门槛也是真门槛。从更大的图景看，A股科技板块市值占比已超三成，千亿市值上市公司中科技企业占比达45%，资本、政策、技术三重共振的格局正在成型。从语言AI到物理AI，新药研发是最痛也最具战略意义的落点如果把大模型自主可控的讨论局限在聊天、写代码、办公自动化，就把格局想小了。黄仁勋今年以来反复强调，AI的下一个浪潮是Physical AI（物理AI）——不是让模型做“下一个词预测”的文字游戏，而是让它理解重力、摩擦、分子轨道、蛋白质折叠、细胞信号通路这些真实的物理规律。复旦团队研发的我国首个可微分物理仿真引擎Fysics、智源研究院发布的全球首个通用世界基座模型“悟界·Physis-v0.1”，都指向同一个方向：AI正在从虚拟语义世界下沉到物理世界底层。而在所有物理AI的落点中，创新药研发是最痛、最贵，也最具战略意义的那个。全球制药业有一个著名的“双十定律”：一款新药平均耗时10年、耗资10亿美元。其中最致命的环节不是发现分子，而是临床试验——它吃掉整个研发成本的63%，而二期到三期的转化率仅约28.9%，近七成药物在临床阶段折戟沉沙，前期数亿美元投入全部沉没。根因只有一个：缺乏确定性。小鼠身上有效，不等于人身上有效；体外数据漂亮，不等于体内安全。这正是自然常数所做的事。这家以AI跨物种真实世界模型为核心的生物科技企业的核心思路，是把物理规律嵌入AI模型内部，而非仅仅做统计拟合。小鼠与人类基因同源性超90%，且生命周期极短，人类数十年的衰老过程在小鼠身上数月即可观测。自然常数以全生命周期跨物种数据为壁垒，在大规模临床烧钱之前，为药企提供更具确定性的决策依据。这不是用AI“猜”哪个分子好，而是用物理AI大模型去理解分子在人体复杂系统中的真实行为，从量子化学层面的势能面与电子环境，到跨物种生理响应的因果推断，本质上是用“懂物理的AI”替代“靠运气的试错”。创新药的自主可控，最终要落到AI大模型的自主可控自然常数的实践揭示了一个更宏大的逻辑：创新药的自主可控，最终也要落到AI大模型的自主可控上来。如果药物发现流程、临床试验预测系统、分子动力学仿真引擎，底层跑的并非自主可控的模型和算力，那“医药自主可控”就只能停留在原料药层面，永远碰不到真正的First-in-class。回望这半个世纪的技术史，每一次“卡脖子”的阵痛，最终都倒逼出一条更结实的脊柱——从盾构机到新能源车，从华为
=*=*=*=*=*=
当前为第2/3页
下一页-上一页-
=*=*=*=*=*=
返回新闻列表
返回网站首页