从科学计算到智能生产：制药企业 AI 数字底座建设与数据治理

AI驱动的制药数字化与合规新生态

AI制药产业化加速

• 产业化信号：监管申报、临床进展、商业合作和算力投入共同推动AI制药产业化。FDA已积累500余项含AI组件的药制剂申报经验，头部药企持续投入，AI原生企业进入研发流程，企业内部开始关注平台、治理与规模化运营。
• 产业趋势：AI制药正从“战略优先级”走向“规模化采用”，行业关注点从能力展示转向实际价值，预算投入持续增加，ROI验证成为关键。
• 关键数据：500+项FDA申报，74%的受访机构采用AI模型覆盖非临床、临床、上市后研究及制造环节，69%的受访机构计划继续增加AI相关预算投入。

两个AI循环共用一套数字底座

• 两个AI循环：制药企业形成面向科学发现的循环和面向生产与运营的循环，二者都依赖反馈，也需要长期治理。
• 共享底座：科研与生产循环共享数据、模型、身份、运行记录与治理能力，平台化复用减少重复建设。
• 五层一横架构：构建“五层一横”数字底座，包括物理承载层、智算云平台层、数据与AI资产层、模型工程与模型服务层、AI Hub与智能体应用层，以及贯穿五层的治理、安全、运维与合规能力。

持续运行的科研闭环

• 算力水位提升：AI制药计算增长推动“算力水位线”不断拉高，需要系统工程和调度，让每一次数字实验与湿实验都能进入下一轮。
• 系统工程：大规模智算集群需要系统工程，关注GPU计算、数据读取、多机通信、高性能存储、扩展演进和故障恢复。
• 平台化管理：从设备集合到可运营算力，关键是平台化管理与调度，统一发现、抽象、隔离、调度和观测资源。
• 开发与训练：云化算力进入研发，关键是把开发与训练组织成可复现链路，包括持久化开发空间、完整任务定义、可控的训练运行和结果可比较。
• AI资产生命周期：AI资产持续生成，需要统一沉淀与治理，形成长期价值，包括资产身份与上下文、版本与血缘、权限、质量与生命周期受控治理、稳定分发与复用。

企业级Agent Infra

• 视频知识智能分析：将生产录像转化为可检索、可追溯的GMP生产知识，并与MES、EBR、SCADA等系统衔接。
• 领域模型微调：针对稳定能力缺口，用授权数据获得可测量、可发布、可回退的领域能力，包括建立任务基线、准备可授权数据、选择合适的调整幅度、实时SOP学习、评测发布和受监管边界。
• 模型推理服务：从模型能运行走向统一交付、治理与性能验证，包括模型运行与统一交付、调用治理、模型调用治理和真实性能验证。
• 可重用Agent Infra结构：连接能力供给、任务运行和持续运营，包括可治理的能力供给、上下文与工作流、工具调用与人工确认、质量证据组织和持续运营。
• 业务语义层与现场工程闭环：Ontology让机器理解企业中的对象、关系、状态和动作，FDE围绕可验收结果形成现场工程闭环，包括定义结果、连接上下文、验证沉淀和嵌入边界。

互联AI云的全栈能力与落地路径

• 五层互联能力：互联AI云将五层能力接成可持续运行的数字底座，包括计算启动、稳定推理、AI资产沉淀、智算平台与调度、运行反馈。
• 三条进入路径：企业通常从模型开发、训练、微调与推理起步，再逐步扩展到算力与模型管理、调用治理和性能验证，三条连续推进路径包括新建或扩建科研IDC、盘活已有GPU和将模型与智能体连接。
• 持续演进：从当前最紧迫的问题出发构建可持续演进的AI能力体系，让科研计算与生产智能共享稳定的算力、AI资产、模型服务和智能体运行能力，让每一轮建设，都沉淀为下一轮创新可以继续复用的基础。