夜雨聆风
从“经验试错”到“按需智造”:AI驱动的药品设计工具平台全景扫描
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
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。