北美发布 报道
如果人工智能（AI）不仅能够帮助科学家整理和分析数据，还能够预测研发方向、筛选更有潜力的候选药物，甚至通过AI Agent改变一家Biotech公司的组织方式，那么，传统的新药研发模式将发生怎样的变化？
9月25日，在美中药协北卡分会（SAPA-NC）与同写意联合举办的创新药“巅峰对话”（Summit Dialogue）活动上，SAPA-NC Advisor Tony Zhang博士围绕AI与生物医药创新进行了主题分享，并通过一场精心设计、别开生面的互动式辩论，将现场科研、医药和产业界嘉宾带入关于AI机遇、边界与未来的深入讨论。
Tony Zhang博士同时担任BayJiBio Global CEO，长期从事医药产业战略、国际商业合作及AI在生物医药领域应用的探索与实践。
在当天围绕创新药研发与产业合作的多维讨论基础上，Tony Zhang的分享进一步把论坛带入一个正在快速影响整个行业的新领域：AI。
AI将如何改变药物发现、临床开发、商务拓展（BD），乃至未来Biotech公司的组织方式？
主题分享之后，一场没有预先设定答案的精彩辩论，更让这一问题从技术层面延伸到科学方法、原创创新和人类独立判断等更深层次的话题。为什么要辩？就是在一个非常不确定的技术时代，在一个AI快速发展的阶段，没有人是绝对的专家，通过大家的体验、参与、感受，来增加AI对我们创新工作的认知；从这个层面，通过辩论把大家的思想层面多维度呈现出来。
AI最重要的价值，可能不仅是“更快”
Tony从传统新药研发流程切入，从早期靶点和分子发现、实验室验证，到动物实验、临床开发和最终审批，分析了AI可能参与和改变的多个环节。
在他看来，贯穿整个新药研发过程的一个核心要素是数据。
传统研发通常是在实验完成、数据产生之后，再由研究人员进行分析和判断。而随着人工智能、计算生物学和大规模数据分析能力的发展，AI开始越来越多地参与到研发过程的前端——通过建模、模拟和预测，帮助研究人员提出假设、优化实验方案，并筛选更值得进一步验证的方向。
Tony在现场提出：
“AI带来的不仅是效率，更值得关注的是它的预测能力。”
他特别介绍了AI驱动的Dry Lab（计算实验）与传统Wet Lab（湿实验）相结合的研发模式。
在这一模式中，AI进行分析、预测、设计和优化；真实实验则负责验证；实验结果再重新反馈进入计算模型，形成“预测—验证—学习—再预测”的循环。
因此，AI并不是取代实验，而可能改变实验的设计方式以及科研人员寻找答案的路径。
在临床开发方面，他还谈到AI结合真实世界数据（Real-World Data）的潜力，例如分析传统临床试验未能充分覆盖的患者群体，寻找新的适应症或潜在临床机会。
由此带来的变化，可能不只是某一个研发环节“更快”，而是整个研发体系的工作方式被重新设计。
从100个项目中，AI能否帮助找到真正有价值的资产？
AI的影响并不限于实验室。
一个创新药项目究竟具有多大的创新性？与现有疗法相比有什么差异？科学证据是否充分？是否真正解决了尚未满足的临床需求？未来的临床、监管和商业化路径是否具有可行性？
这些问题一直是创新药投资、Licensing和BD决策中的核心问题，也高度依赖具有不同专业背景的团队进行大量研究和判断。
Tony提出，随着AI能力不断增强，未来AI可能越来越多地参与到项目的信息筛选、比较分析、初步评估和匹配之中。
例如，当面对几十甚至上百个创新药项目时，AI能否首先帮助专业团队识别更值得深入研究的项目，再由科学、临床、监管和商业专家进行进一步判断？
这意味着AI的角色可能不仅是提高工作效率，还可能改变创新资产发现和BD决策的流程。
Tony同时提出了另一个颇具想象力的问题：
随着AI Agent快速发展，一家过去可能需要25至50人的Biotech公司，未来是否可能由5至10人，甚至更加精简的核心团队运转？
如果大量信息搜集、数据分析、文档准备、市场研究乃至部分项目管理工作能够由AI Agent协同完成，那么未来Biotech公司的核心竞争力，也许不再简单取决于“拥有多少人”，而更多取决于团队能否有效整合科学知识、数据、专业判断和AI能力。
但他同时提醒，AI真正进入产业实践的障碍，并不一定全部来自算法和算力。
“AI发展的一个重要瓶颈，可能是我们自己是否已经准备好使用它。”
不设标准答案：AI能否完成真正的“从0到1”？
主题分享结束后，Tony没有采用传统的观众提问模式，而是临时把现场嘉宾分为不同观点阵营，围绕AI在科研中的能力与局限展开开放式讨论。
辩论很快从“AI是否有用”，进入到一个更深层的问题：
AI究竟只是帮助人类把已有知识从1扩展到1000，还是有可能完成真正意义上的“从0到1”？
一位从事科研与创业的嘉宾首先分享了自身实践：通过多组学技术与AI预测分析，研究已经得到临床验证的药物是否可能进一步应用于阿尔茨海默病、自身免疫疾病等新的治疗领域。
随后，有嘉宾提出质疑：
如果人类对于一些已经长期使用的药物，至今仍未完全理解其作用机制，那么建立在现有知识和数据基础上的AI，如何发现那些人类尚不知道、甚至尚未定义的科学规律？
这一问题立即引发现场多位专家参与讨论。
一方认为，AI能够同时整合人类难以处理的海量信息，从复杂数据中寻找隐藏关联，并由此提出新的假设，因此可能帮助科学家发现过去难以看到的研究方向。
另一方则指出，AI本质上仍然受到数据质量和已有知识体系的制约。如果训练数据存在错误、偏差或缺失，或者某一科学现象尚未在人类知识体系中得到表达，那么AI给出的推演同样可能存在局限。
Tony不断从双方观点中提炼新的问题：
AI能够非常有效地实现“1到1000”，但它是否能够真正完成“0到1”？
科学研究是否必须首先完全解释一个药物的作用机制，才能进一步开发它？
如果AI能够先发现规律，再由实验去解释规律，未来科学发现的路径是否也会发生改变？
随着问题不断深入，一场原本围绕技术工具的讨论，逐渐演变成关于科学发现方式本身的思考。
AI会出错，人类的独立判断是否因此更加重要？
讨论随后进入AI可靠性问题。
有参会者结合实际使用经验指出，AI可能产生错误信息，也可能受到训练数据偏差以及提问方式的影响。如果科研人员过度依赖AI，而缺乏独立分析与验证能力，错误判断反而可能被快速放大。
另一位嘉宾则从科研实践角度回应：人类研究同样会犯错，真正重要的并不是要求某一种工具“永远正确”，而是建立可靠的验证机制。
AI可以帮助研究人员在庞大数据中寻找过去难以发现的线索，但最终的科学结论仍必须接受实验和现实世界证据的检验。
由此，讨论进一步延伸到另一个问题：
当越来越多的信息搜集、分析甚至推演工作可以由AI完成时，科学家的核心价值是什么？
现场嘉宾从基础科研、临床开发、产业应用、商业决策以及科学哲学等不同角度表达了看法。
Tony则不断鼓励参与者提出不同意见，而不是简单地把AI划分为“支持”或“反对”两个阵营。
他也分享了自己长期坚持互动式培训和讨论的一句话：
“你永远带不走别人的思想。”
真正能够留下来的，往往不是某一个演讲者给出的结论，而是参与者经过思考、质疑和观点碰撞之后形成的自己的判断。
AI时代，真正稀缺的或许仍然是人的判断力
从药物发现到临床开发，从创新药BD到未来Biotech公司的组织模式，这场讨论呈现出的一个共同趋势是：AI正在快速进入生物医药产业的不同环节。
但现场讨论同样表明，AI并没有让科学问题变得简单。
相反，当信息获取和分析越来越容易时，提出什么问题、如何判断结果、如何设计验证，以及如何识别真正有价值的创新，可能变得更加重要。
作为SAPA-NC Advisor，Tony Zhang在当天的活动中既承担主持和讨论引导工作，也通过自己的主题分享，将AI这一快速发展的技术变量引入创新药研发和产业合作的讨论之中。
一场原本可以停留在技术应用层面的演讲，最终演变成关于AI、科学发现与人类判断力的开放讨论。
而这或许也是AI时代最值得继续追问的问题之一：
当机器越来越擅长寻找答案时，人类是否更需要学会提出真正重要的问题？
本次活动的顺利举行，也离不开组织团队、合作机构、媒体朋友和志愿者在幕后的共同投入。
活动尾声，SAPA-NC会长肖斌博士代表团队向所有参与筹备、协调和支持本次活动的朋友表示感谢。衷心感谢来自工业界和学术界资深的专家学者们分享了他们的真知灼见，包括薛晓强博士，张静博士，陈先博士等；他特别感谢John Guo博士、马坚博士、黄大亮博士、以及毛光勇主编、雅岚、摄影师李泽惠博士等在不同环节给予的专业支持。
从前期策划与宣传联络，到嘉宾沟通、企业参访协调、现场组织、注册接待、摄影记录及会后衔接，这些大量而细致的幕后工作，共同构成了活动得以顺利推进的重要基础。
SAPA-NC同时感谢深度智耀（DIP, Deep Intelligent Pharma）和AI公司AIGM在本次活动中的积极合作与大力支持。不同机构之间的协同参与，使专业交流得以延伸到科研、产业、国际合作与创新生态等更广阔的层面。
此外，SAPA-NC团队也特别鸣谢20多家战略赞助商与合作伙伴的大力支持与积极参与。长期以来，来自产业界、科研机构、专业服务机构及社区伙伴的持续支持，为SAPA-NC开展开放、专业且具有国际视野的行业交流活动提供了重要支撑。
从AI如何参与新药研发，到它能否推动真正的原创发现；从技术效率，到科学判断与人的创造力，这场讨论没有试图给出一个简单答案。
或许真正重要的是，在AI快速改变生物医药行业的今天，科研人员、企业家和产业参与者仍然愿意坐在一起，提出问题、交换观点、彼此质疑，并在思想碰撞中寻找新的可能。