Nvidia 公司的 GPU 已经成为人工智能的支柱，但它们还不足以决定人工智能驱动的药物发现的赢家。
在接受 Benzinga 的独家电子邮件采访时，Generate Biomedicines 联合创始人兼首席技术官 Gevorg Grigoryan 表示，先进计算是设计人工智能生成药物的先决条件，但真正的竞争优势在于公司在计算能力之上构建的内容。
计算很重要，但它不是护城河
格里戈里安毫不怀疑获得先进计算的重要性。
“至关重要。如果没有大量 GPU，我们就无法实现如此大规模的模型训练、分子生成和评估。”
不要错过：
一次糟糕的招聘可能会让一家初创企业倒退数年。以下是创始人最常误判的 5 名员工——以及原因
还在学习市场吗？这 50 个必须知道的术语可以帮助您快速跟上
但他很快就区分了获得计算能力和建立可持续的竞争优势。
“仅靠计算并不能带来差异化。”
相反，Grigoryan 表示，最有可能引领人工智能药物发现的公司将是那些将计算与“专有生物数据、实验测量规模以及在生成和测量之间闭环的能力”相结合的公司。
换句话说，GPU 提供了基础，但专有数据和持续学习才能将该基础转变为持久的平台。
为什么反馈循环很重要
Generate 的方法是围绕使用人工智能生成新的候选分子、通过实验测试这些候选分子并将结果反馈到其模型中以改进未来的预测而构建的。
另请参阅：避免第一大投资错误：您的“安全”资产可能会花费您大量时间
这种生成、测量和学习的连续循环使得该公司的人工智能模型随着时间的推移逐渐变得更好。格里戈里安认为，如果不获得独特的生物数据和大规模实验，仅仅提高计算能力就无法复制这种优势。
他的评论反映了人工智能投资的更广泛转变。随着先进计算的普及，投资者越来越多地将目光投向基础设施之外，寻找拥有专有数据集、差异化平台和自我改进人工智能系统的公司。
投资要点
Grigoryan 的观点表明，人工智能药物发现的竞争格局正在进入一个新阶段。虽然使用 Nvidia GPU 仍然至关重要，但它正在成为一项基本要求，而不是一项决定性优势。
对于评估人工智能驱动的生物技术公司的投资者来说，更重要的问题可能是哪些平台可以持续生成、测试和学习专有的生物数据，从而创建竞争对手无法轻易复制的反馈循环。
由Generate Biomedicine 提供