文章梳理 AI4Science 图谱，探讨如何颠覆传统药物研发模式。通过 “Tech/Bio × Generalist/Specialist” 四象限框架，分析不同玩家在生物医药研发中的角色与策略，涵盖基础模型的范式变化、自动化科研流程、AI 驱动的创新疗法及环节优化等方面，展望 AI 驱动科学发现的未来。
上世纪 50 年代信息论和 DNA 双螺旋的发现，点亮了生命科学与数字互联网这两个最关键的科技树；今天 AI for Science 开始将这两股洪流汇聚并指数级加速。 大模型对生物系统这样复杂、非线性的系统有着前所未有的理解和生成能力，有望成为加速科学发现的关键引擎。
如果说上一代 AI 只是帮助科学家“更快地做旧事”，新一代 Foundation Model 则开始“做以前做不到的新事”。从 AlphaFold 3 、ESM3 到 Evo 2 等模型，他们把分子-细胞-系统的设计空间瞬间打开，自动化 AI Scientist 则把实验室变成可编排的软件流水线。这意味着十年、二十亿美元成本的药物研发流程，正被重新压缩与重构。
本文以「Tech/Bio × Generalist/Specialist」四象限为框架，梳理了以下几类玩家：
01 Background
02 研究框架
03 Tech × Specialist：Biology foundation model 的范式变化
04 Tech × Biologist：自动化科研（AI Scientist）重塑研发流程
05 Bio x Generalist：AI-native Therapeutics AI 驱动创新疗法
06 Bio x Specialist：AI 聚焦环节优化
07 结语
上世纪 50 年代同时发生了两场革命：香农和图灵的信息论开始数字化革命，为互联网打下基础，为今天 AI 智能的快速提升提供了养料；与此同时，沃森和克里克发现了双螺旋结构，一个基于 0 和 1 数字编码和 DNA 遗传代码的信息时代由此诞生。两个学科的浪潮各自累积着奔腾的势能，直到 AI for Science 将他们交汇在一起，加速斜率将成倍放大。
过往的历史中，从炼金术士的炉火到现代的高通量实验，人类探索科学发现的方式始终离不开反复试错 Trial-and-Error。这让每一次科学发现都需要长时间、大金额的试错成本：今天一款创新药物从靶点发现到上市，平均要 10 年、20 亿美元 的实验投入。
计算平台的迭代正在改变这一切，Foundation Model 正在把高成本、慢速的实验变为可计算验证、迭代速度更快的闭环：在多尺度的分子、细胞、乃至系统层面，模型能筛选出最有潜力的分子结构，再把有限的实验资源精准投入到高价值验证。也就是说，Foundation Model + AI Agent disrupt 了人类专家 Trial-and-Error 的带宽和速度。
在这场范式迁移中，生命科学无疑是最前沿、也是资本与技术最密集的“主战场”。本文将聚焦 AI for Life Science 的最新进展：从蛋白质结构预测到全流程 AI Scientist 的研究型 Agent。我们将拆解技术路线、商业模式与未来机遇，探讨 AI 如何重塑科学发现的成本曲线与创新速度。
我们理解和研究 AI for Life Science 领域时，构建了这样一个 Mapping 象限：
横轴：Generalist vs. Specialist
这个维度评估的是 startup 在生物医药研发流程中的广度和深度。越靠近左侧，产品则就越偏单点聚焦；越靠近右侧，产品则越偏全流程的技术平台。横轴上的差异有些类似目前制药产业中 CXO 与药企之间的差异，但 AI 扩散可能会让产业链价值重新分配，因此我们特意避开直接用这个分类。
纵轴：Tech vs. Bio
第二个维度分析企业交付的产品是侧重于平台技术能力（Tech），还是直接解决生物/临床问题（Bio）。越靠近图的上方，越接近技术方案本身的交付，并不要求公司自己完整实现疗法；越往下方，则是需要完整开发一个药物/疗法。
按照以上的分类框架，我们觉得有以下公司和方向尤其值得关注，在这里先做简单的介绍，后面详细展开每一个领域的 Thesis：
AF 3 的成功是 AI for science 的标志性事件。它解决了困扰生物学界长达50年的蛋白质三维结构预测难题，将过去需要数月甚至数年冷冻电镜实验才能解析的结构，缩短到计算机上的快速预测。蛋白质结构决定功能，AlphaFold的突破意味着我们能更快地理解生命过程、设计新药。
• AlphaFold 3 的进化： 由Google DeepMind及分拆出的Isomorphic Labs共同研发，不仅延续了对蛋白质结构的精准预测，更将能力扩展到预测蛋白质与DNA、RNA、小分子、离子等的复合物结构与相互作用。技术上，引入Diffusion Model简化了流程，减少了对多序列比对（MSA）的依赖，并拓宽了输入分子类型。其训练数据源自公开的PDB数据库，并辅以合成数据增强泛化能力。越来越多的生物医药的公司正在把 AF3 融入工作流中。
• Isomorphic Labs 的战略定位与进展： 由DeepMind分拆成立，CEO为诺贝尔奖得主、DeepMind创始人Demis Hassabis，团队核心成员来自原AlphaFold团队，技术实力顶尖。据报道团队已超70人，已与礼来（Eli Lilly）和诺华（Novartis）签署重大合作协议。与礼来的合作涉及4100万欧元预付款，总里程碑付款可达15.5亿欧元，专注于小分子药物发现；与诺华的合作涉及3400万欧元预付款，总额可达11亿欧元。这些合作验证了其技术的商业价值，并为其提供了真实的药物发现场景和数据反馈。Isomorphic Labs定位为技术平台提供方（Tech），专注于结构预测这一核心环节（Specialist）。
AlphaFold点燃了生物基础模型的热潮，后续模型沿着不同路径探索：
•EvolutionaryScale 与 ESM3：通用生物多模态模型
1. 背景： 由前Meta AI蛋白质团队负责人Alex Rives创立，2024年6月推出ESM3模型并宣布获得Nvidia、Amazon等投资的1.42亿美元种子轮融资。
2. 技术路径： 旨在打造类似GPT的通用生物基础模型。ESM3基于双向Transformer，独特之处在于整合了序列、结构、功能三个模态的输入和输出。模型在编码阶段融合多模态信息，解码时可根据任意输入组合预测其他模态（如序列预测结构、结构预测功能等）。
3. 模型特点： 存在1.4B、7B、98B三种尺寸，展现明显Scaling Law（参数越大，性能越好）。通过RLHF（类指令微调）显著提升了在特定任务（如tertiary coordination）上的性能。
4. 产品与定位： 目前通过网页端提供模型服务（内测），目标是覆盖药物发现的更广泛任务（结构预测、药物生成、性质预测等）。尽管在单一结构预测任务上目前可能落后于专用模型，但其多任务、多模态能力代表了重要的发展方向。
• Chai Discovery 与 Chai-1：快速跟进与专注
1. 背景：在AlphaFold方向上复现速度极快，获得Thrive Capital和OpenAI领投的3000万美元种子轮融资，估值1.5亿美元。
2. 技术路径：采用与AlphaFold 3类似的Diffusion模型进行结构预测，专注于高精度预测蛋白质与复合物结构。
3. 定位：定位清晰，即成为结构预测领域的有力竞争者，提供精准、快速的平台技术服务（Tech x Specialist）。其快速获得顶级VC和战略投资方（OpenAI、Thrive）的支持，显示了市场对该方向的认可。
• ARC Institute 与 Evo2：解码基因组语言 virtual cell foundation model
1. 技术特点： 是一款基因组语言模型（40B参数），在超9万亿碱基序列上训练，拥有100万碱基的超长上下文窗口，能捕捉基因组范围内的长程依赖关系。
2. 核心能力： 1）预测变异功能：如在BRCA1基因突变良恶性判断上准确率超90%。2）设计生物序列：可设计新的基因元件、调控序列（如组织特异性启动子），甚至“人工生命代码”。
3. 战略意义：Evo2代表了序列层面的基础模型范式，与AlphaFold等结构层面的模型形成互补。它让我们能在遗传蓝图层面理解和干预生命，为基因疗法、合成生物学带来新工具。ARC Institute选择将其开源，加速了整个领域的进展。
生物基础模型正从单一任务（结构预测）走向多模态、通用化（ESM3）和深入基因组（Evo2）。这些模型共同构成了生物研究的计算基石，有望实现跨尺度（基因-蛋白-功能）的智能分析与设计。
传统生物科研面临周期长、成本高、结果难复现（年浪费$280亿）的困境。生物系统的极端复杂性使得人工试错效率低下。AI Scientist 旨在通过自动化研究流程来突破这些瓶颈。
AI Scientist 路线的核心理念是 LLM 的推理、规划、工具使用能力在科学研究领域放大，使其能够像科研助理甚至科学家一样工作，整合文献检索、实验设计、数据分析、机器人控制等环节。
在这一自动化科研架构中，各类基础模型将成为可以核心调用的 tool use：类似机器人中的 high-level 规划（AI scientist 框架）和 low-level 执行、调用工具（biology foundation model）的分工。
LLM 本身提供了强大的推理和知识整合能力，能从文献中学习科学知识、设计实验方案并优化决策流程。像 AlphaFold、Evo2 这样的专业基础模型则可以作为AI科研助手的“工具库”，在需要时被调用：例如代理在设计药物时调用AlphaFold预测配体-蛋白结合构型，在研究基因功能时调用Evo2预测突变效应，等等。基础模型成为自动化科研的基础设施，使得 AI agent 可以在无需人类介入的情况下完成许多认知和分析任务。
• Future House：
FutureHouse 由 Eric Schmidt 资助、沿用 FRO（Focused Research Organization）机制：不以商业化为近期目标，而是用长期耐心资本和开源方式，打造可自主提出问题、规划实验、迭代假设的 AI 科学家体系。
他们提出了其四层框架——工具层（基础模型、设备接口）→ AI 助手层（特定任务模型） → AI 科学家层（核心自主研究智能体） → 人类监督层（提出探索任务、监督）。基于这样的框架，他们目前发布了 4个 Agent：
Crow：“一句话读懂文献”
1. 定位：通用型检索 + 推理代理。
2. 能力：接入 PaperQA 派生管线，可在数秒内完成跨学科检索、证据链追溯和摘要，对 问题-答案 基准测试的准确率超越博士后平均水平。
Falcon：深度系统综述引擎
1. 定位：面向专家的“自动综述”助手。
2. 能力：连接 OpenTargets、PubChem 等十余个专业数据库，可执行基因-疾病-化合物的三向交叉检索，并生成结构化证据图谱。
Owl：“Has Anyone Done X?”
1. 定位：前沿监测与重复研究风险控制。
2. 能力：高召回式语义搜索，能追踪异构表述与冷门期刊，判断给定假设是否真正无人涉足；帮助团队避免重复造轮子、定位潜在合作方。
Phoenix：化学-实验规划师
1. 定位：ChemCrow 家族的合成设计体。
2. 能力：调用 RDKit、SafetyGPT 等工具，自动生成反应路线、试剂列表与实验 SOP，并对成本与安全性给出评分。未来将扩展到生物试剂自动订购与机器人实验室。
FutureHouse 将 Crow + Falcon + Owl + Phoenix（再加数据分析体 Finch）编排为多智能体系统 Robin。Robin 在 2.5 个月 内完成一次端到端科研循环，发现了治疗 干性年龄相关性黄斑变性（dAMD） 的全新药物方案：
1. 假设生成：Crow 审阅 1.7 万篇视网膜文献，提出“增强 RPE 细胞吞噬作用”假设；Falcon 列出 10 个 ROCK 抑制剂候选。
2. 首轮实验：Phoenix 设计体外筛选；Finch 解析数据，确认 Y-27632 提升 RPE 吞噬率并上调 ABCA1。
3. 机理-二次筛选：Robin 再次检索并锁定 ripasudil（原为日本获批青光眼药），体外验证优于首轮化合物；建议快速推进眼科适应症重定位。
4. 输出：Robin 自动撰写预印本、生成图表与方法学；人类仅执行湿实验。
AI Scientist有望将单个科学家的产出效率提升10-100倍。基础模型成为AI Agent调用的核心工具。这种模式将科研从劳动密集型转变为知识和算力密集型，极大加速创新迭代。
• Lila Sciences ：
1. 定位： 构建“科学超级智能平台”，结合AI引擎和全自动化实验室，实现端到端的科学发现自动化。
2. 技术核心： 1）生成式AI科学引擎：能自主生成假设、设计实验、优化参数，并结合物理定律推理。2）自动化实验室基础设施：整合机器人、高通量设备，支持7×24无人化实验。
3. 披露成果： 他们的专注方向不止在生物领域，而是在材料、能源领域都有单独的管线和团队。已在发现新抗体/肽、设计催化剂（绿色氢气）、开发碳捕获材料等方面取得初步进展：
1）基因药物设计：产生优于市场的最优基因药物结构
2）新型治疗分子发现：发现和验证了数百种针对广泛治疗靶点的新型抗体、肽和结合物（耗时几个月）
3）绿色能源技术创新：开发出独特的非铂族金属作为绿色氢生产的催化剂，成本仅为当前商业催化剂的一小部分
4）碳捕获材料设计：为工业规模的碳捕获设计新材料，具有更好的容量、热稳定性和动力学结合
4. 商业模式： 偏向技术输出和合作赋能，计划与生物技术公司（包括Flagship系）合作，而非自行开发管线。定位为Tech x Generalist，提供广泛的科研自动化能力。
这类公司是 AI-native 制药公司，它们的目标是构建一个以AI为核心、贯穿药物发现到临床开发全流程的整合平台，并利用这个平台自主研发和推进创新疗法管线。AI不仅仅是工具，而是其研发范式的基础和引擎。
这类公司的 upside case 是从零到一整体重构药物研发。它们先训练跨模态生物大模型，然后把模型输出结果做内部的高通量实验、乃至临床开发。有几个关键特点：
1. 复杂生物药设计： 如设计具有特定结合位点、多特异性或条件性激活功能的抗体、蛋白质药物。
2. 细胞疗法： 如AI 优化细胞分化 protocol，我们之前 IC 讨论过的 Somite AI
3. 基因疗法： 如设计更高效、更特异的递送载体（如AAV衣壳），或利用AI（如Evo2）设计调控元件以实现精准表达。
• AI整合的广度与深度：
1. AI被系统性地应用于多个甚至所有关键阶段：从基于多维数据和生物学知识的靶点识别，到利用生成式AI从头设计或优化具有理想特性的小分子、抗体、肽类甚至更复杂的生物制剂，再到通过AI预测药物的药代动力学/药效学（PK/PD）特性、毒副作用（ADMET），乃至辅助设计临床试验方案、分析试验数据、预测患者响应等。
2. 这类公司通常致力于构建一个数据飞轮：AI预测指导实验设计，实验数据反馈优化AI模型，形成一个不断学习和进化的闭环系统。
尽管一旦突破，第一个成功上市产品就可能带来亿美元级峰值销售，这个赛 upside很高的同时又很risky：极高的风险和不确定性，研发周期长，所需资本投入巨大。不仅需要顶尖的AI能力，还需要强大的生物学、化学、临床开发能力，对跨学科团队的要求极高。平台能力的验证需要通过管线进展来体现，早期难以评估。
Xaira Therapeutics
Xaira 成立于 2024 年，背后出资方包括 ARCH Venture Partners 和 Foresite Labs。公开资料显示，公司一次性募集了约 10 亿美元的启动资金，用来搭建一条把“数据生成—分子设计—早期临床”串在一起的完整研发链条。团队核心成员既有前基因泰克高管，也有蛋白质设计领域的学术领军人物 David Baker。
• 重点方向
1. 蛋白质生成式模型：在 RoseTTAFold、RFdiffusion 等开源路线基础上深度改造，用于重设计抗体、配体和新型蛋白递送载体。
2. 多模态数据工厂：自主建设高通量筛选和多组学测序产线，保证模型迭代的数据闭环。就在这周，他们发布了目前最大的公开可用的 Perturb-seq 数据集，名为 X-Atlas/Orion，为虚拟细胞研究提供支持，该数据集可用于 AI 模型训练，并能检测剂量依赖性遗传效应，从而增强药物发现的预测能力。
3. 端到端推进管线：首批项目聚焦自身免疫和肿瘤免疫调节，将快速推进到临床 I 期，验证“模型-实验-临床”一体化是否真能压缩研发周期。 整体来看，Xaira 押注的是“大投入纵向整合”模式：自己掌握数据、算法、实验和临床，减少传统跨公司协作中的摩擦成本。
Generate Biomedicines
Generate 由 Flagship Pioneering 在 2018 年孵化。公司把自己的方法称为“生成生物学”：利用大规模蛋白语言模型设计分子，再通过自动化实验完成验证和迭代。
• 重点方向
1. 多元蛋白疗法：从抗体到酶、细胞因子，再到更复杂的多特异蛋白，平台都尝试“按需生成”。
2. 合作与自研并行：已与安进、诺华签订潜在里程碑超过 10 亿美元的合作协议，同时保留十余条内部管线（免疫、罕见病、感染病）。
3. 高通量闭环：内部建有冷冻电镜、质谱、表型筛选流水线，用来把模型预测结果在短周期内转化成实验数据，反哺下一轮训练。 公开信息显示，公司累计融资超过 7 亿美元，并声称可把从命中到临床前验证的时间压缩到两年以内。Generate 想验证的核心假设是：在药物早期最烧钱、最耗时的阶段，用计算手段替代大量试错。
Somite AI
Somite 创立于 2024 年底，于 2025 年 5 月宣布完成 4700 万美元 A 轮融资，投资方包括 Khosla Ventures。公司聚焦“可编程细胞疗法”，目标是让干细胞定向分化变得可预测、可规模化。
• 重点方向
1. DeltaStem 基座模型：将数以百万计的单细胞转录组和时间序列表型数据作为训练集，预测细胞命运转变路径。
2. 微胶囊筛选技术：自研高通量培养系统，可同时观察上万个微型类器官，极大提高数据生成速度。
3. 再生医学应用：现阶段专注于 β 细胞（糖尿病）、软骨和肌肉修复，属于市场需求清晰且细胞疗法技术路线已较成熟的领域。 Somite 的商业逻辑是：通过更准确的分化预测，减少细胞疗法开发过程中的失败批次，从而降低 COGS，并把上市时间前移。
Moonwalk Bio
Moonwalk 于 2023 年末起步，种子 + A 轮总融资约 5700 万美元，创始团队包括 CRISPR 领域的张锋和前 Illumina CTO Alex Aravanis。公司专注“精准表观遗传编辑”。
• 重点方向
1. EpiRead：单细胞水平的表观基因组测序技术，能高分辨率绘制细胞在疾病状态下的染色质开放、甲基化等图谱。
2. EpiWrite：采用非切割的表观遗传编辑工具（如 dCas9-TET、CRISPR-off），在不改变 DNA 序列的情况下调控基因表达。
3. AI 靶点优选：利用深度学习模型从图谱中挖掘“可逆性”强、与疾病因果关联明确的修饰位点，优先推进动物实验。 Moonwalk 认为，相比基因敲除或基因替换，表观遗传层面的微调风险更低，而且适用于多基因复杂疾病。首批项目锁定代谢疾病和脂肪肝，若能取得动物模型验证数据，将为其平台带来早期可信度。
这四家公司共同代表了“Bio × Generalist”赛道的不同落地方向，但都试图用 AI 强化分子或细胞层面的设计能力，同时把实验、数据与模型打通，缩短研发时间并降低失败率。区别在于：
• Xaira 与 Generate 侧重蛋白质等分子层面，路径更贴近传统大分子药物；
• Somite 把目光投向细胞疗法，核心在于可控分化；
• Moonwalk 则尝试在表观遗传这一相对新的干预层面建立技术壁垒。
最后这个象限的公司并非重建全流程，而是用 AI 深度优化传统研发的单一关键环节，用 AI 提升效率和成功率。他们的假设是把 AI 投入到最烧钱、最慢、失败率最高的节点，会比重新组装一条全栈研发线更快见效。因此我们看到有这样几个关键环节，会去用 AI 去大幅提效和进行优化：
这类公司批量生成并开源稀缺实验数据，可以成为 AI4sci 领域的 Scale AI。他们的定位为上下游模型与药企提供“训练燃料”，自身不做管线，而充当生态底座。 核心数据 + 增值 API 或定制实验是他们常见的商业模式。这类数据集降低了模型训练门槛，同时推动下游个性化的药敏等属性预测。
代表公司：Tahoe Therapeutics
Tahoe Therapeutics 与 Arc Institute 发布的单细胞扰动数据集，涵盖 1 亿细胞 / 6 万次化学-生物扰动，规模为公开同类数据的 50×。
Tahoe-100M是全球最大规模的单细胞扰动转录组（scRNA-seq）数据集，核心是记录不同药物扰动下，50种癌细胞系中每个细胞的转录组响应（即基因表达全景变化），覆盖21个物种、72种组织类型，并包含6万种药物-细胞相互作用记录。它通过Mosaic平台实现多细胞系混合培养、药物处理和高通量单细胞测序。
这种数据直接反映药物如何在细胞水平上重塑基因表达网络，揭示药物作用机制、细胞状态转变、耐药性、异质性等核心生物学问题。与传统bulk RNA-seq或蛋白组学相比，单细胞扰动数据能捕捉到细胞亚群特异的响应和罕见状态，极大丰富了AI模型的训练基础。这与提到 AI 公司主攻的蛋白质结构等方向有明显互补。
比起结构预测那样的任务，靶点发现是更依赖生物专业能力的方向。也有公司在整合 DNA、蛋白、显微图像和临床表型等千万级多模态数据，训练跨尺度 Foundation Model，直接输出新靶点与作用机制假设。
过去 AI 模型基本无法在靶点发现上帮倒忙，而 Foundation model 的出现改变了这一点：
• 千亿 Token 多模态模型：覆盖 DNA->蛋白->细胞->组织四级信息；
• 跨尺度注意力：捕捉远程调控与细胞间信号，自动生成靶点-通路评分。
代表公司： Bioptimus
由 DeepMind 与 Owkin 科学家联合创办，累计融资 7600 万美元；获 NVIDIA 专属算力支持，未来的定位是“生物通用基础模型”供应商，目前客户用例基本集中在前期靶点相关的单点探索工作。
这类公司把已上市或临床搁浅的药物，与新的疾病通路、基因表达签名快速“拼图”，筛出可直接进入 II 期的适应症。这类方法有一些明显的优势：
• 成本优势：安全性数据现成；可跳过毒理与小规模 I 期。
• 合作模式：常见“里程碑＋下游版税”，前端资本负担轻。
• 目标人群多半是罕见病或儿童病，这些领域的临床安全容忍度高，对已知分子接受度也更高。
技术上，这类公司并非做完整的 foundation model，而是更像一个领先的专用模型
• 知识图谱 + 图神经网络：将“分子-靶点-表型”三层关系压缩到同一向量空间，迅速评估重定位机会。
• 基因表达逆转匹配（LINCS/L1000）：寻找能够逆转病理表达谱的分子，优先用于罕见病或儿科疾病。
代表公司
• Healx：跑出稀有病重定位最快案例。2024 年 C 轮融资 4700 万美元，候选药 HLX-1502 已进入 NF-1 II 期，并获得 FDA 罕见病三重加速资格。
• Recursion：主营业务是做高通量细胞影像筛选，如今把 50 PB 的表型数据开放给大模型，重定位算是其中商业化比较快的切入点。依托 细胞影像数据，REC-994 正在脑血管病（CCM） II 期验证，展示了重定位与表型数据结合的规模效应。
进入临床阶段值得优化效率的环节也很多，例如 50 % 以上的试验因招募延误而成本飙升。AI 可以 EHR、基因分型、影像等多模态数据，做入组筛查、分层与随访预测。LLM 能更好地理解病症关键词和实验室指标，再预测响应概率，做更好的患者匹配。过去也有不少公司用 NLP 和数字孪生（Digital Twin）技术替代部分对照组，直接减少样本量。
代表公司
• Paradigm：2023 年获 2.03 亿美元 A 轮，由 ARCH 与 General Catalyst 孵化。主攻“社区医院 + 远程分布式试验”
• Unlearn AI：2024 年 C 轮 5000 万美元，数字孪生技术获 FDA 探索性认可，可将招募期缩短 30–50 %，主力客户包括默沙东与拜耳。
这个领域的收费模式多为“每成功入组一个患者支付 X 美元”或与 CRO 按成功率分成，因此运营属性比相对标准化的 AI 产品高很多。
Foundation Model 与自动化 AI Scientist 正把科学探索推入“算力-数据-算法”驱动的指数级进步时代。 在四象限版图中：
价值正在从传统 CRO 与药企的“手工试错”转移到掌握数据、模型飞轮与自动化实验室的 AI 原生公司手中。对创业者而言，这意味着必须、布局专有数据获取 + 模型闭环迭代 + 实验自动化；对投资人而言，这是一场关于实验计算化、跨学科人才密度与平台型网络效应的长期赛跑。谁能率先让 GPU 与模型源源不断地产出新分子、创造新疗法，谁就将在这场科学的寒武纪爆发中进化为新的物种。
作者：Cage
本文由人人都是产品经理作者【海外独角兽】，微信公众号：【海外独角兽】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。