那个我先说一下，刚才我们提到的算力这个问题。其实那个算力这个问题在计算机领域是比较经典的一个问题。然后外国人专门出了一本书或者一系列书，就叫 no silver bullets。因为其实随着这个摩尔定律，然后每年基本上算力或者说同样价格的计算机其实都在 double 也就都在成倍的扩增。然后我们其实现在算力我个人认为已经比较充分了，但当然只是说我们在同样的一个资金、还有同样的时间内，然后你如何去选择应用这样的算力，然后能去解决多大精度的一个问题。所以像刚才我们说的其实算力问题现在已经比以前要好很多了，因为比如说在以前是登月球的那个一个宇航局的机器里面，它的算力还不如我们现在用的手机。所以其实我们现在的可能 AI 科学家和CAD的科学家比以前已经幸福很多了。但当然像这个算力的瓶颈问题它一直是存在的。比如说我们刚才在提到的那个，他们用了许多个 TPU ，然后那个计算的费用就是上百万美金起计。然后所以其实是这些 TPU 一个都代表，比如说几百个 GPU 的这样的算力，然后每个 GPU 的价格都是在 10 万美金，比如说一台机器，所以其实这是大部分的 biotech 公司很难以去承受的。但是这是一个客观的层面。然后另外一个例子就是其实像美国的一家上市公司，他们是在做难以成药靶点上面的一个显著的代表，然后这家公司他们就是使用计算机大量的去模拟蛋白动态的一个过程。然后去找到了一些别构的口袋，然后通过这样的一个口袋发现，然后设计出了一些已经上临床的一些候选药物。然后他们使用的计算机也是特别值得一提。因为这边是在那个美国的一些科研机构，他们这边专门设计出来的一些比如上亿美金这样价值的一些专门的硬件做蛋白动态模拟，不是说我们现在使用的一些机器。所以其实在那个上市公司在美国的这些公司，其实对一些小型比如说 AI 初创公司那个确实在算力上面是有很大的一些优势的。这样的优势其实它可以带来的一些可以怎么扩大，说这些公司其实它可以用更短的时间内可能更容易攻克一个蛋白的模拟，然后它可以模拟的蛋白的时长也比我们小的公司那个要更快很多。所以这个说让他们可以去做更大的一些事，行更高回报率的一些事情。

但是也不是说像小的 AI biotech或 biotech公司没有其他的一些办法，因为现在 AI 的技术其实让我们可以做到，说使用同样的算力情况下，如果我们做一些算法的优化，做一些底层的优化，它虽然没有能达到像比如说这些上市公司这样的精度，但是它已经足够让我们去快速地解决一些药物研发中的实际问题了。所以这那个也是我们公司的一个实际的做法，我们模拟的时间会更短一些。但是其实虽然没有精度那么高，但是我们可以通过一些其他的 AI 的算法去尽量的弥补这样的一个精度的损失。

刚才提到了那个在具体的一些算法，比如说我们那个做AI或者说使用 cadd 如何去解决难以成药靶点的问题，其实在那个难以成药靶点，它最难的一个问题是 AI 可能现阶段解决不了的，因为它是一个靶点相关的问题。说靶点的这个机理还有作用机制，这个是需要生物学家，比如说像那个韩教授这边的公司或者学术机构来解决的，他如何去判断这些蛋白之间和基因之间的相互作用，然后去如何产生这样的成药性，或者英文叫 mechanism affection，然后下一阶段我们知道这个蛋白，比如说如何表达，然后我们可以在蛋白的口袋上才去可以设计这样的药物。

所以其实我们现在比如说那个大部分的 AI 制药公司，那个主要做的还是说在前人的一些肩膀上面，然后我们可以做下一步的药物研发，比如说根据这些可能已经发现了一些机制，然后有的时候是已经发现了这样的至少是蛋白或者口袋进行一些药物设计，它所使用的说非常需要大量规模的模拟。然后这样来比喻，如果不用那个计算机模拟的话，其实像解析一些难以成药靶点，它的那个代价是非常高的，一个是时间成本。另外一个是比如说我们拿GPCR来举个例子，就是我们虽然很有钱，然后花很多时间，比如说 50 万人民币的价格，大概要花 6 个月时间可以解析出来一个共晶的结构。

但往往这个共晶的结构其实在上市的CRO里面，没有几个公司可以做到。然后另外解析出来的时候，它其实因为这个蛋白表达非常难，表达纯化的时候，它也很难去解析出来真正具有成药性的这个构象。所以其实这也是为什么就是难以成药靶点难以攻克的一个主要的问题。然后计算机模拟带给我们的一些解决方案，说在这些过程之中，然后我们可以通过结合一些比如说冷冻电竞或者说计算模拟的方式，去潜在的找到一些具有成药性的结构。然后根据这些成药性的结构，也就说我们知道蛋白的结构之后，知道这个锁长什么样，知道锁孔长什么样，然后再去给这个锁孔配一些钥匙。这些钥匙可能是一些小分子或者是一些那个大分子或多肽的药物。