Dialog mit Ren Feng von Insilico Medicine: Junge AI4S-Unternehmer, ich beneide euren Ehrgeiz und eure Kreativität

Text von Hu Xiangyun

Redaktion: Hai Ruojing

Im Jahr 2026 tauchen um den 51-jährigen Ren Feng immer mehr junge Kollegen Anfang 30 auf.

Ren Feng ist Co-CEO von Insilico Medicine (03696.HK). Im ersten Halbjahr dieses Jahres gab Insilico Medicine offiziell seine Profitabilität bekannt. 35 Pipeline-Assets, die auf der generativen KI-Plattform Pharma.AI entwickelt wurden, erreichten das PCC-Stadium (präklinische Kandidatenverbindungen). Der offengelegte Betrag der BD-Kooperationen auf Basis der KI-Technologieplattform und der Pipeline erreichte 11 Milliarden US-Dollar und steht damit an der Spitze der inländischen KI-Pharma-Unternehmen.

Die Pharmaindustrie, in der Ren Feng tätig ist, legte ursprünglich größten Wert auf industrielle Akkumulation und F&E-Erfahrung, was eine gewisse „Senioritätsorientierung“ bedeutet. Doch heute schreibt KI diese seit vielen Jahren geltenden Regeln leise um. Mit den Fähigkeiten großer Sprachmodelle versuchen junge Doktoranden, die traditionelle Erfahrungswissenschaft in Ingenieursprobleme umzuwandeln. Dadurch können sie im Alter von 30 Jahren als Unternehmer auf die Bühne treten und beträchtliche Finanzierungen sowie hohe Bewertungen erzielen.

Der Generationsunterschied zwischen ihnen und den „Ren Fengs“ ist äußerst ausgeprägt.

Letztere traten den Kapitalmärkten und der Öffentlichkeit meist als vorsichtige und zurückhaltende traditionelle Wissenschaftler gegenüber. „80 Punkte erreichen, 60 Punkte kommunizieren“ war die Lebensphilosophie jener Zeit. Es ist nicht falsch, konservativ zu sein, denn zu viel Radikalität führt oft zu Misserfolgen. Wie bei Ren Feng: Als er 2020 die Einladung erhielt, zu Insilico Medicine zu stoßen, verbrachte dieser „Veteran“ aus dem traditionellen Pharmasystem zunächst fast ein halbes Jahr als Berater, um wiederholt zu prüfen, ob KI-Pharmazie „wirklich oder falsch“ ist. Erst als er überzeugt war, dass KI „in bestimmten Szenarien tatsächlich die Effizienz steigern und sehr innovative Dinge hervorbringen kann“, trat er offiziell bei.

Aber die jungen Unternehmer von heute sind sowohl in ihrem persönlichen Ausdruck als auch in ihrem Glauben an die KI-Technologie leidenschaftlicher. In den Augen von Investoren sind sie „offener“ und können ohne Bedenken die große Vision erzählen, die Pharmaindustrie mit KI zu revolutionieren, und setzen sich für ihr kleines Team Ziele, die sich an Isomorphic Labs und Chai Discovery orientieren. Unter anderem nach der neuen Finanzierungsrunde, die Isomorphic Labs durchführt, wird seine Post-Geld-Bewertung mindestens 40 Milliarden US-Dollar erreichen.

In gewisser Weise spürt man bei Gesprächen mit Ren Feng, dass er als einer der derzeit aktiven Akteure eine seltene „Zwischenstellung“ einnimmt. Er stammt aus dem traditionellen Pharmasystem, steuert die modernsten KI-Systeme, kann beide Fähigkeiten perfekt verbinden und ist ausreichend wach:

Ren Feng ist überzeugt, dass KI das alte System der neuen Wirkstoffentwicklung weitgehend verändern wird, weshalb er sich selbst auffordert, „ständig zu lernen und sich weiterzuentwickeln, damit die Erfahrung das Urteilsvermögen nicht überwiegt“. Auf der anderen Seite ist er wachsam gegenüber dem aktuellen Narrativrausch großer Modelle auf dem Markt, betont ständig die Bedeutung der „Umsetzung“ und ist bereit, aktiv über viele Mängel der Fähigkeiten von KI-Modellen zu sprechen. Seiner Meinung nach ist es letztendlich das Kernziel, das Medikament herzustellen, und dies steht immer an erster Stelle.

Zwei Eigenschaften, alt und neu, kreuzen sich bei Ren Feng. Wie sieht er diesen Generationswechsel und wie misst er die Distanz zwischen Ambition und Fähigkeit?

Gespräch (redigiert):

(Dieses Interview fand während der ersten globalen Konferenz „Große Nation, neue Wirkstoffe“ CPIC 2026 statt. Wir danken dem Veranstalter der Konferenz „Tongxieyi“ für die Unterstützung.)

Alter Meister, deine Erfahrung ist nicht mehr gefragt

36Kr: Im Jahr 2026 ist das KI4S-Ökosystem für Start-ups besonders florierend, die Teilnehmer, die in die Pharmazie einsteigen, werden immer vielfältiger, und das Narrativ von „KI revolutioniert die Entwicklung neuer Wirkstoffe“ wird immer umfassender. Aus der Perspektive des „Veterans“ mit starker Praxiserfahrung: Wie weit ist die Anwendung von KI in der Pharmaindustrie eigentlich fortgeschritten?

Ren Feng: Nach meinen eigenen Beobachtungen gab es zu Beginn des Booms von ChatGPT in China noch kein starkes Grundmodell, und unser praktisches Gefühl im Inland war nicht sehr ausgeprägt. Seit letztem Jahr sind erstens Chinas eigene Modellprodukte immer leistungsfähiger geworden, zweitens hat der Durchbruch der Codierfähigkeit es der Pharmaindustrie ermöglicht, mit niedrigeren Kosten bessere Algorithmen zu iterieren. Heute werden bei Insilico Medicine 70 % bis 80 % des Codes von KI geschrieben.

Gleichzeitig wächst der Einfluss von KI auf alle Entscheidungen der Wirkstoffentwicklung ständig. Vor etwa drei Jahren war die Wirkstoffentwicklung noch ein traditioneller Versuch-und-Irrtum-Prozess: Nachdem Arzneimittelchemiker Moleküle entworfen hatten, wurden sie an CRO zur Synthese und Prüfung übergeben, und KI wurde in verschiedenen Gliedern als Effizienzsteigerungswerkzeug eingesetzt. Heute ist KI in den Entscheidungsprozess der Wissenschaftler integriert, und ihr Gewicht ist nicht gering. Selbst wenn das Molekül zuerst von Menschen entworfen wird, lassen wir es von der KI noch einmal durchlaufen, um zu prüfen, ob seine Eigenschaften gut sind und seine Aktivität stark ist. Dann entscheiden die Wissenschaftler anhand der von der KI vorhergesagten Ergebnisse, ob die Syntheseprüfung vorangetrieben wird. Früher wurde dies vollständig von Menschen entschieden.

Der Vorteil davon ist, dass viel Personal, Zeit und Versuchskosten eingespart werden können. Wenn die KI berechnet, dass es nicht funktioniert, wird es abgelehnt, und es wird nicht zur Synthesephase weitergeleitet.

36Kr: Früher wurde KI als „Werkzeug“ positioniert, heute kann sie an „Entscheidungen“ teilnehmen. Was bedeutet das?

Ren Feng: Ein besonders deutlicher Trend ist, dass die Abhängigkeit der Pharmaindustrie von der Erfahrung erfahrener Wissenschaftler abnimmt, aber jungen Wissenschaftlern, die aktiv fortschrittliche Technologien anwenden, mehr Chancen geboten werden.

Früher war die Wirkstoffentwicklung eine Erfahrungswissenschaft, daher wurden die „alten Meister“ mit reicher Erfahrung hoch geschätzt, und die Führungsteams traditioneller großer Pharmaunternehmen waren meist 60 oder 70 Jahre alt. Aber im Kontext von KI wollen wir das Paradigma der neuen Wirkstoffentwicklung von erfahrungsgesteuert zu datengesteuert wandeln. In diesem Fall wird die Erfahrung erfahrener Wissenschaftler oft zu einer Einschränkung: Sie haben schon früher Erfolge erzielt, daher vertrauen sie instinktiv zuerst auf ihr eigenes Urteil und halten an ihm fest, und zweifeln an den Ergebnissen der KI, insbesondere wenn die Schlussfolgerungen beider gegensätzlich sind.

Im Gegenteil sind junge Wissenschaftler mit wenig Erfahrung unerschrocken. Solange sie glauben, dass die KI-Methode einen Versuch wert ist, gehen sie daran, und sie erzielen oft beeindruckende Ergebnisse. In unserem Unternehmen gibt es viele solche Geschichten, die alle sehr überrascht machen, und mich dazu bringen, mit meiner eigenen Erfahrung vorsichtiger umzugehen. Man sollte niemals leicht sagen: „Nach meiner Erfahrung kannst du das nicht.“

36Kr: In der Branche, die am meisten Wert auf Erfahrung legt, ist Erfahrung nicht mehr so nützlich, und die „alten Meister“ haben auch ein Krisengefühl.

Ren Feng: Eigentlich denke ich, dass das eine gute Sache ist, und es die einzige Methode ist, die Beschränkungen durch Dienstalter und Erfahrung zu durchbrechen, um Unternehmen kreativer und effizienter zu machen.

In der Vergangenheit waren große Pharmaunternehmen bei der Einführung von KI manchmal nicht so entschlossen und die Effizienz war nicht hoch. Das liegt daran: Wenn die Entscheidungsträger in der Pharmaindustrie immer nur Menschen sind, die Erfahrung verherrlichen, ist die Entwicklung der KI-Anwendung sehr schwierig. Auch Unternehmen, die sich von Anfang an als KI-Pharma-Unternehmen positionieren, müssen ihre KI-Fähigkeiten ständig weiterentwickeln. Einige ausländische KI-Pharma-Unternehmen, die zur gleichen Zeit wie Insilico Medicine gegründet wurden, schreiten bei ihren Projekten relativ langsam voran, vielleicht weil sie diesen Punkt vernachlässigt haben.

36Kr: Der Generationsunterschied zwischen den Fachkräften wird immer deutlicher, vielleicht auch zwischen Unternehmen. Wurde Insilico Medicine schon einmal gefragt, ob es ein „KI-Pharma-Unternehmen der vorherigen Generation“ ist?

Ren Feng: Unternehmen entwickeln sich in Wellen. Als die KI-Pharma-Unternehmen der Generation von Insilico Medicine gegründet wurden, gab es keine großen Sprachmodelle und man sprach nicht von AGI, alle arbeiteten hauptsächlich auf Basis von branchenspezifischen Modellen. Der Vorteil ist, dass die Parameteranzahl klein ist und der Bedarf an Rechenleistung nicht hoch ist. Der Nachteil ist, dass ein einzelnes Modal nur eine oder wenige Arten von Daten verarbeiten und ein Problem lösen kann. Die Wirkstoffentwicklung erfordert jedoch die gleichzeitige Optimierung vieler Parameter, sodass nur mehrere kleine Modelle aufgerufen werden können. Aber nach dem Aufkommen großer Sprachmodelle wie ChatGPT setzen neue Generationen von KI-Pharma-Unternehmen auf Multimodalität, integrieren verschiedene kleine Modelle mithilfe von Agenten, was die Effizienz möglicherweise weiter steigert.

Dieser technische Unterschied bestimmt, dass es zwischen KI-Pharma-Unternehmen einen Generationsunterschied gibt. Aber der Vorteil ist, dass wir nach Jahren der Akkumulation, zum Beispiel einige interne Modelle bei Insilico Medicine, diese unabhängigen Module integrieren können. Unsere Erfahrung, Daten und Testsammlungen beim Training dieser unabhängigen Module können uns helfen, die Schlussfolgerungsfähigkeit von quelloffenen LLM im spezialisierten Bereich der Wirkstoffentwicklung zu stärken. Zum Beispiel haben wir dieses Jahr auch das Trainingsframework für Grundmodelle der Biowissenschaften Science MMAI Gym veröffentlicht.

Wenn man sich nicht aktiv weiterentwickelt, wird man schnell überholt.

KI zur Wirkstoffentwicklung: Wie weit sind wir?

36Kr: Die Fähigkeiten der Modelle entwickeln sich weiter. Worin ist KI bei der Wirkstoffentwicklung derzeit stark, und wo ist sie noch nicht so leistungsfähig?

Ren Feng: Insgesamt befindet sich die KI-Pharmazie noch in einem relativ frühen Entwicklungsstadium. Es ist noch ein langer Weg bis zur „superintelligenten KI“, also GPT für die Wirkstoffentwicklung, und bis zur vollen Reife der gesamten KI-Pharmazie-Technologiekette.

Ganz am Anfang der neuen Wirkstoffentwicklung kann KI bereits grundlegende Probleme wie die Entdeckung völlig neuer Zielstrukturen gut lösen, die früher schwer zu durchbrechen waren. Zum Beispiel kann sie schnell die vorhandenen Forschungsergebnisse in der öffentlichen Literatur zusammenfassen, die Zusammenhänge zwischen Zielstrukturen erkennen, Forschern helfen, Zielstrukturen zu finden, die früher leicht übersehen wurden, oder das Verständnis der biologischen Mechanismen von Zielstrukturen vertiefen. Früher erforderte der Aufbau eines wissensgraphen im Zusammenhang mit Zielstrukturen einen enormen Personalaufwand, heute kann das KI direkt erledigen.

Aber die Mängel der aktuellen großen Modelle sind ebenso ausgeprägt: Da alle Lernmaterialien aus bereits veröffentlichten und berichteten Studien stammen, können große Modelle völlig unbekannte biologische Zusammenhänge, die in der Literatur nicht dokumentiert sind, nicht aus dem Nichts entdecken. Unser PandaOmics (ein Modul von Pharma.AI für die Omik-Datenanalyse) kann beispielsweise direkt die multiomischen Daten von Patienten analysieren, die omischen Unterschiede zwischen Patienten und gesunden Personen vergleichen und aus den Rohdaten potenzielle Zielstrukturen lokalisieren, die im erkrankten Gewebe ungewöhnlich hoch exprimiert und übermäßig aktiviert sind, von denen viele keine Literaturberichte haben. Diese Fähigkeit, völlig neue Zielstrukturen aus rohen klinischen omischen Daten zu entdecken, besitzen große Sprachmodelle nicht.

36Kr: Einen Schritt weiter von den grundlegenden biologischen Problemen spricht man dieses Jahr auch davon, dass Agenten automatisch wissenschaftliche Hypothesen aufstellen, den experimentellen Zyklus abschließen und verschiedene Hypothesen massenhaft validieren. Wie sehen Sie diese Richtung und gibt es entsprechende Versuche?

Ren Feng: Das ist im Wesentlichen die Neugestaltung und Optimierung des wissenschaftlichen Arbeitsablaufs mithilfe von Agenten und Cloud-Tools, um die Schritte zu übernehmen, die früher manuell erledigt werden mussten, zum Beispiel die Unterstützung des experimentellen Designs durch Cloud-Tools. Das ist ein klarer großer Branchentrend, und wir erforschen dies ebenfalls, indem wir Agenten in unsere bereits validierten spezialisierten Algorithmen und automatisierten Labore integrieren.

Aber es gibt derzeit eine unvermeidbare Voraussetzung: Automatisierte Labore können nicht direkt für völlig neue Experimente verwendet werden. Wenn ein experimentelles Protokoll auf die automatisierte Plattform übertragen werden soll, muss zuerst eine Runde der Validierung im manuellen Labor abgeschlossen werden, um die Ergebnisse zu kalibrieren und sicherzustellen, dass die von der Automatisierung erzeugten Daten mit den Daten aus manuellen Experimenten übereinstimmen.

Ein Experiment selbst hat viele einstellbare Parameter, wie Enzymkonzentration, Reaktionstemperatur, Inkubationsdauer usw., die iterativ optimiert werden müssen. Es gibt keine perfekte Lösung, die auf Anhieb funktioniert. Es ist sehr riskant, die manuelle Validierung zu überspringen und das Experiment direkt an das automatisierte System zu übergeben. Daher ist die Perspektive dieser Richtung zwar klar, aber die aktuellen gesamten technischen Fähigkeiten reichen noch nicht aus, um einen vollständig autonomen geschlossenen wissenschaftlichen Arbeitsprozess zu realisieren.

36Kr: Viele Teams wählen quelloffene Modelle wie AlphaFold2 und ESM als Grundlage. Wenn innovative Pharmaunternehmen auf Basis dieser quelloffenen Plattformen ihre eigenen vertikalen Daten zur Entwicklung hinzufügen, können sie dann auch brauchbare Vorhersageergebnisse erhalten?

Ren Feng: Die Nutzung quelloffener Modelle in Kombination mit den einzigartigen internen F&E-Daten des Unternehmens kann die Effizienz der Wirkstoffentwicklung tatsächlich effektiv steigern, das ist bereits nachgewiesen. Aber die Leistung der quelloffenen Modelle selbst ist begrenzt. Teams müssen auf Basis ihrer selbst entwickelten Daten die quelloffene Plattform ständig optimieren und feinabstimmen, um ein Domänenmodell zu erhalten, das besser als das ursprüngliche quelloffene Modell funktioniert. Die Feinabstimmung der Parameter ist relativ schwierig, das kann nicht jeder tun.

36Kr: Wenn die von Ihnen genannte „gesamte Technologiekette“ ausgereift ist, in welchen Zielstrukturen oder Krankheitsbereichen wird die KI-Pharmazie wahrscheinlich zuerst Durchbrüche erzielen?

Ren Feng: Tatsächlich verfügt KI über eine starke Generalisierungsfähigkeit. Daher hat KI keine angeborene Präferenz für Krankheitsbereiche oder Zielstrukturen. Solange genügend Daten vorhanden sind, steigt die Genauigkeit der Wirkstoffentwicklung in jedem Krankheitsbereich entsprechend.

Bereiche mit großen Krankheitsbildern und größeren Datenmengen aus Patientenkollektiven werden wahrscheinlich zuerst bessere Zielstrukturen finden, daher sind die Markterwartungen relativ höher. Zum Beispiel bei Krebserkrankungen: Viele Krebspatienten haben eine Genomsequenzierung durchlaufen, die Branche hat bereits eine große Datenmenge angesammelt. Außerdem sind Krankheitsbilder mit einer großen Anzahl von Patienten wie Autoimmunerkrankungen und neurologische Erkrank