在产品层面，推想医疗科技推出的InferRead临床解决方案在AI算法的加持下，已在肺结节、胸部骨折、冠脉、卒中等高发疾病场景落地，支持自动化结构化报告、智能随访与疗效评估；其多款产品取得NMPA、FDA、CE、UKCA等监管准入，为规模化临床应用提供合规基础，并已经率先在海外市场取得了不错的商业化进展。

在平台层面，推想医疗科技的AI-4D智能诊疗平台可将二维影像自动重建为三维并联动术前规划与报告生成，提升重建效率与临床决策质量，同时在院内完成数据闭环以强化信息安全；科研与算法管理方面，InferScholar与InferMatrix提供零代码建模、数据管理与算法集成，缩短“科研—临床”转化周期。

在信息化与个人健康档案方面，依托结构化影像结果对接HIS/PACS与区域影像云，可支撑个人电子健康档案的长期沉淀与跨院共享，为慢病管理与分级诊疗提供底座。

另外，沈宏博士指出，无论是AI算法还是模型，在数据处理方面仍需直面医疗数据稀缺与复杂性带来的工程挑战，沈宏博士相应分享了其团队在推动数据治理与算力体系与临床深度融合方面所做的创新性探索，基于已有大模型和算力体系的优化，更加适应AI对临床医疗数据，尤其是影像学信息数据的处理需求。

于亚澎分享了公司在生物医药研发大模型领域的最新进展。水木分子开发的ChatDD平台是新一代对话式药物研发助手，通过多模态大语言模型帮助药企提升研发效率。

于总首先剖析了新药研发工作流程中所面临的传统难点，包括：生物医药研发领域中，往往需面对着立项过程中信息繁杂、数据信息实时性要求高、专家经验依赖程度高。整个研发环节流程长、消耗大，早期临床前研究中探索空间有限、湿实验迭代慢，并且临床实验中投入成本高、失败风险大。

水木分子以自研的千亿参数多模态生物医药大模型ChatDDFM®为基座，研发了ChatDD对话式药物研发助手。该平台覆盖了从药物立项、临床前研究到临床试验的全流程，为科研人员提供全方位的辅助服务。

该平台的核心功能分为Insight / Discovery / Trial 三类：前者做立项问答、竞品与专利洞察；中者一键完成靶点/分子设计、虚拟筛选、优化评估与报告生成；后者覆盖医学撰写、临床数据管理与辅助设计。R1版本强化进一步实现了推理规划与工具编排，并可与企业私域知识库联动。

目前，水木分子已与国内二十余家药企建立合作关系，帮助药企加速新药研发，总结行业结构性知识、辅助研发人员解决新药研发战略规划、立项、启动及全环节数据调取与追踪等需求。

除新药研发辅助智能体外，水木分子还将在蛋白设计方面进行重点投入，蛋白质的发现和设计是生命科学与生物医药研发的关键领域，随着AI驱动蛋白质设计模型的应用，促进了新药研发行业的变革，新药研发周期大幅缩短。

水木分子联合清华大学人工智能产业研究院共同研发的PharmolixFM多目标全员子蛋白质设计模型可实现更高精度的蛋白功能设计、复合物建模、分子对接等，通过多模态多目标任务输入、连续变量联合建模，实现序列结构协同生成，减少迭代轮次，实现目标结构精准设计，推动药物分子发现从原有的“大规模筛选+依赖多轮迭代”转变为“按目标精准设计+小规模验证”的转型升级。

议程二：圆桌论坛

一、首先请每个嘉宾介绍一下其公司已经落地的AI结合的应用案例？  

 赵云山：黑玉科学已经实践的就是将AI与类器官技术深度融合。举例来说，我们发现不同肿瘤亚型培养出的类器官在形态上存在显著差异，于是就思考能否通过AI分析这些形态差异来预测肿瘤特性。我们正在建立类器官形态特征与分子突变、药物敏感性之间的关联模型。这个系统能够整合多模态数据，为临床提供个性化的用药方案推荐。

沈宏：我们公司的AI产品已超越科研阶段，实现了真正的产业化落地。目前推想医疗科技已有十几款产品获得了第三类医疗器械注册证，核心应用包括肺结节、头颈冠脉及骨折等诊断领域。其中，肺结节等产品已在全球超过1000家医院落地应用，并成为了医生日常工作中高度依赖的工具。从商业层面看，相关产品营收超过上亿规模。此外，我们的产品已从放射科成功走向临床，尤其在欧洲被广泛用于手术规划。这些成绩表明，我们的AI应用已是医疗体系中不可或缺的实用工具。

于亚澎：水木分子最核心的AI应用就是我们的ChatDD对话式药物研发助手。我们构建了开源可商用、生物医药多模态百亿参数开源基础大模型BioMedGPT，实现了蛋白质序列、结构和功能的多模态训练。我们还推出了开源平台OpenBioMed，让科研人员能够通过工作流方式调用各种垂直模型。特别是在蛋白质设计方面，我们的全原子级别设计模型可以同时优化多个指标，将传统需要6-12个月的设计周期大幅缩短。

黑钻：我们主要将AI应用在在线问诊场景中。具体来说，当用户需要购买处方药时，AI系统能够通过多轮对话准确理解用户需求。比如用户想买的药品缺货时，AI会通过知识图谱分析药品成分和适应症，智能推荐替代药品。我们还开发了上下文理解能力，能够记住用户在对话中提到的所有药品需求。这套系统目前已经处理了我们平台30-40%的问诊量，将平均问诊时间从10分钟缩短到5分钟，显著提升了医生的工作效率。

张菊兰：从投资机构的角度看，我们现在已经将大语言模型深度融入日常工作流程。特别是在项目尽调过程中，AI工具能够帮助我们快速进行行业调研和技术分析。比如当我们接触到基因编辑等新兴技术时，可以通过专业AI工具快速掌握技术发展脉络。我们还鼓励投资经理建立自己的RAG系统，持续跟踪前沿技术动态。作为管理者，我也通过这些工具来验证投资团队的研究深度，确保投资决策的专业性和准确性。

二、“AI+医疗”的探索与实践过程中，由于市场环境、法规、医疗体系等因素，发现中国与海外相比，有哪些独有的创新机遇？

赵云山：我认为中国的独特优势在于我们拥有着非常丰富的临床资源和病例数据。比如在复方用药推荐系统开发方面，我们能够快速收集大量临床病例信息。这种数据优势使得中国在AI医疗应用落地速度上明显快于国外。我们的医院体系能够为AI模型提供持续的数据反馈，这是欧美国家难以比拟的。

沈宏：中国庞大的医生群体与极高的工作负荷，为AI医疗影像产品创造了全球最迫切的落地需求，这是驱动我们走在世界前列的核心动力。与海外需要先严格证明商业价值不同，国内医生的核心诉求是“提效减负”，这使得AI产品能以解决实际工作痛点为先迅速铺开。并且国内在监管层面也对AI在临床检测等方面有促进的规范，比如按照监管要求，现在新装机的CT必须配备基于AI的数据处理和辅助标注系统，这就是为AI应用在临床端的装机提供了广阔的空间。

于亚澎：中国在AI医疗应用层确实具有明显优势。首先是中国药企对外部企业提供新技术服务的接受度更高，我们与头部药企的合作推进速度令人惊喜。其次是中国的产业链响应效率更高，无论是下游响应效率还是服务成本，较欧美都有着很大的优势。另外，中国的AI相关的研发人才储备上也更为丰富，工作效率也更具竞争力。

黑钻：中国最大的机遇在于解决"看病难、看病贵"这个现实问题。我们正在探索通过AI技术缓解优质医疗资源分布不均的现状。比如开发垂直领域的医疗大模型，模拟专家诊疗思路，让基层患者也能获得专业诊疗建议。中国的医保支付体系改革也为AI医疗创新提供了独特场景。虽然目前还面临数据获取和监管等挑战，但市场需求确实为AI创新提供了强大动力。

张菊兰：从投资人视角看，中国医疗市场的庞大体量是最大优势。这个市场能够容纳更多创新企业成长，这是很多欧洲小国无法比拟的。经过这些年的发展，中国已经建立了完整的生物医药产业链生态。无论是药品还是器械，创业者都能找到需要的产业链支持。中国的研发推进速度更是令人惊叹，我们投资的企业9个月就能完成一期临床，这种"中国速度"为AI医疗创新提供了独特优势。

三、作为初创公司/创业者，尤其是AI技术作为跨界结合应用的背景下，企业如何确定在AI相关研发投入的合适比例或路线？

赵云山：在我们类器官领域，我们采取的是渐进式的AI技术引入策略。现阶段我们主要将AI应用在数据分析、图像识别等具体环节。比如先通过AI对类器官形态进行智能分析，再逐步扩展到预测模型构建。我们会根据技术成熟度和业务需求来动态调整投入比例。长远来看，我们会持续加大AI技术的研发投入，但会控制好投入节奏。

沈宏：其实对我们来说，核心就是看成本效益，看投入产出比。AI研发投入的成本高、难度大，目前我们不太敢自己去训练一个垂类大模型。所以我们的策略很清楚：在目前大模型足够好的前提下，我们要做的关键在于把现场需求弄清楚，把数据结构搞好，把大模型用足。总之，我们不是一个发明大模型的公司，我们是一个利用它来解决医学实际需求的公司。

于亚澎：根据团队的技术积累和市场需求来制定投入计划是比较好的策略。部分项目可以先拿到确定性比较高的意向订单再快速推进。对于高风险的长线项目，可以更加严格地控制投入比例。同时保持技术路线的灵活性，根据市场反馈及时调整方向。

黑钻：我们根据公司发展阶段来分层推进AI应用。现阶段主要以应用现有大模型解决具体业务问题为主，比如提升在线问诊效率。随着业务规模扩大，我们会考虑开发垂直领域的专用模型。在投入方面，我们优先选择投资回报率明确的场景，对于基础设施的投入会比较谨慎，更多采用合作共建的方式。