CCTV 선정 '중국 AI 창업 10준', 유일한 AI 제약사는 칭화 계열

루위(鹭羽) 2026-11-02 14:28:07 출처: 량쯔웨이(量子位)

모델·파이프라인 이중 구동

루위, 아오페이쓰(凹非寺)에서 보내다

量子位 | 공중호 QbitAI

AI 업계의 별칭은 하나 또 하나 바뀌어 왔다. AI 사소룡(四小龍), 대모델 육소호(六小虎)……

이번에는 업계의 차세대 스타 기업들이 CCTV가 직접 점명하는 차례가 되었다.

1200개 참가 기업이 층층이 돌파한 가운데 '중국 AI 창업 십준(十駿)'이 새로이 발표되었다.

명단은 로봇, 스마트 제조, 생명과학에 걸쳐 있으며, 유일하게 AI 제약사 한 곳만 이름을 올렸는데, 오늘 따로 짚어서 이야기할 만하다.

그것이 하는 일은 현재 가장 뜨거운 'AI 바이오 제약'이다.

앞서 모더나와 머크(MSD)는 AI가 참여해 개발한 맞춤형 mRNA 암 백신이 '피부암의 왕'이라 불리는 흑색종 치료에서 긍정적인 결과를 얻었다고 공동 발표했다.

이 소식은 고무적이며, 동시에 국산 AI 제약이 지금 어느 단계까지 왔는지 묻지 않을 수 없게 한다.

CCTV 십준 명단에 있는 유일한 이 AI 제약 기업을 통해 우리는 어쩌면 몇 가지 답을 찾을 수 있을지도 모른다.

회사는 설립한 지 이제 막 3년이 되었으며, 장야친(張亞勤) 원사가 창립한 칭화 AIR가 인큐베이팅했고, 녜짜이칭(聶再清) 교수가 수석과학자를 맡고 있다.

바로 수이무펀쯔(水木分子)로, AI 제약 플레이어 중 각종 AI 모듈을 가장 빠르고 가장 완비하게 돌리는 축에 속한다.

수이무펀쯔가 해결하려는 문제 역시 신약 개발의 심수구(深水區)다.

한 제약 연구 전문가가 수십 년간 쌓은 경험을 어떻게 하면 AI가 실제로 활용하게 할 수 있을까?

수이무펀쯔의 '노법사(老法師)'들이 이리저리 고민한 결과는 '대화형 AI 네이티브'였다.

2023년부터 그들은 자연어와 생물 언어의 연결을 지속적으로 추진해 왔으며, 관련 역량을 대화형 신약 개발 플랫폼 ChatDD에 접목했다.

더 나아가 수이무펀쯔는 전문가가 대화를 통해 설명한 연구 방법을 정리해 AI 에이전트가 언제든 호출할 수 있는 스킬 패키지로 만들었다.

동시에 자가면역질환과 종양을 겨냥한 혁신 신약 파이프라인을 직접 추진하며, 플랫폼을 자사의 연구 개발 의사결정, 분자 설계, 프로젝트 운영에 활용하고 있다.

여러 갈래로 나아가는 이면에는 수이무펀쯔 나아가 제약 업계 전체의 소박한 판단이 반영되어 있다.

바이오 제약이 AI를 만날 때, 자연어 상호작용은 전문가의 경험과 판단을 대모델의 효율적인 지식 추론 및 전원자(全原子) 엔드투엔드 분자 설계 능력과 더욱 긴밀하게 결합시킨다.

이러한 인간-기계 협업이 가져오는 극한의 연구 개발 효율은 궁극적으로 중국 혁신 신약의 실제 임상 진전과 성공률로 실현되어야 한다.

신약 개발의 4세대 패러다임 도약

수이무펀쯔의 COO 싱제(邢杰)는 프로그램에서 의약 업계에 널리 퍼진 '삼(三) 십(十) 법칙'이 있다고 언급했다.

신약 한 개의 탄생에는 평균 10년의 시간, 10억 달러 이상의 투자가 필요하지만 성공률은 10%에 미치지 못한다.

이미지는 AI로 생성

어려움은 타깃에 결합할 수 있는 분자를 찾는 것에만 그치지 않는다.

혁신 신약이 인체에 들어간 후 어떻게 분포하는지, 기대한 효과에 도달할 수 있는지, 용납할 수 없는 부작용이 있는지, 또 어느 환자가 이득을 볼 수 있는지…… 이 같은 문제들은 모두 사람이 완전한 증거 사슬을 구축해야 한다.

솔직히 말해, '고전 방식'의 제약 과정은 절반이 경험 판단에 의존하며, 복제하기 어렵고 AI 학습에 직접 맡기기도 어렵다.

녜짜이칭의 견해로는, 과거 일부 AI 신약 개발 프로젝트에서의 핵심 단절이 바로 여기에서 나타났다.

모델은 구조를 예측하고 분자를 생성한 뒤 후보 결과에 순위를 매길 수 있지만, 연구자는 순위 매김의 근거를 충분히 이해하지 못할 수 있고, 자신의 우려를 모델에 피드백하기도 어렵다. 계산 결과는 실험 검증에 넘길 수 있지만, 전문가와 알고리즘 사이에는 지속적인 협업 통로가 부족하다.

이에 수이무펀쯔는 신약 개발의 네 단계 구분을 제시했다.

TMDD→CADD→AIDD→ChatDD.

TMDD(traditional methods of drug design)는 이해하기 쉽다. 가장 초기 단계로 실험 축적과 전문가 판단에 의존하는 신약 개발 과정을 대표한다.

이후 컴퓨터가 참여하기 시작해 일부 계산과 시뮬레이션 작업을 담당하는데, 이것이 CADD(computer-aided drug design)다.

그다음 AIDD(AI-aided drug design)가 AI를 성질 예측, 분자 생성 등 작업에 활용하기 시작한다. 그러나 전문가의 경험과 직관은 소형 모델 시대의 AI 모델과 효과적으로 상호작용하고 유기적으로 융합하기 어렵다.

ChatDD(Chat-based drug design)가 추진하려는 것은 전문가가 자연어 대화를 통해 작업 계획, 실행, 결과 수정에 참여할 수 있게 하는 것이다.

그리하여 신약 개발 전문가의 경험과 직관을, AI 에이전트의 고처리량 문헌 읽기, 효율적 계산과 추론, 고품질 분자 설계와 스크리닝 방면의 능력과 유기적으로 결합해, 장점이 상호 보완되는 인간-기계 협업 연구 개발 모델을 형성한다.

전문가가 문제와 작업 목표를 제시하면, 대모델이 이를 분해하고 도구를 호출한 뒤 결과를 다시 전문가에게 돌려준다. 여러 차례 상호작용을 거치면서 전문가의 경험은 AI 제약의 모든 단계에 효율적으로 참여하게 된다.

기계가 아직 충분히 완전한 정보를 습득하지 못한 현재, 이는 지극히 중요하다. '대화형 상호작용'이야말로 전문가와 AI의 연결을 처음으로 가능하게 만들었다.

사실 이는 상당히 '전향적인' 세대 구분이기도 하다.

ChatDD는 수이무펀쯔가 2023년에 제안한 것으로, 현재 해외의 GPT-Rosalind와 Claude Science도 이와 유사한 상호작용 방향을 탐색하기 시작했다.

업계 경쟁의 범주는 단일 모델의 예측 능력에서, 과학 연구 작업 전체를 조직하는 방향으로 진화하고 있다.

더 쉽게 말하자면, 누가 먼저 신약 개발의 'AgentOS 진입점'이 될 수 있는지를 보는 것이다.

이제 수이무펀쯔를 예로 들어, 그들이 구체적으로 어떻게 제약 연구 전문가의 경험을 AI 과학자의 작업에 들어가게 하는지 살펴보자.

플랫폼·파이프라인 이중 구동

AI가 이를 활용하려면, 먼저 이 경험들이 도대체 어디에 숨어 있는지 명확히 봐야 한다.

어떤 것은 이미 논문과 데이터베이스에 기록되어 있어 AI가 바로 쓸 수 있고, 어떤 것은 전문가가 현재 프로젝트에 대한 판단 속에 드러나며 일상적 상호작용을 통해 이어받아야 하며, 또 어떤 것은 재사용 가능한 워크플로로 축적될 수 있다.

수이무펀쯔는 이러한 경험들을 각각 모델과 구체적 작업에 접목하고, 그것들이 다음 단계에 무엇을 해야 할지 지속적으로 영향을 미치도록 시도하고 있다.

구체적으로 보면, '모델 기반에서 위로 지속적으로 확장하는' 상호작용 체계다.

논문 지식이 다음 설계에 참여하게 하기

간단한 예를 들자. 연구자가 돌연변이를 통해 어떤 항체를 최적화하기를 원한다고 가정하면, 전문가가 말하는 것은 기능 목표이지만, 모델이 최종적으로 처리해야 하는 것은 아미노산 서열과 공간 구조다.

그 사이에는 분명한 언어 단층이 가로놓여 있으며, 첫 번째 관문은 관련 지식을 기저 모델에 융합해야 한다는 것이다.

수이무펀쯔가 2023년 칭화 AIR와 공동 추진한 BioMedGPT는 먼저 자연어와 분자, 단백질 등 생물 데이터의 정렬을 탐구한다.

연구자는 입력한 생물 데이터를 둘러싸고 질문할 수 있어, 텍스트 속 지식이 구체적 연구 대상과 연결을 맺게 한다.

그중 BioMedGPT-10B는 세계 '최초'의 오픈소스 상업 이용 가능한 1000억 파라미터 멀티모달 바이오의약 대모델로, 벤치마크 테스트에서 '업계 최상위권'에 위치한다.

MutaPLM은 이 연결을 더 구체적으로 만든다.

NeurIPS 2024에 채택된 이 연구는 돌연변이 영향의 텍스트 설명과 단백질 돌연변이를 대응시켜, 한 번의 돌연변이가 어떤 변화를 가져올 수 있는지 해석하는 것과 연구자가 설명한 목표에 따라 후보 돌연변이를 제시하는 것을 모두 탐구한다.

간단히 말해, 전자는 “이 위치를 바꾸면 어떤 일이 일어날 수 있는가”를 이해하는 것이고, 후자는 “이런 변화가 일어나길 바란다면 어디를 바꿀 수 있는지 고려할 수 있는가”를 캐묻는 것이다.

돌연변이 최적화는 구조라는 관문도 고려해야 한다. 최근 공개된 StructEvo는 구조 정보를 단백질 돌연변이 최적화에 도입해, 후보 탐색이 공간적 제약을 고려하도록 한다.

팀에 따르면 이 연구는 NeurIPS 2026에 채택되었다.

이상의 모든 것 이면에는 수이무분즈(水木分子)의 명확한 기술적 판단이 있다. 단백질 설계에는 오랫동안 ‘하나를 얻으면 하나를 잃는’ 모순이 존재한다는 것이다.

몇 개의 아미노산을 바꾸면 결합 능력은 강화될 수 있지만 단백질의 올바른 접힘을 방해할 수 있고, 구조적 강성을 높이면 안정성은 높아질 수 있지만 기능 적합성을 희생하게 된다.

그래서 구체적인 설계 과제를 중심으로 팀은 각각 대응하는 모델을 발전시켰는데, 예를 들어 ICML 2026에 채택된 CodeFP는 기능성 단백질의 서열과 구조의 협동 설계에 특별히 주목한다.

AbGaze는 나아가 항체의 전원자(full-atom) 엔드투엔드 디노보 설계를 탐구하고, 이러한 기하 정보를 서열 및 구조 생성에 활용한다.

……

그리하여 문헌에서 지식을 추출하는 것부터 기능 목표를 모델 분석과 설계의 근거로 전환하는 것에 이르기까지, 전문가가 수년간 축적한 연구 성과가 이로써 다음 연구개발에 참여할 수 있는 입구를 갖게 되었다.

그에 따라 축적된 AgentKG 지식 그래프는 분야 지식과 그 연관성을 조직하는 데 쓰여, 모든 답변이 추적 가능하고 출처를 갖도록 한다.

전문가는 프롬프트를 통해 목표, 제약, 경험적 지식과 의문을 보충하고, 에이전트는 이에 따라 과제를 계획하고 도구를 호출한 뒤 결과를 다시 돌려준다.

결과를 받은 후 전문가는 계속해서 캐묻거나 조건을 조정하고, 다음 라운드의 과제도 이에 따라 달라진다. 이어 한 차례 한 차례의 구체적인 교류를 거치면서 경험은 계산 과정에 깊이 참여하기 시작한다.

따라서 모델 훈련이 흡수하는 것은 정리된 지식과 데이터이고, 대화가 보충하는 것은 현재 과제의 맥락이므로, 이는 방향에 영향을 준다. 즉 전문가가 AI를 활용하는 동시에 AI도 전문가의 판단을 활용해 작업을 조직하는 것이다.

단회 지도를 재사용 가능한 방법으로

이어 한층 더 실제적인 문제가 떠오른다. 전문가가 이미 AI를 데리고 한 차례 끝까지 해냈다면, 다음에 유사한 과제를 만났을 때 또 처음부터 시작해야 하는가?

이 문제는 수이무분즈의 작업을 모델과 대화에서 스킬 패키지로 밀어붙였다.

전문가의 경험은 연구 방법에도 마찬가지로 드러나기 때문이다. 예를 들어 어떤 증거를 먼저 확인하는지, 언제 추가 분석을 하는지, 선별 조건을 어떻게 설정하는지, 어떤 단계는 반드시 사람이 검토해야 하는지 등이다.

이렇게 명확히 표현하고 검증할 수 있는 과정 또한 반복 호출 가능한 스킬 패키지로 정리될 기회를 갖는다.

올해 막 발표된 첫 배치 OpenBioMed 스킬 패키지는 이미 45개의 전문 스킬을 포함하며, 생화학/약물 개발, 단백질 분석 및 설계, 단일 세포 오믹스 분석, 데이터 검색, 도구 호출의 5대 범주를 포괄한다.

그중 Skill Creator는 전문가 참여를 워크플로 생성 단계까지 끌어올렸다.

연구자는 대화를 통해 과제 의도, 입출력과 제약을 설명하고, 시스템은 과정 구성을 보조하며, 다시 실제 데이터로 검증하고 수정해 해당 과제에 적용 가능한 스킬을 형성한다.

이렇게 하면 전문가의 단회 지도가 지속적으로 사용 가능한 방법을 남길 기회를 갖는다.

논문으로 지식을 축적하고, 프롬프트로 현재 목표를 표현하며, 검증을 거친 스킬 패키지에 이르기까지, 셋은 서로 역할이 다르지만 상호 보완하며, 함께 전문가가 한 걸음씩 AI 과학자의 작업에 참여하도록 추진한다.

실제 과제로 협업 효과를 검증하다

최종적으로 이 접근 방식은 실제 과제 속에서 시험대에 올라야 한다.

응용 계층으로 내려오면, 기업을 향한 ChatDD와 개인 연구자를 향한 수이무즈러(水木知了)다.

이는 각각 두 가지 제품 모드를 대응하는데, 전자는 위에서 아래로, 기업이 구매한 뒤 직원 사용을 추진하는 방식이고, 후자는 아래에서 위로, 연구자와 소규모 팀에 더 적합한 방식이다.

먼저 ChatDD에 대해, 수이무분즈 CEO 왕줘즈(王卓智)는 Insight, Discovery, Trial의 세 가지 주요 모듈을 이렇게 묘사한다.

Insight는 먼저 전문가가 과제 착수 전 질문에 답하도록 돕는다. 하나의 타깃이 할 만한 가치가 있는가? 만들어낸 약이 어떤 환자를 치료할 수 있는가?

이를 위해서는 질병 기전, 임상의 미충족 수요, 기존 연구 증거, 경쟁 프로젝트와 특허 상황을 동시에 이해해야 하며, ChatDD는 관련 작업을 여러 전문 에이전트에 나누어 맡겨 정보를 수집·정리하고 전문가가 판단을 형성하도록 돕는다.

Discovery에 이르면 과제는 분자를 어떻게 설계하고 가상 스크리닝할 것인가로 바뀐다.

전문가가 설계 목표를 제시하면 플랫폼이 계산과 후보 스크리닝을 조직하고, 결과는 다시 연구자의 판단과 실험 계획으로 들어간다. 이 또한 왕줘즈 박사가 혁명적 변화가 나타나고 있다고 보는 지점이다.

Trial은 지원 범위를 임상 관련 작업으로 확장하며, 목적은 임상 개발의 효율과 성공률을 높이는 것이다.

간단히 말해, ChatDD의 가장 중요한 의미는 대화를 통해 생명과학자들이 AI 도구를 충분히 사용하도록 하는 것이다.

과거에는 생명과학자들이 이런 작업을 완수하려면 흔히 프로그래밍을 배우거나 계산 팀과 반복적으로 소통해야 했지만, 이제는 누구나 ‘약을 진짜로 이해하는 AI 과학자 팀’을 가질 수 있게 되어 소통 비용이 낮아지고 혁신 신약 연구개발 효율이 크게 향상될 수 있다.

생물의약 수석 과학자 판치(潘琦)는 수이무분즈에 합류하기 전 두 가지 기회에 직면했다. 기존 연구개발 체계 안에서 AI 도구를 사용하는 회사에 들어가거나, AI에서 출발한 원생 기업에 합류하는 것이었다.

생물의약 전문가로서 그녀는 후자, 즉 수이무분즈를 선택했으며, 그녀의 판단은 이렇다.

AI 원생 기업에게 AI는 단지 도구나 보조 수단이 아니라, 전체 약물 연구개발 프로세스를 바꿀 수 있는 원동력일 수 있다.

과제 착수와 후보 약물 설계 외에도, ChatDD는 다운스트림의 전임상 및 임상 개발 단계에서도, 바로 비용이 높고 시간이 오래 걸리는 단계에서 충분히 큰 효율 향상 효과를 발휘할 수 있다.

수이무분즈는 이미 이 역량을 자체 연구개발 프로젝트에 활용했다.

수이무분즈의 첫 번째 자체 개발 파이프라인을 예로 들면, 이 프로젝트는 자가면역 분야의 이중특이성 항체를 직접 겨냥한다.

판치에 따르면, 프로젝트는 처음 타깃과 연구개발 방향을 선택할 때 이미 ChatDD-Insight를 사용해 질병 분야와 경쟁 구도, 그리고 전임상, 임상 및 전환 연구 증거를 분석했다.

방향을 확정한 후 분자 발견과 최적화도 계속 ChatDD-Discovery를 사용했다.

타깃 생물학과 임상 증거에 기반한 과제 착수부터 분자 설계와 가상 스크리닝, 다시 습식 실험 검증과 전임상 후보 분자(PCC) 확정에 이르기까지, 이 프로젝트는 단 7개월의 시간만 썼다.

전통적인 방법으로 전임상 후보 약물을 확보하는 12~24개월과 비교하면, ChatDD는 이미 초기 연구개발에서 AI 일체화의 효력을 보여주었다.

동시에 프로젝트 데이터는 ChatDD 플랫폼에 보다 직접적인 피드백을 제공했다. 예를 들어 계산 제안이 실험에서 성립할 수 있는지, 성립하지 않은 부분은 어떻게 조정해야 하는지 등이다.

이런 문제들은 모두 계속 ‘동일한 연구개발 팀’ 앞으로 돌아오며, 전문가의 경험도 이러한 판단, 실행과 피드백 속에서 다음 라운드 설계에 참여한다.

이것이 바로 ‘플랫폼과 파이프라인의 두 바퀴 구동’의 가치다.

자체 개발 프로젝트는 약 연구 전문가가 플랫폼을 연속적으로 사용하게 하고, 알고리즘 팀이 한 과제의 후속 결과를 장기적으로 추적하며 도구와 프로세스를 지속적으로 개선할 기회를 갖게 한다.

종합적으로 보면, 수이무분즈의 원생 AI 역량은 바로 이러한 4층 피라미드 구조다.

입구는 다르지만 그 이면의 목표는 같다. 연구자가 AI를 더 편리하게 사용하도록 하고, 그들의 전문적 판단이 AI의 전체 작업 과정에 더 충분히 들어가도록 하는 것이다.

수무분자(水木分子)는 AI 모델, 에이전트 플랫폼 및 Skills, 제품, 파이프라인이라는 네 가지 차원에서 이 일을 점진적으로 실체화해 나가고 있다.

내부적으로 기반을 다지는 동시에 외부에서도 뒤처지지 않았다.

현재 ChatDD는 다수의 외부 고객사에서도 자리를 잡았으며, 대표적인 협력 유형은 다음과 같다.

- 국내 대형 제약사: 푸싱(复星) PharmAID를 예로 들면, 수무분자는 R&D 에이전트 플랫폼 공동 개발에 참여해 AI 역량을 기업 워크플로에 내장한다.

- 바이오테크 기업: 플랫폼은 더 정예화된 R&D 팀을 지원하여 엔드투엔드 에이전트 네이티브 혁신신약 R&D 프로세스 구축을 돕고, 구성원들이 더 많은 정력을 방향성 판단에 집중할 수 있게 한다.

- CRO: 협력은 CMC 운영, 임상시험 설계, 임상연구보고서와 신청 등 관련 프로세스 개조로 더 나아가, AI로 CRO 생태계에 힘을 실어 제약 산업 서비스에 포진한다.

- 선두 다국적 제약사: 전략적 협력은 임상 운영, 임상 신청, 시판 후 임상 등의 업무를 포괄한다.

상업화와 오픈소스 이념의 공존

이렇게 보면 수무분자는 사실상 중국의 Isomorphic Labs에 더 가깝다.

마찬가지로 AI 네이티브 기업이고, 같은 건습(드라이랩·웨트랩) 폐쇄 루프를 갖추었으며, 모두 플랫폼 서비스와 자체 파이프라인 병행 전략을 취한다.

유사성은 각자의 기술 배경에도 드러난다.

둘 다 최고 수준의 AI 기관(Alphabet/칭화대 AIR)에서 배태되었고, AI 알고리즘 과학자가 주도하며, 깊은 AI 연구 축적을 지니고 있다.

이와 상반되게 수무분자는 대분자 파이프라인과 기술 오픈소스 쪽에 더 기울어 있다.

상업화 측면에서 플랫폼과 파이프라인이라는 두 성장 곡선이 교대로 전진하며, 현재의 수익화 속도를 보장하는 동시에 더 높은 가치 상승 여력을 남겨 둔다.

2026년은 수무분자의 상업적 확장 단계가 될 것이며, 표준화 제품을 주로 하고 맞춤형 프로젝트를 보조로 삼을 것이다. 싱제(邢杰)는 올해 수익이 지난해의 3~4배가 될 것으로 예상하며, 파이프라인이 개발 단계와 사업 개발에 진입하는 것도 내년에 일어날 것으로 예상한다.

물론 플랫폼과 파이프라인의 양륜 구동은 AI 제약 업계에서 드문 일이 아니다.

수무분자의 구체적인 선택은 대화형 에이전트를 항체 등 대분자 약물研发과 결합하여 AI가 서열 설계, 구조 분석, 분자 최적화에 깊이 참여하게 하는 것이다.

이는 또한 AI가 약물研发에서 참여하는 깊이와 가치 방출이 더욱 두드러질 수 있음을 의미하며, AI 네이티브 경로의 우위가 더욱 확대될 것이다.

이 모든 것을 뒷받침하는 것은 여전히 AI×제약을 아우르는 드림팀이다.

장야친(张亚勤), 녜짜이칭(聂再清), 마웨이잉(马维英)이 AI 연구와 기술 산업화 경험을 가져온다.

왕줘즈(王卓智)는 우시바이오로직스 부사장을 지냈고 300여 개 혁신신약 프로젝트의研发에 깊이 참여했으며 바이엘 글로벌 협력 근무 경력도 있다. 판치(潘琦)는 Genentech, 베링거인겔하임, 레전드 바이오테크, Pathos AI 등 기업에서 다년간 약물研发과 AI 응용 경험을 쌓았다.

싱제(邢杰)는 이전에 우시칸덴(药明康德) 부사장 겸 CIO를 역임하며 오랜 기간 제약 업계의 디지털화, 투융자, 산업 생태계 운영과 상업화 업무에 참여했다.

이러한 경력의 가치가 수무분자에 집약될 때, AI 네이티브는 비로소 뿌리를 내린다.

이것이 내가 수무분자와 대화한 후 가장 깊게 느낀 점이다. 이 팀은 기술적 자신감을 지니고 있을 뿐 아니라 이상을 실체로 구현하려는 집념도 지니고 있다.

모델을 논하든, 제품을 논하든, 파이프라인을 논하든, 그들의 제1원리는 여전히 기술의 진보가 궁극적으로 환자가 실제로 사용할 수 있는 좋은 약이 되기를 바라는 것이다.

칭화대 AIR의 과학 연구 축적에서 출발해 CCTV 십준(十骏)의 무대에 이르기까지, 3년이라는 시간 동안 수무분자는 최초의 판단을 제품으로 바꾸었고, 제품을 실제研发 현장으로 끌어들였다.

그 비전은 모든 약물研发 전문가가 진정으로 약을 이해하는 AI 에이전트 팀을 갖게 하여, 혁신신약이 더 이상 비싸지 않도록 하고, 중국의 신약이 추격자에서 선도자로 나아가게 하는 것이다.

그러나 AI 제약의 다음 GPT 순간을 맞이하는 것보다 더 기대되는 것은, 이러한 변화가 궁극적으로 환자에게 어떤 혁신신약을 가져다줄 수 있느냐이다.

실험실은 출발점이며, 환자야말로 약물研发이 최종적으로 도달해야 할 곳이다.

공식 웹사이트 링크: https://pharmolix.com