熱門資訊> 正文
2026-11-16 12:04
幾個月前,鮮翾博士出任同源康生物首席AI官(CAIO)。這家由港股上市公司同源康醫藥孵化的子公司,專注雙抗、三抗、TCE與下一代ADC,還有一個更激進的標籤——AI原生Biotech。
這家Biotech正在做一項很超前的工作。
新管線立項先由首席AI官的數字分身和各部門科學家的數字分身一起初評、打分,AI認為有價值的項目,后續才能進入真人審評。因此,每個科學家必須將把關的邏輯和證據鏈沉澱進AI,每天訓練自己的數字分身。
通常來説,沒有哪家公司會讓一個做AI的人管理所有管線,但同源康生物確實這樣做了。主持這套機制的鮮翾具備生命科學研發工作經歷,又做了十幾年大數據和AI,她的上一個身份是金賽藥業首席信息官(CIO)、數字研究院院長。
五年前,她在金賽藥業開始主導數字化、智能化轉型,用兩千多個數字看板打造了一套從營銷、生產到研發的智能化系統,讓那家有近三十年曆史的傳統藥企,第一次看清每一分錢花在了哪里。轉型完成后,她得出一個結論——數字化確實能幫助藥企進行系統化管理轉型,讓一切「看得見」,但卻解決不了人性的問題。
在金賽,她依然有機會積累更多藥物生命周期中數智化升級的寶貴實踐。但AI的突然爆發,讓她決定切換到一個更輕盈、更靈活的新戰場大干一場。
於是,她在同源康生物開啟下一場AI技術革命,把數智化的命題從讓業務看得清,變成讓產品跑出來。
醫藥魔方:一兩年前藥企的技術轉型談的是數字化、智能化。您主導了金賽藥業五年的數字化轉型,回過頭看,這場革命完成得怎麼樣?有沒有超越「中臺」的邊界?
鮮翾:中臺革命的階段性目標完成了。傳統藥企做數字化轉型,背景和思路是類似的,一把手基於業務的痛點和轉型需求,決定引入更多的人才,培養更多新業務模塊,業務複雜度一下子提升起來。而大部分民營企業在高速成長期靠的是機會驅動,系統化思考與管理是后補的課——數字化要解決的恰在於此。
所以搭建數據中臺,類似於將整套業務用「數字孿生」系統映射出來,為過去經驗派的、模糊的業務做清晰化管理。至少讓管理層看得見,哪些地方真正在增長,哪些地方在失血,哪些地方潛力很好、需要加大投入。
醫藥魔方:如何讓業務看得見?落地過程中真正的阻力在哪?
鮮翾:金總(金磊)當年提了一個非常牛的要求——人人都有數字看板,而且強制所有數據只從我們團隊出,去規範每一層級的數據展示。搭建看板背后要梳理一整套指標體系,老闆看什麼、N-1看什麼、每一層看什麼、前線銷售看什麼,層層定義。
而定義「看什麼」,考驗的不是抓取數據的能力,而是管理思路,哪些指標真正貢獻到公司成長。這就是現在特別火的本體(ontology),把所有決定成敗的因素用關係串起來,把業務對象、語義、規則與決策邏輯變成可執行結構,這里面就一定有指標體系。
我們做了兩千多個數字看板,但當拿着看板去跟每個業務領導對接的時候,問題就出現了。
第一個問題,相當一部分中高層會做業務,但難以把業務系統化——習慣根據匯報做反應,缺少一套自己的系統:核心指標是什麼、怎麼拆給團隊。這不怪個人,行業長期以來習慣用個案説話,定量化的管理思維相對薄弱。當我們要求把業務方法論沉澱下來時,摩擦就出現了。
第二個問題,底層數據的口徑與質量參差。同一個指標,我們抓的數據和他們匯報的數據不一樣,怎麼辦?這就意味着數據底子得補。
當時好幾家公司也在做數據治理,大家有不同的策略,有些選擇先清數據再搭指標體系,我的策略是先拉指標體系——大家對一個數有分歧,而這個數又很重要,就需要往下挖掘,這些數字從哪來的、計算公式是什麼,這樣就能把數據清理乾淨。在清理時也要判斷,比如醫院的代碼天天在變,合併、剝離,不存在百分之百準確的準數據,關鍵是算ROI,花多大的資源、清理到什麼程度就夠了。
醫藥魔方:數字看板的實際效果怎麼樣?
鮮翾:確實讓業務更清晰了。我非常感謝金總的堅定支持,讓我們得以用數據和AI看清藥物的全生命周期管理。
印象最深的是,老闆掃一眼看板説「那個數不對」,滿屏的數據,他一眼能看出來,因為他看了太多年,知道那個連續增長了七十多個季度的數應該在什麼合理區間。一檢查,確實是計算的人出了錯。而數據看板就是要把這種經驗直覺和系統化思考沉澱下來。
數據還能直觀反映個體員工的能力和態度。銷售有沒有跑動起來、有沒有去拜訪,這是態度問題;動作都做到位了,業績出不來,那是能力問題。對組織來説,先看清楚數字,再去分析成本和收益,把每個部門拆出來看管理成本和生產力貢獻,就能發現哪些人力是在支持不盈利的項目,比如重複建設的藥企中臺有可能會吃掉公司很大的管理成本。
當時的金賽藥業把數據用到了極致,但隱藏在數據背后的人性,是數據描述不了的。
醫藥魔方:您説數字化管理解決不了人性的命題,這個判斷是怎麼形成的?
鮮翾:比如一個新業務正常的成長曲線應該緩慢爬坡,但老闆會覺得,公司有底子、有資源,為什麼不能讓曲線更陡峭?這並非不現實,確實有公司做到了。我去研究他們為什麼能做到,發現答案不在數字化,而在於人。
從結果來看,我覺得信達就做到了「懂人」,因此團隊戰鬥力很強。他們的數字化體系非常簡單,但它靠的是用人、分錢——招到什麼樣的人,把責任壓實在他身上,該激勵的人把錢給夠,纔有戰鬥力。過去醫藥領域最重要的兩個方向——PD-1和GLP-1,信達兩個都抓住了。我覺得這是科學洞察力或者説taste的表現。創始人也好,科學團隊也好,大家堅定的看到了未來的方向並且執行到位。這件事當年搞數據的人解決不了,那是人和組織的命題。
另外,數字化系統上線之后還有個副作用,很多人爲了完成看板上的數字而動作,而不是真正去挖掘前線的問題。我當時的想法是跑前線收集信息,問一線員工需要什麼樣的制度把業務做成。共性問題先解決,次要的后解決,跟清理數據的思路一樣。但一涉及到資源投入,利益之爭就出現了。問題進而演變成,看到數據之后,能不能做決策?
而數據能呈現的只是「看得見」的部分。在從創業期走來的組織里,判斷、信任與默契沉澱在長期共同的戰鬥中,這部分數字化暫時還替代不了,也不是哪一家公司特有的問題。
所以回頭看,中臺革命的界限在於「讓業務看得見」。看不見的部分——判斷、信任、人性,暫時無法解決。而人性往往對智能化和AI技術革命的阻力很大。
醫藥魔方:如果沿着金賽的數字化體系再往前走一步,是什麼樣的?
鮮翾:正大天晴的探索很典型,他們是先有數據,再做「營銷大腦」。就是把數據底層摸清楚,什麼地方該審批、什麼地方不該審批,慢慢積累學習規則。有了規則,AI就能把公司中臺變薄。規則能覆蓋的地方,人就退出來;AI處理不了的斷點,人頂上,同時把專業能力持續沉澱回系統。
只要是有數據流、有規則的地方,比如營銷、供應鏈、生產,都可以跑一遍。最終搭建數字化系統的員工轉型為運營人員,這就是「黑燈工廠」的雛形。
醫藥魔方:營銷、生產可以規則化,但研發長期以來靠個人判斷,數字化、智能化乃至AI帶來了哪些變化?
鮮翾:研發以前叫drug discovery,比較特殊,有太多東西是人拍腦袋定的,而且每個人拍腦袋的決策都不一樣。生物學家通常是看論文做決策,但論文本身永遠只是假説——只能説這個假設沒被別的實驗室推翻,暫時認為成立。至於選擇哪些論文,跟營銷端數據的選擇性匯報一樣,大家都是根據自己的偏好,找到支持自己理論的根據。
引入AI后,情況發生了些變化。如果我們現在用AI做一份靶點藥物報告,一個生物學家從頭看到尾挑不出錯,那説明AI的認知水平已經超過他了,我們就服務於AI。如果你能看出中間有什麼不對、能跟它論道,糾正AI的結論,當前我們的判斷是人類科學家認知比AI高,AI得聽人的。
所以研發同樣可以做數智化運營,把客觀問題拆解到當前究竟是什麼水平、有什麼風險,把風險明明白白列出來,人來擔責做決策。
研發決策決定了最終的產品力,因此有洞察力的科學家積極擁抱AI,放大自己的生產力就非常重要。不過,研發端之前常見的情況是,繞開關鍵問題的有爭議的部分,在科學決策會上進行選擇性匯報,只為證明自己的項目值得往后推。大家不知不覺從為「事」負責,滑向為「項目在推進」負責——這是大組織創新乏力的常見機制,國內外皆然。
醫藥魔方:您觀察過的藥企不少。在研發決策這件事上,各家的差別主要在哪兒?
鮮翾:我覺得當前還是創始人和核心科學家的taste。歸根到底是一個問題——公司最頂上那個人能不能持續帶公司往前走?
百年企業難就難在從「個人英雄」向「組織運作」轉型。我在康奈爾時參與過一項百年企業傳承研究,調研了上百家百年企業:規律都是父傳子、傳親戚、再引入職業經理人,轉折過程里很多公司垮掉了。所以阿斯利康的Pascal Soriot在業內評價很高,職業經理人能把公司運作成現在這樣,非常不容易。
醫藥魔方:AI有機會解決人類科學家taste傳承的問題嗎?
鮮翾:以前一家藥企招攬一位科學家,由他提出某個研發方向,一旦這個科學家離職,該方向就停止,這非常常見,根本不能算是形成了技術平臺。AI思維意味着要持續識別研發團隊成員的差異化知識和經驗,持續沉澱,真正形成可以複用的、可以形成數據、算法、決策閉環的技術平臺。而且,用AI提高科學家們的決策效率,也就相當於延長了他們的職業生命周期,我覺得科學大牛都應該積極擁抱AI。
醫藥魔方:這也是同源康生物在做的事,不過為什麼標榜為「AI原生Biotech」,而不是「用AI的藥企」?
鮮翾:同源康生物想做一家AI原生Biotech,我們正在把所有科學家的經驗沉澱到各自的數字分身里,讓AI先於人做判斷。
比如在立項階段,先由我的AI分身和各部門的分身共同初評,一致通過后纔到人類科學家這一關。這個機制的關鍵在於,因為是AI先打分,每個人必須把自己把關的環節訓練得非常好——支持一個分子過關卡,必須有完整的證據鏈,邏輯沉澱在分身里,否則他自己的項目也過不了。如果是人立項、AI輔助,沒人會認真訓練分身。
我們現在大概每周評估兩個項目,內部目標是年底做到一天一個。評估平臺上線以后,項目生成庫可以每天掃描更新。
醫藥魔方:作為CAIO,在立項評估時的角色是什麼?
鮮翾:沒有哪家公司會讓一個AI背景的人管所有管線,這在行業里是件極新奇的事。我不是真正做研發的那個人,但所有流程、所有機制、所有過程,是以AI為主線的。如果哪個地方AI的打分都打不過,那這個項目就過不了。我是冷酷無情的中立把關人——雖然不懂很多科學細節,但AI給出的質疑和挑戰,需要科學家來向我解釋清楚。
醫藥魔方:同源康生物專注於雙抗、三抗、TCE與下一代ADC,在這些領域,AI研發決策發展到了什麼程度?
鮮翾:AI現在最大的槓桿是AIDD,這是AI for science里確定性最強的變現價值。
AI在抗體、多肽、蛋白領域正以勢如破竹的方式產生新算法,這些領域數據可得性好,又是序列空間(sequence space),類似語言大模型——模型學會了自然界構建序列的規則,就能寫出漂亮的序列。Anthropic今年8月公佈的一項實驗中,Claude Opus 4.8與Mythos Preview在沒有任何人類專家介入設計決策的情況下,自主為15個生物靶點中的14個完成了全新蛋白質結合劑設計,並由Adaptyv Bio和Twist Bioscience兩家獨立實驗室完成濕實驗驗證,單輪命中率22.6%—35.1%,遠高於該領域10%—15%的典型水平。AI設計抗體的命中率越來越高。
在大分子領域,AIDD已經卷到了選題:什麼疾病、什麼機制、什麼靶點組合,十年后上市時仍有商業競爭力。
但創新小分子的算法還有距離,小分子結構一直都是化學家設計的,原子級的微小改動就導致性能鉅變。很多AI設計的分子,化學家一看就説不行,沒法成藥。這恰是我選擇來同源康生物創業的原因。
母公司同源康醫藥有很強的小分子化學家,我們在做下一代ADC,核心在payload——原有高毒payload已出現大量毒副作用和耐藥。如果payload本身功效好、毒性低,就是立竿見影。我們小分子團隊很強悍,但前提是要把ADC的機制梳理清楚,把對小分子設計的需求提明白,這也並不容易。
醫藥魔方:一套完整的AI原生機制還要突破「乾溼閉環」,計算設計和實驗數據互相餵養。你們怎麼建立閉環?其中難點和門檻在哪里?
鮮翾:我們的起點還是行業內公開的算法,但內部有自己獨特領域的數據和經驗沉澱。做下一代ADC和TCE,一定要有一些跟別人不一樣的東西——別人拿不到我們的數據,就形成不了我們的閉環,這是核心競爭力。然后我們解決的是真實問題,用藥品的療效、安全性證明方向是對的。
但刻意生成的數據,對於泛化成功經驗,提高設計命中率至關重要。我們下一輪融資,就是想建自動化實驗平臺,在我們看重的領域做更多實驗、產生更多數據。這些數據在公開領域很難獲取,這時候纔有機會訓練出具有差異化競爭力的垂域模型。
如果沒有任何科學家給出洞察,純靠數據驅動,需要的數據量很大。我們的母公司同源康醫藥以前主要做肺癌、乳腺癌、卵巢癌,在腫瘤領域積累了很多臨牀數據,科學家會把數據和判斷毫無保留地告訴我們,因此我們需要的新數據就更少,能極大降低計算成本和數據量。
這又回到了人的命題——有開放性的科學家,比搞算法的人還難得。一個科學家怎麼跟AI團隊打配合,識別AI團隊的能力、藉由AI工具放大影響,這是更稀缺的品質。英矽智能的Alex與任峰、華深智藥的彭健與朱禎平,都是「算法+科學」理想搭檔樣本——這種強強聯合,可遇不可求。現在很多AIDD領域創業者來問我,能不能推薦一位這樣的科學家?
醫藥魔方:除了管線評審,您似乎還在用AI評估人和組織,分析團隊的配置能不能支撐公司戰略?
鮮翾:我把公司戰略和已有團隊的簡歷全部放進去,讓AI分析現在的團隊能不能支撐起戰略。這叫AI的人才戰略畫像。AI能直觀指出哪里缺人,或者哪部分壓在一個員工身上。根據戰略拼人的拼圖,識別人的能力在什麼地方,AI的能力在什麼地方。
人不具備的能力,AI能不能補充;人很強的地方,AI能不能放大。這樣我才能用最有效的方式帶一個很小的團隊。這正是小公司的好處,像一個未分化的干細胞,更新迭代也容易。
醫藥魔方:小團隊成功的前提是每個人都得動起來。AI轉型最大的阻力往往不是技術,而是人的路徑依賴,前期必然有訓練成本。同源康生物團隊成員,為什麼願意訓練自己的分身?
鮮翾:同源康團隊的吳博是一個很Chill的科學家——這種領導風格反而會讓組織更有活力。談到藥,他非常真誠地想做好藥、為人類造福。但他也不古板,像投資人一樣看很多項目,經常説「這個我們可以參與一下,挺好玩的」。這種松弛感和主動性,在AI時代很重要。就像喬布斯為什麼是「教主」?Stay hungry,stay foolish——永遠保持「新腦子」。
然后就是去塑造團隊。稻盛和夫説人分三種:天生自燃的、容易被點燃的、還有絕緣體。我們團隊有幾位一下子就被AI點燃了,然后被點燃的人越來越多。如果只有我一個人自燃,燃起來發現周邊一堆人都是絕緣體,那肯定就完成不了AI-native的目標。不過小公司的好處是可以選人,面對面一聊天就知道,誰聽你講的時候會兩眼閃閃發光——很多人其實是在大企業的螺絲釘生活中,忘記了自己的熱忱。
此外,我會通過KPI評估人崗匹配,讓團隊利益分配更公平:讓團隊的配置始終跟上戰略,把戰力從原地消耗的環節里解放出來,讓創造更多價值的人得到激勵(大白話講就是升職加薪)。
醫藥魔方:什麼樣的科學家更能訓練好數字分身?
鮮翾:我觀察到一個很有意思的規律:平時能帶好孩子、帶好團隊的人,往往能把AI訓練得很好。本質上這是培養下屬和帶團隊的方法論。
訓練AI跟個人能力也特別相關,比如我們臨牀負責人訓練的Agent找茬能力極強,已經能揪出大模型的幻覺,成了我們公司第一個L1級別的Skill,也是QC體系的一部分。臨牀不容任何錯誤,因此他們訓練AI的方式就是揪出報告里所有的錯誤、讓AI改正。正因為積累了足夠多的數據溯源規則和方法論,纔有了這樣的結果,而一個Agent挑錯的能力是工程化的科研平臺、各種開源的skill都做不到的。
我們用這個案例去告訴科學家,只有大家認真的跟AI進行所有工作的對話並給出反饋,AI分身才能成為他們的能力放大器。
醫藥魔方:AI使得個人效率與能力範疇得到提升,但是組織層面的結果似乎還沒那麼明顯,為什麼?從「超級個體」到「超級組織」還有怎樣的路要走?
鮮翾:因為AI的很多能力是端到端,直接交付結果的能力。比如AI視頻這個賽道為什麼一下子就能成——從熱點分析、劇本寫作、視頻生成到個性化投放,整條鏈路都是數據和AI可以閉環的。而藥物開發鏈條太長,人員學習和經驗積累都要很長時間,大量的內容並沒有數字化沉澱。比如以前設計分子,要分別做親和力、人源化、免疫原性等等實驗,一輪輪來優化分子。而現在AI設計分子,從開始就會充分考慮優化所有的分子性能,用最少的實驗輪次來完成測試。
從藥物研發的全鏈條來看,AI可以用上帝視角來看到全程,以提高最后的商業化價值,因此原來的組織和SOP都得改。但在大型藥企里,角色是既定的,管線數量不能伴隨AI能力增強而無限增加。業務量增加有限,原來五個人的活現在一個人能干,那另外四個人怎麼辦?這種趨勢下,來自人性的反彈是巨大的,因此組織轉型滯后也是必然的。
所以藥企要在AI浪潮下找平衡,首先是CEO層面把商業形態想清楚——AI賦能下,這件事本來應該怎麼做?而不是隻把AI當成給舊流程提速的工具。
醫藥魔方:有人曾呼籲讓創新葯公司「睜眼看看外面AI已經發展成什麼樣了」,創新葯行業的步伐不夠快嗎?哪一類公司風險最大?
鮮翾:肯定有被落下的。尤其很多biotech未來風險會很高——原來biotech的核心競爭力就是幾條管線,而以后推管線是批量化、輕量化、fail fast。乾溼閉環、自動化實驗室把設計跑完,推到PCC會變得很快。當然,后面的臨牀前安評,毒理、藥理動物實驗,還是要資金的,所以選品能力、融資能力也是恆久不變的Biotech核心競爭力。買什麼分子、怎麼高速運營臨牀,關鍵點還是怎麼用AI輔助判斷和提效。
已經上了臨牀,有人體數據的Biotech管線競爭力會好一些。但現在臨牀端真正的問題在於:相當比例進入臨牀的分子,成藥性本身就存疑。當年立項評審的激勵機制,天然鼓勵樂觀敍事——優先討論「項目能不能往下走」,而不是「分子好不好」。上了臨牀推不動,歸因往往是「人體有很多不可預測的因素」。但如果把那些分子重新拉出來覆盤,會發現問題在分子本身。再加上動物實驗數據天然存在可選擇性,團隊在樂觀敍事的機制下,很容易在不知不覺中完成自我説服。
醫藥魔方:上一波AI製藥公司曾糾結做管線還是做服務,同源康生物的答案是什麼?
鮮翾:我們堅定的做管線,因為管線撬動的價值最大。上一波公司大多在講算法、做服務,資本市場一度按「算法公司」估值。我們的投資人感興趣的則是另一件事:怎麼用AI把組織效率運營到極致,用最少的人、最短的時間,跑出最多高價值的管線。
AI原生的核心產出物得是標準化產品,不是算法。最后無論是商業化還是BD,都要落到藥物的競爭上去。但AI生成分子和做成藥之間有個巨大的gap——這就是為什麼之前有些AIDD公司拿不到那麼多錢,除非找到很強的科學家配合。
醫藥魔方:將視野拉到產業層面,AI浪潮下,內外資大型藥企、biopharma、biotech,競爭邏輯變了嗎?
鮮翾:拿AI工具跑得最狂野的是AIDD為核心的Techbio,科技圈給它們投了很多錢,選題也比較放飛自我。它們跑得很快,但BD出去的項目不一定能真正往后走。比如很多算法公司號稱自己能一鍵生成的單抗,但這種分子肯定賣不出價錢——你能一鍵生成,別人也能,這管線競爭力也太低了。選品還是得靠懂藥的人。
外資藥企也在經歷組織轉型,每個人都給了一大堆最領先的AI工具,但組織生產力提升不明顯。大家都希望用AI顯著提升人的效率。如果干濕閉環在外企做起來,分子設計和生成能力還是會大幅度提升,不能低估。所以中國早期管線比較從容的拿到BD大結果的窗口,可能還有五年左右——之后候選分子可能就會大爆炸了。
但中國的臨牀還有優勢,畢竟人口基數在。現在患者成本很高,一個分子入組的病人越多越貴,所以臨牀運營效率非常關鍵。我們自己的臨牀團隊,已經用AI把系統準備得差不多了,先把標準化的系統和方法論準備好,未來管線一來,就能快速往后推進。
不過説實話,國內真正能用AI推進臨牀的比早研還少,能提供這類服務的公司也更少。
醫藥魔方:傳統靠人驅動的biotech,會被AI驅動的公司全面取代嗎?
鮮翾:現在來看,對機制理解特別深的科學家還不會被取代。很多科學家一輩子研究一個機制,堅定地相信這個機制,上下游通路怎麼互動都刻在腦子里——他不需要虛擬細胞,就能判斷什麼東西有價值。但把機制研究清楚這件事,目前AI還不太行,往往得是一個臨牀專家加一個生物學家的協同。
中國很缺複合型人才,美國很多做轉化醫學的臨牀醫生既看病人又做研究,能發現大量機會。而中國的臨牀醫生以前不敢自己做藥,現在有了AI,他們開始自己做分子、做biotech——治療過程中發現現有藥物的問題在哪,就能把問題定義好,協同AI設計把事做出來。
説到底,生物醫藥的核心問題到今天還不完全能由AI做決策,個體經驗很重要。延伸來説,AI時代,每個人都應該思考自己不能被替代的核心競爭力究竟是什麼。
醫藥魔方:AI也在重塑產業生態。這一波浪潮下,哪些環節會真正受益?產業格局會向什麼方向演化?
鮮翾:當前能跨界、把兩邊的話都講明白的人太少了,讓原來做藥的人直接上手用AI,門檻也很高。正因此,工程化數據庫建設和平臺搭建的公司,在中國甚至全球都稀缺,項目起量都是千萬級——不是每個biotech都拿得出這個錢,所以中國biotech的AI轉型整體會慢。而且中國的數字化服務賣不起價錢,有能力的公司寧願自己做、不願意提供服務。
明確受益的是CRO。分子生成越快,濕實驗、檢測、申報的需求越大,藥明系這種本來就有交付能力的公司,內部再把AI效率提起來,成本更低、成功率更高。我們現在的選擇是用別人的算法,建自己獨特的領域數據和乾溼閉環。前端自己做疾病理解和選品,后端選性價比合適的供應商。
我們不排斥未來把這套方法論對外賦能,但當下是先把同源康生物的業務體系理順。有投資人跟我聊過,可以搭建另一種新興組織形態,類似於「分子銀行」——識別中國科研領域里真正高價值、有taste的生物學家,幫他們把公司的AI轉型做起來,扶上馬送一程,持有未來的一部分股份,可以説是更超前的孵化形態,也挺有意思的。
為什麼AI目前取代不了決策者?10月27-28日,由醫藥魔方主辦的「2026中國醫藥決策者峰會(CHDC)」將在北京亦莊舉辦,鮮翾博士將參加平行論壇「AI決策力的覺醒:從試點焦慮到戰略篤定」並發表開場致辭,與行業同仁探討AI如何重塑藥企決策鏈條,把同源康的實踐和思考轉化為可交流的產業經驗。
欄目介紹
《決策者DeepTALK》欄目由醫藥魔方出品,聚焦於製藥企業立項研發、商業化、國際化、產業合作的底層決策邏輯,拆解企業核心戰略動向,通過與業務管理一號位、企業掌舵人和行業戰略家的深度對談,構建一套理解頭部醫藥企業運營和產業變局的認知座標系和價值參考系。在這里看懂決策,讀懂時代。