中国生物制药/正大天晴曹奋泽：智能跃迁AI驱动制药产业的未来图景

2025年4月15日-16日，第十一届CDIE数字化创新博览会（以下简称：CDIE2025）在上海张江科学会堂隆重举行。本次大会以“创新引擎：AI推动企业增长新风向”为主题，汇聚来自制造、营销、快消、医疗、零售、采购供应链、财务、数据创新&信息安全、AI+ 机器人、企业出海等全球顶尖企业领袖、学术专家与技术先锋，吸引了150多位国际演讲嘉宾、100多家展商、5000多位参会嘉宾现场参与，打造了一场思想碰撞、技术展示与商业合作的国际盛宴。

中国生物制药 | 正大天晴CIO曹奋泽作为此次大会主论坛的特邀演讲嘉宾，发表了《智能跃迁 AI 驱动制药产业的未来图景》主题演讲，深入分析了中国生物制药 AI 落地的场景探索。

以下为曹奋泽先生演讲内容的整理，干货满满，对于医药企业具有很大的学习、借鉴意义，欢迎大家阅读、分享！

中国生物制药 | 正大天晴CIO曹奋泽

中国生物制药有限公司及附属公司是中国领先的创新研究和研发驱动型医药集团，业务覆盖医药研发平台、智能化生产和强大销售体系全产业链。产品包括多种生物药和化学药，在肿瘤、肝病、呼吸系统、外科/镇痛四大治疗领域处于优势地位。公司于2000年在香港联交所上市，2013年入选MSCI全球标准指数之中国指数成分股；2018年入选恒生指数成分股；2020年入选恒生沪深港通生物科技50指数成分股、恒生中国（香港上市）25指数。中国生物制药连续6年荣登美国权威杂志《制药经理人》发布的“全球制药企业TOP50”，连续三年获评《福布斯》（亚洲）“亚太最佳公司50强”。

数字融合驱动医药行业战略转型

中国生物制药的核心战略涵盖组织整合、全面创新、国际化和数字化，其中数字化已成为支撑企业持续发展的关键力量。在生物制药领域，数字化建设主要贯穿于药物研发、生产制造、销售管理以及企业内部运营等多个环节。通过对各业务板块的深度拆解，并以数字化系统进行全面的数据沉淀，企业能够将原本分散的信息转化为系统化的业务衡量指标。不同指标间的关联性分析，进一步为企业提供辅助决策的最优路径，助力提升整体经营效率。

以药物研发为例，针对早期研发、临床前研究及临床试验阶段，实施全方位数字化管理，可有效加快试验进程，提高研发效率。在生产环节，围绕生产计划、执行管理和质量保障进行数字化建设，有助于及早识别潜在风险，优化生产流程。在销售领域，通过对客户目标设定和作业过程的数字化管理，能够帮助销售人员快速掌握关键信息，提升精准营销能力。与此同时，在人力资源、财务、运营及风险控制等企业内部管理方面，数字化转型也正同步推进，形成覆盖全业务链条的数字化体系。

由此可见，数字化已深度融入企业的各个板块，并不断积累高质量的数据资产。随着数据规模和质量的提升，企业面临的核心课题也在发生变化——不仅是实现数据的记录和存储，更需要探索如何释放数据的更大价值。单纯依赖传统的数字化手段已难以满足这一需求，因此必须引入人工智能（AI）技术进行深入应用。唯有当数据在质和量层面均积累到一定程度，AI才能基于这些数据进行有效学习和预测，从而真正发挥出驱动业务创新与效率提升的最大价值。

中国生物制药 AI 落地场景探索

在集团内部，AI 的落地探索主要聚焦于两条主线：一是业务流，二是资源流。业务流指向生物制药全生命周期中的各个关键环节，资源流则关注企业内部人力、财务、供应链及运营管理等支撑体系的全面优化。两条线并行推进，相辅相成，助力企业实现业务效率与资源配置效能的同步提升。

具体来看，在药物研发方向，AI 技术正加速化合物的筛选与发现，提升研发效率并降低早期开发的失败率。在临床试验阶段，AI 广泛应用于智能阅片、患者入组筛选、临床试验方案设计与优化等环节，显著缩短试验周期，提升入组质量与临床数据的可信度。在药物生产环节，AI 通过智能排产、生产质量过程保障、车间资源调度优化、工艺参数实时监控等方式，提升生产灵活性与稳定性。在药物流通领域，AI则赋能交付管理、仓储管理、采购管理及供应链计划管理，实现供应链的动态可视与预测优化。在销售环节，AI 主要应用于客户关系管理、销售质量控制、学术活动管理及销售作业流程管理，帮助销售团队实现更精准、更高效的市场拓展。

AI 正在逐步渗透到集团内的每一个业务节点，不仅提升了各环节的运行效率和决策科学性，也在不断推动企业构建出一个智能化、动态可调、持续优化的生态系统。随着数据沉淀的不断加深与AI技术的持续迭代，这一智能生态体系将成为企业核心竞争力的重要组成部分。

价值导向引领 AI场景落地

AI实际落地过程中，技术本身往往并不是主要的限制因素，真正的挑战在于如何精准筛选出既具备落地可行性、又能实际创造业务价值的应用场景。基于与业务团队多年深度共创的实践经验，我们总结出了一套系统性的场景筛选逻辑框架，主要包括四个维度：业务认知度、数据完备度、流程复杂度以及投入产出比。

首先，业务认知度是场景落地的前提条件。如果业务团队对AI的理解和认知较弱，即便技术团队投入大量努力，最终的应用效果也往往难以达成预期。因此，我们会优先选择那些对 AI有一定认知基础、且对智能化转型持开放态度的业务团队作为切入点。其次，数据完备度直接决定了AI项目的建模质量与效果。AI本质上是输入与输出的系统，数据质量越高，算法训练效果越好；反之，低质量数据则可能对整体模型产生破坏性影响。再者，流程复杂度是衡量场景价值的重要因素。我们倾向于优先选择那些业务流程相对复杂、依赖大量人力资源、且存在明显效率提升空间的“高耗能”场景，以确保智能化能够带来显著的改进成效。最后，投入产出比是综合评估的重要依据。我们系统性地评估人力、资源、算力等各类投入与预期产出之间的关系，确保AI项目在落地过程中具备经济可行性和可持续性。

基于上述逻辑框架，我们对企业内部各业务板块进行了系统梳理。其中财务管理、营销管理以及研发管理是企业最早实现信息化和数字化的领域。这些板块不仅数据积累相对完善，业务人员对AI也有一定认知基础，同时具备明确且可衡量的投入产出比，具备优先应用AI的天然优势。例如，财务智能审核、临床试验数据分析、合规风险预警、患者入组筛选等场景，都是AI应用的理想切入点。这些场景的成功落地，不仅为AI应用积累了可复制的方法论，也为企业持续构建智能化核心能力奠定了坚实基础。

场景探索案例一：流程⾃动化

在业务体量庞大的生物制药企业中，每年都会积累海量的合同、发票、协议等票据材料。这些票据来源多样、格式各异，既包括系统导出的结构化文档，也包括大量扫描件、拍照图片，甚至手写内容。这一现状导致传统审核流程高度依赖人工，审核人员需反复核对票据内容、适用规则与流程节点，不仅工作负担沉重，还容易产生错审、漏审等合规风险。

针对这一痛点，我们与业务团队紧密协作，系统梳理审核规则、票据模板及合规逻辑，搭建了涵盖OCR识别、信息抽取、规则匹配与异常检测的AI审核体系。在技术落地方面，我们采用私有化部署的DeepSeek大模型，结合RAG（检索增强生成）技术、丰富的提示词工程及场景化微调机制，不断提升模型对实际业务语境的理解能力。同时，我们建立了人机协同的闭环机制，通过持续收集人工反馈的高质量审核样本，反哺模型训练，实现审核能力的持续迭代优化。

这一体系不仅显著释放了人力资源，提升了审核准确率，更推动了业务流程的标准化、规范化与智能化，为更多流程型场景的AI替代与协作奠定了方法论基础。类似的应用场景还包括企业合同智能审核、临床试验患者入组筛选、生产质量报告智能审核等，统称为“流程自动化”，能够大幅释放人力、提升业务效能。

场景探索案例二：合规⻛控保障

以生物药品制造流程为例，从种子库管理、细胞培养、发酵反应、生物分离、层析纯化到纳滤，每一个环节都高度复杂且严格受控，且受GMP等国际监管标准的严格约束。任何微小偏差，均可能对药品的质量、安全性乃至上市审批造成重大影响。然而，现实中制药生产过程依然大量依赖人工操作与纸质记录，容易引发流程偏差、记录缺失或标准执行不一致等问题，埋下合规隐患。尤其在生产变更管理、偏差事件处理、批记录审核等关键节点，传统模式下不仅人力投入巨大，还难以实现全流程、全周期的风险闭环管理。

针对这些挑战，我们正在建设基于AI的智能合规保障体系。一方面，基于流程数据与设备运行数据，AI可以实时监测关键工艺参数，识别偏差趋势，提前预警潜在质量波动，辅助企业实现主动干预。另一方面，在操作端，我们引入图像识别与视频分析技术，对人工操作进行实时监测，捕捉不符合SOP的行为，做到即时提醒与过程可追溯。同时，通过挖掘历史偏差与CAPA（纠正与预防措施）数据，AI辅助发现系统性风险，持续优化质量管理体系。

最终目标，是让合规生产从“事后审查”转变为“过程感知”与“智能守护”，实现生产有证可循、操作有据可查、风险有迹可控。这一智能合规保障体系，不仅成为制药企业应对日趋严格监管环境的“安全阀”，更是未来建设“智能工厂”“数字化质量管理体系”的关键基石。

类似的应用场景还包括学术会议风控保障、采购风险识别、财务合规风险预警等，通过对关键节点和异常行为的智能监测与分析，AI能够助力企业构建系统化、前瞻性的合规风控保障体系，有效降低运营风险，提升内控水平。

场景探索案例三：智能决策支持

第三个重要应用场景是智能决策支持，尤其在生物制药行业早期药物研发阶段尤为关键。药物研发周期长、投入高、失败率高，且决策节点众多，如立项决策、靶点筛选、分子设计、临床路径规划等，每一环节都需依赖大量情报研判，包括全球竞品动态、专利布局、临床研究进展、市场趋势、适应症变化及监管政策调整等。

过去，这些情报主要依靠人工收集与分析，效率低、信息碎片化，容易导致决策基于“不全的数据、偏颇的视角、滞后的响应”。如今，随着大模型、知识图谱、自然语言处理等AI技术的成熟，我们正在重构情报支持体系。通过统一内部数据与外部情报底座，AI能够高效整合结构化与非结构化信息，实时监测全球科研与市场动态，并通过语义理解、内容抽取和多维关联建模，构建系统性的决策知识网络。

例如，在靶点评估阶段，AI可以基于文献、专利与临床数据库自动生成可行性分析报告；在分子设计阶段，AI辅助识别高潜力化合物结构组合，加速候选药物筛选；在临床路径规划中，结合历史成功经验与行业趋势，智能推荐最优方案。更重要的是，这种基于数据驱动的智能决策支持，使企业在全球竞争中能实现更快、更准、更具前瞻性的判断。

我们相信，AI不仅是工具，更将成为企业决策系统中的“第二大脑”，推动决策模式从经验驱动向数据驱动转型，让充满不确定性的研发之路变得更加可控、可预测、可度量。

类似的应用场景还包括销售预测分析、药品流向监测、供应链精准优化等领域，AI能够基于海量数据进行动态建模与趋势研判，为企业提供更具前瞻性和精细化的智能决策辅助，进一步提升运营效率与市场响应能力。

场景探索案例四：企业知识管理

生物制药全生命周期中，从研发、生产到销售与监管，每个环节都会沉淀大量高价值知识资产，包括科研报告、实验记录、专利情报、学术文献、GMP规范、操作手册、医学材料、产品资料及客户反馈等。这些知识本是企业的重要财富，但由于长期分散在不同系统和部门中，缺乏系统性管理，导致“沉睡”难以发挥价值。

借助AI技术，我们正在重塑企业知识管理模式。通过构建统一的标签体系、关联知识图谱、引入语义理解与意图推理机制，结合智能推送与个性化推荐，不仅实现了知识的结构化管理与跨域融合，还能挖掘隐性关联，激活沉淀知识的潜在价值。

智能知识管理让企业从“静态存储、被动检索”转向“智能理解、主动推送”，实现知识的实时流动与广泛应用，不仅大幅提升了员工的信息获取效率，打破了部门与专业壁垒，还实现了知识从“内容资产”到“能力资产”的转化。最终，这一体系将成为企业持续创新与高效运营的底层支撑力量。

数据治理：AI 场景落地的基石

在传统制药企业中，结构化数据比例普遍偏低，大量信息沉淀于非结构化文档、图片、表单、语音等多模态凭证中。这些数据彼此割裂，命名标准不统一、口径规则不一致，难以直接为AI模型所用。要让AI真正发挥业务价值，必须从根本上建立系统性、标准化的数据治理体系。

我们将数据治理划分为三个核心层级：基础层、知识层和规则层。

基础层，聚焦于数据的采集、结构化与质量控制，确保数据在来源上真实可靠、在结构上标准统一、在内容上完整丰富。针对合同、发票、检验报告、实验记录等多模态数据，需通过OCR识别、NLP解析、图像识别等技术手段，转化为可理解、可调用的数字化资产。

知识层，强调对数据的语义建模与关系梳理，围绕“人、事、物、决策”等核心要素，构建清晰的知识脉络。例如，一条药品不良反应记录背后，关联着患者信息、药物成分、给药方式及病程演化等多个节点。通过构建知识图谱与本体体系，使AI能够真正理解业务语境，实现更高阶的推理与认知。

规则层，关注数据应用逻辑的治理，重点在于建立统一的判断标准和决策规则，确保AI输出结果具备可解释性、合规性与业务一致性。无论是临床试验中的数据筛选，还是财务审核中的合规判定，都必须通过规则层治理，确保“判得准、用得稳”。

数据治理不仅是AI应用的前提保障，更是企业数字化能力的深水区。唯有建立起高质量、可连接、可理解的数据体系，才能真正让AI融入企业核心能力体系，从“实验室技术”转化为驱动业务发展的“生产力引擎”。

模型适配 ：量身定制 AI 方案

当数据治理、业务场景筛选逐步成熟后，AI落地的另一个至关重要的决策点便是——底层模型的选择与适配。对于大多数传统企业而言，从零自研大模型既不现实，也无必要。一方面，自研模型的成本极其高昂，对算力、数据、安全与技术团队提出了极高要求；另一方面，当前已有大量开源与商业化模型能力成熟，关键在于如何基于具体业务场景，进行高效适配与组合使用，真正做到“为我所用”。

我们将模型适配策略划分为三类：

第一类：直接调用原生API，通过优化提示词。在此类场景中，模型能力基本满足需求，核心在于构建更高效的输入方式以提升理解与响应质量。比如在知识检索、报告总结、流程问答等任务中，通过合理设计角色设定、上下文引导与任务目标描述，可以显著提升模型输出的准确性与实用性。

第二类：引入RAG（检索增强生成）机制。对于需要依托企业内部知识库、文档体系、历史案例等数据的任务，如临床研究信息分析、药品说明书问答、法规政策解读等，通过RAG技术，可以使模型“带着知识工作”，大幅提升专业性与上下文相关性，提供更可信的决策支持。

第三类：基于特定任务的模型微调。适用于高精度、高风险、强规则依赖的复杂场景，如财务智能审核、合规风险判断、票据智能识别等。通过企业自有数据及规则进行微调，可让模型深入理解行业语言与流程规则，进而构建真正具备“企业语言能力”的智能助手。

此外，模型选型会根据具体任务灵活调整。在推理、分析等相关场景下， DeepSeek模型表现会更优异；⽽在图像识别、内容提取等⽅向，阿里千问模型表现更佳。在实际部署中，我们坚持采用多模型协同、按需调用的策略，搭建模块化、可插拔的AI能力体系，而非“一模打天下”。

底层模型的选择不仅是技术决策，更关系到AI与业务契合度、项目成本控制、响应速度及未来演进空间。我们始终坚持以业务需求为中心的适配逻辑，推动AI真正深入业务血脉。

算⼒建设与基础设施建设

AI应用在企业中加速拓展、场景需求持续增长时，算力资源与系统支撑能力往往成为限制落地效率的瓶颈。针对这一挑战，我们自项目启动之初，便坚持构建以混合云架构为核心的AI基础设施平台，旨在同时满足资源适配、隐私适配与生态适配三大核心诉求。

资源适配：通过本地私有云与公有云灵活协同，构建弹性资源池，既保障核心业务场景下算力的可控性与可调度性，又通过统一调度系统，实现算力资源在模型训练、推理部署、数据处理等不同阶段的按需分配，最大化资源利用率。横向扩展能力的建设，使我们在高峰期也能基于业务场景动态调度算力资源，按优先级智能排队，确保关键任务的稳定执行。

隐私适配：考虑到医药行业对数据合规性与患者隐私保护的严苛要求，我们在混合云架构中设计了多层安全隔离机制，确保敏感数据在本地环境中安全封闭运行，有效防止数据越权、泄露等风险。同时，在模型训练与推理过程中，引入脱敏处理、数据访问审计与权限动态控制，全面实现从“数据安全”到“模型安全”的闭环保障。

生态适配：通过智能AI服务网关，打通内部模型与外部生态，支持模型与应用场景的动态适配。无论是调用本地私有化大模型，还是对接外部开源模型，平台能够根据具体任务需求自动推荐最优模型路径，实现AI能力的灵活组合与高效上线，加速业务智能化转型进程。

通过构建以混合云为基础的弹性、智能、安全的AI基础设施，我们为AI在企业内的大规模落地奠定了坚实支撑，确保技术与业务发展同步演进、互相促进。

信息安全：护航 AI 落地的基础保障

在推动AI在企业内部全面落地的过程中，数据安全与合规性始终是不可逾越的底线。因此，在数据安全方向，我们坚持三项核心原则：不合规的数据不采集、无监督机制的场景不推广、无防护措施的应用不落地。通过技术手段与管理机制双轮驱动，确保AI应用在全流程中始终处于“可见、可测、可控”的安全状态。

针对AI应用中数据集中化、模型广泛调用以及人员使用差异带来的新型风险，我们构建了三大核心安全策略，为AI系统提供稳定可靠的防护体系：

构建纵深防护体系：通过网络分域隔离、权限分级控制与流程封闭机制，构建从网络、数据到模型调用的多层防御体系，全面防止越权访问、恶意攻击与数据污染，保障系统安全边界清晰可控。

强化底层加密保护：实现全链路数据加密、机密计算与签名校验能力，确保敏感数据在存储、传输与处理各环节中不被泄露，同时防止模型被篡改，保障数据和模型全生命周期的可追溯性与可信性。

建立持续合规治理机制：通过引入合规测评、安全审计与人机双向校验流程，确保AI应用在每一次数据采集、每一次模型调用、每一次输出结果中，均符合内部合规标准与外部监管要求，实现全链路可验证、可监管。

数据安全与合规不仅是AI应用的底线要求，更是企业在智能化转型过程中构筑可持续竞争力的重要保障。唯有在安全可控的基础上，AI能力才能真正成为企业可持续发展的核心动力。

组织适配：塑造 AI 创新文化

AI的落地不仅是技术问题，更是一次深层次的组织变革过程。要真正释放AI的价值，必须实现从战略层到执行层的全面认知拉通与协同推进。

首先，在集团内部，我们董事长会制定清晰明确的AI战略目标，并将其纳入核心高管团队的年度OKR体系，确保AI建设成为企业发展战略的一部分，获得最高层级的资源配置与决策支持。

其次，AI战略目标需逐级分解至各职能部门，明确每个部门在AI转型中的职责定位，推动业务、数据、技术等多条线的深度协作。同时，成立由关键部门共同参与的跨部门AI项目协同小组，打破部门壁垒，形成高效联动的推进机制。

最后，要系统性加强一线员工的能力建设与认知提升。通过持续的培训赋能、共创工作坊与小规模项目试点，使一线员工能够理解AI、使用AI、并在实际工作中逐步建立对AI系统的信任感，形成“人人会用AI”的组织氛围。

只有组织全员协同、上下同频，AI才能真正融入业务体系，在推动企业高效运营、创新发展中发挥最大价值。

AI 在传统企业的落地思考

在传统企业中，AI落地效果取决于四大核心要素的协同作用：场景价值×数据质量× AI技术匹配度×组织准备度。这是一个乘法模型，任何一环为零，都会导致整体失效。要实现AI从概念到实效的转化，必须精准选择具有业务价值的应用场景，夯实高质量数据基础，配置与需求深度契合的技术能力，并激活全组织的认知共识与协同动能。

放眼当前，中国生物制药领域的AI探索正在持续深入，逐步成为企业流程重塑、组织再造与价值跃迁的核心驱动力。AI不再只是降本增效的单一工具，而是上升为一种全新的数字生产力，赋能决策更加智慧、执行更加高效、创新更加可持续，为行业开辟了前所未有的发展空间。

面向未来，AI的落地将面临更高的挑战：不仅需要持续挖掘具备真实业务价值的场景，更要实现技术能力与业务需求的深度共振，推动AI真正融入企业的每一条神经、每一个细胞。AI的成功应用，不再是单一部门或技术团队的胜利，而是企业整体认知体系、组织能力与管理机制的集体跃迁。

生成海报

免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。