5 分钟5月19日，Incyte 公司宣布与人工智能平台公司 Edison Scientific 达成战略合作，将后者的 AI 平台 Kosmos嵌入其从药物发现到临床开发的研发流程中。与常见的“辅助分析”类 AI 不同，此次合作试图建立一种“持续反馈与学习”的研发模型，将实验数据转化为可“复利”的资产。
从“数据挖掘”到“模型持续进化”
多数药企在利用 AI 时，倾向于将其作为一种高级的统计工具，旨在从海量数据中提取特定的规律。然而，Edison Scientific 提出了一种不同的范式：将数据视为“持续学习的载体”。
根据合作协议，Kosmos 平台将被嵌入 Incyte 的研究工作流中，其核心逻辑在于构建一个闭环：
-
输入端：涵盖靶点筛选、转化医学研究、临床试验及生物标志物等全维度数据。
-
处理端：AI 系统不再是静态的分析器，而是一个“学习型系统”。每一次新的实验结果、临床读数（Clinical Readout）都会反哺底层模型。
-
输出端：生成关于治疗性能的预测模型，并为实验设计提供动态指南。
Incyte 首席科学官 Patrick Mayes 博士认为，这种模式的实质是建立了一个反馈循环，旨在通过学习过往的成功与失败，从源头上提高结果解析的准确性，从而提升后续程序的决策效率。
初始切入点：靶点验证与转化医学
Incyte 与 Edison Scientific 的合作并未寻求一步到位的全面转型，而是选择了研发链条中价值密度最高的环节作为首批落地场景：
1. 靶点发现与验证：利用 AI 对生物学机制进行更高效的探索。
2. 转化医学分析：在临床前与临床数据间建立更好的映射，试图解决传统研发中从模型到人、从分子到患者的转化鸿沟。
Incyte 全球研发主管 Pablo Cagnoni 博士强调，此举的最终目标不仅是“快”，而是提高科学决策的质量与一致性（Quality and Consistency）。在药物研发中，决策的一致性往往比单一的速度指标更能决定项目的成败。
研发效率的“复利”假设
Edison Scientific 的首席执行官 Sam Rodriques 博士指出，当前生物医药 AI 的通病在于将数据仅仅当作分析对象。如果一个 AI 系统不能随实验数据的积累而进化，那么它的边际效应会迅速递减。
此次合作的核心在于“复利资产（Compounding Asset）”的概念：
-
传统的研发积累往往分散在各实验室的报告或数据库中，难以复用。
-
基于 Kosmos 的系统，则要求每一项实验、每一个临床发现都成为优化模型的增量。这意味着 Incyte 随着研发管线的推进，其内部 AI 的决策能力理应呈现出逐年累积的优势。
行业视点
在经历了 2023-2025 年 AI 制药的“概念导入期”后，大型药企正在转向务实的“应用融合期”。Incyte 在保持强劲商业表现（2026年Q1 净销售额超 11 亿美元，核心产品 Jakafi 稳健增长）的同时，积极寻求研发底层逻辑的数字化变革，体现了其对管线生产率的长期焦虑与应对策略。
对于研发同行而言，此次合作的看点不在于 AI 能否在短期内找到一个新分子，而在于Incyte 能否成功地将“实验数据”转化为“企业知识图谱”的动态更新能力。如果这种“持续学习系统”能够落地，它或许会成为衡量未来药企研发竞争力的重要标尺。
