上市目标可能接近万亿美元级别。消息出现在其刚刚抵御马斯克重大法律挑战之后。AI基础模型公司正从私募融资阶段迈向公开市场定价阶段。投研提示：OpenAI若上市，将成为AI基础模型商业化、毛利率和算力成本的公开样本。关注点：招股书、收入结构、Microsoft关系、推理成本。来源：  3. Anthropic据称接近万亿美元估值融资，头部模型公司估值继续上移 摘要：Reuters援引FT报道称，Anthropic正在考虑接近万亿美元估值的融资。该消息延续了基础模型公司估值急剧上移的趋势。企业AI市场和安全可信模型定位，是Anthropic的核心叙事。模型公司估值已从“技术领先”转向“平台控制权与企业入口”的溢价。投研提示：基础模型估值高企会倒逼投资人关注收入质量、客户留存和推理毛利。关注点：Claude企业采用率、云合作伙伴、融资条款。来源：  4. Mercury融资2亿美元，AI创业公司金融服务成为新赛道 摘要：Mercury宣布融资2亿美元，估值达到52亿美元。公司表示希望吸引AI原生创业者和企业成为银行客户。随着AI创业公司融资规模扩大，财务、支付、现金管理和合规需求同步增长。AI浪潮不仅带动算力公司，也带动“服务AI公司的金融基础设施”。投研提示：服务AI创业公司的银行、税务、法务、财务和合规SaaS可能形成二阶机会。关注点：AI客户占比、存款规模、风险控制。来源：  三、AI与图计算 1. Hassabis在Google I/O主打AGI叙事，DeepMind转入进攻姿态 摘要：Google DeepMind负责人Demis Hassabis在I/O大会上强调AGI的重要性。Google发布Gemini 3.5、科学研究工具、编码助手和智能眼镜等产品。Search AI Mode月活已达到十亿级别，缓解外界对AI侵蚀搜索广告的担忧。Google正在用“模型+搜索+科研+设备”体系化回应OpenAI竞争。投研提示：Google的优势不是单点模型，而是搜索流量、云、Android、YouTube和DeepMind研究的一体化。关注点：AI Mode广告加载率、Gemini 3.5成本、DeepMind科研产品化。来源：  2. Nature发表AI“科学家”系统，Multi-Agent科研进入标志性阶段 摘要：Nature介绍了Google DeepMind的Co-Scientist和FutureHouse的Robin两套AI科研助手。两者都采用多智能体架构，覆盖假设生成、实验设计、数据解释和假设修正。系统已在生物医学和实验生物学中展示潜在应用。论文强调这些系统用于辅助科学家，而不是取代科学家。投研提示：多智能体科研工具可能成为生物医药、材料和化学研发的新型生产力软件。关注点：实验验证率、数据库连接、实验室自动化接口。来源：  3. 图神经网络用于癌症免疫治疗靶点识别，AI药研继续深化 摘要：Nature Machine Intelligence近期文章介绍了用于癌症免疫治疗靶点识别的多模态图神经网络。该方法区分已获批和潜在靶点，并在患者来源肿瘤外植体平台中进行验证。图神经网络适合处理药物、靶点、通路和患者样本之间的复杂关系。AI药研正在从分子生成走向证据图谱和实验验证结合。投研提示：药研AI的护城河将来自高质量实验数据、知识图谱和湿实验闭环。关注点：临床相关验证、外植体数据规模、药企合作。来源：  4. 医疗黑箱AI可解释性研究升温，监管友好型模型更具价值 摘要：Nature机器学习专题关注将黑箱医疗AI转化为可解释全局决策逻辑的研究。相关框架通过低维流形探索模型隐藏决策规则。该方法有助于发现人类可理解的医学知识，并提升AI模型对齐。医疗AI商业化越来越依赖可解释、可审计和可验证能力。投研提示：医疗AI公司若缺少可解释性和临床验证，将很难穿越监管与医院采购周期。关注点：FDA/EMA审评、临床可解释报告、真实世界数据。来源：  四、最新研究与深度方法 1. Co-Scientist提出白血病联合疗法，AI科研仍需临床验证 摘要：Google DeepMind Co-Scientist基于Gemini 2.0构建，用于通用科学发现。系统在初步验证中提出急性髓系白血病的新候选药物和联合疗法。部分建议在细胞系实验中显示潜在益处。作者强调治疗有效性仍需严格的临床前和临床验证。投研提示：AI科研工具短期价值在“缩短候选发现时间”，不是直接跳过药物研发流程。关注点：命中率、实验复现、临床转化路径。来源：  2. Robin系统辅助眼科药物发现，实验生物学Agent走向专科化 摘要：FutureHouse的Robin系统用于实验生物学发现。研究团队将其应用于干性年龄相关性黄斑变性的药物发现。Robin提出此前未用于该病的候选干预方向，并建议后续机制研究。该路线显示AI Agent可能先在特定疾病和实验流程中形成产品化突破。投研提示：垂直科研Agent比通用科研Agent更容易建立数据闭环和客户付费场景。关注点：眼科药企合作、实验自动化、候选药物专利。来源：  3. Geneformer扩展至上亿单细胞转录组，生物基础模型继续放大 摘要：Nature机器学习专题提到Geneformer模型使用超过1亿个人类单细胞转录组进行扩展预训练。更大数据多样性和模型规模提升了网络生物学下游预测能力。研究还通过量化减少GPU计算需求，并保留生物知识。生物基础模型正在同时追求规模化和可部署性。投研提示：生物AI的竞争不只是模型参数，而是数据质量、细胞图谱覆盖和推理成本。关注点：单细胞数据库、模型量化、药企API接入。来源：  4. ApexGO优化肽抗生素，生成式AI进入抗耐药场景 摘要：Nature Machine Intelligence介绍ApexGO，一种用于优化肽抗生素的生成式AI方法。研究称其可重新设计肽类抗生素以更好杀灭耐药细菌。候选物在实验室测试和小鼠感染模型中得到验证。抗生素发现可能成为生成式AI药研的重要落地场景。投研提示：抗耐药药物研发商业回报复杂，但政策激励和公共卫生需求会提高赛道战略价值。关注点：动物实验结果、毒性、安全窗口和后续融资。来源：  五、云算力与软件 1. Alibaba发布Zhenwu M890与Qwen 3.7-Max，国产AI全栈提速 摘要：Alibaba发布新AI芯片Zhenwu M890，并推出Qwen 3.7-Max模型。Reuters称该芯片由平头哥开发，面向高负载AI Agent工作流。Alibaba还推出高密度服务器系统Panjiu AL128。中国云厂商正在加速从模型到芯片再到服务器机柜的全栈闭环。投研提示：国产AI基础设施机会不在单点芯片，而在云、模型、开发框架和行业客户绑定。关注点：M890量产、Qwen企业采用、美国出口限制变化。来源：  2. Microsoft发布全球AI扩散报告，AI使用率继续上升 摘要：Microsoft最新全球AI扩散报告显示，2026年一季度全球AI采用率继续提高。全球工作年龄人口AI使用率从16.3%升至17.8%。已有26个经济体超过30%的工作年龄人口使用AI。AI扩散从少数科技公司内部工具变成更广泛的生产率基础设施。投研提示：AI应用层增长应关注真实使用频率，而非单纯下载量或模型调用量。关注点：企业渗透率、Copilot付费率、地区扩散差异。来源：  3. OpenAI GPT-5.5强调科研与编码能力，API生态继续升级 摘要：OpenAI在4月发布GPT-5.5，称其为更强的复杂任务模型。官方资料强调其在编码、研究、数据分析和科学推理方面的能力。模型在GeneBench和BixBench等生物信息学与科学数据分析评测中表现突出。大模型竞争正在从聊天体验转向复杂工作流和专业任务执行。投研提示：模型升级的商业价值取决于能否转化为更高ARPU和更低单位推理成本。关注点：API价格、企业迁移、科学工作流场景。来源：  4. GPU云客户从AI公司扩展到量化交易，算力即服务场景外延扩大 摘要：Lambda与Hudson River Trading交易说明GPU云的客户边界正在拓宽。金融机构需要GPU支持模型训练、推理、数据处理和策略研究。Blackwell系统成为高端企业云采购的重要卖点。云算力正在从“AI训练资源”升级为“行业高性能计算平台”。投研提示：未来GPU云竞争会看库存、网络、软件栈、行业解决方案和客户信用质量。关注点：租赁价格、利用率、金融客户占比。来源：  六、半导体与硬件 1. Nvidia一季报再超预期，数据中心收入达752亿美元 摘要：Nvidia公布2027财年一季度业绩，收入达816亿美元，同比增85%。数据中心收入达752亿美元，同比增92%。公司宣布新增800亿美元回购，并将季度股息从0.01美元提高到0.25美元。AI芯片需求仍然强劲，但市场也开始审视高基数后的增长持续性。投研提示：Nvidia仍是AI资本开支最直接映射，但估值弹性取决于未来几个季度指引。关注点：Blackwell出货、毛利率、中国收入限制。来源：  2. Nvidia面临云巨头自研芯片压力，推理市场成为下一战场 摘要：Reuters称Alphabet、Amazon和Microsoft等客户正在加大自研AI芯片投入。AMD和Intel也在瞄准规模更大的AI推理市场。Nvidia正在通过CPU、系统级方案和新合作回应竞争。AI硬件竞争正从训练GPU延伸到推理、网络、内存和整机系统。投研提示：AI硬件链条要区分训练红利、推理红利和系统集成红利。关注点：云厂商ASIC、AMD推理芯片、Nvidia系统绑定策略。来源：  3. Alibaba新AI芯片加速国产替代，中美芯片限制倒逼全栈自研 摘要：Alibaba推出Zhenwu M890，称性能较上一代大幅提升。新品面向需要大内存和实时协调能力的AI Agent负载。美国出口限制强化了中国企业发展国产AI算力的紧迫性。国内云厂商正在把芯片、模型、服务器和行业解决方案捆绑成竞争单元。投研提示：国产AI芯片机会的关键是软件生态和真实客户负载，而非发布会参数。关注点：客户名单、实际吞吐、与Nvidia生态兼容性。来源：  4. TSMC先进制程优势仍强，但地缘与新对手压力上升 摘要：Reuters Breakingviews称TSMC在先进AI处理器制造中仍具统治力。分析也指出其最先进研发和制造仍高度集中于台湾。日本等国家正通过大额投入追赶本土先进制造能力。TSMC的强势地位正在同时带来高盈利和高地缘风险暴露。投研提示：半导体投资不能只看AI需求，还要看产能地理分布与政策补贴竞争。关注点：CoWoS产能、台湾风险、日本Rapidus进展。来源：

近日，英矽智能与Google Cloud联手，将Gemini大模型接入其PandaClaw工具。这不再是实验室里的算法游戏，而是AI制药工业化的号角。当全球AI制药市场以19.2%的年复合增速冲向2030年的90亿美元时，人类与疾病的赛跑，正在被算法重新定义。01 算力入局：Google Cloud + PandaClaw = 靶点发现“超频” 英矽智能此次合作的核心，是将Google Cloud的Gemini Enterprise Agent Platform与其自研的Pharma.AI平台深度整合。这标志着AI制药从“单点工具”向“全流程智能体”的质变。组学+文本：双引擎挖掘“隐藏关联”传统靶点发现依赖科学家“阅读”海量文献，耗时且易遗漏。PandaClaw与Gemini的结合，构建了一套“组学+文本”的双引擎系统： 数据挖掘：Gemini凭借强大的自然语言理解能力，自动挖掘全球科学文献、专利中的非结构化数据。 逻辑推理：系统能发现跨学科、异构数据集中不明显的生物学关联，将决策效率提升10倍以上，极大减少了早期试错成本。智能体接管：从“发现”到“临床”的全栈自动化此次合作远不止于靶点发现。英矽智能正在构建一套基于Gemini的内部AI智能体（AI Agents），旨在接管药物开发的全流程： 临床智能：自动分析复杂临床数据集，实时监测不良事件，将数据转化为可视化图表。 法规运营：自动生成和审阅申报资料，监控全球监管政策变化，大幅降低合规的人工负担。 行业意义：这不仅是技术升级，更是研发范式的跃迁。AI不再仅仅是辅助工具，而是成为药物研发的“核心决策层”。02 效率革命：4.5年如何被压缩至18个月？AI制药最震撼的价值——时间就是生命，效率就是金钱。传统流程的“痛点” 传统药物发现是一个“烧钱”的黑洞： 周期：从靶点发现到临床前候选物（PCC）提名，平均需要4.5年。 成本：通常需要合成并测试数千甚至数万个分子，失败率极高。AI带来的“降维打击” 英矽智能在2021至2024年间，利用AI平台提名了20个临床前候选项目，数据对比令人咋舌： 数据洞察：AI通过生成式化学（Generative Chemistry）在虚拟空间中“凭空设计”出最有可能成功的分子，将物理世界的试错成本降至最低。这种效率优势，正是资本和市场为之疯狂的根本原因。03 资本版图：从“讲故事”到“IPO验证”AI制药不再是科幻概念，而是已经通过资本市场严格检验的硬核赛道。英矽智能的“成人礼” 2025年12月30日，英矽智能（03696.HK）在港交所主板挂牌上市，这是行业里程碑事件： IPO规模：募资总额达22.77亿港元，是2025年港股生物医药板块最大的IPO之一。 资本认可：基石投资者名单中出现了礼来（Lilly）、腾讯、淡马锡等全球顶级药企和科技巨头的名字。这传递出一个强烈信号：传统药企不再视AI为威胁，而是争相投资甚至并购的“战略武器”。全球巨头的“军备竞赛” 礼来（Eli Lilly）：不仅投资AI药企，更在内部建立庞大的AI团队，利用AI加速其代谢病和神经科学管线的研发。 赛诺菲（Sanofi）：与AI公司合作，目标在2030年前将AI设计的药物推向市场。 晶泰科技（XtalPi）：另一家中国AI制药独角兽，通过“AI+机器人”自动化实验室，在美股和港股双重上市，估值超百亿美元。 趋势解读：AI制药企业的价值，正从“技术平台估值”转向“管线资产+平台授权”的双重估值模型。谁能先推出AI设计的上市药物，谁就将掌握下一个十年的行业话语权。04 大国博弈：中美在“虚拟分子”上的竞速AI制药不仅是医学问题，更是国家生物医药战略的制高点。美国的先发优势 美国在基础算法模型（如AlphaFold、GPT系列）和算力基础设施（Google、Microsoft）上拥有绝对统治力。DeepMind（Google旗下）的AlphaFold 3已经能精准预测蛋白质与DNA、小分子的相互作用，这是药物设计的核心基础。中国的应用突围 中国正在走一条“应用驱动”的差异化路线： 数据优势：中国拥有庞大的患者群体和丰富的临床数据，为AI模型训练提供了独特土壤。 工程化能力：英矽智能、晶泰科技等企业，在AI+自动化实验的工程化落地方面全球领先。我们擅长将算法转化为可运行的实验流程。 政策支持：中国将AI制药列为“十四五”生物经济重点发展方向，上海、北京等地建立了专门的AI制药产业园。 战略视角：未来的格局很可能是“美国主导算法层，中国主导应用层”。但核心算法的差距，依然是中国AI制药需要长期攻克的“卡脖子”难题。05 未来挑战：算法能替代“科学直觉”吗？尽管前景光明，但AI制药依然面临三大“拦路虎”： 数据质量：Garbage in, garbage out（垃圾进，垃圾出）。高质量、标准化的生物学数据依然是稀缺资源。 临床转化率：AI设计的分子在计算机里表现完美，但进入人体后可能因复杂的生物环境而失效。临床成功率是最终的试金石。 人才缺口：既懂AI又懂生物学的交叉复合型人才极度稀缺，这是制约行业爆发的最大瓶颈。结语 英矽智能与Google Cloud的合作，是AI制药从“少年期”走向“壮年期”的缩影。它告诉我们，未来的药物研发，将不再是穿着白大褂的科学家在实验室里孤独地试错，而是算法、算力、自动化机器人与人类智慧的高度协同。 当AI能够以十分之一的时间、百分之一的成本设计出新药时，我们迎来的不仅是一个产业的效率革命，更是全人类对抗疾病、延长健康寿命的新纪元。代码，正在成为这个时代最伟大的药物。 免责声明： 1、文中提到的任何信息，包括但不限于行业政策、新闻、上市公司相关信息等均来自公告或公开渠道；图片均为AI生成或网络公开图片； 2、文中所有相关分析仅供读者参考，不构成任何形式的诊断治疗建议、投资建议或者商业决策建议； 3、若根据本文信息或分析进行任何形式的决策，包括但不限于诊断治疗决策、投资决策或商业决策等，请风险自担。 特此声明！ THE END 如果喜欢我们的文章，欢迎点赞、关注和转发，有分享前沿生命健康资讯、独家行业报告观点和生命科学硬科幻小说机会。