专访鲜翾 | 一位药企首席AI官的两场技术革命

几个月前，鲜翾博士出任同源康生物首席AI官（CAIO）。这家由港股上市公司同源康医药孵化的子公司，专注双抗、三抗、TCE与下一代ADC，还有一个更激进的标签——AI原生Biotech。

这家Biotech正在做一项很超前的工作。

新管线立项先由首席AI官的数字分身和各部门科学家的数字分身一起初评、打分，AI认为有价值的项目，后续才能进入真人审评。因此，每个科学家必须将把关的逻辑和证据链沉淀进AI，每天训练自己的数字分身。

通常来说，没有哪家公司会让一个做AI的人管理所有管线，但同源康生物确实这样做了。主持这套机制的鲜翾具备生命科学研发工作经历，又做了十几年大数据和AI，她的上一个身份是金赛药业首席信息官（CIO）、数字研究院院长。

五年前，她在金赛药业开始主导数字化、智能化转型，用两千多个数字看板打造了一套从营销、生产到研发的智能化系统，让那家有近三十年历史的传统药企，第一次看清每一分钱花在了哪里。转型完成后，她得出一个结论——数字化确实能帮助药企进行系统化管理转型，让一切“看得见”，但却解决不了人性的问题。

在金赛，她依然有机会积累更多药物生命周期中数智化升级的宝贵实践。但AI的突然爆发，让她决定切换到一个更轻盈、更灵活的新战场大干一场。

于是，她在同源康生物开启下一场AI技术革命，把数智化的命题从让业务看得清，变成让产品跑出来。

数智化的边界是人性

医药魔方：一两年前药企的技术转型谈的是数字化、智能化。您主导了金赛药业五年的数字化转型，回过头看，这场革命完成得怎么样？有没有超越“中台”的边界？

鲜翾：中台革命的阶段性目标完成了。传统药企做数字化转型，背景和思路是类似的，一把手基于业务的痛点和转型需求，决定引入更多的人才，培养更多新业务模块，业务复杂度一下子提升起来。而大部分民营企业在高速成长期靠的是机会驱动，系统化思考与管理是后补的课——数字化要解决的恰在于此。

所以搭建数据中台，类似于将整套业务用“数字孪生”系统映射出来，为过去经验派的、模糊的业务做清晰化管理。至少让管理层看得见，哪些地方真正在增长，哪些地方在失血，哪些地方潜力很好、需要加大投入。

医药魔方：如何让业务看得见？落地过程中真正的阻力在哪？

鲜翾：金总（金磊）当年提了一个非常牛的要求——人人都有数字看板，而且强制所有数据只从我们团队出，去规范每一层级的数据展示。搭建看板背后要梳理一整套指标体系，老板看什么、N-1看什么、每一层看什么、前线销售看什么，层层定义。

而定义“看什么”，考验的不是抓取数据的能力，而是管理思路，哪些指标真正贡献到公司成长。这就是现在特别火的本体（ontology），把所有决定成败的因素用关系串起来，把业务对象、语义、规则与决策逻辑变成可执行结构，这里面就一定有指标体系。

我们做了两千多个数字看板，但当拿着看板去跟每个业务领导对接的时候，问题就出现了。

第一个问题，相当一部分中高层会做业务，但难以把业务系统化——习惯根据汇报做反应，缺少一套自己的系统：核心指标是什么、怎么拆给团队。这不怪个人，行业长期以来习惯用个案说话，定量化的管理思维相对薄弱。当我们要求把业务方法论沉淀下来时，摩擦就出现了。

第二个问题，底层数据的口径与质量参差。同一个指标，我们抓的数据和他们汇报的数据不一样，怎么办？这就意味着数据底子得补。

当时好几家公司也在做数据治理，大家有不同的策略，有些选择先清数据再搭指标体系，我的策略是先拉指标体系——大家对一个数有分歧，而这个数又很重要，就需要往下挖掘，这些数字从哪来的、计算公式是什么，这样就能把数据清理干净。在清理时也要判断，比如医院的代码天天在变，合并、剥离，不存在百分之百准确的准数据，关键是算ROI，花多大的资源、清理到什么程度就够了。

医药魔方：数字看板的实际效果怎么样？

鲜翾：确实让业务更清晰了。我非常感谢金总的坚定支持，让我们得以用数据和AI看清药物的全生命周期管理。

印象最深的是，老板扫一眼看板说“那个数不对”，满屏的数据，他一眼能看出来，因为他看了太多年，知道那个连续增长了七十多个季度的数应该在什么合理区间。一检查，确实是计算的人出了错。而数据看板就是要把这种经验直觉和系统化思考沉淀下来。

数据还能直观反映个体员工的能力和态度。销售有没有跑动起来、有没有去拜访，这是态度问题；动作都做到位了，业绩出不来，那是能力问题。对组织来说，先看清楚数字，再去分析成本和收益，把每个部门拆出来看管理成本和生产力贡献，就能发现哪些人力是在支持不盈利的项目，比如重复建设的药企中台有可能会吃掉公司很大的管理成本。

当时的金赛药业把数据用到了极致，但隐藏在数据背后的人性，是数据描述不了的。

医药魔方：您说数字化管理解决不了人性的命题，这个判断是怎么形成的？

鲜翾：比如一个新业务正常的成长曲线应该缓慢爬坡，但老板会觉得，公司有底子、有资源，为什么不能让曲线更陡峭？这并非不现实，确实有公司做到了。我去研究他们为什么能做到，发现答案不在数字化，而在于人。

从结果来看，我觉得信达就做到了“懂人”，因此团队战斗力很强。他们的数字化体系非常简单，但它靠的是用人、分钱——招到什么样的人，把责任压实在他身上，该激励的人把钱给够，才有战斗力。过去医药领域最重要的两个方向——PD-1和GLP-1，信达两个都抓住了。我觉得这是科学洞察力或者说taste的表现。创始人也好，科学团队也好，大家坚定的看到了未来的方向并且执行到位。这件事当年搞数据的人解决不了，那是人和组织的命题。

另外，数字化系统上线之后还有个副作用，很多人为了完成看板上的数字而动作，而不是真正去挖掘前线的问题。我当时的想法是跑前线收集信息，问一线员工需要什么样的制度把业务做成。共性问题先解决，次要的后解决，跟清理数据的思路一样。但一涉及到资源投入，利益之争就出现了。问题进而演变成，看到数据之后，能不能做决策？

而数据能呈现的只是“看得见”的部分。在从创业期走来的组织里，判断、信任与默契沉淀在长期共同的战斗中，这部分数字化暂时还替代不了，也不是哪一家公司特有的问题。

所以回头看，中台革命的界限在于“让业务看得见”。看不见的部分——判断、信任、人性，暂时无法解决。而人性往往对智能化和AI技术革命的阻力很大。

医药魔方：如果沿着金赛的数字化体系再往前走一步，是什么样的？

鲜翾：正大天晴的探索很典型，他们是先有数据，再做“营销大脑”。就是把数据底层摸清楚，什么地方该审批、什么地方不该审批，慢慢积累学习规则。有了规则，AI就能把公司中台变薄。规则能覆盖的地方，人就退出来；AI处理不了的断点，人顶上，同时把专业能力持续沉淀回系统。

只要是有数据流、有规则的地方，比如营销、供应链、生产，都可以跑一遍。最终搭建数字化系统的员工转型为运营人员，这就是“黑灯工厂”的雏形。

医药魔方：营销、生产可以规则化，但研发长期以来靠个人判断，数字化、智能化乃至AI带来了哪些变化？

鲜翾：研发以前叫drug discovery，比较特殊，有太多东西是人拍脑袋定的，而且每个人拍脑袋的决策都不一样。生物学家通常是看论文做决策，但论文本身永远只是假说——只能说这个假设没被别的实验室推翻，暂时认为成立。至于选择哪些论文，跟营销端数据的选择性汇报一样，大家都是根据自己的偏好，找到支持自己理论的根据。

引入AI后，情况发生了些变化。如果我们现在用AI做一份靶点药物报告，一个生物学家从头看到尾挑不出错，那说明AI的认知水平已经超过他了，我们就服务于AI。如果你能看出中间有什么不对、能跟它论道，纠正AI的结论，当前我们的判断是人类科学家认知比AI高，AI得听人的。

所以研发同样可以做数智化运营，把客观问题拆解到当前究竟是什么水平、有什么风险，把风险明明白白列出来，人来担责做决策。

研发决策决定了最终的产品力，因此有洞察力的科学家积极拥抱AI，放大自己的生产力就非常重要。不过，研发端之前常见的情况是，绕开关键问题的有争议的部分，在科学决策会上进行选择性汇报，只为证明自己的项目值得往后推。大家不知不觉从为“事”负责，滑向为“项目在推进”负责——这是大组织创新乏力的常见机制，国内外皆然。

让AI介入研发、管理和战略决策

医药魔方：您观察过的药企不少。在研发决策这件事上，各家的差别主要在哪儿？

鲜翾：我觉得当前还是创始人和核心科学家的taste。归根到底是一个问题——公司最顶上那个人能不能持续带公司往前走？

百年企业难就难在从“个人英雄”向“组织运作”转型。我在康奈尔时参与过一项百年企业传承研究，调研了上百家百年企业：规律都是父传子、传亲戚、再引入职业经理人，转折过程里很多公司垮掉了。所以阿斯利康的Pascal Soriot在业内评价很高，职业经理人能把公司运作成现在这样，非常不容易。

医药魔方：AI有机会解决人类科学家taste传承的问题吗？

鲜翾：以前一家药企招揽一位科学家，由他提出某个研发方向，一旦这个科学家离职，该方向就停止，这非常常见，根本不能算是形成了技术平台。AI思维意味着要持续识别研发团队成员的差异化知识和经验，持续沉淀，真正形成可以复用的、可以形成数据、算法、决策闭环的技术平台。而且，用AI提高科学家们的决策效率，也就相当于延长了他们的职业生命周期，我觉得科学大牛都应该积极拥抱AI。

医药魔方：这也是同源康生物在做的事，不过为什么标榜为“AI原生Biotech”，而不是“用AI的药企”？

鲜翾：同源康生物想做一家AI原生Biotech，我们正在把所有科学家的经验沉淀到各自的数字分身里，让AI先于人做判断。

比如在立项阶段，先由我的AI分身和各部门的分身共同初评，一致通过后才到人类科学家这一关。这个机制的关键在于，因为是AI先打分，每个人必须把自己把关的环节训练得非常好——支持一个分子过关卡，必须有完整的证据链，逻辑沉淀在分身里，否则他自己的项目也过不了。如果是人立项、AI辅助，没人会认真训练分身。

我们现在大概每周评估两个项目，内部目标是年底做到一天一个。评估平台上线以后，项目生成库可以每天扫描更新。

医药魔方：作为CAIO，在立项评估时的角色是什么？

鲜翾：没有哪家公司会让一个AI背景的人管所有管线，这在行业里是件极新奇的事。我不是真正做研发的那个人，但所有流程、所有机制、所有过程，是以AI为主线的。如果哪个地方AI的打分都打不过，那这个项目就过不了。我是冷酷无情的中立把关人——虽然不懂很多科学细节，但AI给出的质疑和挑战，需要科学家来向我解释清楚。

医药魔方：同源康生物专注于双抗、三抗、TCE与下一代ADC，在这些领域，AI研发决策发展到了什么程度？

鲜翾：AI现在最大的杠杆是AIDD，这是AI for science里确定性最强的变现价值。

AI在抗体、多肽、蛋白领域正以势如破竹的方式产生新算法，这些领域数据可得性好，又是序列空间（sequence space），类似语言大模型——模型学会了自然界构建序列的规则，就能写出漂亮的序列。Anthropic今年8月公布的一项实验中，Claude Opus 4.8与Mythos Preview在没有任何人类专家介入设计决策的情况下，自主为15个生物靶点中的14个完成了全新蛋白质结合剂设计，并由Adaptyv Bio和Twist Bioscience两家独立实验室完成湿实验验证，单轮命中率22.6%—35.1%，远高于该领域10%—15%的典型水平。AI设计抗体的命中率越来越高。

在大分子领域，AIDD已经卷到了选题：什么疾病、什么机制、什么靶点组合，十年后上市时仍有商业竞争力。

但创新小分子的算法还有距离，小分子结构一直都是化学家设计的，原子级的微小改动就导致性能巨变。很多AI设计的分子，化学家一看就说不行，没法成药。这恰是我选择来同源康生物创业的原因。

母公司同源康医药有很强的小分子化学家，我们在做下一代ADC，核心在payload——原有高毒payload已出现大量毒副作用和耐药。如果payload本身功效好、毒性低，就是立竿见影。我们小分子团队很强悍，但前提是要把ADC的机制梳理清楚，把对小分子设计的需求提明白，这也并不容易。

医药魔方：一套完整的AI原生机制还要突破“干湿闭环”，计算设计和实验数据互相喂养。你们怎么建立闭环？其中难点和门槛在哪里？

鲜翾：我们的起点还是行业内公开的算法，但内部有自己独特领域的数据和经验沉淀。做下一代ADC和TCE，一定要有一些跟别人不一样的东西——别人拿不到我们的数据，就形成不了我们的闭环，这是核心竞争力。然后我们解决的是真实问题，用药品的疗效、安全性证明方向是对的。

但刻意生成的数据，对于泛化成功经验，提高设计命中率至关重要。我们下一轮融资，就是想建自动化实验平台，在我们看重的领域做更多实验、产生更多数据。这些数据在公开领域很难获取，这时候才有机会训练出具有差异化竞争力的垂域模型。

如果没有任何科学家给出洞察，纯靠数据驱动，需要的数据量很大。我们的母公司同源康医药以前主要做肺癌、乳腺癌、卵巢癌，在肿瘤领域积累了很多临床数据，科学家会把数据和判断毫无保留地告诉我们，因此我们需要的新数据就更少，能极大降低计算成本和数据量。

这又回到了人的命题——有开放性的科学家，比搞算法的人还难得。一个科学家怎么跟AI团队打配合，识别AI团队的能力、借由AI工具放大影响，这是更稀缺的品质。英矽智能的Alex与任峰、华深智药的彭健与朱祯平，都是“算法+科学”理想搭档样本——这种强强联合，可遇不可求。现在很多AIDD领域创业者来问我，能不能推荐一位这样的科学家？

医药魔方：除了管线评审，您似乎还在用AI评估人和组织，分析团队的配置能不能支撑公司战略？

鲜翾：我把公司战略和已有团队的简历全部放进去，让AI分析现在的团队能不能支撑起战略。这叫AI的人才战略画像。AI能直观指出哪里缺人，或者哪部分压在一个员工身上。根据战略拼人的拼图，识别人的能力在什么地方，AI的能力在什么地方。

人不具备的能力，AI能不能补充；人很强的地方，AI能不能放大。这样我才能用最有效的方式带一个很小的团队。这正是小公司的好处，像一个未分化的干细胞，更新迭代也容易。

医药魔方：小团队成功的前提是每个人都得动起来。AI转型最大的阻力往往不是技术，而是人的路径依赖，前期必然有训练成本。同源康生物团队成员，为什么愿意训练自己的分身？

鲜翾：同源康团队的吴博是一个很Chill的科学家——这种领导风格反而会让组织更有活力。谈到药，他非常真诚地想做好药、为人类造福。但他也不古板，像投资人一样看很多项目，经常说“这个我们可以参与一下，挺好玩的”。这种松弛感和主动性，在AI时代很重要。就像乔布斯为什么是“教主”？Stay hungry，stay foolish——永远保持“新脑子”。

然后就是去塑造团队。稻盛和夫说人分三种：天生自燃的、容易被点燃的、还有绝缘体。我们团队有几位一下子就被AI点燃了，然后被点燃的人越来越多。如果只有我一个人自燃，燃起来发现周边一堆人都是绝缘体，那肯定就完成不了AI-native的目标。不过小公司的好处是可以选人，面对面一聊天就知道，谁听你讲的时候会两眼闪闪发光——很多人其实是在大企业的螺丝钉生活中，忘记了自己的热忱。

此外，我会通过KPI评估人岗匹配，让团队利益分配更公平：让团队的配置始终跟上战略，把战力从原地消耗的环节里解放出来，让创造更多价值的人得到激励（大白话讲就是升职加薪）。

医药魔方：什么样的科学家更能训练好数字分身？

鲜翾：我观察到一个很有意思的规律：平时能带好孩子、带好团队的人，往往能把AI训练得很好。本质上这是培养下属和带团队的方法论。

训练AI跟个人能力也特别相关，比如我们临床负责人训练的Agent找茬能力极强，已经能揪出大模型的幻觉，成了我们公司第一个L1级别的Skill，也是QC体系的一部分。临床不容任何错误，因此他们训练AI的方式就是揪出报告里所有的错误、让AI改正。正因为积累了足够多的数据溯源规则和方法论，才有了这样的结果，而一个Agent挑错的能力是工程化的科研平台、各种开源的skill都做不到的。

我们用这个案例去告诉科学家，只有大家认真的跟AI进行所有工作的对话并给出反馈，AI分身才能成为他们的能力放大器。

AI如何改变产业竞争格局？

医药魔方：AI使得个人效率与能力范畴得到提升，但是组织层面的结果似乎还没那么明显，为什么？从“超级个体”到“超级组织”还有怎样的路要走？

鲜翾：因为AI的很多能力是端到端，直接交付结果的能力。比如AI视频这个赛道为什么一下子就能成——从热点分析、剧本写作、视频生成到个性化投放，整条链路都是数据和AI可以闭环的。而药物开发链条太长，人员学习和经验积累都要很长时间，大量的内容并没有数字化沉淀。比如以前设计分子，要分别做亲和力、人源化、免疫原性等等实验，一轮轮来优化分子。而现在AI设计分子，从开始就会充分考虑优化所有的分子性能，用最少的实验轮次来完成测试。

从药物研发的全链条来看，AI可以用上帝视角来看到全程，以提高最后的商业化价值，因此原来的组织和SOP都得改。但在大型药企里，角色是既定的，管线数量不能伴随AI能力增强而无限增加。业务量增加有限，原来五个人的活现在一个人能干，那另外四个人怎么办？这种趋势下，来自人性的反弹是巨大的，因此组织转型滞后也是必然的。

所以药企要在AI浪潮下找平衡，首先是CEO层面把商业形态想清楚——AI赋能下，这件事本来应该怎么做？而不是只把AI当成给旧流程提速的工具。

医药魔方：有人曾呼吁让创新药公司“睁眼看看外面AI已经发展成什么样了”，创新药行业的步伐不够快吗？哪一类公司风险最大？

鲜翾：肯定有被落下的。尤其很多biotech未来风险会很高——原来biotech的核心竞争力就是几条管线，而以后推管线是批量化、轻量化、fail fast。干湿闭环、自动化实验室把设计跑完，推到PCC会变得很快。当然，后面的临床前安评，毒理、药理动物实验，还是要资金的，所以选品能力、融资能力也是恒久不变的Biotech核心竞争力。买什么分子、怎么高速运营临床，关键点还是怎么用AI辅助判断和提效。

已经上了临床，有人体数据的Biotech管线竞争力会好一些。但现在临床端真正的问题在于：相当比例进入临床的分子，成药性本身就存疑。当年立项评审的激励机制，天然鼓励乐观叙事——优先讨论“项目能不能往下走”，而不是“分子好不好”。上了临床推不动，归因往往是“人体有很多不可预测的因素”。但如果把那些分子重新拉出来复盘，会发现问题在分子本身。再加上动物实验数据天然存在可选择性，团队在乐观叙事的机制下，很容易在不知不觉中完成自我说服。

医药魔方：上一波AI制药公司曾纠结做管线还是做服务，同源康生物的答案是什么？

鲜翾：我们坚定的做管线，因为管线撬动的价值最大。上一波公司大多在讲算法、做服务，资本市场一度按“算法公司”估值。我们的投资人感兴趣的则是另一件事：怎么用AI把组织效率运营到极致，用最少的人、最短的时间，跑出最多高价值的管线。

AI原生的核心产出物得是标准化产品，不是算法。最后无论是商业化还是BD，都要落到药物的竞争上去。但AI生成分子和做成药之间有个巨大的gap——这就是为什么之前有些AIDD公司拿不到那么多钱，除非找到很强的科学家配合。

医药魔方：将视野拉到产业层面，AI浪潮下，内外资大型药企、biopharma、biotech，竞争逻辑变了吗？

鲜翾：拿AI工具跑得最狂野的是AIDD为核心的Techbio，科技圈给它们投了很多钱，选题也比较放飞自我。它们跑得很快，但BD出去的项目不一定能真正往后走。比如很多算法公司号称自己能一键生成的单抗，但这种分子肯定卖不出价钱——你能一键生成，别人也能，这管线竞争力也太低了。选品还是得靠懂药的人。

外资药企也在经历组织转型，每个人都给了一大堆最领先的AI工具，但组织生产力提升不明显。大家都希望用AI显著提升人的效率。如果干湿闭环在外企做起来，分子设计和生成能力还是会大幅度提升，不能低估。所以中国早期管线比较从容的拿到BD大结果的窗口，可能还有五年左右——之后候选分子可能就会大爆炸了。

但中国的临床还有优势，毕竟人口基数在。现在患者成本很高，一个分子入组的病人越多越贵，所以临床运营效率非常关键。我们自己的临床团队，已经用AI把系统准备得差不多了，先把标准化的系统和方法论准备好，未来管线一来，就能快速往后推进。

不过说实话，国内真正能用AI推进临床的比早研还少，能提供这类服务的公司也更少。

医药魔方：传统靠人驱动的biotech，会被AI驱动的公司全面取代吗？

鲜翾：现在来看，对机制理解特别深的科学家还不会被取代。很多科学家一辈子研究一个机制，坚定地相信这个机制，上下游通路怎么互动都刻在脑子里——他不需要虚拟细胞，就能判断什么东西有价值。但把机制研究清楚这件事，目前AI还不太行，往往得是一个临床专家加一个生物学家的协同。

中国很缺复合型人才，美国很多做转化医学的临床医生既看病人又做研究，能发现大量机会。而中国的临床医生以前不敢自己做药，现在有了AI，他们开始自己做分子、做biotech——治疗过程中发现现有药物的问题在哪，就能把问题定义好，协同AI设计把事做出来。

说到底，生物医药的核心问题到今天还不完全能由AI做决策，个体经验很重要。延伸来说，AI时代，每个人都应该思考自己不能被替代的核心竞争力究竟是什么。

医药魔方：AI也在重塑产业生态。这一波浪潮下，哪些环节会真正受益？产业格局会向什么方向演化？

鲜翾：当前能跨界、把两边的话都讲明白的人太少了，让原来做药的人直接上手用AI，门槛也很高。正因此，工程化数据库建设和平台搭建的公司，在中国甚至全球都稀缺，项目起量都是千万级——不是每个biotech都拿得出这个钱，所以中国biotech的AI转型整体会慢。而且中国的数字化服务卖不起价钱，有能力的公司宁愿自己做、不愿意提供服务。

明确受益的是CRO。分子生成越快，湿实验、检测、申报的需求越大，药明系这种本来就有交付能力的公司，内部再把AI效率提起来，成本更低、成功率更高。我们现在的选择是用别人的算法，建自己独特的领域数据和干湿闭环。前端自己做疾病理解和选品，后端选性价比合适的供应商。

我们不排斥未来把这套方法论对外赋能，但当下是先把同源康生物的业务体系理顺。有投资人跟我聊过，可以搭建另一种新兴组织形态，类似于“分子银行”——识别中国科研领域里真正高价值、有taste的生物学家，帮他们把公司的AI转型做起来，扶上马送一程，持有未来的一部分股份，可以说是更超前的孵化形态，也挺有意思的。

为什么AI目前取代不了决策者？10月27-28日，由医药魔方主办的“2026中国医药决策者峰会（CHDC）”将在北京亦庄举办，鲜翾博士将参加平行论坛「AI决策力的觉醒：从试点焦虑到战略笃定」并发表开场致辞，与行业同仁探讨AI如何重塑药企决策链条，把同源康的实践和思考转化为可交流的产业经验。

栏目介绍

《决策者DeepTALK》栏目由医药魔方出品，聚焦于制药企业立项研发、商业化、国际化、产业合作的底层决策逻辑，拆解企业核心战略动向，通过与业务管理一号位、企业掌舵人和行业战略家的深度对谈，构建一套理解头部医药企业运营和产业变局的认知坐标系和价值参考系。在这里看懂决策，读懂时代。

Copyright © 2026 PHARMCUBE. All Rights Reserved. 免责申明：本微信文章中的信息仅供一般参考之用，不可直接作为决策内容，医药魔方不对任何主体因使用本文内容而导致的任何损失承担责任。