文｜白 鴿

編｜王一粟

“AI for Science的底層邏輯，與現(xiàn)在大語言模型的訓(xùn)練邏輯并不一樣?！鄙顒?span id="p4wgtnm" class="wpcom_tag_link">科技技術(shù)總監(jiān)陸金譚直言，當(dāng)前人工智能在科學(xué)研究領(lǐng)域與大語言模型在其他行業(yè)中應(yīng)用的邏輯并不相同。

業(yè)內(nèi)皆知，大語言模型訓(xùn)練依賴于高質(zhì)量數(shù)據(jù)“喂養(yǎng)”，數(shù)據(jù)越多，大語言模型能力越強。但科學(xué)研究的一些特定領(lǐng)域，數(shù)據(jù)量相對稀少。比如某些特定類型的蛋白質(zhì)結(jié)構(gòu)，可能需要數(shù)年時間才能獲得幾百條高質(zhì)量的實驗數(shù)據(jù)。

這也就意味著，AI在科研領(lǐng)域的應(yīng)用，需要用比較少的數(shù)據(jù)，來達到更好的模型效果。

那么，AI究竟如何改變科學(xué)？又是如何在其中跑通商業(yè)模式？作為AI for Science的代表企業(yè)之一，深勢科技則給出了自己的思考和解法。

在傳統(tǒng)科學(xué)計算中，如果想要通過分子和原子的結(jié)構(gòu)信息去預(yù)測其物理性質(zhì)，通常需要結(jié)合實際問題進行微觀計算。當(dāng)前業(yè)界在實現(xiàn)這種跨尺度的計算能力方面仍然較為欠缺，更多依賴經(jīng)驗判斷和實驗驗證。

與此同時，計算體系規(guī)模的擴大，傳統(tǒng)科學(xué)計算的計算量呈指數(shù)級增長，經(jīng)常是上萬，甚至是上億原子規(guī)模體系的計算量，如果完全依賴常規(guī)物理模型進行計算，整體的計算時間周期可能會非常長。

“深勢科技能夠讓模型產(chǎn)出接近于物理模型精度的計算效果，同時大大提升計算性能。”陸金譚說道，“我們通過AI手段去擬合這些物理方法，把之前可能需要大計算量的事情變得更快。”

以圖像識別為例，其核心在于分析圖片的像素信息，通過引入卷積神經(jīng)網(wǎng)絡(luò)，能夠提取圖片中的局部特征，將原始圖片分解為不同的特征圖，并通過特征組合進行近似求解，這其實是一個降維分析。

事實上，AI在科學(xué)領(lǐng)域也屬于降維應(yīng)用，通過模型強大能力，尤其是在涉及跨尺度計算的早期階段，通過其強大的建模能力降低計算復(fù)雜度。同時，基于多模態(tài)大模型能力，還可以實現(xiàn)對分子結(jié)構(gòu)、物理性質(zhì)、實驗數(shù)據(jù)等多種類型的數(shù)據(jù)進行多維度的分析和預(yù)測。

比如在藥物發(fā)現(xiàn)過程中，通常首先需要對蛋白質(zhì)結(jié)構(gòu)和靶點進行分析，接著在數(shù)十萬甚至上百萬的化合物庫中，篩選出與靶點具有高親和力的候選化合物。通常會進行多維度的評估，包括親和力分析、藥物化學(xué)性質(zhì)（如毒性、吸收、代謝等特性）的預(yù)測和評估。

“在AI for Science領(lǐng)域，大模型能夠支持跨尺度計算的關(guān)鍵在于其龐大的參數(shù)規(guī)模和強大的泛化能力。模型的巨大參數(shù)量使其能夠捕捉復(fù)雜的物理、化學(xué)和生物現(xiàn)象，而強泛化能力則幫助模型在不同領(lǐng)域的科學(xué)問題間實現(xiàn)靈活應(yīng)用?！标懡鹱T表示，“基礎(chǔ)模型可以基于藥物的微觀結(jié)構(gòu)預(yù)測其相關(guān)性質(zhì)。當(dāng)將該模型遷移應(yīng)用到材料領(lǐng)域時，它同樣能夠通過分析材料的微觀結(jié)構(gòu)，預(yù)測材料在不同溫度和壓強下的穩(wěn)定性及其他物理狀態(tài)?！?/p>

因此，深勢科技對AI for Science里面基礎(chǔ)通用模型的理解，更多的在于有一套基礎(chǔ)預(yù)訓(xùn)練模型，這個模型通過微調(diào)可以被應(yīng)用到各個工業(yè)領(lǐng)域進行問題求解。

深勢科技目前研究的幾個基礎(chǔ)模型，可以在有限數(shù)據(jù)增訓(xùn)下，仍然能獲得較好的結(jié)果，后續(xù)可以再基于獲得的更高質(zhì)量的數(shù)據(jù)去進一步優(yōu)化和修正。在這個模型體系下，讓AI去學(xué)習(xí)基礎(chǔ)的科學(xué)原理本身，通過少量的領(lǐng)域數(shù)據(jù)進行增訓(xùn)就已經(jīng)能得到不錯的效果，這跟大語言模型稍有區(qū)別。

陸金譚對光錐智能說道，“科學(xué)計算領(lǐng)域數(shù)據(jù)來源并不廣泛，公用數(shù)據(jù)集并不多，所以我們現(xiàn)在很大一部分工作，是如何在小數(shù)據(jù)集基礎(chǔ)上，讓模型的訓(xùn)練效果越來越好?！?/p>

過去兩年，深勢科技也成功推出了一系列行業(yè)大模型，如DPA分子模擬大模型、Uni-Mol 3D分子構(gòu)象大模型、Uni-Fold蛋白折疊大模型、Uni-RNA核酸結(jié)構(gòu)大模型、Uni-Dock高性能藥物分子對接引擎，以及Uni-SMART科學(xué)文獻多模態(tài)大語言模型等。

據(jù)陸金譚表示，目前深勢科技在材料領(lǐng)域和藥物領(lǐng)域一共有上百個模型，這些模型也已經(jīng)成功集成到深勢科技的產(chǎn)品平臺中。與此同時，深勢科技也與行業(yè)中領(lǐng)先的數(shù)十家藥企達成了戰(zhàn)略合作，2023年也實現(xiàn)商業(yè)化的突破，營收過億。

目前，深勢科技的業(yè)務(wù)已經(jīng)覆蓋高校智慧教育、生物醫(yī)藥研發(fā)，以及電池新材料。

不過，按照現(xiàn)階段AI for Science的算法分級，整體發(fā)展仍處于L2階段，即接近實驗精度，更多仍是以人為本，通過模型計算來輔助人類，減輕壓力。

到了L3階段，AI則能夠直接給出結(jié)果，在某些場景中，則可以直接替代掉人類實驗。

想要從L2邁入L3，“主要的難點在于各環(huán)節(jié)精度需要達到一定的高度，同時各環(huán)節(jié)中的算法如何進行整合，也是一大挑戰(zhàn)?！标懡鹱T如此說道。

面向未來，陸金譚認為，AI for Science市場空間足夠大，不管是教育科研、生物醫(yī)藥，還是電池材料，AI的加入至少在實驗層面，就能夠?qū)嶋H的解決很多根本性的問題，為賦能產(chǎn)業(yè)、前沿探索等提供更多的思路和切入點。

以下為光錐智能與深勢科技技術(shù)總監(jiān)陸金譚詳細對話內(nèi)容（經(jīng)光錐智能刪改編輯）：

深勢科技用AI，為科學(xué)研發(fā)提質(zhì)增效

Q：大模型改變了自然語言處理、改變了視頻、圖片生成，是怎么改變科學(xué)的？

A：大語言模型在挖掘文獻信息、專利信息等領(lǐng)域已開始應(yīng)用，我們將其稱為文獻大模型，我們在這個領(lǐng)域也有了一些研究成果，除了用它挖掘比較專業(yè)的化合物信息外，還會做一些圖片、圖表解讀等這種多模態(tài)的應(yīng)用。

在傳統(tǒng)的科學(xué)計算中，經(jīng)常會遇到的問題是從微觀到宏觀尺度，有不同的物理模型進行問題求解，但在一些跨尺度的計算場景中能力還比較欠缺。比如我們通過分子原子的結(jié)構(gòu)信息，想要去預(yù)測它的宏觀性質(zhì)，就需要跨尺度建模的能力。

人工智能包括大模型，可以做到跨尺度建模，通過對這些物理模型的學(xué)習(xí)，再應(yīng)用到具體的問題中，就能夠很好的解決這些問題。

我們通常需要進行大通量的計算，經(jīng)常是上萬甚至是上億原子規(guī)模體系的計算，如果基于物理模型計算，時間周期會比較長。深勢科技這邊做的事情，就是能夠讓模型產(chǎn)出接近于物理模型精度的計算效果，同時能夠大大提升計算性能。

Q：上億原子體系規(guī)模的計算，如何換算到大模型領(lǐng)域的計算，大概是什么樣的計算量？

A：在微觀尺度下，兩個原子之間的相互作用可以通過物理模型來分析，例如通過經(jīng)典力學(xué)或量子力學(xué)方程，計算它們之間的相互作用力和運動軌跡。這時，計算只需要考慮兩個原子的相互影響，問題相對簡單。然而，隨著系統(tǒng)中的原子數(shù)量增加，情況變得更加復(fù)雜。例如，當(dāng)引入第三個原子時，除了考慮每個原子之間的兩兩相互作用，還要分析三者之間的多體效應(yīng)。這時，原子之間的相互作用和軌跡不僅取決于兩個原子，而是由整個系統(tǒng)的狀態(tài)共同決定，計算量呈非線性增長?？茖W(xué)家們通常會引入近似算法，如密度泛函理論或分子動力學(xué)模擬，來有效處理不同尺度下的計算。

而我們AI在早期做的事情，其實是通過AI的手段去擬合這些物理方程，提高計算性能?？梢灶惐葓D像識別，其核心的點在于它去分析各種像素，我們加入卷積神經(jīng)網(wǎng)絡(luò)后，它會把一張圖片拆成一個個特征圖片，然后進行近似求解，這其實是一個降維的分析。我們?nèi)斯ぶ悄茉诳茖W(xué)計算領(lǐng)域早期做的，也可以看作是一個降維的動作，即把之前可能需要大計算量的事情變得更快。

Q：傳統(tǒng)AI時候的計算方式和大模型來了之后，中間有什么區(qū)別？

A：大模型的定義相對模糊，一般以參數(shù)量為指標(biāo)，參數(shù)越多，計算量越大。對我們來說，更多的是提供多尺度的計算。我們目前的預(yù)訓(xùn)練模型 Uni-Mol，基于分子和原子的三維結(jié)構(gòu)，預(yù)測相關(guān)物理性質(zhì)，建立構(gòu)效關(guān)系，直接求解，過去的做法往往依賴實驗和經(jīng)驗來預(yù)測。這種方法結(jié)合了不同尺度上的計算，為材料科學(xué)等領(lǐng)域提供了全新的計算手段。

我們對待大模型一般會更強調(diào)模型泛化能力。在AI for Science領(lǐng)域，是相對通用的。比如基礎(chǔ)模型，可以基于微觀結(jié)構(gòu)去預(yù)測藥物相關(guān)的一些性質(zhì)，將這個模型做一些遷移，則可以應(yīng)用到材料領(lǐng)域，但關(guān)心的性質(zhì)可能就不是藥化性質(zhì)，而是在不同溫度不同壓強下它的狀態(tài)，所以我們對AI for Science里面基礎(chǔ)通用模型的理解更多是一套基礎(chǔ)的預(yù)訓(xùn)練模型，這個模型通過微調(diào)可以被應(yīng)用到各個工業(yè)領(lǐng)域進行問題求解。

Q：多模態(tài)在其中主要起到哪些作用？

A：涉及將不同類型的數(shù)據(jù)，如分子結(jié)構(gòu)、物理性質(zhì)、實驗數(shù)據(jù)等，結(jié)合起來進行綜合分析。比如在藥物發(fā)現(xiàn)過程中，通常首先需要對蛋白質(zhì)結(jié)構(gòu)和靶點進行分析，接著在幾十萬甚至上百萬的化合物庫中，篩選出與靶點具有高親和度的化合物，而在篩選的過程中，可能包含親和度分析、藥化性質(zhì)分析，是否有毒、是否利于人體吸收等，可能是有多個維度的分析。所以想要達到一個比較好的篩選效果，是需要綜合多個角度、多種性質(zhì)去分析。

常見的圖片、視頻等的多模態(tài)問題，可能更貼近我們在文獻數(shù)據(jù)挖掘中的多模態(tài)應(yīng)用，比如在論文中需要不僅讀取論文中的文字信息，還包括圖片信息，需要對圖片信息進行深度挖掘，再去跟文字信息進行整合，最后輸出結(jié)果。在文獻中，我們也會應(yīng)用這種常見的多模態(tài)能力。

Q：AI for Science領(lǐng)域?qū)δＰ蛿?shù)據(jù)的需求到底有多大？

A：不同領(lǐng)域不盡相同，當(dāng)然越多越好，這里也有獲取難度的問題。舉個例子，在生物醫(yī)藥領(lǐng)域的細分應(yīng)用和電池領(lǐng)域的細分應(yīng)用，數(shù)據(jù)獲取難度就不一樣，研發(fā)和驗證周期長的行業(yè)，數(shù)據(jù)產(chǎn)出會相對少，數(shù)據(jù)的絕對數(shù)量就有限。像某些特定類型的蛋白質(zhì)結(jié)構(gòu)，可能幾年才有幾百條，但在其他領(lǐng)域，數(shù)據(jù)肯定不止這些。

但基礎(chǔ)物理模型能夠生成更多數(shù)據(jù)，我們目前研究的幾個基礎(chǔ)模型，可以在有限數(shù)據(jù)訓(xùn)練下，仍然能獲得較好的結(jié)果，后續(xù)可以再基于獲得的更高質(zhì)量的數(shù)據(jù)去優(yōu)化和修正。在我們這個模型體系下，讓AI去學(xué)習(xí)基礎(chǔ)的科學(xué)原理本身，通過少量的領(lǐng)域數(shù)據(jù)進行增訓(xùn)就已經(jīng)能得到不錯的效果，這跟大語言模型稍有區(qū)別。

Q：如何讓AI學(xué)習(xí)基礎(chǔ)科學(xué)邏輯，然后去做解決具體的應(yīng)用難題？

A：一般是通過一些物理模型去直接進行運算，然后產(chǎn)出的結(jié)果數(shù)據(jù)進行訓(xùn)練，之后去模擬物理模型。

Q：基礎(chǔ)大模型到各垂類大模型之間的關(guān)系是什么樣的？基礎(chǔ)大模型是自己訓(xùn)練，還是使用第三方開源大模型？

A：不同場景不太一樣，如果指的是大語言模型，更多應(yīng)用在文獻解讀，比如論文解讀?；镜膽?yīng)用對于單篇論文解讀，出于成本考慮，會用到一些通用大模型幫我解讀論文。如果說要去進行多篇論文的解讀，甚至是在我們的大的論文庫里面進行整體的檢索，也包括專利的檢索和分析的時候，那我們會用到自研的文獻模型去進行更細致的論文解讀。

所以我們還是奔著用戶的產(chǎn)品去做，可能看哪個模型更適合我們的產(chǎn)品，也會出于成本的考慮，去做出選擇。

現(xiàn)在很多模型我們更多稱之為是預(yù)訓(xùn)練模型，比如我們?nèi)ツ臧l(fā)布的那個DPA，就是計算不同元素原子間勢函數(shù)的一套預(yù)訓(xùn)練模型，前段時間也開放OpenLAM大原子模型計劃，希望能夠通過去發(fā)動一些開源的力量，能夠一起去貢獻和共享數(shù)據(jù)，把模型訓(xùn)練的更成熟。

Q：深勢科技現(xiàn)在模型數(shù)量大概有多少？

A：我們現(xiàn)在材料領(lǐng)域和藥物領(lǐng)域加起來有上百個模型。

營收破億，牽手數(shù)十家藥企，深勢科技的商業(yè)模式

Q：能否分享一下深勢科技在AI醫(yī)藥領(lǐng)域最新的研發(fā)進展？

A：醫(yī)藥這塊其實我們現(xiàn)在主要關(guān)注于臨床前的研究，覆蓋了幾乎所有臨床前的計算場景，比如從早期的靶點發(fā)現(xiàn)、蛋白質(zhì)的結(jié)構(gòu)分析，到靶點分析、分子篩選、親和度的分析，再到性質(zhì)的預(yù)測等等，這一系列的環(huán)節(jié)里面包含了很多這樣的計算手段，我們現(xiàn)在都有落地的算法。

結(jié)合醫(yī)藥場景，我們把這些所有的算法包裝成一個產(chǎn)品，就是我們的藥物設(shè)計平臺Hermite，我們現(xiàn)在基本跟國內(nèi)的頭部的前50家藥企業(yè)在不同的領(lǐng)域都有合作，主要涉及三個方面，一個是biotech（生物科技），一個是CRO（臨床研究機構(gòu)），一個pharma（制藥公司），都有各自代表的企業(yè)。

上周我們剛與國內(nèi)一家上市公司-東陽光簽訂合作，它是做流感藥奧司他韋的企業(yè)，也是剛剛拿到了美國三個第一的認證，我們接下來會和他們在靶點相關(guān)業(yè)務(wù)進行合作。

除了像東陽光這種比較典型的生物醫(yī)藥領(lǐng)域的企業(yè)之外，我們其實還跟很多在做藥物研發(fā)的科研機構(gòu)和高校進行合作，比如跟華西醫(yī)科大、湘雅醫(yī)院和醫(yī)學(xué)院等都有合作。

Q：我們現(xiàn)在的產(chǎn)品其實可以直接用瀏覽器就能夠使用，整體部署也很輕量化，所有的核心產(chǎn)品部署方式都是這樣嗎？

A：是的，我們一般線上在執(zhí)行的，大多數(shù)是AI推理工作，訓(xùn)練工作通常離線完成，所以數(shù)據(jù)量傳輸沒有那么大，也會有小量訓(xùn)練場景，更多是基于預(yù)訓(xùn)練模型的微調(diào)，它也是通過小批量的數(shù)據(jù)就可以進行的，數(shù)據(jù)傳輸壓力也較小。輕量化部署并不是我們用到的算力不夠多，系統(tǒng)背后是調(diào)用了混合云、HPC算力的，只不過給用戶包裝成了瀏覽器訪問。如果是一些私有化的場景，也需要我們把這套背后的算力系統(tǒng)進行相關(guān)部署，在SaaS上面不需要。

一般大型企業(yè)的話，都是要私有化的。因為他們對數(shù)據(jù)隱私要求特別的高，一些類似教學(xué)的場景，或者是一些研究所的場景的話，可能在某一個課題當(dāng)中就臨時用一下，不需要私有化部署。

Q：與目前合作企業(yè)實際項目進展情況如何？具體進行到什么階段？

A：我們跟藥企的合作主要是計算環(huán)節(jié)，公司不做藥物生產(chǎn)，所以不參與藥企的藥物開發(fā)環(huán)節(jié)。

我們基本上算是全鏈路負載，我們現(xiàn)在也在嘗試一些新的領(lǐng)域和探索，比如將軟件整合到偏硬件研發(fā)的自動化實驗室中，共同服務(wù)好更多的企業(yè)，因為藥企的需求還是蠻多蠻復(fù)雜的。

然后從營收上來說，我們?nèi)ツ甑臓I收破一個億。

我們跟藥企的合作的商業(yè)模式有兩種形式，一種是賣軟件，另外一種是聯(lián)合研發(fā)。

很多大企業(yè)會本地化部署，自己也能養(yǎng)得起團隊，能夠有資金足夠支撐購買軟件費用，但還有一部分可能中型或者是新型創(chuàng)新型藥企，缺少先進生產(chǎn)工具，也缺少對應(yīng)的人才來支撐其使用這些工具，所以會選擇跟我們聯(lián)合研發(fā)，我們能夠幫助他們做更多的計算，其中也因為涉及到數(shù)據(jù)和信息安全的事情，所以雙方的結(jié)合就特別緊密。

但很多大的藥企，具備足夠的資金、人才實力，甚至希望我們再給他們提供SaaS的同時，能給他做一些定制化的服務(wù)。

AI for Science的未來

Q：我看到目前的幾個算法分級，非常像自動駕駛的五個分級，目前我們在L2階段能達到一種什么狀態(tài)了？可以多大比例上，替代此前的實驗?zāi)Ｊ剑磕梢耘e一個具體場景的案例說明

A：L2的場景，我們更多是叫接近實驗精度，更多還是以人為本，計算去輔助人類，減輕實驗壓力。因為藥物設(shè)計里，不同體系差距比較大，我們在部分體系上都已經(jīng)能夠達到接近實驗的精度。所以也不是說用戶完全可以不用做實驗，而是我可以幫助用戶做更多基礎(chǔ)的事情，比如分子篩選，它可能是100萬的藥物化合物，通過AI可以幫用戶篩選掉幾十萬，最后可能剩下的，需要科研人員再進行實驗驗證，實驗量級會大大減少。

Q：從L2邁到L3的難點是什么？

A：我對這個L3的理解是AI能夠直接給出結(jié)果，相當(dāng)于在某些場景，可以直接替代掉人類實驗。到L3的難度，主要在于一個是各環(huán)節(jié)精度需要達到一定高度，另外其中涉及算法特別多，各個算法之間的整合也是一個難點。對于算法的整合，其實類似于一套完整的工作流體系，而這個體系是能夠不斷自我回溯，自我優(yōu)化的。

Q：從過去到現(xiàn)在在整體的技術(shù)上是否有一些迭代？以及目前模型的發(fā)展上是否會遇到一些瓶頸？

A：目前我們主要基于數(shù)據(jù)在各個算法上不斷迭代，尤其是在用戶常用的產(chǎn)品上，算法迭代更快一些，像我們的DPA產(chǎn)品，已經(jīng)從1代升級到2代，升級的能力在于，1代能夠支持單一領(lǐng)域的預(yù)訓(xùn)練，2代則能夠根據(jù)不同的標(biāo)注方式的數(shù)據(jù)集，同時進行并行訓(xùn)練。

瓶頸主要來源于數(shù)據(jù)，科學(xué)計算領(lǐng)域數(shù)據(jù)來源并不廣泛，公用數(shù)據(jù)集沒有很多，所以我們現(xiàn)在很大一部分工作，是如何在小數(shù)據(jù)集基礎(chǔ)上，讓模型的訓(xùn)練效果越來越好。

另外，還有一個額外需要注意的，就是可解釋性問題，因為科學(xué)計算要求比較嚴(yán)謹，對可解釋性要求更高，我們現(xiàn)在通過暴露參數(shù)、平移的路徑等方式，來盡量增強模型的可解釋性。

Q：如何解決數(shù)據(jù)稀少問題？

A：在AI for Science領(lǐng)域，不管是材料領(lǐng)域，還是藥物領(lǐng)域，最基礎(chǔ)微觀層面的物理原理是一致的，所以好處是，某些材料領(lǐng)域的數(shù)據(jù)可以直接復(fù)用到醫(yī)藥領(lǐng)域，比如DPA 2就能基于不同標(biāo)準(zhǔn)體系下給到的數(shù)據(jù)，幫助用戶訓(xùn)練出一個統(tǒng)一的模型。然后將這套模型具體應(yīng)用到行業(yè)中時，再拿少量數(shù)據(jù)進行微調(diào)，就可以進行使用。

在ToC市場中我們還沒有涉及，但我們這套體系已經(jīng)覆蓋了一些教學(xué)場景。我們有一個教學(xué)研用一體化的科研平臺，現(xiàn)在主要面對的客戶是偏高校，或者是偏C端的一些用戶。針對高校，我們這邊會有老師類似實訓(xùn)平臺，從整個教學(xué)到學(xué)生上課，再到使用，甚至是研究成果的落地，這個平臺都可以支持。

Q：AI for Science未來市場發(fā)展空間如何？

A：市場空間我覺得足夠大。不管是科研，還是醫(yī)藥、材料，AI的加入至少在實驗這個層面上，就能夠?qū)嶋H的解決問題，幫助科研人員提升實驗效果，減輕實驗負擔(dān)。

從整個客戶接受程度來說，于我們而言很多場景中有一部分成本則是在于教育用戶，比如在藥物領(lǐng)域，我們跟客戶都是建立長期合作關(guān)系，因為需要陪著客戶走完一整個驗證周期。

相比較來說，材料領(lǐng)域會快很多，比如電池的研發(fā)周期就挺快的，電解液的配比如果用AI預(yù)測出效果的話，很夠就能夠進行制備驗證。

從國家層面，科技部會同自然科學(xué)基金委啟動了Al for Science專項部署工作。這也進一步說明了從社會經(jīng)濟層面到國家宏觀政策都是看好和大力支持的，這塊肯定是一個未來的方向，毋庸置疑。

Q：AI for Science現(xiàn)在還是偏早期的階段，未來3年內(nèi)會發(fā)展到什么階段？

A：我覺得至少所有的客戶會對這件事有一個統(tǒng)一的認知?，F(xiàn)在大家已經(jīng)開始積極擁抱AI，對AI的理解更上一層。所有各行業(yè)都不會對這個詞感覺到陌生或者排斥，有一個比較積極的態(tài)度。之后就是我們跟客戶怎么建立類似共創(chuàng)的合作關(guān)系，畢竟這個行業(yè)屬于數(shù)據(jù)敏感型行業(yè)。在三年節(jié)點上，也希望能夠幫客戶有一些實際的落地場景出來。

其實我覺得如果說能夠把那個價值點稍微考量的更清楚，客戶的接受度還是蠻高的，因為整體上來講，現(xiàn)在無論是藥企還是剛才講的新能源，大家也越來越重視創(chuàng)新投入。我們也是希望能夠助力整個科研范式創(chuàng)新，包括科研的基礎(chǔ)設(shè)施，以及上層各個場景，通過我們這套科研平臺能夠能夠連通起來，然后去賦能各個行業(yè)。