作者｜周雅

在制藥界，流傳著一個殘酷的“三十定律”：一款新藥的誕生，平均需要耗費十年光陰、投入數(shù)十億美金、而最終成功率卻不足10%，這是懸在每一家藥企頭上的達摩克利斯之劍。在這個以高投入、高風險、長周期為標簽的行業(yè)里，不確定性，是永恒的主題。

然而，當生成式AI的浪潮席卷而來，一些最敏銳的玩家已經(jīng)意識到，傳統(tǒng)的規(guī)則正在被改寫。

復(fù)星醫(yī)藥，作為本土領(lǐng)先的醫(yī)藥健康產(chǎn)業(yè)集團，是這場變革中堅定的前行者之一。在2025亞馬遜云科技中國峰會期間，我們與復(fù)星醫(yī)藥總裁助理兼首席數(shù)智官林錦斌聊了聊，他篤定說道：“隨著生成式AI技術(shù)的快速演進，復(fù)星醫(yī)藥認為必須主動擁抱AI這樣的新生產(chǎn)力，特別是對于生物醫(yī)藥這種高技術(shù)投入、高不確定性的行業(yè)。”

復(fù)星醫(yī)藥總裁助理兼首席數(shù)智官林錦斌

從5分鐘搞定1周工作的“小切口”談起

宏大的敘事固然激動人心，但真正的變革，往往始于一個不起眼卻痛徹心扉的“小切口”。在復(fù)星醫(yī)藥，這個切口，是一份份讓科學(xué)家們備受折磨的臨床試驗報告。

林錦斌講了這樣的情況：“一個典型的創(chuàng)新藥臨床試驗報告，整個數(shù)據(jù)量大概會有3000多張的表格，我們叫TFL （Table, Figure, Listing），需要把這些表格整合成一個5萬多字的報告。”這份工作已經(jīng)足夠復(fù)雜，但更令人崩潰的是，“隨著臨床試驗的推進，這3000多張的表格需要被刷新兩到三次。”

每一次刷新，都意味著一場人工的、繁瑣的、極易出錯的“大家來找茬”游戲?？茖W(xué)家們，這些本應(yīng)在未知領(lǐng)域探索、與疾病賽跑的寶貴大腦，卻不得不耗費長達一周的時間，去逐字逐句地核對數(shù)據(jù)與報告內(nèi)容的一致性。“科學(xué)家的時間非常寶貴，不應(yīng)該浪費在簡單枯燥、又不能出錯的工作上。”林錦斌強調(diào)。

這正是復(fù)星醫(yī)藥與亞馬遜云科技合作的第一個靶點——“臨床試驗報告一致性檢查”。雙方?jīng)]有一開始就去追逐其他場景，而是選擇了這個最具體、最痛、也最能快速見到成效的場景。

結(jié)果是驚人的。“通過與亞馬遜云科技合作，借助生成式AI技術(shù)對于文本、檢索和信息處理能力，可以把3000多張表格映射到5萬多字的報告里， 一鍵式完成報告初期的一致性檢查。最終，召回率達到90%以上，準確率超過60%，工作效率從原來的1個星期縮短至5分鐘。”

在臨床試驗報告一致性檢查方面，它覆蓋了90%場景，效率提升70%；同時在另一個高頻場景——研發(fā)文獻翻譯上，借助亞馬遜云科技生成式AI技術(shù)與智能醫(yī)學(xué)內(nèi)容生成中心，它可在6個月內(nèi)完成超過1.6億字的翻譯工作，同時降低30%的成本支出。

這些被林錦斌稱為“容易被忽略的場景”，恰恰是復(fù)星醫(yī)藥AI戰(zhàn)略智慧的體現(xiàn)。他坦言：“我們最開始的時候野心比較大，我們說能不能一次性完成臨床試驗報告的自動化撰寫？后來發(fā)現(xiàn)難度太大了。但是我們并沒有氣餒，而是跟亞馬遜云科技一起合作，把一整個大場景解構(gòu)成細顆粒度的小場景。”

“先從具體的子場景做起”這種務(wù)實，貫穿了復(fù)星醫(yī)藥的整個AI實踐。林錦斌解釋說，“因為每攻克一個子場景，就沉淀下一份能力。比如一致性檢查，讓我們沉淀了對醫(yī)學(xué)術(shù)語、醫(yī)學(xué)數(shù)據(jù)、報告文法結(jié)構(gòu)的理解；醫(yī)學(xué)文獻翻譯，又沉淀了跨語言信息處理的能力。”

就像拼圖，每一塊看似微小，但當它們被一塊塊拼接起來時，最終將構(gòu)成一幅完整的圖景——臨床試驗報告的全自動撰寫。“盡管這個過程充滿了不確定性，”林錦斌說，“但我們依托亞馬遜云科技在全球范圍內(nèi)積累的大量實踐經(jīng)驗，特別是和跨國藥企的合作，能夠助力我們快速高效地探索和前進。”

重新定義生命科學(xué)的“多模態(tài)”

如果說解決文檔工作是AI應(yīng)用的表層，那么深入到生命科學(xué)的核心，才是真正的深水區(qū)。當被問及如何處理生物醫(yī)藥領(lǐng)域復(fù)雜、海量且多模態(tài)的數(shù)據(jù)時，林錦斌指出：

“從生物醫(yī)藥的視角來看，多模態(tài)的概念更加廣泛，不只是圖像、音頻、視頻，還包括基因序列、蛋白質(zhì)編碼與結(jié)構(gòu)等等，因此復(fù)星醫(yī)藥更加關(guān)注與專注生物醫(yī)藥領(lǐng)域的語言和模態(tài)。”

將基因、蛋白質(zhì)這些生命的基本編碼，視為一種獨特的“語言”和“模態(tài)”，這意味著，AI需要學(xué)習(xí)的，不僅僅是人類的自然語言，更是生命本身的語言。這背后，隱藏著一個巨大的機遇——探索“暗知識”。

林錦斌引用了王維嘉在《暗知識》中的觀點，即人類世界有大量的知識，是難以傳遞的體系，也就是“暗知識”。而人體，同樣極端復(fù)雜，還未被完全了解，也是“暗知識”。“運用生成式AI技術(shù)則為我們提供了一條比較好的探索路徑，即用生成式AI技術(shù)，以機器認知的方式，我們有很大機會去吸收這些暗知識的能力。”他說道。

雖然這是一條通往新藥發(fā)現(xiàn)的路徑，但它同樣布滿了荊棘，首當其沖的挑戰(zhàn)就是「數(shù)據(jù)」。林錦斌坦言，“現(xiàn)在生物醫(yī)藥領(lǐng)域的數(shù)據(jù)體系建設(shè)要進一步提升，因為沒有一個系統(tǒng)化的體系告訴我們，應(yīng)該如何處理多方面的數(shù)據(jù)。”原因在于：

第一，基因庫、蛋白質(zhì)結(jié)構(gòu)等數(shù)據(jù)類型的整合，從標準化和整合的角度來看，目前還不能整合到一起辦大事。

第二，臨床試驗過程中的數(shù)據(jù)標準化和一體化問題，各個企業(yè)、醫(yī)院、診療機構(gòu)、研究團隊等，他們的臨床試驗數(shù)據(jù)是否愿意拿出來？以及如何進行標準化？

如何改變該現(xiàn)狀？林錦斌發(fā)出一個極具前瞻性的呼吁：“未來在整個生物醫(yī)藥行業(yè)，至少對中國來說，需要有一個聯(lián)盟的數(shù)據(jù)體系來推動標準化、一體化、整合式的數(shù)據(jù)，從而為生物醫(yī)藥面向AI時代的未來打下堅實基礎(chǔ)。”

這番話的背后，是一個清醒的認知：單靠一家企業(yè)的數(shù)據(jù)，無法喂養(yǎng)出真正強大的行業(yè)大模型，所以這需要超越企業(yè)邊界的合作與遠見，整合社會和行業(yè)的數(shù)據(jù)共同孵化，或許能達到應(yīng)用層的百花齊放。

而對于大模型廣受詬病的“幻覺”問題，林錦斌的看法與眾不同。他認為，如果數(shù)據(jù)質(zhì)量足夠高，“幻覺”未必是負面詞，“它可能代表了創(chuàng)造力。如果幻覺是以高質(zhì)量的數(shù)據(jù)作為基座來引導(dǎo)，甚至能給我們的創(chuàng)新帶來不一樣的思路。”

AI的“皇冠明珠”

在復(fù)星醫(yī)藥的AI戰(zhàn)略中，到底AI的生產(chǎn)力用在哪些領(lǐng)域？復(fù)星醫(yī)藥確定了兩條核心主線：一個是研發(fā)，另一個是營銷。

“在研發(fā)方面，我們每年投入50多億。AI帶給我們兩方面的價值：其一，大量的數(shù)據(jù)檢索、萃取、分析、匯聚的能力，通過生成式AI我們的效率得到極大提升；其二，我們對大模型的推理和規(guī)劃能力更加認可和期待，因為這解決了一直困擾我們的問題——如何達成方向大致正確的選擇。”

林錦斌強調(diào)了第二點，這才是他眼中AI的“皇冠明珠”，因為它關(guān)乎制藥企業(yè)慎之又慎的地方——決策。

他用了一個比喻來解釋這個過程。過去，研發(fā)決策更像是一場“豪賭”，依賴于少數(shù)專家的經(jīng)驗和直覺。而現(xiàn)在，復(fù)星醫(yī)藥希望借助AI，將決策過程從豪賭變?yōu)榭茖W(xué)。

第一步，是全覆蓋全量的信息輸入，讓AI成為一個“信息情報官”。面對關(guān)鍵抉擇，比如“某一個管線到底最后做還是不做”，AI要能做到全覆蓋，確保決策者沒有漏掉任何關(guān)鍵的市場信息、競爭信息、專利信息或政策信息。

第二步，是全要素的評估模式，讓AI成為一個嚴謹?shù)?ldquo;分析師”。通過AI智能體（Agentic AI）的框架，將影響決策的專利、市場、法規(guī)、集采等所有要素“分門別類羅列清楚”，進行“全要素的評估模式”。

“我們先作為一個裁判員，給它評分。隨著AI技術(shù)的深度應(yīng)用，我們的知識體系、數(shù)據(jù)積累的進步深化，后面可以把它轉(zhuǎn)變?yōu)榻叹殕T，我們可以通過對于某一個管線的分析給出建議，這樣就能夠確保我們真正的決策是可靠的。”林錦斌總結(jié)說。

除了「研發(fā)端」之外，復(fù)星醫(yī)藥在「營銷端」的做法，就比較普適化了。

第一步是“練兵”：對于客戶數(shù)據(jù)、市場數(shù)據(jù)的匯總，AI系統(tǒng)就像一個不知疲倦的陪練教練。銷售團隊可以跟它進行模擬對話，反復(fù)練習(xí)推銷技巧，直到滾瓜爛熟。

第二步是“上戰(zhàn)場”：當銷售人員真正去見客戶時，這個AI就從“教練”變成了他們的“全能軍師”和“超級裝備”。它會立刻把這位客戶的詳細資料、過往合作記錄、甚至連這次會談的策略建議都直接推送到銷售人員眼前，讓他們胸有成竹。“這是我們未來要推進的方向，我們內(nèi)部在用AI首先整合數(shù)據(jù)，然后嘗試打造整個智慧化、智能化的商業(yè)物流和渠道管理。”

“快贏”與“詩和遠方”的平衡術(shù)

不過，現(xiàn)在大家談到AI，尤其是生成式AI，大家都普遍關(guān)心投資回報率（ROI），或者是實用性問題，當被問及如何評估“AI的ROI”時，林錦斌坦誠，這是他作為數(shù)字化決策者時刻需要思考的問題。他給出了一套清晰的戰(zhàn)略打法：

第一，Quick Win（快贏）。他解釋道，“Quick Win的確定性要高，且會有明確的量化價值結(jié)果，從ROI角度來看，我會對它的價值創(chuàng)造的指標量化，并提前要求。比如初期達到0.5，后期可能要達到1。”

這些“快贏”項目，不僅能沉淀團隊自身對于AI生產(chǎn)力的應(yīng)用能力，更能將創(chuàng)造出來的價值“反哺”給更宏大的目標。

第二，要瞄準詩和遠方。“比如決策智能體，不可能是一蹴而就的，一個個決策智能體，要拼成一個有機的整體，這個過程要持續(xù)投入，不過這也是因為Quick Win打下了地基。”林錦斌解釋說，“換言之，在Quick Win這塊，我們盡可能鋪開。首先，把果實摘下來儲備好；然后，再對平臺能力進行投資。最后，把它打包成一個完整的、決策層能夠接受的整體戰(zhàn)略方案。”

這是一種高明的平衡術(shù)：用一個個看得見、摸得著的“快贏”項目，為那些關(guān)乎未來的“詩和遠方”積蓄糧草和彈藥，確保創(chuàng)新既不因急功近利而迷失方向，也不因好高騖遠而無以為繼。

“相信，才能看見”

技術(shù)和戰(zhàn)略的背后，終究是人與文化。當被問及為何在眾多合作方中選擇亞馬遜云科技時，林錦斌的回答超越了技術(shù)和商業(yè)層面，直指一個更深層次的詞——“相信”。

“對于創(chuàng)新文化，我們與亞馬遜云科技同頻共振，而以下這種創(chuàng)新文化的導(dǎo)入對復(fù)星醫(yī)藥來說非常重要。” 他提到了一個細節(jié)：在前一段時間，雙方曾共同組織工作坊，核心阻力就是創(chuàng)新的方法論——“大家對于AI技術(shù)應(yīng)用的認知要達成幾個共識：首先，不能極度保守，要保持開放的心態(tài)；其次，不能認為它是一個神器，對結(jié)果不能過于樂觀。”

具體的做法是：首先，從認知和預(yù)期上，跟科學(xué)家達成共識；然后，根據(jù)具體的創(chuàng)新方法論，找準問題并設(shè)定相應(yīng)的指標，它應(yīng)該是可量化、可跟蹤、可動員的，一步一步地往前推進，碰到問題之后以混合團隊的方式進行討論，得出一個大家有共識的結(jié)論，再往下一步進行。

這種“同頻共振”，體現(xiàn)在對試錯文化的擁抱上。林錦斌深知，生成式AI項目落地后，會產(chǎn)生大量“不理想的案例”，這需要持續(xù)的運營和迭代。“比如碰到企業(yè)知識資產(chǎn)的逐步迭代、生成式AI的幻覺問題等，我們需要持續(xù)跟蹤和運營這些不理想的案例，擁抱試錯的文化，才能確保業(yè)務(wù)能夠持久地跑下去，并越跑越好。”

而亞馬遜云科技愿意在這種“不確定”中投入，與復(fù)星醫(yī)藥共同探索，而非僅僅追求短期的大額訂單，這在林錦斌看來至關(guān)重要。“有的時候，相信才能看見，”他感慨道，“我覺得亞馬遜云科技屬于后者，所以說我們能夠快速達成共識，往前推進。”

當然，光有文化和方法論還不夠，必須要有好用的工具。林錦斌表示，復(fù)星醫(yī)藥正在雙管齊下：

“第一，對于我們的技術(shù)人員，他應(yīng)該要有一個好用的工程化的開發(fā)平臺。”他透露，團隊正在全球范圍內(nèi)尋找最佳方案，包括基于亞馬遜云科技的和優(yōu)秀的開源軟件。

“第二，對于業(yè)務(wù)人員，我們希望構(gòu)建一個低門檻的、便捷的眾創(chuàng)平臺，支撐我們的科學(xué)家能夠自主去搭建符合他們個性化需求的AI系統(tǒng)。”

在這方面，亞馬遜云科技提供堅實的幫助，這家公司表示其一直是醫(yī)療與生命科學(xué)行業(yè)數(shù)字化轉(zhuǎn)型和創(chuàng)新的推動者和支持者。早在2013年，亞馬遜云科技就組建了全球醫(yī)療和生命科學(xué)專業(yè)團隊，服務(wù)著數(shù)千家行業(yè)客戶，比如輝瑞、拜爾、羅氏、默沙東等。在中國，他們與數(shù)十家本地伙伴合作，服務(wù)超過400家客戶。除了通用AI服務(wù)Amazon Bedrock、Amazon SageMaker等，他們還針對行業(yè)特性，構(gòu)建了如Amazon HealthOmics、Amazon Comprehend Medical等專用服務(wù)，并進一步結(jié)合中國市場需求，推出了醫(yī)學(xué)內(nèi)容生成中心（Medical Insights Hub）、蛋白質(zhì)結(jié)構(gòu)預(yù)測工作臺（Protein Folding Workbench）等本地化解決方案。

看向未來，復(fù)星醫(yī)藥的AI戰(zhàn)略將如何演進？林錦斌表達了“開放”的心態(tài)：“我們對于所有能夠給我們帶來價值創(chuàng)造的合作伙伴，都是非常歡迎的。”