出品｜虎嗅科技组
作者｜陈伊凡、孙晓晨
编辑｜苗正卿
头图｜AI生成
"AI原生100"是虎嗅科技组推出针对AI原生创新栏目，这是本系列的第「10」篇文章。
人类从未停止过与癌症、阿尔兹海默症、艾滋病等疾病等抗争。
但苦于新药研发的速度，这场疾病抗争史迟迟未能出现质的改变。而以生成式AI为基础的大模型的出现，正在从根本上改变这一进程。
第一缕夕阳透过会议室玻璃窗，与C12的创始人兼CEO陈志刚的对话已经进行了两个半小时。生研湾，我们这次谈话发生的地方，是大量新药的创新源头。陈志刚正在做的，是一个针对实验室场景的通用机器人——这个机器人将会先被用在新药研发，之后泛化到新材料和化工等场景。
他厚厚的镜片反射出一道光——那是比窗外阳光更锐的东西，此时，全球药物研发行业创新浪潮正汹涌来袭，AI已成为这场创新风暴的核心驱动力，这场能力，比10年前更大、更足。
2022年，陈志刚的公司C12成立，尝试将垂直领域的AI Agent与具身智能结合，突破湿实验（虎嗅注：湿实验通常涉及生物样本、化学物质或其他液体材料的操作和处理。这类实验往往需要特定的实验室条件,如无菌环境、温度控制等）的效率瓶颈。
一年多前，他做了一个决定，将机器人的解决场景收敛到"纯化"的步骤，而不是湿实验的全流程——这是客户最痛也最愿意买单的关键环节。再往前一点，他决定加入硬件部分，从最初设计实验的AI Agent，变为做一个能够完成一套工作流的机器人，因为客户说，设计实验只是解决了7%的需求，科研人员还有70%的时间在做苦活累活，希望能把这些也用Agent解决。总之，一切判断都来自客户。
如果说上一轮AI，只是对药物研发"锦上添花"，这一次由大模型引领的生成式AI变革，可能正在改写人类与疾病赛跑的时间规则。
我们谈话间，制药领域正在发生着一场大规模的资金流动。在过去1个月的时间，近100亿美元资本密集涌入AI制药领域，诺和诺德、礼来、阿斯利康等跨国药企，与AI公司达成超过20项重大合作。这是一个明显的信号。
第三方调研机构Evaluate Pharma报告预测，到2030年全球处方药市场将达1.756万亿美元，AI制药将成为核心增长引擎。
传统意义上，一款新药的诞生是个漫长且高风险的过程：从早期研发到最终上市，10年以上才能垒起 100层楼，塌掉9栋才成1栋，成功率不到10%。
而现在， AI 技术正为这一过程注入新的可能性：通过加速化合物筛选、优化临床试验设计、辅助数据分析等方式，新药研发周期有望缩短30%-50%，部分环节的效率提升更为显著，在一定程度上降低了研发的时间成本与不确定性。
陈志刚要做的，是把"发令枪"再往前挪几格。
在药物研发的传统版图里，从靶点验证到临床前研发，100个白大褂要在通风橱前重复数千次移液，累计 100 多万小时——相当于114个人连轴转10年，烧掉 3 亿美金是常态，这个数字压垮过太多中小型药企。
大模型的出现，像突然打开的射灯，照进了隧道，"大模型把地基打好了。"陈志刚说。
在部分试点场景中，初步验证显示，这种方式有潜力将生产效率提升数倍，成本也显著下降，为实验室研发带来了全新的可能性。
陈志刚的这双手曾操盘过药明康德的数字化转型，他曾是药明康德高级副总裁兼首席数字官，也曾在腾讯医疗大数据实验室搭建底层架构，在阿里健康担任总架构师。陈志刚称自己的职业生涯，刚好串起了一款药从研发到上架的全链路。
在对话多数时候陈志刚都像台精密运转的仪器，逻辑链条严丝合缝。你很难从他的脸上看出情绪的变化，甚至是在提到公司在创立之初所走的"弯路"，聊起创业初期踩过的坑，他语气平稳得像在说别人的故事；说起从职业经理人到创业者的身份撕裂，也只是轻描淡写。
陈志刚对公司的每一步未来规划了清晰的节奏，A轮之前把产品和运维做好，让客户感受到真正的价值。
瞄准实验室的效率瓶颈
虎嗅：为什么想要在2022年成立这样一家企业？毕竟，你在药明康德已经做到一个不错的位置。
陈志刚：起源其实来自两个方面：第一件事，我自己在CRO（虎嗅注：合同研究组织,是为医药企业提供医学研发专业化服务的第三方机构,涵盖药物研发全流程支持。）的时候经常会去实验室，因为我们做的事情紧密地贴合业务，要通过数字化和智能化的手段帮助业务团队提升效率，提升生产力。
科学家其实非常辛苦，他们一天八个小时，其中六、七个小时都站在实验室里，要不就是做实验，要不就在不同设备和不同工作区域往返。如果在工作任务非常多的时候，他们还要加班。如果从实验室效率的角度，这里面有很大提升改进的空间，效率提升特别需要通过新的技术改进。
第二件事，几年前，我曾与多位资深领导者探讨医药研发外包服务行业的未来走向，他们提出：这个行业的真正竞争对手是未来出现的新物种。因为这两件事情，我就想未来实验室怎么突破效率的瓶颈。
第一，不是让人突破人的极限，而是要用新的技术突破人的极限；第二，我觉得要用新的技术去替代人做脏活、累活，人和机器人在智能或者操作方面实现有机结合。
这个行业有太多挑战，有很多疾病现在没有好药去治疗，如果能够在这些实验室等场景中，让人效率更高一些，一个人就能够在一定的时间和精力范围内，探索更多的未知空间，能够找到更好的药或者材料，这是我进行这次创业的初衷。
虎嗅：在2022年，其实已经有不少AI制药的公司，比如晶泰，英矽智能，已经在尝试AI制药的研发，他们会是未来C12的竞争对手吗？
陈志刚：我们和他们其实专注于药物研发的不同环节。
像晶泰、英矽智能这些公司，主要通过AI技术做药物分子设计，用计算的方法去设计和筛选候选分子，这是一个非常重要的环节。
而我们聚焦的是湿实验验证这个环节。当AI设计出来有潜力的分子后，需要在实验室里进行实际的合成和验证，这就是我们用机器人来做的事情。
所以可以说，我们在产业链中处于不同的位置，各自发挥专业优势，实际上是互补的关系。
虎嗅：上一波AI的算法没有解决药物研发的什么问题？这一次的大模型带来了什么新的可能？
陈志刚：新的生成式模型对药物分子设计非常关键。大语言模型让决策切入得更快，在有比较好基础模型的情况下，针对不同应用场景做微调，所需要的数据、成本以及时间要比以前少。
以前每一个垂直赛道都是专业的模型，举个例子，以前大家修房子都是从海平面开始修，如果修100米高，那么这100米都是自己修。现在底层实际上已经有50米了，你接下来只用修剩下的50米。
虎嗅：在决定创业之后，做的第一件事情是什么？
陈志刚：融资和建团队。我们做这个事情的时候正好碰到疫情时期，在那个时间点，我们确实经历很多的挑战。不过，当时行业里面一些做传统自动化、实验室自动化的公司业务就有显著的发展，这也给了我们很好的激励。
如果湿实验能够像计算一样，更加灵活地执行，那么不论是对供应链，还是对生产效率来说，都会是显著的突破。
虎嗅：在找投资等过程中，投资人会更关注公司的定义是什么吗？比如，他们可能会把C12定义为机器人公司？或者AI for science的药物研发公司？你对公司的定义是什么？
陈志刚：每个投资人都有自己的一个角度。像我们做这种垂直领域Agent+硬件，整体上说，对于投资人而言确实有一点挑战。
有些时候，我们接触一些投资机构，他们跟我们聊的可能是AI，发现这个领域看不太懂，然后把投生物医药的人叫来，生物医药的人又觉得与平时看的管线逻辑不一样。
C12的机器人产品LabBot
我觉得本质上，它其实是AI+机器人的产品。
大家一开始看不懂也很正常，新的AI和机器人应用的逻辑在往前走，大家会慢慢把方法论和框架建立起来，更多的投资机构会更容易看懂，这会有个过程。
医药行业的钉子挺多也挺硬，最终解决客户的问题才能够创造价值
虎嗅：在药明康德、阿里健康、腾讯等公司做医疗健康和技术结合的工作，这些不同的经历有没有给你带来不一样的影响？这些影响能够投射在创业中。
陈志刚：我觉得这个影响其实一直在延续，而且不断地迭代。我在阿里的时候，阿里总部"双十一"晚上每个业务部门都会有一个大屏，大屏会有两条曲线，一条曲线是预期的业务板块的GMV（商品交易总额）数据，另外一条曲线是实际的GMV成交的数字。
很多时候，你会发现两个数字之间刚开始会有差异，特别是实际的GMV比预期的数据少的时候，会及时地实施一些营销策略，希望能够把GMV提上来。最后会发现这些调整还挺管用的——实际曲线会不断接近，最后甚至超越预期曲线。
我确实从中学习到重要的东西。当产品在实际场景应用的时候，需要运营。
第一，只有通过运营才能够真正让客户把产品用好。因为当新的产品到客户手上，客户不一定马上就能完全掌握，也不一定马上就能够充分发挥产品的价值；第二，产品跟业务场景的契合度需要磨合，就算提前把事情分析清楚，但实际应用可能还是会有偏差；第三，应用场景在不断变化，产品也要快速迭代、快速满足新的需求。
药明康德有一个非常重要的BU，他们最核心的生产设备就是制药反应釜，当时该BU订单爆满，尽管反应釜数量很多，但巨大的需求和供给之间的匹配仍面临挑战。
我们在整个工作流上用算法把信息流串起来。以前由人安排每个项目放到哪个地方生产、什么时候开始、什么时候结束等，后来是用算法做这件事。
我们为他们做了一个匹配需求和供给的AI产品，培训业务团队使用这个产品解决他们的问题。在用的过程中，他们有新的需求。因为业务需求在发生变化，他们业务逻辑也在发生变化，也会有一些业务上的新策略，我们把这些新的需求、新的变化迭代到产品里面。
这个过程中的方法论是，从应用场景中解决应用的问题，形成技术和产品，回到应用场景中验证这些产品，然后不断打磨，让它创造真正的价值。
这要求我们既要"进得去"，又要"出得来"。"进得去"是要理解这个问题，你的回答要能够解决这个问题；"出得来"是要有产品的思维，能够让它标准化，把研发和运维的成本降下来。
虎嗅：这些方法论是如何形成的？和你之前的职业经历相关吗？
陈志刚：若干年前，有一些互联网公司的人出去谈合作，好像自带光环。就好像每个人手里拿了个锤子，到处找钉子。这可能在某些行业确实取得一些成功，但是医疗健康行业钉子挺多而且也挺硬，轻易能锤不下去。
我觉得这个行业的专业性、复杂性和强监管需要深入理解，利用互联网的技术、算法和思维，围绕解决问题去做，并不是说我有互联网的算法，就好像有个锤子，找个钉子就锤，并且周围还有很多钉子，只锤的一个是不够的。
我觉得这是一个非常重要的思维转变，最终解决客户的问题才能够创造价值，只有创造价值，产品才能够被大规模应用，这样商业才是成功的。
虎嗅：在药企的经历和在互联网公司的经历有没有什么不太一样的地方？
陈志刚：我之前在阿里和腾讯一直都是从事AI加互联网医疗这个板块，在整个工作的过程中，更多的是医疗健康下游的事情。做了一段时间以后，我觉得我对整个医疗健康产业比较感兴趣，所以就想去尝试做医疗健康上游的事情。
其实很多疾病不仅仅是效率的问题，很多时候其实是这个病本身没有好的解决方案，就是所谓的患者需求没有被满足。所以我想看看产品研发端的痛点是什么，去做一些事情。
我有时候开玩笑，我的回国之后的职业生涯就是药的研发和生产全流程，只不过我是从下游往上游走。
虎嗅：在这三年的过程中，有没有一些感觉特难的时候？
陈志刚：当然有。我觉得我确实在花时间适应新的角色，更重要的其实是大环境的变化，我觉得这个给大多数企业都带来了很大的挑战。
这种挑战是一个基线，大家都会面临这样的挑战。在这个过程中间，要思考怎么能够更快地分析和理解新环境带来的挑战，以及能不能快速地找到应变方法，把产品做得更好。对于困难的地方，我更多是从发展角度来看，这个难，其实大家都难。
虎嗅：对于创始团队，有什么样的考量？
陈志刚：都是一个过程，很难说一开始所有东西都到位。这里面有资源的问题，有实际的问题。很多时候我觉得这种东西是水到渠成。首先要定位，你要找什么样的人。其次才是能力，他能不能做这个事。第三个就是在过程中调整。
虎嗅：对于能力匹配以及团队的适配度如何考虑？在核心的初创团队中，每个人又扮演怎样的角色？
陈志刚：我们现在团队比较小，所以实际上没有分那么细。对于人的尝试，我觉得无非是两个，第一，对于之前认识的人，可能对他有一定的了解，这能够减少一些试错；第二，即使是了解的人，随着环境发生变化，事情不一样，承受压力不一样，反应和表现也会不一样。所以我觉得不需要特别多的思考，招人本身占成功的40%，更多的是磨合，磨合占60%。
从全流程到单点突破
虎嗅：第一款产品是什么时候出来？
陈志刚：我们之前在AI agent那一块做了一些东西，帮客户解决了一些很复杂的问题。我们最早有一个关键的AI agent，是做药物分子的路线设计。在新药研发领域会有新分子，是从来没有被人做过的。它的合成应该是怎么样，怎么才能把这个分子结构做出来，这对于行业是一个关键而且困难的问题。
虎嗅：所以第一代产品从没有加入硬件。
陈志刚：没有。第一个产品可以认为是设计实验，再往后就是用机器人做事。
虎嗅：但是那个时候已经有客户了。
陈志刚：对。
虎嗅：第一款AI Agent出来之后，已经可以去收钱了，因为商业模式已经跑通了，那为什么要再去做高成本的硬件产品？
陈志刚：客户反馈是帮助设计实验挺好，但只是解决7%的问题，替代了不到10%的人工，科研人员还有70%的时间在实验室干苦活累活，希望能帮忙把这件事情干了。
虎嗅：这样的产品未来可以泛化在别的场景？
陈志刚：我们不仅仅看医药研发，也会看新材料，也会看化工。
虎嗅：这个是一开始就这么规划的, 还是经过一些迭代才有的？
陈志刚：其实是客户找到我们。我们发过几个视频，没有做任何的商业化推广。早期的视频在微信视频号上的播放量是70万次。
这个其实是整个产业对于这个事情的需求。很多一些客户找到我们，觉得这个东西很有价值和潜力，想一起做一些事情，这里面也不只是药物研发。
虎嗅：在模型训练和硬件这两部分，你会控制精力的分配吗？这两块都是难啃的"硬骨头"，硬件该做到什么程度？孰轻孰重怎么判断？
陈志刚：对于这个事情的边界，其实我们有比较强的考虑。如果某个需求非常明确且市场规模足够大，通常会有设备厂商关注。
如果还没有成熟的解决方案，可能存在技术门槛、成本考量或市场时机等因素。
如果硬件需求的复杂度过高，我们通常会重新审视解决方案的设计思路，看是否有更简洁高效的实现路径。
虎嗅：你从一开始就没有想要往人形方面做？
陈志刚：人形与否对我们没有那么重要，我们最关心是双臂协同。
虎嗅：在研发过程当中，是如何抽象出这几个流程和工作流，然后用AI体系做闭环？
陈志刚：其实这都是我们跟客户一起做的，就像我们在药明康德一样，会扎进去理解这个工作流，做很多分析。我们按照工作流程去看，从项目执行的角度分几个阶段，考虑每个步骤需要机器做哪些事情，需要人做哪些事情，以及每个步骤最后的ROI（投资回报率）是什么。
虎嗅：现在的大模型有幻觉，通用机器人和真实世界的互动数据不够，导致无法大规模商业化，这些会影响一些决策的准确度。在药物研发这样对于精度、准确度和稳定度要求更苛刻的场景下，你们怎么解决这个问题？
陈志刚：解决幻觉首先要把复杂问题切分成简单的问题，这样出现幻觉的空间会相对小。第二要能有grounding（和现实对齐），要能够ground到可被现实论证的基础上。
我们现在的模式是通用机器人，它会在中间起到核心作用，把很多不同的专业设备串起来。我们现在会给通用的机器人加上一些定制的手指。
因为操作不同的设备要用不同的机器人手指，在这些方面我们会做一些设备，进行一些简单的适配。这种情况下，我们能够跨越以前All-in-one系统需要高度定制的技术局限性，实现更加灵活、更加便宜的实验室自动化解决方案。
我们刚开始的时候想的是在医药研发实验室通用，并没有考虑其他的行业。
但是这里面有一个底层逻辑，就是所谓的叫做涌现的机会。
因为我们实际上是用通用机器人对接不同的设备，其他行业也有同样的问题。我们在医药研发行业做这个事情的模式，其实在其他行业也适用。
第二，大家认识到之前的定制硬件产品研发时间和投入成本都非常高，比软件产品高4倍到5倍。大家一直在考虑存不存在通用性的解决方法，不需要那么高的通量，但需要通用灵活。
第三，得益于机器人生态的快速发展，好处就是广泛地进入大众视野，大众都会更容易理解和接受它；成本不断降低，机器人的能力在不断提升。如果在封闭的定制化系统里，成本和迭代周期等等都不是优势，反而变成包袱；但是如果在开放的生态里，这些东西未来都是优势，对创业公司来说，就是能不能把竞争壁垒立住。
虎嗅：对你们来说这个ROI怎么量化？
陈志刚：从这个角度来说，我们就是机器人公司，这也是与传统All-in-one的自动化系统很关键的区别。
第一我们按工作流。工作流其实就是机器人的技能包，机器人会做更多的事情，那租的费用会更高，机器人会做的事情较少，那租的费用更低。
我们机器人未来的商业模式就是租转售。很多客户反馈机器人迭代太快，希望总是用新的东西，也有客户不知道这个机器人到底能不能解决问题。站在客户的角度，他们有这样的诉求。
站在我们的角度，第一，趋势其实就是按结果付费；第二，因为里面涉及到硬件，这样获客成本和时间就会少很多。
虎嗅：这个怎么理解？
陈志刚：传统的 All-in-One 自动化系统通常需要数百万元甚至上千万元的初始投入，属于资本性支出（Capex），其决策成本和周期都较高。在大型企业中，这类决策往往涉及多个部门与十余位相关负责人。
相比之下，租赁模式被归为运营支出（Opex），审批流程通常只需Capex一半的周期。设备租赁的价格一般是购买成本的二十分之一到十五分之一，大大降低了试错成本，便于快速验证新技术的有效性。
虎嗅：对于现在的商业模式，我们未来会有一些侧重吗？现在有没有某块业务的收入更好？
陈志刚：我们现在既在卖，也在尝试租，也有软件的订阅，都有市场需求，我们都会去推，但是我们重心会放在租转售。我们聊了很多不同的客户，发现这就是市场。作为采购的流程，客户试用以后，会有初步的数据，也可以更好地走采购流程。
虎嗅：还没有比较统一的定价？
陈志刚：肯定按照客户心仪的价位，这就是市场的价格。从按结果付费的角度来说，结果的费用在不同的场景有不同的定义。
我们现在有一些算法，只是我们会拿这些算法与客户的沟通，在商业合作的过程中间不断迭代。
虎嗅：如果从现在回看2022年创业之初，有哪三个决定是觉得不应该做或者应该改变的？
陈志刚：我们在创业之初走了些弯路。
最初我们更多的是把它作为行业的问题去解决。行业的问题很多，包括方方面面，所以我们当时看得比较远，也比较宽，比如化学实验，从反应称量、投料，到反应过程监控，再到反应的后处理，这中间可能有十到二十个不同的任务要解决。
里面每一个任务都有变种，比如称量，称量的东西包括液体的、固体的，固体又分粘稠的、块状的、粉末的，还有好多其他不同的细节，我们希望能够用AI自动化这里的全流程，最后发现这个流程上的每个问题都解决不透。
虎嗅：这个弯路走了多长时间？
陈志刚：可能半年到一年。我发现不能看那么宽泛，需要抓住一个问题解决。不应该看一个面，而是先做一个点。
我们现在做的是纯化。这是我们通过跟客户不断沟通后做出的决定——很多客户在投料、称量上耗时不多，但在纯化环节花了大量时间和人力。我们最终聚焦解决这个客户最痛、最愿意买单的关键环节，这个过程我非常感谢合作伙伴和试点客户在探索阶段给予的信任与反馈，他们的真实需求推动了我们聚焦产品、打磨方案，也帮助我们更快走上正确的方向。
然后在机器人这块，我们刚开始用通用机器来做的时候，尝试了不同的机器人的硬件，我们自己做过一些初步整合。但我们现在就用供应商的整合。在创业过程中，对这件事情的认知是在不断深化的。
虎嗅：除了纯化的工作流，你们会再找其他的环节切入吗？
陈志刚：有，包括整个反应过程工艺的研发，还有生物Assay实验，有好多客户找我们。我们因为人手不够，接不过来，研发团队正在加急扩充人员，争取尽快跟上需求。
虎嗅：在与客户共创的过程当中，客户的数据也会变成你们垂直模型的一部分吗？
陈志刚：不会。如果客户想把这个东西放到模型里面，无非是两种：一种模式是把客户的数据用来强化或者改善模型，那这个模型只是给这个客户，我不能拿出来卖给其他客户。这往往是比较常见的模式。
第二个模式是与某些客户形成战略合作关系，他甚至可能在一定程度上占股权，变成股东，那么他会把一部分数据给放进来。这个时候企业的发展也与这个客户形成了比较紧密的利益绑定。
虎嗅：怎么判断客户的需求是否是真实需求？
陈志刚：要跟客户谈，看他愿意为这件事投入的力度有多大。
虎嗅：在销售和谈合作上面，创业公司有没有优势？这个行业大家是不是比较愿意相信一些大的品牌？
陈志刚：传统的All-in-one系统确实会更相信大品牌，但是现在，客户还是最终要看问题有没有被解决好。只要客户的核心问题还没有得到很好的解决，市场上通常还会有新的机会。
"我不会预设立场，我跟着问题走"
虎嗅：在创业的过程中，有没有发现一些反常识的事情？
陈志刚：在这个领域里面，很多事情都在认知范围之内。但我确实也在关注新的可能性，未来可能会变成我们往前面走的机会。比如传统创业基本需要5个人，但现在的硅谷出现一两个人的创业公司，一两个人就把产品做起来，然后快速试错。
我自己也在用很多的AI工具，做很多不同的事情，现在最多的就是用AI工具做思考助手。
我觉得这些新的东西确实会带来一些反常识的做法，会很关注这些新的做法，希望能用到我们公司的运营和研发中。
虎嗅：下一步的挑战会在哪里？
陈志刚：我觉得接下来就是把关键的客户场景做透，形成持续发展的模式。我们目前其实在这个路上，到A轮之前，要被市场接受的话，需要有产品、运维，要能够让客户收获价值，在客户大规模接受之后能扩展到其他实验室，能够规模化。实际上我们正在积累，走透之后，再往其他的应用场景走的话，我们至少知道怎么办。
虎嗅：规模化的难点现在是在哪里？
陈志刚：更多的其实是一个新生事物。当真的有很多机器人在实验室干活的时候，客户会有什么样的新的问题，我们怎么帮助客户应对这些问题？因为这种事情从来没有出现过。
虎嗅：这也是现在这一批创业里面比较有意思的点，大家都在尝试新的东西，都在一条起跑线上。未来是未知的。
陈志刚：是的。在这个过程中间，我不会预设立场，更多是跟着客户走，跟着问题走，碰到问题，解决问题。在刚开始底层逻辑设计方面，我觉得这件事情其实给了我们一个很好的工具支撑，让我们做了很好的积累。
比如，我在客户那里碰到一个问题，我能不能在我们的模拟场景复现它。如果能复现，那在这个过程中，我就积累了很多的经验。这个经验不是单纯在人脑里积累，而是在产品的研发平台上积累。
虎嗅：对于公司的发展，你的设定时间规划是什么样？
陈志刚：我觉得到今年年底把行业里面一两个大客户走透了，到明年我们起规模。再往前走的话，我觉得产业行业里的拓展优先，然后再看其他行业。在其他行业，要集中在一两个点投入一些资源，快速试错，之后可能会引入新的资源共同去做。
融胜配资-10倍配资可以找谁代注册-股票配资最新资讯-股票配资服务中心提示：文章来自网络，不代表本站观点。
