想象一栋没有电梯的老楼，每层都有一扇上了锁的门，门后是不同的疾病。你要做的，就是找到一把能打开对应那扇门的钥匙。传统药企的办法，是派很多人每天磨钥匙，再挨个去试——试上百万把，最后能用的可能只有一两把，耗时十年、花费十亿美元。AI 的出现，让钥匙匠的活儿变了：算法先看懂锁芯结构，再用计算生成、筛选和验证钥匙。 Insilico、Recursion、Atomwise 这三家明星公司，正好代表了三种路线。Insilico 像一名拥有神级直觉的设计师，从疾病数据直接设计钥匙；Recursion 像一位拥有海量锁芯模型库的试锁师，用自动化实验“刷脸式”找钥匙；Atomwise 像一位精算结构的 3D 建模师，在电脑里预演钥匙和锁的咬合。它们背后各自有不同的收费方式和服务对象——这才是药物 AI 平台能活下来的真正生意逻辑。

岗位关联

理解这三家平台的技术路线与商业模式，能帮你在做 AI 产品时想清楚一个关键问题：你的模型到底靠什么赚钱、靠什么建立护城河，而不是只靠炫酷的 Demo。

目录
  1. 可视化演示
  2. 药物AI历程
  3. 三足鼎立
  4. Insilico模式
  5. Recursion模式
  6. Atomwise模式
  7. 商业路径
  8. 未来格局
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

对比Insilico、Recursion、Atomwise三大药物AI平台的技术路线、管线进展和商业模式，交互切换查看各维度详情。

本节配有交互动效（进入视口后自动加载，约 3KB）。

'+modeData.platform.caption+'

药物AI历程

把新药研发想象成一次寻宝：疾病是那扇门，靶点是锁芯，而药物是钥匙。在 AI 出现之前，钥匙匠只能靠经验和运气反复打磨钥匙；而 AI 的到来，让每个环节都能用数据驱动，减少盲目试错。

药物研发通常要经过四个阶段：第一步是靶点识别，相当于搞清楚“门锁装在哪儿、是不是疾病的关键”；第二步是化合物筛选，也就是初步造出几万把候选钥匙；第三步是先导化合物优化，把有希望的钥匙反复修形，降低毒性、提高活性；第四步是临床验证，把钥匙真正插进真实大门，看它能不能安全打开。

问题在于：从进入临床的候选药物到最终获批上市，成功率往往不足 10%。这意味着在 AI 平台面前，最核心的 KPI 不是“生成了多少分子”，而是“在哪个环节帮助提高了成功率”。

所以，无论商业模式怎么设计，都要回答一个问题：你的 AI 在哪个阶段帮客户降低了失败成本？这个定位决定了平台是“卖图纸的”还是“卖钥匙的”。

Pˉ=N批准N临床\displaystyle \bar{P} = \frac{N_{\text{批准}}}{N_{\text{临床}}}
这个公式表示：最终获批上岸的候选药物数量，除以进入临床试验的总数量。对 AI 平台而言，优化目标就是让分子从“看起来好看”变成“在人体里真正有效、安全”。
  1. 分母定义把进入临床的候选药物想象成一把把待试的钥匙。
    N临床\displaystyle N_{\text{临床}}
  2. 分子定义最终通过三期临床并获批上市的药物数量极少，就像极少数钥匙能顺利打开大门。
    N批准\displaystyle N_{\text{批准}}
  3. 比值计算成功率就是成功数除以进入临床总数。
    N批准N临床\displaystyle \frac{N_{\text{批准}}}{N_{\text{临床}}}
  4. 数量级观念大约 10% 的成功率要求平台采用多管线分摊风险，不能只押一把钥匙。
    ≈10%\displaystyle \approx 10\%

三足鼎立

三位钥匙匠各怀绝技：Insilico 像设计师，连锁孔都不用摸，直接根据疾病信号凭空设计钥匙；Recursion 像仓库管理员，把成千上万把钥匙放到细胞模型上暴力测试；Atomwise 像计量师，先在电脑里建一个锁芯的 3D 模型，模拟钥匙插入的过程。

这里说的“三条路线”并不是互相排斥的。Insilico 是端到端生成路线，擅长从靶点到分子一气呵成；Recursion 是表型筛选路线，用细胞影像和高通量实验判断“钥匙转动锁芯后屋里灯是否亮起”；Atomwise 是结构虚拟筛选路线，用卷积神经网络在化合物库里快速挑出匹配锁芯的候选。

在真实世界中，它们共同提高一个核心指标——命中率。所谓命中率，就是筛选出的有效化合物数量占总筛选化合物数量的比例。AI 的价值，本质上就是把命中率从“大海捞针”提升到“定向捕捞”。

三条路线最终殊途同归：都是为了更快地在真实世界找到能打开疾病大门的钥匙，但它们的商业模式、技术壁垒和数据来源完全不同。

h=N命中N筛选\displaystyle h = \frac{N_{\text{命中}}}{N_{\text{筛选}}}
命中率越高，意味着每把被选中继续研发的钥匙越靠谱，后续浪费在失败化合物上的资金就越少。
  1. 分子计数把筛选出的化合物定义为一组候选钥匙。
    N命中\displaystyle N_{\text{命中}}
  2. 分母计数把所有被算法或实验检查过的化合物称为总筛选量。
    N筛选\displaystyle N_{\text{筛选}}
  3. 比例关系命中率是命中数与筛选总数之比。
    h=N命中N筛选\displaystyle h = \frac{N_{\text{命中}}}{N_{\text{筛选}}}
  4. 商业含义AI 并不消灭失败，而是把失败尽量挡在更便宜的虚拟环节，从而抬高最终整体收益。

Insilico模式

Insilico 像是那个能“隔空画钥匙”的设计师。它的核心技术之一是用算法对靶点打分排序：哪些锁芯更可能是疾病的关键枢纽？然后再用生成式模型画钥匙，与传统方法不同，它不需要先积累几百万把已知钥匙，而是在靶点结构的指导下从零生成新分子。

靶点评分是 Insilico 的起点。平台会综合基因表达、蛋白质互作、文献证据等多个维度，给每个潜在靶点打一个“可成药性”分数，优先推进那些既与疾病强相关、又具备结构可供性的靶点。

Insilico 在商业上采取“双轮驱动”：一边把生成式平台授权给大型药企，收取首付款和里程碑；一边自己保留部分管线，推向临床。它证明了一件事：AI 公司不一定要当纯乙方，也可以拿着一把钥匙亲自去开门。

Si=wggi+wnni\displaystyle S_i = w_{g} g_i + w_{n} n_i
第 i 个靶点的综合评分，等于“基因关联分数”以权重 $w_g$ 加权，加上“新颖性分数”以权重 $w_n$ 加权。这就像评估一把门锁是不是值得研究：既要看它是不是关键锁，又要看之前有没有人开过。
  1. 靶点编号把每个候选锁芯编号为 i。
    i\displaystyle i
  2. 关联分数$g_i$ 表示该靶点与疾病的已知关联强度，关联越大越值得优先。
    gi\displaystyle g_i
  3. 新颖分数$n_i$ 表示该靶点的新颖程度，避开已被同行挤满的赛道。
    ni\displaystyle n_i
  4. 综合评分用权重加权求和得到排序分 $S_i$。
    Si=wggi+wnni\displaystyle S_i = w_{g} g_i + w_{n} n_i

Recursion模式

Recursion 是“实验考据派”的代表。它的思路不是先画钥匙，而是先建一座巨大的锁芯仓库：用自动化的细胞实验，把成千上万种化合物加到不同疾病的细胞模型上，然后用显微镜拍下细胞变化，形成海量的表型数据。

如果把疾病的细胞看作一个房间，Recursion 的做法就是往房间里丢大量钥匙，看哪一把能让房间的状态发生“逆转”——比如让病变细胞恢复健康形态。它不关心钥匙为何有效，更关心钥匙是否真的有效。

为了衡量“药物处理后的细胞状态”与“健康细胞状态”的相似程度，Recursion 常用余弦相似度来计算两个高维影像特征向量之间的距离。

Recursion 模式的护城河在于“独家湿实验数据”。它自己造数据、自己训练模型、再自己验证，形成闭环。近年来它还通过并购 AI 公司，把算法能力补全，试图成为一座别人难以复制的“钥匙试验工厂”。

cos⁡θ=a⋅b∥a∥ ∥b∥\displaystyle \cos\theta = \frac{\mathbf{a}\cdot\mathbf{b}}{\lVert\mathbf{a}\rVert\,\lVert\mathbf{b}\rVert}
向量 $\mathbf{a}$ 是药物处理后的细胞表型特征，$\mathbf{b}$ 是健康细胞表型特征。余弦值越接近 1，说明药物越能把疾病细胞“拉回”健康状态。
  1. 向量定义每个细胞状态都被压缩成一个高维向量。
    a,b\displaystyle \mathbf{a}, \mathbf{b}
  2. 点积计算$\mathbf{a}\cdot\mathbf{b}$ 刻画两个方向的相似程度。
    a⋅b\displaystyle \mathbf{a}\cdot\mathbf{b}
  3. 长度归一除以两个向量的长度，消除细胞数量或亮度差异带来的干扰。
    ∥a∥ ∥b∥\displaystyle \lVert\mathbf{a}\rVert\,\lVert\mathbf{b}\rVert
  4. 相似度阈值余弦值接近 1 说明钥匙有效，接近 0 说明无效。
    cos⁡θ≈1\displaystyle \cos\theta \approx 1

Atomwise模式

Atomwise 则像一个对锁芯结构极其痴迷的计量师。它不靠细胞实验，也不靠从头生成，而是靠 AtomNet——一个专门用于分子结构预测的卷积神经网络——在海量化合物库里做虚拟筛选，寻找那些与靶点蛋白“咬合”最好的候选钥匙。

它的核心公式是结合能估计：药物分子与靶点蛋白结合得越紧密，释放的能量越多，越有可能成为有效药物。

Atomwise 的商业模式以“虚拟筛选即服务”为主：它向药企提供高潜力的化合物命中结果，再按授权协议获得付费。它的特点是速度快、成本低，适合在项目早期快速排除大量无效钥匙。

ΔEbind=E复合物−E配体−E靶点\displaystyle \Delta E_{\text{bind}} = E_{\text{复合物}} - E_{\text{配体}} - E_{\text{靶点}}
结合能越小（绝对值越大），说明分子和蛋白结合越稳定。这就像钥匙齿和锁芯弹子咬合得越严丝合缝，越好使。
  1. 体系状态把药物分子放在靶点蛋白旁边，形成一个复合体系。
    E复合物\displaystyle E_{\text{复合物}}
  2. 独立状态分别计算单独的药物分子能量与单独靶点蛋白能量。
    E配体+E靶点\displaystyle E_{\text{配体}} + E_{\text{靶点}}
  3. 能量差复合物能量减去独立能量之和，得到结合能。
    ΔEbind\displaystyle \Delta E_{\text{bind}}
  4. 稳定性判断结合能越负，说明钥匙与锁的匹配度越高，越值得进入下一轮实验。

商业路径

无论钥匙匠的技艺多么高超，最终都要考虑怎么赚钱。药物 AI 平台的商业路径通常可以拆成四类：第一类是服务收入，像收设计费，按项目或按人头收钱；第二类是里程碑付款，像装修分期，候选药物每进入一个新阶段就付一笔钱；第三类是股权参与，平台用技术作价入股合作伙伴；第四类是自研管线，自己拿着钥匙去开门，成功后享受最大分成。

现实中，大多数平台采用的是“组合拳”：先用服务费保证现金流，再用里程碑和销售提成博取超额收益。我们可以用一个公式来拆解一笔合作交易的总价值。

这三家公司的路径差异也很明显：Insilico 更强调“平台 + 管线”的混合模式，Recursion 靠数据飞轮吸引巨头共建，Atomwise 则以轻资产的授权合作为主。没有绝对优劣，只有哪种路径更适合当前阶段的技术成熟度。

Vdeal=F0+∑j=1kMj+r⋅Rsales\displaystyle V_{\text{deal}} = F_0 + \sum_{j=1}^{k} M_j + r \cdot R_{\text{sales}}
一笔合作的总价值 = 首付款 + 所有里程碑付款之和 + 销售提成比例乘以未来销售额。这个公式说明了为什么 AI 药物平台愿意承担高风险：真正的利润大头在后面。
  1. 首付款$F_0$ 是签约时支付的第一笔钱，相当于甲方给钥匙匠的“定金”。
    F0\displaystyle F_0
  2. 里程碑$M_j$ 是第 j 个节点付款，比如完成临床前研究、进入临床一期等。
    ∑j=1kMj\displaystyle \sum_{j=1}^{k} M_j
  3. 销售分成$r$ 是提成比例，$R_{\text{sales}}$ 是未来上市后的销售额。
    r⋅Rsales\displaystyle r \cdot R_{\text{sales}}
  4. 加总三者相加才是合作全生命周期里的完整商业回报。

未来格局

最后把目光放远：未来十年，药物 AI平台的竞争会像什么？还是回到钥匙匠的比喻——门会越来越多，锁也会越来越复杂，但真正稀缺的不是钥匙，而是“看过足够多锁的经验”。

经验来自数据。每一次实验失败都像是一次“插错钥匙”的记录，这些记录集合起来，反而会让算法更聪明。于是平台形成了一个飞轮：数据越多 → 模型越准 → 命中率越高 → 合作越多 → 数据更多。

未来不会只有一种钥匙匠获胜。擅长生成、擅长筛选、擅长模拟的公司会互相融合：做生成的需要验证数据，做筛选的需要更强的生成能力。最终胜出的平台，一定是最懂“把 AI 放进真实药物研发流水线”的那一个。

Lt+1=Lt+α(Ht−Kt)\displaystyle L_{t+1} = L_t + \alpha (H_t - K_t)
下一轮的数据壁垒强度 $L_{t+1}$，等于当前数据壁垒 $L_t$，加上命中带来的正反馈 $\alpha H_t$，再减去实验失败带来的成本 $K_t$。平台竞争的本质，是看谁能更快把数据转化为验证结果。
  1. 当前壁垒$L_t$ 是平台当前的私有数据壁垒，包含真实实验反馈。
    Lt\displaystyle L_t
  2. 正向反馈$H_t$ 是这一轮成功的命中数量，它会补充高价值正样本。
    Ht\displaystyle H_t
  3. 成本损耗$K_t$ 是失败的实验成本，代表数据积累的学费。
    Kt\displaystyle K_t
  4. 迭代速度$\alpha$ 是学习效率，决定平台能不能把经验快速转化为新的数据壁垒。
    Lt+1=Lt+α(Ht−Kt)\displaystyle L_{t+1} = L_t + \alpha (H_t - K_t)

AI 应用场景

药企研发立项与靶点选择

阶段：靶点发现与管线规划

解决的问题：传统药企面对海量基因和蛋白数据时，往往依赖专家经验判断哪个靶点值得立项，效率低且主观性强。AI 平台可以像 Insilico 一样，用靶点评分公式对候选靶点做系统排序，帮助决策层把资源集中到高价值锁芯上。

具体案例：某中型药企在肿瘤领域立项时，用靶点-疾病关联数据训练排序模型，两周内从 200 个潜在靶点筛出 12 个优先靶点，再结合湿实验验证，最终确定 3 个进入先导化合物发现阶段，节省了近半年的调研时间。

大型药企与 AI 平台的授权合作

阶段：商务拓展与交易设计

解决的问题：跨国药企想要 AI 能力但缺乏自研团队，AI 平台想要现金流和临床验证机会。双方通过“首付款 + 里程碑 + 销售提成”的授权模式，把风险和收益绑定在一起，就像公式 $V_{\text{deal}} = F_0 + \sum M_j + rR$ 拆解的那样。

具体案例：Recursion 与罗氏达成合作，Recursion 负责用表型筛选平台发现新靶点和候选药物，罗氏支付首付款并承担后续临床开发费用，Recursion 还可以获得里程碑和销售分成。这说明平台不需要自己包揽所有环节，也能通过授权获得巨大收益。

AI 平台自研管线推向临床

阶段：管线推进与价值兑现

解决的问题：纯服务模式利润薄，平台想要更大的价值捕获，就必须拿一部分管线自己开发。Insilico 的抗特发性肺纤维化候选药物进入临床阶段，就是平台从“卖钥匙”转向“自己开门”的标志性案例。

具体案例：Insilico 利用生成式 AI 在 18 个月内完成从靶点发现到先导化合物优化的流程，并快速推进到临床试验。这种速度让资本市场看到 AI 平台不只是工具供应商，而是新药资产的创造者。

Python 演示

python61 行
#!/usr/bin/env python3# 模拟三个药物AI平台的候选分子评价逻辑import mathimport random def make_target(dim=8, seed=42):    rng = random.Random(seed)    return [rng.uniform(-1, 1) for _ in range(dim)] def cosine_score(a, b):    dot = sum(x * y for x, y in zip(a, b))    norm_a = math.sqrt(sum(x * x for x in a))    norm_b = math.sqrt(sum(y * y for y in b))    if norm_a == 0 or norm_b == 0:        return 0.0    return dot / (norm_a * norm_b) class InsilicoMode:    name = "insilico"    def __init__(self, dim=8):        self.dim = dim    def generate(self, target, rng):        return [x + rng.gauss(0, 0.15) for x in target] class AtomwiseMode:    name = "atomwise"    def __init__(self, dim=8):        self.dim = dim    def virtual_scan(self, target, rng):        library = [make_target(self.dim, seed) for seed in range(50)]        return max(library, key=lambda c: cosine_score(c, target)) class RecursionMode:    name = "recursion"    def __init__(self, dim=8):        self.dim = dim    def phenotype_scan(self, target, rng):        return [x + rng.gauss(0, 0.3) for x in target] def run(platform, target, rng):    if platform.name == "insilico":        cand = platform.generate(target, rng)        tag = "generated"    elif platform.name == "atomwise":        cand = platform.virtual_scan(target, rng)        tag = "virtual-hit"    else:        cand = platform.phenotype_scan(target, rng)        tag = "phenotype-hit"    return cosine_score(cand, target), tag def main():    target = make_target()    rng = random.Random(7)    platforms = [InsilicoMode(), AtomwiseMode(), RecursionMode()]    for p in platforms:        score, tag = run(p, target, rng)        print("{} {} score={:.3f}".format(p.name, tag, score)) if __name__ == "__main__":    main()
目的：用一个简化靶点向量模拟疾病锁芯，对比三种 AI 平台产生候选分子后与靶点的匹配程度。
  1. def make_target(dim=8, seed=42):生成一个随机靶点向量，相当于构造疾病锁芯的抽象特征。
  2. def cosine_score(a, b):计算候选分子与靶点的余弦相似度，数值越高代表匹配度越好。
  3. class InsilicoMode:模拟 Insilico 的“靶点加扰动”路线，直接从靶点出发生成类似物。
  4. return [x + rng.gauss(0, 0.15) for x in target]对靶点向量加小幅高斯噪声，模拟生成化学修饰后的候选分子。
  5. class AtomwiseMode:模拟 Atomwise 的虚拟筛选路线，先构造化合物库再打分。
  6. return max(library, key=lambda c: cosine_score(c, target))从化合物库中挑出与靶点最相似的分子作为虚拟命中。
  7. class RecursionMode:模拟 Recursion 的表型筛选路线，用更大噪声模拟真实实验的随机误差。
  8. run(platform, target, rng)统一调度三种平台，返回每个平台候选分子的相似度得分和命中类型。

常见误区

误区很多人以为药物 AI 平台就像提供 API 的 SaaS 公司，按调用次数向药企收软件服务费，商业模式简单清爽。

正解实际上，药物 AI 平台的核心价值必须和药物研发进度绑定。纯收软件费的模式很难支撑天价研发投入，所以主流是“首付款 + 里程碑 + 销售提成”，甚至自己持有管线股权。就像钥匙匠不能只卖图纸，还得参与开门后的分成。

为何常见：因为 AI 行业习惯用互联网思维理解商业模式，忽略了新药研发的高风险、长周期特性。

误区Insilico、Recursion、Atomwise 都是“用 AI 找药”，看起来没有本质区别，选哪家合作都一样。

正解三家公司对应药物发现的不同环节：Insilico 擅长从靶点到分子生成的端到端设计；Recursion 强调用高通量湿实验和细胞表型验证；Atomwise 以结构虚拟筛选见长。它们的数据来源、核心算法和验证成本差异极大，合作时要对症下药。

为何常见：媒体喜欢用统一的“AI 制药”标签概括所有公司，导致公众忽略技术路线的分化。

误区看到 AI 平台宣称“发现了新靶点”“合成了候选分子”，就以为新药马上要上市了。

正解从化合物到获批药物还有漫长的临床 I 期、II 期、III期，成功率不足 10%。AI 只是在早期阶段提升效率，并不能消除临床验证的风险。就像钥匙画得再精致，也要插进真实大门反复旋转才算数。

为何常见：因为商业宣传往往把“新闻性最强的部分”放大，而刻意淡化后面漫长的验证过程。

误区药物 AI 竞争像大模型竞赛，参数越多、算力越强，平台越有优势。

正解药物发现真正稀缺的不是通用模型，而是高质量、带临床反馈的私有数据。Recursion 的护城河在于大量湿实验数据，Insilico 的护城河在于靶点-分子闭环的迭代。模型再大，没有验证数据，也只是纸上谈兵。

为何常见：生成式 AI 热潮让大众习惯“参数规模 = 智能水平”的简单类比，忽略了生物医药领域的验证成本才是核心壁垒。

面试题

Q1. 药物 AI 平台做靶点筛选时，最不可能使用的数据源是？

单选题 · easy

  • A.蛋白质晶体结构
  • B.化合物活性数据
  • C.高内涵筛选影像
  • D.中式菜谱配方← 正确答案

答案：D。靶点筛选依赖蛋白质结构、化合物活性和细胞影像等生物医学数据，菜谱配方与疾病机制毫无关联，属于干扰项。这就像找钥匙时你不需要关心钥匙柄的颜色搭配。

Q2. Insilico 平台最核心的技术特色是？

单选题 · mid

  • A.生成式分子设计← 正确答案
  • B.湿实验文库筛选
  • C.基因编辑治疗
  • D.大型语言模型

答案：A。Insilico 强调从靶点出发用生成式模型直接设计新分子，而不是靠既有化合物库筛选，也不是做基因编辑或通用 NLP。可以理解为一个隔空画钥匙的设计师，而不是搬仓库找钥匙的管理员。

Q3. Recursion 的技术路线最接近以下哪种比喻？

单选题 · mid

  • A.表型筛选加自动化← 正确答案
  • B.纯虚拟筛选建模
  • C.结构设计占主导
  • D.传统化学全合成

答案：A。Recursion 的核心是用自动化湿实验做表型筛选，在细胞影像上观察药物效果，属于“实验考据派”。它的重点不是虚拟建模，也不是传统化学全合成，而是大规模细胞实验加 AI 分析。

Q4. Atomwise 起家的核心算法是？

单选题 · easy

  • A.AtomNet 卷积网络← 正确答案
  • B.AlphaFold 蛋白折叠
  • C.GAN 图像生成模型
  • D.Transformer 文本模型

答案：A。Atomwise 以 AtomNet 闻名，这是一个用于分子结构预测和虚拟筛选的卷积神经网络，专门评估药物分子与靶点蛋白的结合能力。AlphaFold 属于 DeepMind 的蛋白质结构预测领域，与 Atomwise 的路线不同。

Q5. 药物 AI 平台最常见的综合商业模式是？

单选题 · mid

  • A.首付款加里程碑与分成← 正确答案
  • B.按 API 调用次数收费
  • C.广告流量分成收入
  • D.年费会员订阅制度

答案：A。药物 AI 平台通常采用混合模式：首付款保障现金流，里程碑绑定研发进展，销售分成捕获长期超额收益。纯 API 计费或会员订阅都不足以覆盖新药研发的巨大成本。

Q6. 靶点验证在药物 AI 平台中的核心意义是？

单选题 · extreme

  • A.验证靶点是否驱动疾病← 正确答案
  • B.验证患者用药剂量
  • C.验证工厂生产效率
  • D.验证财务报表真实性

答案：A。靶点验证要回答“这个锁芯是否真的控制着疾病”这一根本问题。计算预测的靶点若没有生物学证据支撑，后续所有分子设计都可能白费。它和用药剂量、生产效率、财务都无关。

Q7. 英矽智能端到端平台的含义是？

单选题 · mid

  • A.从靶点到候选分子端到端← 正确答案
  • B.从数据库到开发 API
  • C.从文献到综述写作
  • D.从动物实验到临床

答案：A。Insilico 的端到端平台强调一站式完成从靶点发现、分子生成到先导物优化的闭环，而不是只做某一个工具环节。它更像全流程钥匙设计服务，而非单纯的数据接口。

Q8. 下列哪些属于药物 AI 平台常见的授权合作对象？

多选题 · hard

  • A.跨国大型药企← 正确答案
  • B.前沿生物科技公司← 正确答案
  • C.高校科研院所← 正确答案
  • D.电商零售平台

答案：ABC。药物 AI 平台主要与跨国药企、生物科技公司和高校科研院所合作，开展靶点发现、候选药物授权和转化研究。电商零售平台没有药物研发能力，也不是药物授权合作的参与方，属于明显干扰项。

Q9. 药物 AI 平台做算法时面临的主要挑战有哪些？

多选题 · hard

  • A.临床验证周期长← 正确答案
  • B.湿数据质量难统一← 正确答案
  • C.生物机制复杂难建模← 正确答案
  • D.冷链物流成本上升

答案：ABC。药物 AI 平台要面对临床验证周期长、实验数据质量参差、生物机制难以完整建模三大挑战。冷链物流虽然影响药物运输，但属于药品流通环节的问题，不是平台做算法时的核心挑战。

Q10. “里程碑付款”通常基于什么条件触发？

单选题 · easy

  • A.项目进入特定临床阶段← 正确答案
  • B.公司品牌曝光量上升
  • C.核心团队期权发放
  • D.平台页面点击次数

答案：A。里程碑付款是指候选药物达到约定节点（如进入临床 I 期、II 期、III 期或获批上市）时，授权方按合同支付款项。它和品牌曝光、期权发放、页面点击量没有任何关系，是风险共担的典型设计。