Terray Corp.

1. 背景事件分析 Odyssey Therapeutics 本次IPO本质上是一次“临床概念验证后融资窗口”的资本化动作。公司拟发行13,240,000股普通股，发行价区间为16—18美元，并申请以“ODTX”登陆Nasdaq Capital Market；同时，现有股东关联方TPG Orazio II拟以同等发行价参与约2500万美元同步私募。其核心催化剂在于OD-001已在溃疡性结肠炎2a期研究中取得概念验证，并计划在2026年下半年推进联合维得利珠单抗2a试验及单药2b试验。此次上市募集资金主要服务于OD-001、OD-002及早期管线推进，反映出公司正从“平台型早研公司”向“临床资产驱动型公司”切换。 2. 创始人分析 创始人兼CEO Gary D. Glick, Ph.D. 是典型的连续创业型“drug hunter”。在创办Odyssey前，他曾创立Scorpion Therapeutics，并推动多个早期项目，其中Scorpion于2025年被礼来以最高25亿美元现金收购；更早前，他创立IFM Therapeutics，围绕NLRP3炎症小体和STING方向完成三项项目出售，已实现收益7.5亿美元，潜在里程碑总额可超过47亿美元。其履历显示出三类能力：第一，能够识别免疫炎症领域尚未充分药物化的关键节点；第二，擅长以项目资产交易释放资本价值；第三，具备将科学假说转化为可融资、可合作、可退出资产的商业执行力。招股书未披露其家庭背景，因此不作延伸判断。 3. 公司概况分析 Odyssey成立于2021年4月，注册地为特拉华州，总部位于波士顿，是一家临床阶段自身免疫与炎症疾病生物制药公司。公司治理结构具有明显的“顶级药企+风险资本+科学创业者”特征：Gary Glick担任创始人、总裁兼CEO，Vertex前CEO Jeffrey Leiden担任董事会主席，董事会成员具有Abbott、Horizon、Vertex等公司相关经验。公司自成立以来已从30余名投资者处累计融资约7.265亿美元，说明其早期即获得强资本背书。股权层面，IPO前存在可转换优先股、普通股认股权证及非投票普通股等结构，上市前将转换为普通股；IPO及同步私募后预计普通股流通基础扩大。整体看，Odyssey不是单一资产公司，而是围绕免疫关键节点构建小分子、V-body蛋白疗法和AI/ML发现平台的综合型免疫药物公司。 4. 行业概况分析 Odyssey所处赛道是自身免疫与炎症疾病药物市场，核心覆盖IBD、SLE、CLE、干扰素病、哮喘、COPD等大适应症。行业市场需求强劲，原因在于现有疗法虽已覆盖TNF、整合素、IL-23、JAK等机制，但仍存在疗效天花板、失应答、长期安全性和联合用药限制。以IBD为例，招股书指出美国患者约200万至300万人，且现有十余种疗法的安慰剂校正缓解率不超过约25%，约45%初始应答患者5年内失去应答。竞争格局高度拥挤，大药企和创新药公司均在布局细胞因子、免疫检查点、B细胞、先天免疫通路。Odyssey的商业模式是以机制创新和临床验证为核心：通过自研发现平台产生候选药物，部分资产自主推进，部分可通过合作、授权或并购释放价值。 5. 主营业务分析 公司主营业务是发现、开发并未来商业化针对自身免疫和炎症疾病的创新药物。核心资产OD-001为口服小分子RIPK2 scaffolding inhibitor，用于溃疡性结肠炎，已完成健康受试者1期研究并进入2a期，在49例完成12周治疗且可评价患者中观察到多个疾病相关终点获益；53例入组患者中未见严重不良事件或因不良事件停药。OD-001的优势在于靶向先天免疫上游节点，理论上可同时影响TNF、TL1A、IL-23等多个下游炎症通路，而非单一阻断某个细胞因子。第二核心资产OD-002为口服SLC15A4抑制剂，处于IND-enabling阶段，拟用于SLE、CLE及其他干扰素通路或B细胞介导疾病。早期管线包括OD-003 TNFR2激动型V-body、OD-004 TSLP/IL-33双特异性拮抗剂、IRAK4 scaffolding inhibitor及与Terray合作的IRF5抑制剂。公司尚无获批产品，尚无医保准入或商业销售收入；客户群体目前并非终端患者，而是临床研究中心、监管机构、潜在合作方和资本市场投资人。 6. 财务报告分析 Odyssey仍处于典型研发型Biotech财务阶段：高研发投入、无产品销售收入、持续亏损、依赖外部融资。2025年公司协作收入为297.6万美元，低于2024年的447.2万美元，说明当前收入并非主营商业化收入，而主要来自合作安排。2025年研发费用为1.266亿美元，较2024年的1.126亿美元继续上升；管理费用为3751.6万美元，较2024年的2711.6万美元增加，反映临床推进、上市准备和组织扩张带来的成本上行。2025年净亏损1.486亿美元，2024年净亏损1.293亿美元，累计亏损截至2025年底达5.681亿美元。资产端，公司2025年底现金、现金等价物及有价证券为2.166亿美元，2026年3月底初步余额约1.757亿美元；IPO及同步私募完成后，预计现金及有价证券可增至约4.450亿美元。营运资本从实际1.642亿美元提升至备考调整后约3.927亿美元，短期流动性改善明显，但其资金消耗速度高，招股书预计现有资金加募资可支持运营至2028年下半年，后续仍可能再融资。 7. 风险因素分析 法律风险主要来自知识产权、监管审批和上市公司合规。公司依赖专利、商业秘密和许可安排保护候选药物，若专利范围不足、被挑战或绕开，将削弱商业化壁垒。经营风险集中于临床开发不确定性：OD-001虽有2a概念验证，但尚未完成大规模、随机、关键性临床试验；OD-002及其他项目仍处早期，失败概率高。合规风险包括临床试验GCP、药品生产GMP、第三方CRO/CMO管理、患者安全报告、数据完整性及上市后SEC信息披露。招股书还提示公司近期曾修复财务报告内部控制重大缺陷，若未来再次出现内控问题，可能影响财报可信度、投资者信心甚至上市地位。财务风险则更直接：公司无获批产品、无产品销售收入、持续亏损且未来费用将继续上升；即使IPO成功，仍需大量后续资本支持临床、注册和商业化。若资本市场转冷或临床数据不及预期，公司可能被迫推迟、缩减或终止部分项目。 8. 公司前景分析 Odyssey的前景取决于“先天免疫上游调控”能否在临床上突破传统细胞因子靶向疗法的疗效天花板。短期看，OD-001是公司估值核心：2026年下半年计划启动维得利珠单抗联合2a试验和单药2b试验，2027年下半年预计读出诱导治疗结果，这将决定公司从概念验证走向关键临床的可信度。中期看，OD-002若顺利进入1/2a临床，将把公司从IBD单一主线扩展至SLE、CLE及干扰素相关疾病。长期看，TNFR2、TSLP/IL-33、IRAK4、IRF5等管线形成多靶点组合，有助于提升平台价值。核心挑战在于：先天免疫通路调控既要足够有效，又要避免感染、免疫抑制和系统性安全性问题。若OD-001随机对照数据扎实，公司具备成为免疫炎症领域高价值并购标的的潜力。 9. 职业前景分析 从职业角度看，Odyssey代表了未来免疫炎症药物研发的高成长方向：免疫生物学、转化医学、小分子药化、结构生物学、计算化学、AI/ML药物发现、临床开发和注册策略均是其核心能力模块。市场需求方面，自免和炎症疾病仍是全球药企长期投入赛道，尤其需要能够理解机制、临床终点、患者分层和生物标志物的人才。稳定性方面，早期Biotech不如成熟药企稳定，岗位受融资周期、临床数据和管线优先级影响较大。薪酬潜力通常较高，尤其是临床开发、转化医学、计算药物发现、CMC和BD岗位，并可能包含股权激励。技能要求包括：免疫学机制判断、临床试验设计、适应症策略、竞争格局分析、FDA/EMA路径理解、数据解读和跨学科沟通。对医学生、药学或投研背景人才而言，该类公司适合向转化医学、临床开发、医学事务、战略和生物医药投资研究方向切入。

这两年，AI制药最热的时候，行业几乎都在讨论模型。 谁的蛋白结构预测更强，谁的分子生成更快，谁的 foundation model 更大，谁就更像下一代药企。 但如果把时间拉长一点看，会发现一个更本质的变化正在发生： 药企的核心竞争，正在从“有没有AI模型”，转向“有没有 biology-native data infrastructure（生物原生数据基础设施）”。 这不是一个技术口号，而是研发范式的改变。 2026年4月，Bessemer Venture Partners 发布了一篇很有代表性的文章《Building biology-native data infrastructure for the AI era》。文中提出一个核心判断：随着算力成本持续下降、模型能力逐步成熟，真正决定下一代领先药企的，不再只是模型本身，而是覆盖整个研发过程的数据基础设施栈。 BVP把这套能力总结为三条原则： 构建可扩展的、多模态的、生物问题驱动的数据集 将 agentic AI 嵌入整个研发工作流 用实验室自动化建立快速闭环的实验反馈系统 这三条原则，实际上正好解释了今天药企做AI最核心的现实困境： 不是模型不够强，而是数据不够“生物原生”；不是工具不够多，而是流程没有打通；不是自动化设备不够先进，而是实验结果回不到模型里。 如果换句话说，药企AI真正卡住的，从来不是“算法入口”，而是“数据底座”。一、为什么药企AI的核心前提始终是数据，而且必须是“生物原生数据” 很多行业都讲“数据很重要”，但药企的数据问题，和互联网行业的数据问题根本不是一回事。 互联网的难点主要是规模；药企的难点则是：复杂性、异构性、上下文依赖、低频高价值标签、强监管要求同时存在。 药企研发里最关键的数据难题包括： 数据高度异构，化学、组学、病理、影像、毒理、药代、动物、临床彼此割裂 实验上下文极强，同一个 readout，换 assay、细胞系、剂量、时间点，含义就可能完全不同 高价值标签稀缺，尤其是安全性、转化性、患者响应这类真正决定成败的标签 失败数据、负数据和过程数据大量沉没，模型往往只看见“被整理过的成功样本” 合规、审计、可解释、可追溯要求高，决定了AI不能只追求“有效”，还必须“可信” BVP 文中有一句判断非常到位：药物开发真正的限制因素，从来不是缺少假设，而是缺少高效评估这些假设的资源。 这句话非常值得药企管理层反复琢磨。 今天药企并不缺靶点清单，也不缺分子设计方案，更不缺 AI demo。真正缺的是： 能不能用更高质量的数据判断一个靶点是否真的可转化 能不能知道一个分子除了“会不会结合”，是否还具备 developability、免疫原性、安全性、溶解性、聚集倾向等关键属性 能不能提前识别哪类患者真正会响应 能不能让模型从湿实验结果中快速回学，而不是只停留在静态预测 这也是为什么，药企真正需要的不是“更多数据”，而是更贴近真实生物过程、保留足够上下文、能被机器持续学习的 biology-native data。二、BVP提供了一个非常有价值的框架：药企AI基础设施的三层版图 BVP 在文章中把这个市场归纳为三层： Biology-native data at scale Agentic AI across R&D workflows Closed loop lab automation 这个框架之所以重要，是因为它把 AI 制药从“模型视角”重新拉回到“系统视角”。 如果翻译成更容易管理和落地的语言，可以理解为： 第一层解决“高价值数据从哪里来” 第二层解决“知识与决策如何流动” 第三层解决“实验如何被执行、记录、回传并形成学习闭环” 这三层不是三块孤立市场，而是构成了未来药企AI底座的完整栈。第一层：Biology-native Data Collection真正决定AI上限的，不是模型，而是你能否生产“高价值生物数据” 第一层最容易被低估，因为很多人默认 AI 制药公司的核心资产是模型。 但如果认真看，会发现第一层很多最重要的公司，本质上首先是新型数据生产公司。 它们在做的不是单纯“用AI分析已有数据”，而是主动创造过去行业里几乎不存在、或者质量远远不够的数据。 这一层可以分成几类来看。1. 患者级、多模态、与结局相联的真实世界数据平台 代表公司包括 Owkin、Pathos、Noetik、Artera、QuantHealth、Unlearn。 它们解决的是药企长期存在但一直没有真正解决的问题：病理、组学、影像、治疗、结局数据长期分散在不同系统里，导致模型很难学习“哪种患者会对哪种机制真正响应”。 BVP 在文中强调，患者层 omics 数据与治疗结局之间依旧高度 siloed，这使得预测 trial response 的模型训练极其困难。 这类公司搭建数据底座，通常有三个共同动作： 把病理、组学、影像、临床和纵向结局做 patient-level 对齐 把不同模态数据放进统一表示层，而不是平行堆表 让这些数据同时可服务研究、biomarker、patient stratification 和 clinical trial design 例如： Owkin长期围绕多中心患者数据构建能力，公开资料提到相关数据来自 800 多家医院，并用来训练病理和生物智能系统 Pathos把肿瘤多模态数据和纵向治疗结局打通，公开强调其超大规模数据优势 Noetik在人类肿瘤组织上做空间多模态数据采集，将 H&E、空间蛋白、空间转录组和 DNA 测序对齐到同一组织架构 QuantHealth和 Unlearn则进一步把患者旅程、药物机制、试验数据和知识图谱统一起来，用于 trial simulation 和 digital twin 这类公司的启发很明确： 药企真正值得建设的数据层，不是“更多报表”，而是 patient-outcome linked data layer。2. 高通量、高内容、高转化性的湿实验数据生产平台 代表公司包括 insitro、Xaira、Vivodyne、BigHat Biosciences、Manifold Bio、Terray等。 这类公司最值得学习的一点，是它们并不等待历史数据自然积累，而是围绕模型真正需要的数据，反向设计实验系统。 例如： insitro把高内容 human cell data generation 和 machine learning 紧密绑定 Xaira明确提出“advanced AI research + expansive data generation + therapeutic product development”三位一体 BigHat把抗体高速表征 wet lab 与机器学习连成闭环 Manifold Bio用大规模 in vivo screening 直接生成 PK 和组织分布等关键数据 Vivodyne则通过人源器官组织和机器人平台，生成 3D phenomics、single-cell transcriptomics、proteomics 等高维 human data BVP 的判断非常值得药企借鉴：真正要解锁AI，不仅要生成新的多模态生物测量，还要构建具有规模、一致性和上下文化能力的数据集，使模型能跨生物场景泛化。 这意味着，药企如果只寄希望于把历史归档数据清洗一下，再接一个大模型，基本不可能形成真正的结构性优势。3. 新型测量范式，决定了未来生物数据会长成什么样 还有一类公司尤其值得关注，因为它们不只是提高 throughput，而是在重新定义“什么是可测量的生物信息”。 代表包括 Noetik、Vivodyne、Protai、Enveda、Peptone、Inductive Bio、Converge Bio、Seismic。 BVP 在文章里提到几个很典型的方向： Peptone：围绕 intrinsically disordered proteins 生成专有结构数据 Inductive Bio：构建大规模 ADMET 数据集 Converge Bio：为抗体设计和序列优化生成训练集 Seismic：并行优化多个 drug-like properties NOETIK：用肿瘤 multi-omics 和 longitudinal outcomes 构建高价值肿瘤数据底座 BVP 对这一层的核心洞察可以概括成一句话： 商业上最重要的预测，往往恰恰是数据基础设施最薄弱的预测。 例如，行业已经有大量结构和序列数据，但决定药物成败的很多关键属性，比如： developability immunogenicity off-target effects thermostability solubility aggregation propensity 长期都缺少足够大、足够好、足够标准化的公开数据。 这意味着，未来药企最大的差异化，很可能不在“能不能做模型”，而在“能不能生产别人没有的数据”。第二层：Workflow Automation真正要自动化的，不只是流程，而是科学知识本身 如果说第一层解决的是“高价值数据从哪里来”，那么第二层解决的是： 这些数据怎样真正进入研发主流程，并转化成可复用、可追溯、可自动化的决策过程。 这一层的代表公司包括 K-Dense、Edison Scientific、Phylo、Potato、Convoke、DaltonTx等。 BVP 在这一部分的核心观点非常值得重视： 随着计算成本持续下降，未来最有优势的公司，不是绑定某一套固定工具栈的公司，而是能快速测试、接入、编排最新AI工具的公司。 这意味着，药企未来不应把 AI 看成单点工具，而应把它看成研发流程中的 AI operating system。1. 药企研发的大量时间，消耗在“非实验工作”上 今天很多研发团队看上去在做科学，实际上大量时间耗在： 文献筛选 数据整理 多系统切换 假设比对 分析复盘 报告撰写 内部交接 监管文档准备 这些工作长期处于“半数字化”状态： 有文件，但不可检索 有记录，但不可推理 有流程，但不可复用 有系统，但彼此不通 这就是第二层公司的机会。2. 它们真正搭建的是“上下文系统” 这类公司共同的特点，不是先建一个最强模型，而是先搭一个能承载科学上下文的工作空间。 例如： Convoke把内部文档、专有数据库、外部研究信息统一进 workspace，再在其上跑 agents，输出有来源追溯的 regulatory/document/work product Phylo的 Integrated Biology Environment更像面向科学家的 IDE，让文献、数据集、分析和实验设计在同一环境中流转 Potato把 paper、dataset 和实验目标转成可执行 workflow，最后输出可复现报告 DaltonTx则把 data ingestion、model training、molecule generation 和 experiment prioritisation 串起来 BVP 对这一层有一个很强的判断：未来会越来越标准化的，不是某个点工具，而是一个跨整个 drug development process 的 AI operating system。 对药企来说，这意味着： 不要把 agent 当作聊天机器人，而要把它当作“研发流程编排层”。第三层：Lab Automation真正先进的实验室，不是机器人更多，而是闭环更快 第三层是最接近药企现实落地的一层，也是最容易被误解的一层。 很多人一提实验室自动化，想到的是买更多自动化设备。但 BVP 在文章里指出，问题从来不是“实验室里没有机器人”，而是： 模型输出到实验验证，再到结果回学，这个周期依旧太长。 代表公司包括 Benchling、TetraScience、Ganymede、Automata、UniteLabs、Scispot、Apprentice、Trilobio、Medra、LILA、Dash Bio等。1. 传统实验室自动化为什么没有真正解决问题 今天很多实验室早就配备了液体工作站、成像系统、自动合成平台。但这些设备往往只是提高了单点 throughput，并没有真正缩短端到端周期。 常见问题包括： 仪器之间不互通 数据回传靠人工 结果处理依赖人工判断 脚本改动依赖专门工程师 元数据缺失 回写不标准 无法形成 closed-loop learning 所以第三层真正要解决的，不是“设备自动化”，而是“实验系统数据化”。2. 这一层公司怎么搭数据底座 这些公司的路线虽然不同，但共同收敛到一条链路： 设备连接 -> 原始数据抓取 -> 元数据补全 -> 云端统一层 -> 工作流编排 -> 分析 -> 回写 ELN/LIMS/MES 其中： Benchling更偏研发对象模型层，把样本、试剂、实验、结果与上下文结构化连接 TetraScience更像 scientific data cloud，把原始科学数据工程化成 AI-native data Ganymede强调 single cloud data layer、Lab-as-Code 和可追溯性 Automata、UniteLabs更偏 orchestration-first / code-first automation OS Scispot走 LabOS 路线，把实验设计、执行、库存、样本、系统集成为统一操作系统 Apprentice则代表 GxP、制造和质控环境中的数据执行一体化 BVP 在这一层有一句很值得引用的判断： 一个模型如果能在竞争对手完成一轮 design-test-analyze 时完成五轮闭环，它对生物系统的理解就会以复利方式加速。 这几乎就是实验自动化真正的战略价值。三层合起来看，药企AI真正竞争的已不是“模型能力”，而是“闭环能力” 把三层放在一起看，会发现一条非常清楚的逻辑： 第一层在制造高价值 biology-native data 第二层在压缩知识流动和决策流动成本 第三层在压缩实验执行和结果回传成本 这三层共同构成的，不是一堆IT系统，而是一种全新的研发生产方式。 这也是为什么 BVP 在文末会得出一个很强的判断：未来生命科学将运行在AI之上。 但这句话真正的含义，不是“以后大家都用大模型”，而是： 生物数据的采集将越来越为机器学习而设计 研发流程将越来越被 agent 编排 实验室将越来越成为 closed-loop learning system 的一部分 数据、软件和物理实验将不再是三套体系，而会收敛成一套系统结语：未来领先药企的核心能力，不是“会用AI”，而是“会生产、组织和复利生物数据” AI 制药真正的竞争，正在从模型层下沉到底层基础设施层。 模型会越来越普及，算力会越来越便宜，工具会越来越开源。真正难以复制的，将是： 谁能持续生产高价值的 biology-native data 谁能让知识与决策在组织中高效流动 谁能让实验系统形成快速闭环学习 从这个意义上说，药企未来的核心能力，不只是数据治理能力，也不只是自动化能力，而是： 把生物数据持续生产出来、组织起来、连接起来、回学起来的能力。 过去，数据只是研发的副产品；未来，数据基础设施本身将成为研发能力的主体。 真正领先的药企，不是最早接入大模型的药企，而是最早把 biology-native data collection + workflow automation + lab automation编织成一个系统的药企。 参考来源 层级 公司/来源 主要对应主题 官网/文章链接 总体框架 Bessemer Venture Partners 三层框架总论：Biology-native data、Workflow Automation、Lab Automation https://www.bvp.com/atlas/building-biology-native-data-infrastructure-for-the-ai-era 第一层：Biology-native Data Collection Owkin 多中心多模态患者数据、病理与生物智能 https://www.owkin.com/ 第一层：Biology-native Data Collection Pathos 肿瘤多模态数据与纵向结局联结 https://www.pathos.com/ 第一层：Biology-native Data Collection Noetik 肿瘤空间多模态数据、人类肿瘤基础模型 https://www.noetik.ai/ 第一层：Biology-native Data Collection Vivodyne 人源器官模型、高通量 human data 生成 https://www.vivodyne.com/ 第一层：Biology-native Data Collection insitro 高内容细胞数据生成与机器学习闭环 https://www.insitro.com/ 第一层：Biology-native Data Collection Xaira 多尺度数据生成平台，连接分子到人体 https://www.xaira.com/ 第一层：Biology-native Data Collection Cradle 蛋白工程数据飞轮、实验结果持续回学 https://www.cradle.bio/ 第一层：Biology-native Data Collection BigHat Biosciences 抗体高通量表征与ML驱动设计 https://www.bighatbio.com/ 第一层：Biology-native Data Collection QuantHealth 患者旅程、药物机制、试验模拟数据层 https://quanthealth.ai/ 第一层：Biology-native Data Collection Unlearn 纵向临床数据 harmonization、digital twin https://www.unlearn.ai/ 第二层：Workflow Automation 暂以 BVP 总文为主 Agentic AI across R&D workflows 的总体方法论 https://www.bvp.com/atlas/building-biology-native-data-infrastructure-for-the-ai-era 第三层：Lab Automation Benchling ELN/LIMS/样本与实验对象模型 https://www.benchling.com/ 第三层：Lab Automation TetraScience Scientific data cloud、AI-native scientific data https://www.tetrascience.com/ 第三层：Lab Automation Ganymede Lab-as-Code、单一云数据层、可追溯实验数据 https://www.ganymede.bio/ 第三层：Lab Automation Automata 实验室编排、模块化自动化工作流 https://www.automata.tech/ 第三层：Lab Automation UniteLabs code-first automation OS、设备连接与执行层 https://unitelabs.io/ 第三层：Lab Automation Scispot LabOS、实验设计执行与数据整合 https://www.scispot.com/ 第三层：Lab Automation Apprentice GxP/制造/质控场景的数据与执行一体化 https://www.apprentice.io/ 参考资料 https://www.bvp.com/atlas/building-biology-native-data-infrastructure-for-the-ai-era 进AI4Pharma交流群，请备注：姓名_研究方向_公司

引言：药品研发的AI时刻 2024年诺贝尔化学奖授予蛋白质设计与结构预测领域的突破性研究，标志着AI在生命科学领域的系统性颠覆已成定局。制药行业，这个曾以“十年十亿美元”为研发铁律的行业，正在迎来前所未有的范式跃迁。 传统药物发现面临着全行业性的效率困境：一个新药从靶点发现到上市平均耗时10至15年，耗资超过20亿美元，而临床阶段的失败率高达90%以上。这一沉疴背后的核心瓶颈在于，人类可探索的化学空间总量高达10⁶⁰量级，而传统高通量筛选所覆盖的范围不过百万级别，如同在银河中寻一沙砾。 AI的介入，正在从根本上改写这一局面。AI在药物发现领域的应用已渗透至靶点发现、分子生成、虚拟筛选、ADMET预测、合成路线规划和临床试验设计等全链条环节。截至2025年年中，已有数十个由AI设计的药物候选物进入临床试验阶段。Insilico Medicine的TNIK抑制剂ISM001-055在特发性肺纤维化IIa期试验中取得积极结果，Nimbus Therapeutics原创的TYK2抑制剂Zasocitinib（TAK-279）已进入III期临床试验。AI在药物发现中的作用正在经历从“辅助工具”向“核心引擎”的深刻转变。 本文将聚焦AI for Pharma视角下的核心命题——药品设计工具平台，从全球与国内两个维度展开全景扫描，并深入探讨一个根本性问题：未来的药品发现是否将完全由AI主导？我们能否实现“所想即所得”的药物自动生成？一、全球AI药品设计工具平台概览 AI药物发现平台的演进已形成清晰的代际脉络。早期的“第一代”AI制药公司（如Exscientia、BenevolentAI）以生成式AI为引擎，推动药物候选物进入临床；近年涌现的“第二代”平台则走向更深度的技术融合——NVIDIA与礼来共建AI联合创新实验室标志着“算力即研发力”时代的到来，而Insilico Medicine从生成式化学到临床管线全面验证的“飞轮效应”，则展示了AI制药平台从技术概念到商业闭环的完整进化路径。1.1 国际五大AI制药平台：技术与管线的头部阵列 《Pharmacological Reviews》在2025年底发表的系统性综述中，重点考察了五家已将创新候选药物推进至临床阶段的领先AI驱动药物发现公司：Exscientia、Insilico Medicine、Recursion、BenevolentAI和Schrödinger，涵盖了生成化学、表型筛选、基于物理的分子模拟和基于知识图谱的靶点发现等多种AI技术路径。Exscientia：生成式化学的开创者与整合之路 Exscientia成立于2012年，总部位于英国牛津，是最早将生成式AI应用于小分子药物设计的“先行者”。其端到端平台将算法驱动的创造力与人类专家知识相结合，被称为“人机协同”方法。2020年，其与住友制药合作开发的DSP-1181成为全球首个进入I期临床试验的AI设计药物。截至2023年，Exscientia已自主或与合作伙伴共同设计了8个进入临床的化合物，开发速度显著快于行业标准。 然而，该公司在2023年末宣布进行战略性管线优先级调整。2024年8月，Exscientia被Recursion Pharmaceuticals以6.88亿美元收购，双方旨在打造一个“AI药物发现超级平台”，将Exscientia在生成化学和设计自动化方面的优势与Recursion在表型组学和生物数据资源方面的积累相结合。这一整合代表了AI制药行业从“单点突破”向“全链条融合”演进的重要方向。Insilico Medicine：AI制药从概念验证到商业飞轮 Insilico Medicine是当今全球AI制药领域最具代表性的企业之一。其自研的平台是一个覆盖靶点发现（PandaOmics）、小分子生成（Chemistry42）和临床试验预测（InClinico）三大板块的端到端AI制药解决方案。该平台的核心价值在于贯穿整个药物发现流程：传统早期药物发现通常需耗时3至6年，而自2021年至2024年，Insilico利用已提名20项临床前候选化合物，项目从启动到PCC平均仅需12至18个月，每个项目仅需合成与测试60至200个分子。 在临床验证层面，Insilico的进展同样瞩目。其进展最快的Rentosertib（ISM001-055）在IIa期临床试验中取得积极结果，率先完成AI制药临床阶段药效概念验证。自2021年以来，公司利用赋能30余条自研管线组合。2025年，Insilico在BIO-Europe大会上发布了涵盖8款候选药物的心血管代谢疾病管线组合，其中包括两个口服GLP-1受体激动剂（已达PCC阶段）、一个靶向NLRP3的ISM8969（已完成IND-enabling研究），以及针对GIPR、Amylin、APJ和Lp(a)的多个处于先导优化阶段的分子。 在商业合作层面，Insilico与全球Top20大型跨国药企中的13家达成软件授权合作，先后与复星医药、赛诺菲达成首付款数千万美元的研发合作，与Exelixis、美纳里尼达成管线对外授权合作，交易总额超20亿美元。2025年11月，公司与礼来达成AI驱动药物研发合作，总额逾1亿美元。2026年3月，双方进一步签署全球管线授权与AI药物研发合作，Insilico将获得1.15亿美元首付款，交易总价值最高可达约27.5亿美元。2026年以来，Insilico还先后与施维雅、齐鲁制药、康哲医药、元羿生物等达成研发合作。Insilico创始人Alex Zhavoronkov表示，AI制药行业竞争正由早期的算法与模型能力比拼，转向验证效率、数据能力和商业化落地能力的比拼。Recursion：表型筛选的数据驱动范式 Recursion总部位于美国盐湖城，以“表型组学优先”的方法著称。其平台利用自动化高内涵成像技术，大规模捕捉细胞在不同化合物处理下的表型变化，生成海量高维度的生物图像数据，进而通过机器学习识别具有治疗潜力的化合物。2024年末完成对Exscientia的收购后，Recursion整合了表型筛选与自动化精准化学，打造了覆盖从靶点发现到候选药物优化的全端到端平台。Schrödinger：物理建模与AI的深度融合 Schrödinger是AI制药领域中“物理+”路线的代表。其平台以高精度的基于物理的分子模拟为核心，结合机器学习算法，在保持物理精度的前提下提升计算效率。这一策略的代表性成果是Nimbus Therapeutics原研的TYK2抑制剂Zasocitinib（TAK-279），目前已进入III期临床试验，证明了基于物理建模的药物设计策略能够达到后期临床验证。BenevolentAI：知识图谱驱动的靶点发现 BenevolentAI总部位于英国伦敦，其核心技术平台Benevolent Platform通过构建大规模生物医学知识图谱——从海量科学文献、专利、临床试验和基因组数据中自动抽取实体关系——来识别新的疾病靶点和药物适应症。这一知识图谱驱动的模式尤其在药物重定位和罕见病靶点发现方面展现出独特价值。1.2 新兴平台：从计算到湿实验的全链条融合 上述五大平台之外，新一代AI制药力量正在崛起。2025年综述文章还提到了Insitro、Isomorphic Labs、Atomwise和XtalPi等新兴平台，反映了该领域不断扩大的地理和技术足迹。Isomorphic Labs：AlphaFold的工业级转化引擎 作为DeepMind的产业衍生公司，Isomorphic Labs正利用诺奖级别的AlphaFold 3技术，将蛋白质结构预测从理论探索推向新型疗法的工业级设计，标志着从传统“试错法”实验室筛选向预测性“数字优先”药物研发的范式转变-。2026年，AlphaFold 3首次系统性地应用于共价配体的虚拟筛选，在前瞻性筛选中成功发现了结构全新的BTK共价抑制剂，这是AI在共价药物发现领域的里程碑式突破。NVIDIA BioNeMo：算力驱动的制药AI基础设施 NVIDIA BioNeMo是一个用于构建和训练深度学习模型的开源框架，专门用于药物发现。该平台正成为全球制药AI竞赛的核心基础设施。2026年1月，NVIDIA与礼来宣布合作，将在未来五年内联合投入高达10亿美元建立AI联合创新实验室，依托BioNeMo平台和下一代Vera Rubin计算架构构建AI模型。该实验室预计2026年投入运营，构建“干湿闭环”的持续学习系统——AI软件与机器人硬件全天候协同，科学家可从中解放出来成为战略领导者。同年3月，罗氏宣布利用NVIDIA AI基础设施扩展其AI工厂，BioNeMo平台增强了罗氏的“实验室闭环”（Lab-in-the-Loop）策略，将生物和化学实验与AI模型连接起来，使科学家能够大规模测试假设并加速发现进程。1.3 前沿技术突破：生成式AI与逆合成规划 在分子生成领域，的QuorumMap模块能够在超过10¹⁶个分子的化学空间中导航，通过AI以小型、信息密集的批次探索化学空间，组合多种对接引擎和ADMET模型，并根据实验和计算反馈持续调整搜索方向-。Terray的EMMI平台集成了专有超高通量实验硬件与生成式AI模型，与自动化实验室深度融合。Atomwise以深度学习驱动的虚拟筛选平台著称。Insitro则专注于利用机器学习揭示疾病生物学机制并发现新药。这些平台的涌现表明，AI制药的技术生态正从“少数的明星企业”走向“多层次、多元化的创新群落”。 在逆合成规划方面，AI工具也在快速演进。Insilico Medicine的逆合成基准测试显示，其模型能够在URSA数据集上生成多种独特、化学合理的反应路径，而非仅提供单一最优解-。二、国内AI药品设计平台发展态势 中国AI制药行业正处于从概念验证迈向实质落地的关键加速期，企业竞争格局呈现多元化特征，涵盖了独立技术平台、转型中的研发服务商以及拥抱AI的传统药企等多种模式。2025年中国AIDD企业发展潜力排名中，晶泰科技、英矽智能、百度飞桨、腾讯云、华为云位列前五。2.1 晶泰科技（XtalPi）：AI+机器人的平台型范式 晶泰科技是目前国内AI制药领域最具代表性的平台型企业之一。公司以“AI+机器人”双引擎驱动，融合量子物理、人工智能与自动化实验技术，构建了覆盖药物发现全链条的智能平台。2025年是晶泰科技落地深圳创业的第十个年头，公司已成为港股市场首家通过“第18C章”上市的科技公司，与包括辉瑞、杨森等国内外超300家企业和机构达成深度合作-。 晶泰科技的核心差异化优势在于其“AI智能算法+大规模机器人实验”的深度整合平台。该平台拥有超过30种可灵活组合的模块，以“乐高式”模组化设计适配不同药物发现场景。其“高通量实验→高品質数据→高精度模型”的迭代闭环机制，可将实验人力效率提升五倍，数据收集能力提升四十倍。2025年12月，晶泰科技与甘李药业达成AI多肽创新药研发全球战略合作，运用AI生成式多肽设计、稳定性提升、修饰策略优化、成药性预测等全链条“AI+湿实验”技术能力。2026年2月，晶泰科技向韩国JW Pharmaceutical交付千万级人民币的AI自主实验平台，实现首次海外规模化落地。在第44届摩根大通医疗健康年会上，晶泰科技联合创始人马健博士表示，AI已走过“理解人类语言”的十年，下一个十年将赋予AI类似科学家的逻辑思辨能力。 晶泰科技的智能平台应用也已延伸至石油化工、新材料等领域，展现了“AI for Science”平台型企业的跨行业延展能力。2.2 英矽智能（Insilico Medicine）：端到端AI制药的验证标杆 英矽智能在国内AI制药企业中地位独特。其平台覆盖从靶点发现到临床试验预测的全流程，已赋能30余条自研管线组合，进展最快的Rentosertib率先完成AI制药临床阶段药效概念验证。公司于2025年底登陆港交所，成为国内AI制药领域的重要里程碑。 在技术迭代方面，英矽智能近年来不断深化平台应用，在核心靶点发现平台PandaOmics中集成生物学智能体PandaClaw，在化学板块发布支持多种差异化任务的化学多模态基础模型Nach01。此外，公司推出MMAI Gym训练框架，在“AI训练AI”的概念指导下利用专精模型训练基础模型，致力于提升通用模型在专业任务中的表现并降低成本。 值得关注的是，英矽智能对行业趋势有着清醒的判断。Alex Zhavoronkov指出，对于当前的AI制药企业，真正具有里程碑意义的并不是模型发布本身，而是大规模、体系化的验证能力。这一判断精准概括了AI制药行业从“拼算法”到“拼验证”的演进方向。2.3 华为云盘古辅助制药平台：云原生药研基础设施 华为云盘古辅助制药平台是以盘古药物大模型为基础打造的一站式药研平台，提供靶点发现、苗头化合物发现、先导化合物优化全流程药研所需功能，助力药物研发效率提升60%以上。平台基于云原生的软硬件一体化加速，大幅提升虚拟筛选和分子动力学模拟计算效率，开箱即用。 盘古平台还提供多模态AI 3D分子生成模型及小分子药物设计工具，涵盖分子动力学模拟、扭转角势能扫描、结合自由能计算、化合物子结构检索等CADD工具-。此外，华为云联合望石智慧、华鲲振宇发布了“AI药研联合解决方案”，基于昇腾910C智算服务器构建全栈自主可控的数智医药算力底座，搭载望石智慧的MolVado 3D分子生成模型与MolVortex智能设计平台。2.4 深势科技（DP Technology）：“AI+分子模拟”的物理驱动路线 深势科技专注于“AI+分子模拟”领域，以AI for Science理念为核心，将物理建模与机器学习深度融合。其核心技术能够从微观尺度上对药物与靶点相互作用进行高精度计算与预测，在自由能计算等小分子药物精准优化场景中具有独特优势。深势科技的技术路径与Schrödinger的“物理+机器学习”策略有相似之处，但在国内形成了差异化定位——聚焦于通过第一性原理精度的分子模拟解决药物发现中的物理问题，而非单纯依赖数据驱动的AI模型。2.5 清华智能产业研究院与水木分子：AI制药智能体开源先行者 2025年3月，清华智能产业研究院（AIR）与水木分子联合推出全球首个生命科学与制药智能体开源平台OpenBioMed。该平台提供Autopilot和Copilot两种智能体模式，通过基座大模型、行业大模型和行业智能体的结合，实现了从靶点分析到候选药物确定的闭环设计报告自动生成。清华大学智能科学讲席教授、AIR院长张亚勤院士指出，在这一新范式下，科学家的角色将更加聚焦于提出高质量的问题和任务描述，而智能体则通过高通量的文献阅读和实验数据分析成为科学家最得力的助手。2.6 全球健康药物研发中心：AI孔明制药平台 全球健康药物研发中心发布了全国首个聚焦全球健康疾病挑战的开放式AI制药平台“AI孔明”。该平台由华为云驱动，能实现药物研发全流程智能设计，已在数十条真实研发管线完成验证，重点关注疟疾、结核病等领域。该平台的价值在于其“开放式”定位——旨在为全球健康领域的药物研发提供普惠性AI工具，而非仅服务于商业化利益驱动的研发项目。2.7 其他重要平台：垂直领域的差异化布局 除上述平台外，国内AI制药领域还涌现了一批具有差异化技术路线的平台： 百度飞桨：依托国内领先的深度学习框架和AI大模型技术，为药物研发提供算法工具和计算平台，以生态能力推动AI在生命科学领域的普及。 药明康德：全球领先的医药研发外包服务商，积极在其研发生产线中整合AI技术，其庞大的实验数据与AI结合将产生强大的协同效应。 泓博医药：推出自有AI药物研发技术平台DiOrion，从传统CRO向技术赋能型公司转型。 成都先导：以DNA编码化合物库技术为基础，开发AI驱动的药物设计与筛选平台，实现海量实体分子数据与虚拟筛选能力的结合。 望石智慧：专注于AI小分子药物生成与优化，其MolVado 3D分子生成模型在分子设计环节具备技术深度。 燧坤智能：利用AI挖掘海量生物医学数据进行靶点发现和药物重定位，数据驱动的策略为开拓新治疗路径提供可能。三、国内外对比分析 从整体发展态势看，国内外AI药品设计平台在技术路径、产业生态和市场格局方面呈现出明显差异。 美国在基础AI算法和前沿模型方面保持领先。DeepMind的AlphaFold系列、NVIDIA的BioNeMo平台、Recursion的表型筛选数据资产共同构成了全球AI制药的技术基石。在产业层面，美国拥有Isomorphic Labs、Recursion、Schrödinger等明星企业，资本密度和产学研协同水平全球领先。NVIDIA与礼来10亿美元的AI联合创新实验室项目代表了“算力即研发力”的产业新范式。 欧洲以早期AI制药企业的开创性贡献见长。Exscientia（英国）率先将生成式AI设计的药物推进至临床，BenevolentAI（英国）的知识图谱驱动模式独树一帜，Atomwise（虽总部在美，但算法根植于欧洲学术传统）的深度学习虚拟筛选平台具有广泛影响力。然而，欧洲AI制药企业在后续发展阶段普遍面临资本支持和产业规模的瓶颈，Exscientia被Recursion收购即为这一趋势的缩影。 中国的特色在于“平台型企业+垂直深耕+规模化落地”的三位一体格局。晶泰科技的“AI+机器人”平台已实现海外商业化输出，英矽智能拥有全球最丰富的AI自研管线组合之一，华为云盘古平台以云原生架构降低药研技术门槛。2025年中国AIDD企业发展潜力排名中，晶泰科技、英矽智能、百度飞桨、腾讯云、华为云位列前五。值得注意的是，国内AI制药企业数量已位居全球前列，据不完全统计，中国AI制药企业约占全球总数的一半以上，在产业化落地和商业化合作方面展现出强劲活力。 从差距来看，中国在基础AI算法原创性（如扩散模型在药物发现中的开创性工作）和基础大模型规模方面仍有追赶空间。但中国企业在数据积累、产业化验证和商业化合作方面的进展十分迅速——英矽智能与全球Top20跨国药企中的13家达成合作，晶泰科技已服务超300家企业和机构，这反映了中国AI制药平台在商业闭环构建方面的独特优势-。 一个值得关注的趋势是，行业竞争正在从“谁有更好的模型”转向“谁能更有效地验证”。在这一新阶段，中国企业在验证效率和规模化落地方面的优势有望进一步凸显。四、核心问题探讨：药品设计将被AI完全主导吗？4.1 从“经验试错”到“智能设计”：范式跃迁已经发生 药品研发的传统范式是“高通量筛选+经验优化”——在巨大的化学空间中盲目试错，再通过化学家的直觉和经验进行迭代优化。这一范式在20世纪支撑了无数重磅药物的诞生，但其效率瓶颈日益凸显。 AI的介入正在从多个维度改变这一局面。在靶点发现层面，知识图谱和机器学习算法能够从海量文献、基因组学和蛋白质组学数据中识别新的疾病靶点和生物标志物，显著拓展了可药靶点的发现空间。在分子设计层面，生成式AI模型能够在满足多重成药性约束的前提下，高效生成结构新颖、性质优异的候选分子，将化学空间的探索效率提升数个数量级。在临床预测层面，AI模型能够基于历史临床试验数据预测新分子的安全性、有效性和药代动力学特征，为临床开发策略的优化提供数据支撑。 截至2025年年中，已有数十个由AI设计的药物候选物进入临床试验阶段。Insilico Medicine从立项到PCC平均仅需12至18个月，每个项目仅需合成与测试60至200个分子，而传统药物发现周期通常需要3至6年。这一量级的效率跃迁，标志着AI在药品设计中的核心地位正在从“辅助工具”向“核心引擎”转变。4.2 现实困境：临床转化、数据质量与“可设计性-可成药性”鸿沟 然而，AI全面主导药品设计仍面临多重严峻挑战。 临床转化的终极验证。截至2025年，尚无任何由AI发现的药物获得监管批准，大多数AI设计的药物候选物仍停留在早期临床试验阶段。这引出了一个关键问题：AI是否真正带来了更高的临床成功率，还是仅仅加速了失败？虽大幅缩短了发现周期，但其设计的候选药物能否在后续临床试验中持续验证，仍有待时间的检验。 数据质量与可重复性困境。AI模型的预测能力高度依赖于训练数据的质量和规模。然而，药物发现领域的高质量实验数据极为稀缺。阳性数据偏倚问题尤为突出——文献中发表的往往是成功的实验结果，而大量的阴性数据（失败的化合物、无效的反应条件）未能进入公共数据库。这种“发表偏倚”严重影响了AI模型对化学空间全面表征的能力。 “可设计性-可成药性”的鸿沟。AI模型能够生成结构新颖、理论上性质优异的分子，但这些分子在真实生物体系中的表现往往与预测存在偏差。药代动力学、毒性、组织分布等多维属性的复杂相互作用，使得单一模型的预测难以覆盖临床成药性的全部维度。 数据共享与知识产权困境。制药行业的核心资产是高质量的内部实验数据。这些数据往往是药企的核心商业机密，难以在行业层面实现共享。这导致每个AI制药平台只能依赖有限的自有数据或公开数据集进行模型训练，制约了模型泛化能力的提升。4.3 “所想即所得”离我们有多远？ 一个常被讨论的未来图景是：研究者只需输入“针对某个靶点设计一个口服、每天一次、低毒性的小分子抑制剂”，AI系统便能自动完成靶点验证、分子生成、ADMET预测、合成路线规划，甚至驱动机器人完成合成和测试。这个愿景在今天距离现实还有多远？ 以现有标志性成果为参照：清华AIR的OpenBioMed智能体平台已能通过自然语言指令，自动完成从靶点分析到候选药物确定的闭环设计报告生成。Insilico已能针对给定的靶点生成符合多重参数优化要求的候选分子，并将这一能力扩展至30余条自研管线。NVIDIA与礼来的AI联合创新实验室正在构建全天候的“干湿闭环”系统，使AI软件与机器人硬件持续通信和协作。 然而，当前的AI药品设计距离完全的“所想即所得”仍有显著差距。一方面，功能目标的精确数学表征本身就是一大难题——如何将“更好的药物”转化为模型可学习的多目标优化问题？另一方面，药物成功不仅依赖于分子的化学性质，还受到靶点生物学、临床开发策略、监管路径等多种因素的复杂影响，单一模型难以覆盖所有维度。Alex Zhavoronkov指出，对于当前的AI制药企业，真正具有里程碑意义的并不是模型发布本身，而是大规模、体系化的验证能力。这从一个侧面反映了“所想即所得”从技术可能性到现实可行性的核心挑战。4.4 人的位置：AI是增强工具，不是替代者 2024年诺贝尔化学奖得主David Baker和Demis Hassabis的获奖，标志着AI在生命科学领域的变革性作用获得了科学界最高荣誉的认可。然而，多位顶尖学者强调，AI并非取代科学家，而是让科学家的创造力倍增。 在“智能体驱动”的新范式下，科学家的角色正在从“操作者”向“设计者”转变。正如张亚勤院士所言，科学家将更加聚焦于提出高质量的问题和任务描述，而智能体则通过高通量的文献阅读、海量实验数据分析、算法迭代与任务执行，成为科学家最得力的助手。这种深度的人机协作，将推动科学研究进入一个全新的时代。 英矽智能与礼来的深度合作提供了一个生动的例证：平台虽能自动生成和优化候选分子，但合作中的靶点选择、临床开发策略和商业决策，仍然依赖于礼来的深厚科学认知和市场判断。AI承担的是“试”的部分——在巨大的化学空间中快速探索，而科学家负责“想”的部分——决定探索的方向、定义什么是“好”。 当前的共识是：未来的药品设计不是AI取代药物化学家，而是“AI+科学家”的协同进化。AI将承担繁重的计算任务、数据分析和模式识别工作，而科学家将精力聚焦于创造性思维、机理洞察和战略决策——就像计算机辅助设计改变了工程学，但没有取代工程师一样。结语 从Exscientia的生成式化学到Insilico的全流程赋能，从Recursion的表型筛选到Schrödinger的物理建模，从NVIDIA BioNeMo的算力基础设施到晶泰科技的“AI+机器人”平台，从华为云盘古的云原生药研到清华OpenBioMed的智能体开源，AI驱动的药品设计工具正在经历从单点突破到全链条整合的范式跃迁。 国内外平台各有侧重——美国在基础算法和前沿模型上保持领先，欧洲在早期开创性工作和知识图谱方面独具特色，中国则在平台化整合、产业化落地和商业化合作方面展现出强劲活力。截至2025年年中，已有数十个AI设计的药物进入临床试验，Insilico Medicine的Rentosertib率先完成临床阶段药效概念验证，Nimbus的TYK2抑制剂已进入III期临床，AI制药的“验证时代”正在开启。 回到本文的核心追问：未来的药品发现以后会不会都是人工智能？“所想即所得”的智能药物生成是否可期？ 答案是：技术路径已经明确，但全面实现仍需跨越临床转化验证、数据质量、多维属性协同等多重鸿沟。AI药品设计工具正在从“辅助者”向“合作者”的角色转变。未来，当AI系统能够与药物化学家深度协作，完成从靶点识别、分子生成、ADMET预测到自主实验验证与临床策略优化的全链条闭环时，药品研发将迎来真正的“按需智造”时代。 但在那之前，正如张亚勤院士所言，AI不会取代科学家——它让科学家的创造力倍增，让科学家能够更专注于提出高质量的问题。AI药品设计的未来图景，不是AI替代药物化学家，而是“AI+科学家”的协同进化——在这一图景中，AI承担繁重的计算和试错工作，而科学家将精力聚焦于创造性洞察和战略决策，共同开启药品研发从“经验试错”到“智能设计”的新纪元。 北京大学—AI智能体搭建落地与企业转型发展高级研修班招生简章（审批编号：北大培训20260336号） 项目总览 当生成式AI以惊人的速度重塑商业版图，一个全新的数字物种——AI智能体，正从科幻概念走向产业腹地。这不仅是技术的迭代，更是生产力的范式革命。企业竞争的赛道，正从单纯的“工具优化”转向“智能体构建”。谁能率先驾驭这位能思考、会执行、懂进化的“数字员工”，谁便能重构业务流程，抢占未来的竞争高地。 然而，面对技术浪潮，无数企业深陷“知易行难”的迷局：既渴望技术赋能带来的降本增效，又苦于找不到从战略规划到落地搭建的实现路径。这不仅是技术的鸿沟，更是认知的壁垒。 为此，“北京大学-AI智能体搭建落地与企业转型发展高级研修班”应运而生。本项目旨在为企业决策者搭建一座通往未来的桥梁，打破技术黑箱，将前沿AI技术与企业战略深度融合。在这里，我们不只是探讨趋势，更是交付方法；不只是仰望星空，更是脚踏实地。让我们携手跨越技术鸿沟，让AI智能体成为企业进化的核心引擎，在变革的洪流中锚定方向，驭势而行。课程费用 培训费56800 元/人（含师资费、学校管理费、教室费、讲义费、资料费、证书费、广告费以及与教学相关的其他费用，交通及食宿费由学员自理）。培养对象企业管理者、创业者、数字化转型负责人、技术产品经理、市场公关人员。课程模块模块一：宏观视野 -- AI智能体时代的范式革命与战略视野模块二：战略重构 -- 智能体驱动的企业顶层设计与商业模式创新模块三：价值发现 -- 高回报业务场景识别与投资优先级决策模块四：生态谋局 -- 实施路径选择与产业生态合作策略模块五：组织进化 -- 人机协同时代的组织结构与人才战略模块六：风险驾驭 -- 智能体应用的治理框架与合规风控模块七：效能度量 -- 智能体项目的成效评估与投资回报分析模块八：标杆研学 -- 走进领先企业的智能化实践现场模块九：未来视野 -- 合作伙伴、供应商管理与生态战略模块十：行动启航-- 企业智能体转型路线图制定与资源整合备选师资 杨开忠：国际欧亚科学院院士，现任中国社会科学院学部委员，会长，中国社会科学院大学应用经济学院院长，北京大学教授，博士生导师。 陈章良：著名生命科学家，美国华盛顿大学生命科学博士。现任北京大学生命学学院教授、博士生导师，曾任北京大学副校长，北京大学生命科学学院首任院长。 朱宏任：现任党委书记，常务副会长兼理事长，常务副会长。 刘嘉：天赋智源人工智能科技有限公司总经理，北京智源人工智能研究院多模态中心，前微软大中华区制造行业总经理，国际人工智能产业联盟副主席。专注于通过人工智能多模态多智能体技术助力企业人工智能转型，从战略规划到落地，大幅提升企业运营效率和营收规模。 张涵诚：国内知名大数据与人工智能产业运营专家，拥有丰富的世界500强企业的项目管理和产业发展规划实施经验，参与过国家四个城市的产业经济发展规划，和上百个AI相关项目落地，现任CAIE人工智能研究院副院长，中国人工智能产教融合研究院专家委员，国家信息家中心中经视频特聘教授，前百度公司高级别行业专家，甲骨文中国数科专家，兼任中关村大数据交易产业联盟秘书长，中国高校大数据与人工智能产业联盟专家等职务。 陆俊林：北京大学信息科学技术学院副院长，教授，博士生导师，国家级一流本科课程主讲人，国家义务教育信息科技课程教材主编，北京市青年名师，中国自主CPU国家标准起草人。 陈 江：北京大学信息科学技术学院教授，北大“教学卓越奖”、“十佳教师”、“教学优秀奖”获得者。 陈 钟：北京大学教授，博士生导师，北京大学软件与微电子学院院长，北京大学网络与信息安全实验室主任，金融信息化研究中心主任。 陈 斌：北京大学计算机学院教授，兼任地球与空间科学学院教授、遥感与地理信息系统中心实验室主任。 边凯归：北京大学计算机学院数据科学与工程研究所长聘副教授，网络与信息系统研究所副所长 。 邓志鸿：北京大学信息科学技术学院信息科学中心教授，北京大学智能科学系副主任。 殷雅俊：清华大学航天航空学院工程力学系教授,博士生导师。 研修安排时间安排：2026年6月27日至2027年6月26日 ，每月学习1次，每次2天，合计20天（160学时）。授课形式：线下授课授课地点：北京大学校内报名缴费 培训费汇款账号：账户名称：北京大学 开户行：中国工商银行海淀西区支行 账号：0200004509089131151证书颁发 完成全部规定的培训课程及小组活动，将授予结业证书，证书统一编号，加盖北京大学证书专用章（继续教育）。联系方式 联系人：张老师 13911743817 卡伦·浩揭露AI产业六大真相 好消息！北京大学—AI智能体搭建落地与企业转型发展高级研修班启航 目前最值钱的三类技术人才 当下AI使的个人效率提高十倍，可是企业价值确没有变十倍增长，为什么？ 软件第一用户是AI用对这四个指令，轻松节省AI对话的Token 凯文·凯利谈AI时代的未来职业 Anthropics开源claude code，中国AI公司史诗级的技术补课与弯道超车机会 一张图看懂AI Agent全流程：从你提问到答案出炉的17步 关注回复1领取AI产研级学习大礼包 本AIIP覆盖全国核心IT产业专家群（10万人左右） 业务合作请联系 微信号：wuyujiekong8 企业AI战略咨询和人工智能培训课程请联系： 微信号 wuyujiekong8  索取最新行业研究报告和培训课纲 一、一次好的培训离不开深度的沟通 建议场高管启动会（统一思想） 高强度线下工作坊（核心内容学习与研讨） N次线上跟进辅导与项目复盘（确保落地）。 通过评估：采用四级评估模型持续更新课程内容，确保培训效果 反应层：培训满意度调研。学习层：通过“AI机会画布”作业、行动计划质量进行考核。 行为层（关键）：培训后3-6个月，跟踪学员所负责部门AI项目立项数、团队AI技能提升情况。 成果层：关联学员部门在效率提升、成本节约或创新收入方面的可衡量业务指标。 二、培训四大创新 内容创新：政产学研融合，主要以产业发展和产品创新与应用的角度思考大数据和人工智能的大模型带来的商业价值的课程体系，涉及政府和企业、金融行业、运营商和制造业企业为主的热门课程体系，深受政府和企业高层领导喜欢，课程前瞻性强，内容新颖，实战大于理论，讲课风趣有独立的建树。 形式创新：培训过程思辨为主、提问、视频和辩论为辅的互动式课堂； 结果创新：主要是内容的输出，培训完毕学员可带回方案创新项目思考； 服务创新：后期咨询与AI业务辅导项目对接。 三、2026培训重点 OPC 产业生态发展与变革研究 大模型 Deepseek 驱动的产业创新发展和深度观察 智能体的建设理念方法与工具实践 人工智能范式革命引起的产业创新发展体系 人工智能与智能经济创新发展体系建设 大模型与智能经济、智慧能源、数字政府、智慧农业、智慧制造、智慧金融、智慧旅游等行业结合的赋能主题 人工智能发展趋势与智能体建设理念方法与实践 四、咨询服务内容 我们提供给中型公司、一周AI轻咨询方案10万/周 AI商业咨询的核心流程 第一阶段：需求了解与行业动产 此阶段核心是 “了解行业发展变化和企业核心需求”，通过行业内顶级专家的访谈和调研，了解公司的发展逻辑最新的商业动态和客户的画像，以及企业未来的发展变化趋势，和优势劣势等。 第一阶段：战略诊断与蓝图规划 此阶段核心是 “对齐业务与技术的目标” 。咨询方会通过高层访谈、流程分析，识别最可能通过AI创造价值的核心业务场景，并评估企业现有的数据、算力与技术能力。最终产出是一份比较清晰的 AI战略路线图，明确优先实施的场景、投资预算、预期回报及风险评估。 第二阶段：方案设计与数据准备 此阶段重点是 “为实施打下坚实基础” 。基于路线图，咨询团队会设计具体的AI技术架构（如选用何种大模型、云服务），并启动最关键的数据治理工作：对企业内外部多源数据进行采集、清洗、标注，构建高质量的训练数据集。同时，合规与安全架构（如数据加密、访问控制）也会在此阶段同步设计。 第三阶段：开发实施与集成验证 此阶段进入 “从方案到产品” 的构建过程。开发团队会进行AI应用（如智能知识库、自动化流程）的开发，并对选定的基础模型用企业数据进行微调，以注入行业知识。之后，将AI功能通过API等方式与企业现有系统集成，并进行严格的测试，确保功能、性能和安全均符合要求。 第四阶段：部署运营与持续迭代 此阶段目标是 “确保成功落地并产生持续价值” 。根据企业需求，选择私有化或云端部署方案。上线后，持续监控系统性能与业务指标，优化模型效果与控制成本。此外，变革管理与培训对于推动组织适应AI工具、确保新流程被采纳至关重要。