超擎数智 × 亦康医药：以 AI 算力与生物大模型加速癌症新药研发新范式

在人工智能技术与生命科学深度融合的背景下，AI 正在重塑新药研发的底层逻辑。从靶点发现、蛋白结构预测、候选分子筛选，到免疫识别机制建模和临床转化研究，AI 已经不再只是辅助分析工具，而是逐步成为医药研发流程中的关键生产力。

近期，亦康（北京）医药科技有限公司与超擎数智达成深度合作。围绕癌症新药研发过程中 TCR-抗原识别、蛋白结构分析、生物数据处理和模型训练迭代等关键需求，超擎数智为亦康医药提供了基于 AI 算力集群与 AI Engine 人工智能开发平台的整体解决方案，帮助客户构建面向癌症药物研发的 AI 计算与模型开发能力。

本次合作不仅是一次 AI 集群交付，更是一次面向 AI for Science 场景的系统级实践。超擎数智通过高性能 GPU 算力、无损高速网络、本地化数据安全架构、AI Engine 开发平台和全栈交付服务，帮助亦康医药提升模型训练效率、缩短研发验证周期、增强生物大模型开发能力，为癌症新药研发探索出一条可复制的新路径。

一、项目背景：癌症新药研发进入 AI 驱动新阶段

癌症治疗长期以来是全球生命科学与医学研究的重要课题。从传统化疗到靶向治疗，再到免疫治疗，每一代治疗方式的进步，都推动癌症治疗向更精准、更高效、更个性化的方向发展。

传统化疗主要通过细胞毒性药物杀死快速分裂的癌细胞，但也容易影响正常细胞，副作用较大。靶向治疗则通过识别特定致癌基因或蛋白，例如 EGFR、HER2 等，精准干预癌细胞生长信号，在治疗效率和副作用控制方面取得明显提升。但随着癌细胞基因突变和耐药机制出现，靶向治疗也面临持续挑战。

免疫治疗进一步拓展了癌症治疗路径。它通过激活人体免疫系统，使 T 细胞识别并清除癌细胞。其中，T 细胞受体 TCR 对癌细胞抗原的精准识别，是免疫治疗能否发挥效果的关键环节。然而，TCR-抗原匹配是一个极其复杂的生物信息学问题，涉及氨基酸序列、空间结构、分子相互作用、个体基因差异和癌细胞突变特征等多重因素。

传统实验方法在 TCR-抗原匹配、蛋白质三维结构解析和候选分子验证中往往周期长、成本高、变量复杂。冷冻电镜、X 射线晶体衍射等方法虽然精度高，但设备昂贵、实验流程复杂、验证周期长，难以支撑快速迭代的新药研发需求。

随着深度学习和大模型技术发展，基于 Transformer 架构的生物大模型为解决这一问题提供了新的技术路径。TCR 与抗原均由氨基酸序列构成，其相互作用在一定程度上类似自然语言处理中的序列匹配任务。Transformer 擅长捕捉序列上下文关系和长距离依赖，能够在大规模生物数据中学习潜在结构和相互作用规律，为 TCR-抗原识别、蛋白结构分析和候选药物筛选提供新的计算方法。

在这一背景下，亦康医药希望借助 AI 算力和生物大模型能力，加速癌症新药研发流程，提升 TCR 识别癌细胞抗原的准确性，并进一步支撑抗癌药物和抗癌疫苗研发。

二、客户背景：面向精准治疗的创新医药研发企业

亦康医药位于北京经济技术开发区，长期致力于药物体外生物活性筛选和功能验证、临床前体外与体内药理药效学评价、药物临床转化研究等方向。

公司以药理学、免疫学、病理学和创新药物开发相关知识体系为基础，针对进入临床实验的创新药物，开展伴随临床实验的生物标本检测和预测疗效的生物标志物开发，推动精准治疗研究与创新药物转化。

在业务发展过程中，亦康医药积累了大量生物医学数据和研发经验，但随着 AI 技术逐步进入药物研发关键环节，客户也面临新的挑战：如何将生物数据、AI 算法、模型训练、计算平台和研发流程有效结合；如何在数据安全合规前提下提升模型迭代效率；如何将 AI 从单点工具升级为可持续支撑新药研发的平台能力。

三、客户核心挑战

1. TCR-抗原匹配复杂，传统方法难以高效覆盖

TCR-抗原识别是癌症免疫治疗研究中的关键问题。人类免疫系统中的 TCR 种类极其庞大，用于适应不同病毒、肿瘤抗原和个体免疫环境。与此同时，癌细胞可能表达大量突变蛋白，每种蛋白又可能包含多个潜在抗原位点。

这意味着 TCR 与抗原之间的匹配空间极其庞大。如果依赖传统实验方法或人工经验逐一分析，不仅效率低，而且难以充分覆盖复杂组合。对于新药研发而言，这会直接影响候选靶点筛选、免疫原性评估和后续实验验证效率。

因此，客户需要借助 AI 模型对海量序列和结构数据进行学习、建模和预测，提升 TCR-抗原匹配效率，为抗癌药物和疫苗研发提供更高效的计算支撑。

2. 蛋白质三维结构分析成本高、周期长

蛋白质三维结构对理解生物分子功能、药物作用机制和抗原识别过程至关重要。传统结构解析方法依赖冷冻电镜、X 射线晶体衍射等高精度实验技术，虽然能够提供可靠结果，但通常存在设备门槛高、实验周期长、样本制备复杂和成本高等问题。

在新药研发中，候选分子和靶点往往需要不断筛选与迭代。如果每一轮验证都依赖长周期实验，将显著拖慢研发节奏。因此，客户希望通过 AI 模型加速蛋白结构预测和候选组合筛选，使研发团队能够更快定位高价值方向，再将有限实验资源集中用于关键验证环节。

3. 海量生物数据计算与模型迭代效率不足

生物医药研发数据具有规模大、维度高、类型复杂的特点，包括基因序列、蛋白序列、临床样本数据、药理药效数据、实验检测结果和结构信息等。基于这些数据训练 Transformer 等深度学习模型，对 GPU 算力、显存容量、数据吞吐和网络通信能力提出较高要求。

如果缺少稳定的本地 AI 算力平台，模型训练和迭代可能受限于算力不足、任务排队、环境重复配置和数据传输效率低等问题，影响算法开发和研发验证节奏。

4. 医疗健康数据安全和合规要求高

医药研发过程中涉及病患基因数据、临床试验数据、生物标本检测数据等敏感信息。相关数据在采集、存储、计算、模型训练和结果输出过程中，都需要满足严格的数据安全和访问控制要求。

客户不仅需要高性能 AI 算力，也需要确保数据不出域、访问可控、传输安全、存储可靠，并能够在计算平台内部形成安全隔离和权限管理机制，降低数据泄露和合规风险。

5. AI 工具链需要服务研发人员，而不是增加使用门槛

对于医药研发团队而言，AI 平台的价值不只是提供 GPU 资源，更要让研发人员能够高效使用 AI。若平台操作复杂、模型训练流程分散、资源申请和任务管理繁琐，就会增加研发人员使用门槛，影响 AI 技术在业务中的推广。

因此，客户需要一套既具备底层算力能力，又具备模型开发、任务管理、资源调度和可视化能力的 AI 开发平台，使研发团队能够将更多精力投入生物学问题和药物研发本身。

四、超擎数智解决方案：AI 算力集群 + 超擎AI Engine 平台 + 生物大模型开发支撑

针对亦康医药在癌症新药研发中的核心需求，超擎数智提供了基于高性能 AI 算力集群、无损 AI 网络、本地化存储、安全隔离和 AI Engine 人工智能开发平台的整体解决方案。

该方案不仅为客户提供计算资源，更通过软硬件一体化设计，把底层 GPU 算力、网络通信、数据存储、模型训练、资源调度和平台管理整合为完整的 AI 研发支撑体系。

1. 高性能 AI 算力集群支撑大模型训练

亦康医药 AI 计算集群采用 12 台 8 卡 GPU 服务器，构建高性能计算平台，用于支撑 TCR-抗原识别模型、蛋白结构分析模型和生物大模型训练任务。

在大模型训练过程中，GPU 服务器承担大规模矩阵计算、序列建模、模型参数更新和推理验证等任务。通过多节点 GPU 集群，客户能够显著提升模型训练吞吐，支撑更大规模数据集、更复杂模型结构和更频繁的实验迭代。

2. 高速无损网络保障多节点训练效率

AI 训练过程中，尤其是 Transformer 类模型和多节点分布式训练场景下，GPU 之间需要频繁进行梯度同步、参数聚合和数据交换。网络通信效率会直接影响训练速度。

本项目中，计算网络基于 InfiniBand MQM9700 交换机构建，为 AI 训练通信提供高带宽、低时延的数据通道；存储网络基于 InfiniBand MQM8700 交换机，加速大规模训练数据加载和模型文件访问；管理网络采用以太网进行带内与带外管理，保障设备运维和平台管理稳定进行。

通过计算网络、存储网络和管理网络分层设计，平台能够减少不同类型流量之间的干扰，使模型训练、数据访问和运维管理各司其职，提升整体稳定性。

3. SHARP 与 All-Reduce 优化提升训练效率

在分布式训练中，All-Reduce 是梯度同步的关键通信过程。随着 GPU 节点数量增加，梯度聚合带来的通信开销可能成为训练瓶颈。

超擎技术团队通过优化 InfiniBand 网络拓扑，并启用 SHARP 技术，在网络层对聚合与归约操作进行加速，减少 GPU 间梯度传输的带宽消耗，降低跨节点通信延迟。该优化帮助客户提升大模型训练效率，使 AI 集群在多节点场景下更充分释放算力性能。

4. 超擎AI Engine 平台降低 AI 研发使用门槛

超擎 AI Engine 人工智能开发平台为亦康医药提供 AI 集群管理、模型训练、资源调度和任务运维能力，使研发团队能够更高效地使用底层算力资源。

平台支持 GPU 使用率、显存占用、网络流量等关键指标实时监控，帮助客户掌握集群运行状态；支持基于任务需求的算力动态调度，提升资源利用率，避免 GPU 闲置或资源争抢；支持 AI 计算集群从部署、运行到维护的全生命周期管理，保障平台长期稳定运行。

对于研发团队而言，AI Engine 将复杂的底层资源管理能力封装为更易使用的平台能力，使生物研发人员能够更专注于模型设计、数据分析和药物研发，而不是底层环境维护。

5. 本地化存储与专用隔离网络保障数据安全

针对生物医药领域对数据安全的严格要求，超擎数智为项目设计了本地化存储方案，并结合专用隔离网络、访问控制策略和端到端加密机制，确保敏感研发数据在客户可控范围内流转。

病患基因数据、临床试验数据和生物标本检测数据可在本地 AI 集群内完成存储、训练和分析，降低数据外传风险。同时，通过网络隔离和权限管理，确保不同角色、不同任务和不同数据访问边界清晰可控。

6. 机房环境与散热优化保障长期稳定运行

本项目交付面临传统机房改造挑战。原有机房以纯风冷设计为主，难以直接满足高密度 GPU 服务器长期运行对散热和气流组织的要求。

超擎技术团队结合现场机房条件，对气流组织、风道布局、机柜位置和冷风覆盖进行优化，并引入精密空调等高效风冷方案，提升机房散热能力，保障高密度 GPU 设备在长期训练负载下稳定运行。

五、四天高效交付：以系统级工程能力保障项目快速上线

本项目交付周期紧、技术环节多、环境要求高。超擎数智在为期四天的项目交付周期内，完成从机房环境评估、设备部署、网络联调、平台部署、模型环境适配到性能优化的全流程工作，体现了在 AI for Science 项目中的快速响应和系统集成能力。

1. 现场环境评估与机房改造优化

项目启动后，超擎技术团队首先对客户机房条件进行评估，包括供电、散热、机柜空间、气流方向、网络布线和设备部署条件等。针对高密度 GPU 服务器对散热要求高的特点，团队对机房风道和设备布局进行优化，确保冷风能够有效覆盖计算节点，热风能够顺畅排出，降低局部热点风险。

这一过程为集群长期稳定运行奠定基础，避免“设备能上线但长期运行不稳定”的问题。

2. 设备部署与网络联调

在硬件部署阶段，团队完成 GPU 服务器上架、供电检查、线缆连接、端口映射、网络连通性验证和管理网络配置。针对计算网络、存储网络和管理网络分别进行联调，确保训练通信、数据访问和设备管理链路稳定可用。

高性能 AI 集群中，网络不仅需要连通，更需要低时延、高吞吐和稳定性。超擎团队通过网络拓扑优化和链路测试，保障 InfiniBand 网络能够支撑后续大模型训练任务。

3. AI Engine 平台部署与集群纳管

在软件平台部署阶段，超擎团队完成 AI Engine 人工智能开发平台部署，并将 GPU 服务器和相关资源纳入统一管理。平台上线后，客户可以通过统一界面查看 GPU 使用率、显存占用、任务状态、网络流量和集群运行情况。

通过平台化纳管，客户从单纯使用服务器升级为使用统一 AI 研发平台，显著提升任务管理和资源调度效率。

4. 模型环境适配与训练优化

针对亦康医药生物大模型研发需求，超擎团队配合客户完成 Transformer 相关模型环境适配，包括训练框架、数据处理流程、GPU 加速环境和分布式训练配置。通过 FP8 混合精度训练引擎，降低显存占用并提升训练吞吐，使集群在计算性能和能源效率之间取得更优平衡。

结合 SHARP 技术和 All-Reduce 优化，项目最终实现大模型训练效率提升，为客户后续持续迭代生物大模型提供高性能支撑。

5. 安全策略与本地化数据闭环

在交付过程中，超擎团队同步落实数据安全策略，包括访问控制、网络隔离、本地化存储和端到端加密。研发数据在本地集群内完成计算与存储，敏感信息不出域，满足客户对医疗健康数据安全和合规管理的要求。

六、客户收益：从算力提升到新药研发范式升级

通过本次合作，亦康医药不仅获得了一套高性能 AI 计算平台，更获得了面向癌症新药研发的 AI 模型开发与工程化支撑能力。

1. 大幅提升癌症新药研发效率

在超擎数智 AI 整体解决方案赋能下，亦康医药结合 Transformer 生物大模型，将深度学习与生物计算方法应用于 TCR-抗原识别、蛋白结构分析和候选药物筛选等关键环节。通过 AI 模型辅助筛选和预测，研发流程从传统实验驱动转向“计算预测 + 实验验证”协同，大幅缩短研发周期。

根据项目成果，亦康医药相关癌症新药研发周期由 36 个月压缩至 6 个月，研发成本降低 67%，关键分析任务效率显著提升。

2. 提升 TCR 识别癌细胞抗原的精准度

基于 Transformer 架构的生物大模型能够学习氨基酸序列上下文关系、潜在结构模式和 TCR-抗原相互作用规律，帮助客户更高效预测潜在匹配关系。

这使亦康医药能够更快识别具有研究价值的抗原组合和候选方向，为抗癌药物与抗癌疫苗研发提供更高质量的计算筛选结果。

3. 蛋白结构分析效率实现跨越式提升

传统蛋白质三维结构解析依赖复杂实验流程，而 AI 模型可在较短时间内完成结构预测和候选分析。项目落地后，AI 训练后的模型可在数小时甚至数分钟内辅助解析蛋白质三维结构，相较传统实验方法，关键环节效率实现数量级提升。

这有助于客户将实验资源集中在更具价值的候选分子和验证方向上，提升研发投入产出效率。

4. 提升 AI 研发平台化能力

AI Engine 平台将底层 GPU 算力、资源调度、任务管理、运行监控和模型开发流程整合起来，使亦康医药研发团队能够更便捷地使用 AI 能力。过去需要跨部门长时间协作完成的分析任务，现在可以通过统一平台更快完成。

这不仅提升了研发效率，也降低了 AI 技术在药物研发团队中的使用门槛，推动 AI 能力从技术团队扩展到更多业务研发场景。

5. 增强医疗数据安全与合规能力

通过本地化存储、隔离网络、访问控制和加密机制，项目保障了病患基因数据、临床试验数据和生物标本检测数据在可控环境内使用，减少敏感数据外传风险。

这使客户能够在满足数据安全与合规要求的基础上，充分释放 AI 算力和模型能力，兼顾创新效率与安全底线。

6. 形成 AI for Science 行业标杆实践

本项目将 AI 算力集群、AI Engine 平台、生物大模型、Transformer 架构、InfiniBand 高速网络和医药研发场景深度结合，形成了面向 AI for Science 的可复制实践路径。

对于医药研发企业而言，该模式证明了 AI 不只是单点工具，而可以成为贯穿研发数据处理、模型训练、候选筛选和实验验证的系统能力。

七、结语：以 AI 算力和行业模型能力推动生命科学创新

亦康医药与超擎数智的合作，是 AI 基础设施与生命科学场景深度结合的典型实践。本项目不仅完成了高性能 AI 集群和 AI Engine 平台交付，更通过模型训练优化、网络加速、安全合规和研发流程适配，帮助客户将 AI 能力真正转化为新药研发效率。

对于生命科学企业而言，AI 时代的新药研发竞争力，不再只来自实验能力本身，也来自数据、算法、算力和平台工程能力的协同。谁能更快完成数据建模、候选筛选和实验验证闭环，谁就能在创新药研发中获得更高效率和更大空间。

未来，超擎数智将持续深耕 AI+医疗健康、AI for Science 和生命科学垂直场景，依托 AI 算力、无损网络、AI Engine 平台和全栈工程交付能力，为更多创新药企、科研机构和医疗健康企业提供可复制、可落地、可持续演进的 AI 整体解决方案，助力中国生物医药产业智能化转型。