好的，对，那个我们是做那个难成药靶点为主的，不过现在没有再主动地去做一些靶点发现。靶点发现主要还是一些那个其他的学术合作方，或者说一些其他的药企再提供给我们。我们其实内部研发主要还是在做那个靶点选择。然后刚才介绍的您第一个问题是说这个比如说有一些难以成药或者偏向 first in class这类原研新药的一个数据问题，然后它的数据大概量有多大呢？其实越早期的这个管线，它质量越小。比如说我们只知道蛋白结构的时候，或者说只有一篇专利的时候，只有一些文献的，这些已知的小分子化合物的数量其实都是在不到一百个或者说几百个的两三百个以内的，其实这个也就是我们公司在主要研发针对于这样的数据量非常小的情况下，这个上面使用现有的大部分的算法，这样的情况下怎么去真的去使用 AI 来学习？因为大家也都知道 AI 其实现在用线上用的算法比较多的 AI 还是进行一个归纳法，比如说过去发生的这些事件和数据变成了一个总结，然后我可以去预测未来类似的一个情况。

但是其实这个在新药研发，尤其在化合物设计的时候，他也知道是一般来说数据已经被一些它的公司专利保护了，但是去如何新的一些，还有去找到一些新的化合新的一些构架，还有发现一些新的口袋，其实这些往往是更加具有难度。所以我们现在其实还是主要使用一些那个偏向这一类的，叫迁移学习，另外一个叫强化学，克服这样数据量小的一个情况。然后这些都是比如说我们可以把一个卡点类型，它是一个流，然后它是在比如说某一个然后把一些相关类似的一些数据，然后拿过来从别的一些什么建议来使用。 另外一类比如说可以通过一些规则来去一些学习训练，比较成功的一些案例。比如说像那个都之前下围棋的时候，alpha go他第一代的时候要之前的一些这些棋谱来进行数据填充和喂养，然后才能去训练出来，但到了第二代的时候，只要它违禁和规则，可以通过大量把所有的计算和模拟去互搏。所以现这个我们正在主要和研发的也是针对于这一类的，也说在只知道一个靶点蛋白的情况下，有可能这个时候没有其他公司发布一些专利。然后我们如何去在这个时候进行一些 AI 辅助的药物设计，这个是看到的一些那个未来的一些前进。然后另外的话您第二个问题是那个数据来源，一类是像专利文献这类的公开，另外一类就是药企已产生的这些那数据。然后另外还有一类就是刚才我们所广泛提到一些干实验的数据，其实就是干实验数与的一些优势，也是 AI 制药公司的一些优势。也就是说我们可以比一些传统药企可能使用 AI 计算和 CADD的计算的时候，我们可以大量的去试错，然后这些试错的数据就是我们刚才说的一些概然后我们会通过这样大量的过能找到一些好的方向，然后同时可以以更快更低廉的一个成本去进一个试错，去找到一些新的方向。当然比如说我们刚才提到的主要从一些专利，还有这些数据库里面也有一些付费的数据库，我们可以提供专利查询，然后一些 AI 公司也会去使用一些自己的知识图谱 knowledge graph，构建自己的一个知识体系，因为针对不同的适应症还有不同的通路。这些专有的数据其实是为了机器学习和这样的算法准备的。他不是说现在市面上所有的数据它都是符合我的需求和我的格式，然后我们是专有的一个平台专门做这件事，说从一些虽然是公开的一个信息，把一些私有的信息合到一起来去做符合我们做的这一类算法。

这一块的话就是我们自己切入这一块的话，就相比较而言，因为刚刚提到过，这一块就要解决了数据问题，算法、算力问题，也都不是什么大问题。相比较而言，这一块已经是进入一个比较好的状态了。比如说这种合成路线设计问题，我们能看得到它设计出来这种产品，其实已经是在陆续之前在市面而还落地了。比如说武汉一家做合成路线设计的一家公司，我们看到他的产品其实在各大公司，比如说恒瑞可能药明康德的这种公司都有在适用了，他那个一线的一些有机合成人员慢慢的都会在适应一些产品，得到一些产业界的肯定了。所以这一块的话技术上如果说 100 分的话，可能已经是超过及格线了，后面我们只是不断地优化的过程，市场已经切切实实为他来买单了。

未来的发展的话，这一块合成往下延伸的话，其实是不亚于这个整个创新药的一个大市场，因为它会涉及到下游的一些医药的产品、医药的中间体，甚至这些精细化工，大化工也是一个非常大的万亿级的一个大市场，不比新药市场大，虽然看起来没有新药那么性感，所以未来的发展的话它一定会是从这种新药路线设计到工艺的这种优化，从小分子这种定制的合成到工艺的优化，大宗的化工产品的生产、工艺优化的话，它会慢慢的往外拓展，只要一个技术一旦通掉，突破了一个技术的临界点的话，它的未来发展空间应该是非常可期的，是不亚于这个整个创新药发展的一个大的市场。

需要的话我觉得可能是我们以前的话AI制药更多是集中在那个一些创新药的发现上面。比如说我们新冠药物的发现好，一些听起来非常非常吸引眼球的一些事情。对于一些这种像合成看起来不是像新药发展的一些核心环节，我们 AI 制药这个大的赛道的话，对她的关注度不太够，无论是资源上的投入，人力的这种投入都不是太够。从公司的数量上我们就看得出来。

做AI制药创新药小分子或者是大分子这种创新药发现的这种公司的话，AI制药公司可能有三五十家，但是真正在做合成相关的公司的话，可能以武汉智化为首的话其实是非常非常少的，除了武汉智化之外，其他公司设点不是很多，希望将来的话整个行业 AI 只要我们整个行业能同仁包括资本更多的来关注这个行业，这个行业其实是远比我们想象的要大得多。这是一个借这个机会的话，要呼吁一下业界对我们进行一些关注。谢谢。好的。

首先回答您第一个问题，对，我之前那个是在德国这家柏林的上市公司在做一个那个精准医疗，加上相关的药研发。因为我们当时研究的主要适应症围绕的是像那个老龄化相关的一些，尤其像阿兹海默、帕金森这些疾病，其实它在机理上面还没有弄清楚。所以当时我们希望是做到一些那个早期诊断，比如说还有就发现一些治病的基因，可以通过一些快速的检测的手段，然后把这些患者或者说那个一些人群找出来。

因为其实主要我们现在像您说的那个做早期药发现，其实只是临床前，它是药物研发的一小步，其实最关键的或者失败率最高的是在临床一二三期，尤其比如说像那个阿茨海默，或者说像非纤维化这样的疾病，其实 99% 的药都是失败的，所以它失败的一个原因是机理没有搞清楚，也就是需要我们在上游的一些诊断方面做得更好。然后这个诊断其实它不光是在最上游，它在最下游。比如说我们说的临床也有非常重要的角色，因为在那个临床一二三期的时候，一期在做安全评估，二期三期更为重要。我们在做这些患者招募的时候，如何去找到去适应做这些临床实验，然后适合吃这一类药的人。也说我们未来希望可以做到是做一个精准医疗和个性化医疗或者精准医药 precision medicine ，所以这是我们当时的愿景。

但是因为那个之前的公司虽然是一家上市公司，然后资金也比较雄厚，但是其实任何一家公司想把上中下游都做到也比较难，然后我之前的合伙人他们是有在伦敦的一些诊所，所以那个他们比较看好的是上游的诊断，然后因为我个人还是那个比较看重中游的这部分。所以跟那个之前的公司谈好了一个买断的协议，然后那个回国做了一个创业。所以大概我们公司之前是这样的一个 vision。

然后刚才您提到的就是现在做新药研发的那个公司，很多大部分公司也集中在这个领域，会不会出现内卷首先我个人不认为会出现一家独大，内卷其实在任何地方都是有的，但很难在短期出现一个一家独大，主要是两个方面的原因。第一个方面的原因其实它是一个商业模式的。比如说做药这个行业其实是一个 ToB 的领域。 ToB 的领域不像刚才您说的特斯拉做汽车的，它直接面对消费者，或者互联网的平台，像我们那个字节跳动，阿里腾讯，它面对的是个人终端，所以其实这个本质上是有差距的。然后像我们刚才提到的难以成药靶点这个家族，比如说它的市场价值有多大呢？像 gpcr 它每年的上市的药物销售额在 3000 亿美金以上，所以其实这个是足够大的一个 ToB 的赛道，可以容纳许多家的这样的biotech 公司pharma公司，一起在这个赛道里生存。然后尤其是在我们国内，其实现在整个中国的医药市场其实还非常不饱和，我们 GDP 其实与医药相关的大概在10%，然后美国这边是在25%，所以是有一个非常大的机会的。所以其实在这个领域里面，它离饱和还非常远，倒不是说大家 AI 制药公司之间会内卷。

其实我们比如说一起在促进的一个领域是整个在做，比如新药研发，还有在做相关的一些 CRO，其实都是在跟一些传统行业的一些巨头或者说非常成熟、非常有经验的一些选手，像上市的这些公司在竞争上市的一些 CRO 头部 CRO 或上市的药企，并且这个竞争其实是未来越来越国际化的，因为现在那个CDE的新的政策也是鼓励大家出海创新。

所以其实 AI 公司给我们国内带来的好处就是说在更大的一个赛道上面，然后参与一些国际竞争。就像段老师说的AI是我们去弯道超车的一个非常好的工具，然后再说一下那个行业内部的内卷，我觉得内卷其实某些程度是一个好事，因为像美国一直是科技内卷最严重的地方。像我们国内互联网行业内卷很严重，所以才有最好的技术，还有最好的公司和最好的人才。所以像在 AI 制药行业也非常开心的，就看到越来越多的公司，而且都是非常厉害的一些大牛创办的，然后让这个整个的行业欣欣向荣。所以就像刚才说的，我们也希望国内可以出现几家那个世界头部的这样的 AI 制药公司，未来也可以成为最大的这些 big pharma。

我们主要还是针对着有机合成这一块来展开的。具体来做一个什么事情，我们并不是说做一些人做不了的事情，我们是想那个替代人工，至少从一定程度上替代人工。降低这个企业的一些研发成本。大概这样子来触发的。具体来说的话，就是针对这样一个有机合成反应，有机合成实验室。我们从他投反应开始的话，就包括这种加料的这种反应的这个进行，进行过程当中的话，我们可以引入一个在线的一些监测设备，包括在线的一些HPRC包括一些在线的红外，可以随时监测到他这个化学反应的一些变化。

然后随时调整，根据这个化学反应的变化。随时调整它的反应的温度、搅拌的速率，反应的时长，还可以在那个对这个反应重新进行一些投料的配比的改变等等。

其实真的我们做的事情其实跟药明康德做的事情其实是的一模一样，就是药明康德合成 CRO 这一块，或者他的那个合全药业做 cdmo cmc 这一块事情，其实做的是完全一样，只是说我们是希望用机器人来取代人工。当然这个过程它不是一蹴而就的。就像王总刚刚提到的特斯拉的无人驾驶，它的无人驾驶最终是希望实现 L5 的无人驾驶，完全不需要人的干预。但其实他也是一步一步过来的，从辅助驾驶开始，只是替代了一些自动的泊车功能或者是自动的跟车功能这样一步过来的。那我们在做的过程当中的话也是这个样子，可能现在可以实现的，一些自动的一些加料、自动的计算、一些这种化学原料的一些配比，自动的监测、它的温度，自动监测它的收率。同时的话，根据他这个不同的收率的话，我们可以自动地判断他如何改变反应条件，是要把温度升高更有利用的反应，还是降低供有率反应，这样的话，这样一个在线的智能化的这种调控的话，是可以完全来完毕掉的。这主要是这个头反应这一块。

那么除了这一个这个之外的，针对于有机化学实验室的话，除了头反应之外的话，其实很多还涉及到一些后处理的问题，包括一些这种分液、然后包括一些成结晶，包括一些过滤，这些操作的话其实也是一个模块的过程。其实这一些相对而言就不需要那么智能化。但是是可以做到一些自动化的实现的话，这一些的话我们也是慢慢的在摸索。

我们知道化学反应的种类非常非常之多，有几万种几十万种之多，每一个化学反应的操作是啊非常之复杂，非常之不同。

因此我们还是从一些比较简单的一些反应入手，最后这个反应它对氧气不敏感，对水可能不敏感，不需要无水无氧，温度的话可能也是在一个室温最佳，或者进一些简单的加热反应。我们从这样的一些反应来开始，比如说以水解反应为例，我们从水解反应开始做起。怎么调它的甲醇和乙醇的一些配比，氢氧化钠，氢氧化钾的加量到 1.2 当量还是 1.5 当量，这样一些正确慢慢的开始，通过这样一些简单的反应来训练优化我们的模型算法，看一下我们的在线的这种监测的设备，它是不是非常的智能化，非常灵活。把这些做成了之后的话，后面慢慢的会把这个反应的类型慢慢扩展开来，从而达到就是完全这个无人值守，所有的化学反应通用性的这样一个目的。但这个过程其实还是需要一些时间的，无人驾驶这个这一波，可能是 5 年时间过去了，可能我们路上还没有看到可以彻彻底底可以解放双手的一些无人驾驶的存在。所以我们这个过程的话可能也是需要五年十年的这样一个阶段，才能看得到真正的一些无人值守实验室的存在。现在我们可能偶尔在某些地方，尤其是在国外的话，可以看到一种概念性的无人实验室的一些存在，相信会慢慢的普及开来。

你刚才说的非常对，这个 rna 有多种多样，我都记不起来有多少种，能列出一大堆来。那么最能最跑到前面的能成药的，一个siRNA代表性的这个公司就是Alnylam这家公司。那么 ASO 这个代表性的公司是Ionis 。那么我们认为 ASO 它的这个适应面应该是最广泛的。你大家可以看一下Ionis这家公司，跟他的这个相当于是一个重磅的药吧，这个治疗SMA的这个药在 2020年，已经是超过了 20 亿美金的年销售。那么所以说这个另外一个就是说 FDA批的 ASO 的药现在好像已经批了至少是 8 种了。这也是在小核酸里面是批的种类是最多的。那么你看它的管线里面，它cover 了这个从肿瘤、心血管、神经，它的 cover 的面是非常广的。 RNAi它也是一个非常promising 的方向。但是他跟 ASO 比就是他的这个递送还没有能够变得非常广泛，但是他靶向肝脏是没有问题的，其他的组织，现在大家还都在做功课之中。为什么我们选择这个 ASO 这个方向，它的适应面非常广，而且对于不同的致病突变，你能够找到一个可以成药的 ASO 的这种几率也是最大的。

那么 AI 在这里面的这个起作用的这种可能性也是最大的，这是我们自己的观点。因为什么呢？首先mRNA剪接这个问题上面的，我们是可以用 AI 来做预测的，某一个突变是不是造成 mRNA 的剪接的这个问题，目前我们的这个模型可以做到非常高的精确度。所以为什么我们在小核酸领域，现在我们打算 focus 在这个 ASO 领域， AI 在这上面是一个非常好的一个应用场景。相比之下这个其他的这些方向要不然就是太早期了，要不然这个适应面不够广。