必揚醫藥（Beyang Therapeutics），成立于2021年，是一家既年輕又成熟的Biotech公司。基于ExCEED（Experiment + Computation w/ Enhanced Evaluation & DMPK）技術平臺，必揚專注于計算模擬技術和藥物發現實驗技術的高度融合，尋找更快、更智能的方法來發現新的和更好的藥物。
基于多年在行業深耕的經驗和獨特的創新視角，胡齊悅在2021年創立了必揚醫藥。他的初衷是：“我希望必揚作為創新藥物的‘夢工廠’，以另外一種方式，匯聚有各自專長的人組成精煉小團隊，研發出Best in Class的分子，加速藥物研發進程。”從分子設計、成藥性評價與生物學評價三個核心環節入手，必揚期望打造一個能不斷產出高質量分子的創新藥“夢工廠”，助力中國創新藥走出國門、邁向海外。
01
計算機土壤上的
創新藥“夢工廠”
全球高手組隊打造“夢工廠”，專注創新藥
必揚的團隊來自世界各地，精煉且資深。
胡齊悅在Pfizer（輝瑞）La Jolla實驗室工作十多年后，選擇回國加入恒瑞醫藥。在中國創新藥的發展萌芽階段，繼續深耕近十年后，成立了必揚醫藥。公司創始團隊成員均擁有超過20年新藥研發與計算模擬結合的實踐經驗，累計對20余個臨床階段候選藥物或已上市新藥的研究與開發做出過重要貢獻，例如Adebrelimab、Axitinib、Crizotinib、Sunitinib、Sylatron等等。
必揚的“夢工廠”模式不僅在于小而精的團隊本身，還在其強大的創造能力。
必揚的優勢體現在，具有挑戰性的靶點與適應癥選擇，以及臨床前項目管線的推進和有明顯差異化的數據。
成立不到三年，已經有一款以滴眼治療眼底疾病的項目管線正在推進臨床注冊申報研究，該適應癥臨床可用藥物匱乏，且無治療指南推薦藥物，未滿足臨床需求巨大。同時，另一款治療高危型白血病復發難治亞型的項目也即將進入臨床注冊申報研究，該適應癥標準療法為化療，尚無針對性靶向療法獲批，亦存在非常明確的未滿足臨床需求。
無論是眼科項目還是腫瘤項目，均在臨床前研究中，通過與所選適應癥/靶點上最好的藥物頭對頭比較，充分證明其 Best in Class 潛力。
出生自帶計算機技術基因：CADD+AIDD
三年前，速石寫過一篇文章，盤點了全球44家頂尖藥企用人工智能輔助新藥研發的現狀。到今天，依然可以得出這個結論：我們離主要靠計算機發現藥物，通過一大堆機器人完成實驗測試，然后將它們送給患者的世界還相距甚遠。
但這并不意味著，我們不能繼續往前。
正是計算機技術的應用讓創新藥研發這件事情變得扁平化，把中國與世界的距離拉近。
必揚從誕生的一刻起就自帶計算機技術基因 （CADD+AIDD）。
胡齊悅在輝瑞就專注于計算機輔助藥物研發的工作，在恒瑞任職期間，帶領團隊充分發揮計算模擬與實驗的協同作用，并將計算模擬的應用從小分子領域進一步拓展到包括抗體、重組蛋白、ADC和RNA等生物大分子形式。
胡齊悅表示，相比Me Too，做Best in Class會更需要計算機技術的幫助，或者說，借助這樣的技術可以把這件事做得更好。比如分子設計，一般靠的是研究人員經驗，他知道什么樣的化學結構可以跟靶點有很好的結合。但一個人即使再有經驗，也不可能窮舉所有可能性，這時候可以借助計算機的力量把已知可能的分子都設計出來，通過一個評價體系來排序并選擇。
而一個奇思妙想的結構，有時能點燃創造的火花。
而像成藥性評價，如果通過AI機器學習的算法模擬實驗數據訓練預測模型可以節省人力、物力以及實驗資源，并能更快獲得最終的實驗結果。
02
專注核心
借助外部的力量
Biotech的主業，始終是前沿靶點和技術，解決未滿足臨床需求。必揚的“夢工廠”模式，最重要的就是專注于自己的核心目標，同時充分借助外部的力量。
隨著整個制藥行業的發展與成熟，CRO、CMO、第三方研究所等專業機構的出現，為行業的發展帶來了全新的商業模式，很多非核心業務都可以被拆分出來，實現“分布式”分工協同，讓必揚的發展更輕松與高效。
比如，做新藥研發云平臺的速石科技就是必揚的合作伙伴之一。
過去一年，必揚在速石平臺的使用趨勢如下圖：
最高達到1500+核心并發，最低值是0。
真正做到：需要的時候就在那。無需預測，想用就用，用完即走。
給必揚帶來的好處在于：
首先，輕松無負擔。無需增加自有資產，占用公司現金流；
其次，使用方式靈活。需要的時候購買，用完即走，不需要培養一個專門的團隊；第三，減少前期摸索時間與降低試錯成本。
還在美國工作的時候，胡齊悅就已經知道云的優勢了。
在恒瑞時他曾經也想上云，但即便在大型藥企，從無到有地搭建一套可用研發環境依舊是復雜的：從爭取公司資源，到招聘專業人才，包括后續一系列采購設備、設計底層架構、打通網絡、部署系統、管理維護集群等工作。
考慮到這些繁瑣耗時的工作都需要他付出相當大的精力，就一直沒往這個方向投入。
而在本地機器購買完成的那一刻起，就開始了固定資產的貶值。
創立了必揚后，作為一家企業的創始人，面臨的問題就更多更現實了。
專門準備一個機房，招一堆人來搭建整個環境和底層架構，再專門找IT維護。他直接表示：“這個對于多數Biotech不實際”。而且每年可以投入到機房的費用是一定的，但是需要做計算的事其實是在增長的，這種模式也非常不靈活，很難匹配一家高速增長的企業需求。
在胡齊悅看來，速石提供的新藥研發云平臺是一條捷徑或者說高速路，而這對藥物研發企業具有很重要的價值。
面對多樣的藥物研發場景和BIO/AI工具，如分子對接、虛擬篩選、蛋白質折疊等，速石能為像必揚這樣的用戶提供三大核心價值：
1. 標準藥物研發環境的規劃與搭建。
速石站在醫藥公司整個新藥研發體系與架構視角進行標準藥物研發環境的規劃與搭建，為企業提供一整套即開即用的CADD/AIDD研發平臺，一體化產品端到端交付到用戶手里。
有效降低用戶的前期投入與摸索成本，任何起步的公司都可以嘗試，沒有使用門檻，且對企業的未來擴張有極強的兼容性與彈性。
2. 藥物設計研發流程的構建與驗證，BIO/AI應用的適配和銜接。
速石深入藥物研發業務場景，為用戶提供藥物研發流程自動化的構建與驗證，對上層BIO/AI應用運行提供支持與優化，同時與底層資源聯動，給用戶更靈活、更高效使用資源的能力。
一方面把用戶原來手動做的工作自動化，大大提升用戶的工作效率；另一方面為用戶提供應用與資源層面的最佳實踐參考，解決了研發場景里普遍存在的資源利用率不高、成本難以把控等問題。
3. 處理研發與IT領域的交叉問題。
做計算機輔助藥物研發，遇到的通常是介于藥物研發與計算機IT領域的交叉問題，定位困難，解決復雜，非常消耗用戶精力。速石能幫用戶預判部分問題，通過自動化減少部分問題發生，定位并解決部分問題，幫助用戶專注更重要的藥物研發工作。
此外，速石的新藥研發平臺還能支持市面上所有主流新藥研發應用，和AlphaFold、RoseTTAFold等常用AI框架的快速搭建，并提供開源/自有分子庫構建與治理，如Zinc、Drugbank、Maybridge、Enamine等等。
速石常見BIO應用實證：
Vina/ Amber/ MOE/ LeDock
03
思路拓展：
一個假設性問題
我們問了胡齊悅一個假設性的問題：
“如果沒有預算，你會怎么使用我們平臺？”
或者換一種表達方式：“如果沒有資源限制，你會如何使用計算機技術來輔助藥物研發？”
他回答：“會用得更多。”
多跟少之間的權衡點具體有哪些？
第一， 研究的全面性。
面對資源限制，企業首要考慮的是該研究項目的必要性與重要性，然后計算需要投入的時間與資源量。這可能會嚴重影響研究的全面性。
以設計分子為例，藥物研發人員會從現有的資源與認知出發，制定研究計劃，無法考慮超出資源之外及認知之外的可能性。
隨著研究邊界的不斷拓展，可能會因為有限的資源與認知，對某一個項目帶來致命的、決定性的負面影響。而研發人員永遠無法知道錯過了什么。
第二，應用與資源的適配。
資源限制會對研發人員使用應用的方式提出要求，他們需要能根據任務特性挑選更合適、性價比更高的機器。
如果只選用大機型執行任務，將會浪費大量資源，而如果錯誤選擇了小機型，很可能中途會面臨任務失敗。
如何找到應用與資源類型、資源規模的最佳適配，需要不斷地學習和實踐。
第三，時間與金錢的取舍。
從事藥物研發，研發速度不是唯一的考量。要提升研發的深度與廣度，實現整體效率的提升，充足的資源必不可少，但這也意味著企業需要付出更多的成本。企業需要在效率與成本間做抉擇，甚至需要根據外部環境的變化做動態調整。這也是大部分企業都在面臨的難題。
Take Away
- 高手組團，小而精且靈活，計算機技術加持，專注有挑戰性的靶點與適應癥，我們有理由期待必揚醫藥將在創新藥研發這條路上越走越遠。畢竟“夢工廠”是為大家制造夢想的地方，而生命/健康是人類永恒的追求。
- 對計算機技術輔助藥物研發的信心，也就是CADD/AIDD到底能在創新藥研發過程中起到多大的作用，必揚作為一家Biotech給國內的醫藥公司們成功打了個樣。而我們提供給必揚以及創新藥公司的價值，就是讓他們盡可能專注自己的研發業務，其他事情都能交給我們。
- 生物制藥這個行業，05、06年開始一直往上走，到2015年達到頂峰，直到2021年開始往下走了。但中國醫藥從“仿制藥”轉型“創新藥”這個大方向是不會變的，只是泡沫退去之后，不再有冒險和神話，只留下專業、理性和冷靜做事的人和公司。
關于必揚
蘇州必揚醫藥科技有限公司是一家創新的制藥公司，利用其專有的ExCEED 平臺來加速針對未滿足臨床需求的新藥發現和開發進程。創始人和管理團隊平均擁有超過20年新藥研發經驗，曾任職于輝瑞、默克、阿斯利康、先靈葆雅和恒瑞。他們在藥物靶點選擇、CADD、AIDD、生物篩選和優化以及DMPK方面具有豐富的經驗。他們共同參與促成了20 多個臨床候選分子的開發，其中多個藥物（Adebrelimab、Axitinib、Crizotinib、Sunitinib、Sylatron等）已獲得 FDA 和 NMPA 的批準，于中美兩地上市。
必揚建立了專有的計算機加速藥物發現整合平臺ExCEED，該平臺利用新的分子生成和優化方法 MMPT 和計算機 DMPK 模擬預測來指導臨床前候選分子的發現和開發，能夠大幅拓展可探索化學空間，打破制藥專家固有思維的桎梏，從而提高藥物研發效率，獲得更優質的分子。公司專注于眼科、腫瘤等具備臨床未滿足需求的疾病領域，旨在打造全球新藥研發界的“DreamWorks”（夢工廠），充分發揮團隊在藥物發現階段的優勢，自建管線與合作授權開發（License-out or Co-development) 并行。
關于fastone云平臺在各種BIO應用上的表現，可以點擊以下應用名稱查看：
速石科技新藥研發行業白皮書，可以戳下方查看：
-END-
我們有個一站式新藥研發平臺
集成行業應用與自編譯軟件
支持AlphaFold、RoseTTAFold等常用AI應用
可視化Workflow隨心創建、便捷分享
提供Zinc、Drugbank等開源/自有分子庫
CADD專家團隊全面支持
掃碼免費試用，送200元體驗金，入股不虧~
更多BIO電子書歡
迎掃碼關注小F（ID：iamfastone）獲取
你也許想了解具體的落地場景：
王者帶飛LeDock！開箱即用&一鍵定位分子庫+全流程自動化3.5小時完成20萬分子對接
1分鐘告訴你用MOE模擬200000個分子要花多少錢
155個GPU！多云場景下的 Amber自由能計算
提速2920倍！用AutoDock Vina對接2800萬個分子
新藥研發平臺：
國產調度器之光——Fsched到底有多能打？
創新藥研發九死一生，CADD/AIDD是答案嗎？
全球44家頂尖藥企AI輔助藥研行動白皮書
近期重大事件：
速石科技入駐粵港澳大灣區算力調度平臺，參與建設數算用一體化發展新范式
速石科技成NEXT PARK產業合伙人，共同打造全球領先的新興產業集群
速石科技出席ICCAD2023，新一代芯片研發平臺助力半導體企業縮短研發周期
速石科技與芯啟源開啟戰略合作，聯手打造軟硬件一體芯片研發云平臺
速石科技作為特邀服務商入駐IC PARK，合力打造集成電路產業新生態
速石科技成為國家“芯火”深圳雙創基地（平臺）戰略合作伙伴，推動國產EDA公共技術服務云平臺建設
a16z的Vijay Pande博士在上周寫的文章《AI is Too Dumb… For Now》，同樣認為現階段的AI還是太“笨”了。如果人工智能不能變得比現在“聰明”很多，它在生物領域的潛力將是有限的。
Vijay Pande博士，a16z普通合伙人，主要專注于生物制藥和醫療領域的投資。
此前，Vijay是斯坦福大學的 Henry Dreyfus 化學教授，結構生物學和計算機科學教授，開創并一直在推動計算機科學技術在醫學和生物學領域的應用。他擁有300多篇出版物，兩項專利，兩種新型候選藥物。
那么，如果想要讓AI更加“聰明”，數據上，算法上，具體應該怎么做呢？
用“AI inside”替代“Intel inside”，對企業來說又意味著什么？
我們看看他怎么說的：
為了證明AI在生物領域的應用價值，我們走了很長一段路。
2018年，我還在《紐約時報》上爭辯：考慮到醫生的大腦很大程度更是黑匣子的前提下，圍繞醫學中人工智能“黑匣子”的恐懼到底有多不合理，以及未來的障礙和機會可能在哪里。
（注：這個爭辯背景是，有人提出沒有人知道那些高級AI算法到底是怎么學習的，過程過于黑箱，令人害怕。而Vijay說其實人類做決策很多時候是出于直覺，也不一定能說清背后的邏輯推理過程，本質上是個更大的黑箱。）
今天，已經有大量證據表明AI能掀起醫療和生命科學領域的革命（更不用說其他領域），甚至在一度被認為過于復雜而無法通過算法處理的一系列任務上表現得超越人類。
但是，盡管有了這些證據，現實中的現實是：如果人工智能不能變得比現在更智能，它在生物領域的潛力將是有限的。
AI可以被訓練（很像狗），但不能真正理解；它可以玩游戲，但僅限于已知規則；總之，它無法超越訓練本身。
拿識別與致病蛋白質結合的小分子為例，人工智能能夠超出人類能力地加速和擴大藥物發現范圍，它必須從給定的訓練數據中推斷出物理規律（比如原子可以堆積多近）、化學規律（比如不同化學鍵的強度）和生物學規律（比如蛋白質口袋的靈活性）。但如果在任何方向上數據量過小，就會導致毫無意義的結果。 哈佛大學醫學院使用自研的VirtualFlow云平臺調用16萬核CPU對接10億分子花了15小時：《15小時虛擬篩選10億分子，《Nature》+HMS驗證云端新藥研發未來 - 速石科技BLOG (www.ddliz.com) 》
需要明確的是：我們所討論的不是一些類似于人類的科幻人工智能概念，也不是只有生物學才需要面對的“笨”人工智能挑戰。但是，由于需要大量行業專業知識才能理解問題的根源和提出可能的解決方案，在生物和醫療領域最能感受到依賴于這些樸素算法帶來的影響。
如果我們想在生物學和醫療領域更有意義地應用人工智能，并取得真正的進步，我們需要能夠創建具備行業專業知識的更“聰明”的AI算法。
那么，怎么才能做到呢？
對這個領域的玩家意味著什么？
一切從數據開始……
房地產行業的至理名言是“location，location，location”，而在人工智能領域，永遠是“數據，數據，數據”。
然而，現在的數據不太適合AI在生物學中的實際應用。探索這些數據可以得到一些零散的信息，但沒法得出普適性的生物學洞察。而且，這些數據也缺乏對AI學習內容和方向上的控制，無法避免數據缺陷。
為了讓人工智能在生物和醫療領域得到更實際和更廣泛地應用，需要通過自動化的方式生成數據。自動化的好處在于：更系統化，更可重復，不受人類情感約束，比如過于重復過于無聊。
但更關鍵的點在于如何設計實驗，需要在一開始就有針對性地為AI提供數據，從而確保更高質量的數據，規避數據缺陷。AI應該在開始數據收集之前就介入，這樣能更好地進行實驗設計，確定實驗路線。但很多時候，AI往往是在實驗快要結束的時候被硬塞進來的。
這跟科學家們之前受過的訓練完全不同，以前的實驗目標往往是驗證一個特定假設，而現在因為AI極大地擴展了可能性，為我們開啟了新世界的大門，讓我們可以擁抱那些我們不知道我們不知道的現實。
還是拿識別與靶標蛋白質結合的小分子為例（在初創公司和制藥企業中越來越常用的應用場景）：
一方面，AI可以變得特別強大，尤其是當結果信息可以匯總，加強原來的數據，開始新一輪學習；
另一方面，AI可能會選擇一些違反科學家直覺的分子。以前，藥物化學家會根據經驗，對哪些修改會提高親和力和選擇性下一系列賭注，通常會排除他們“知道”行不通的選擇。而除了需要在計算機上進行大量天文數字模擬計算之外，AI不需要排除任何可能的修改，從而幫助藥物化學家擴大探索范圍，選擇應該制造和測試的分子。
這里就有一個虛擬篩選海量分子的案例，我們調用了10萬核CPU資源，花了15小時搞定了2800萬個分子：《生信云實證Vol. 生信分析上云案例, AutoDock Vina分子對接虛擬篩選 (www.ddliz.com)
這就是人工智能的力量——超越人類所能做的。當然，前提是它是“聰明”的，而不是“笨”的。
所以，到底如何讓AI更智能呢？
除了更高質量的數據，我們顯然還需要更優秀的算法。
1.升級算法
學彈吉他是件有挑戰性的事情，但對于會彈鋼琴的人來說則要容易得多（因為他們已經會看樂譜、操作一種樂器以及對音高和音調有敏感性）。我們可以將學鋼琴當成學吉他的“預訓練”。而在生物領域，預訓練看起來像是一種醫學轉錄算法，在使用醫學術語和分類學進行訓練之前，先使用英語語言和語法進行訓練。預訓練為AI提供了大量練習，教會它有關概念之間的關系，并且具有一些明顯可見的好處，比如加快以更少輸入實現更高準確度這個過程。預訓練的缺點是它仍然依賴于AI根據已知數據發現和推斷已知規則。
另一種方案是把行業專業知識直接編進算法里。這里的關鍵是以一種足夠通用的方式表示數據，讓它可以處理所有不同的排列組合。例如，在自然語言處理中，樸素AI以像素的形式輸入數據，然后將其翻譯為字母、單詞和句子等。使用更智能的編碼可以將文本顯示為字母，這樣可以大大減少訓練數據量，為數據貧乏的環境和更可預測的算法打開大門。在生物中，這可能意味著不再以體素（3D像素）的格式向AI描述分子，而是從包含了化學鍵信息的圖形開始，這意味著更大的化學空間。 讓數據表示包含更多目標信息是棘手的，必須經過深思熟慮，因為它可能變得非常清楚，也容易滑向反面，變得更加復雜難懂。
2. 面向行業應用而設計
當算法從一開始就面向某個特定生物應用進行設計時，它們也將變得更智能，同時能獲得行業專業知識。生物領域使用的很多AI技術都是直接從非生物應用中搬過來的；放射學中的算法與用于基本圖像識別的神經網絡類型是一樣的。
現在我們開始看到了針對生物學問題設計的算法和訓練的出現，像自監督算法的變體，它們從通用對應物開始，但結合了生物學見解來幫助學習。例如，了解細胞自然特征（染色質、細胞器等）的細胞成像算法可以讓我們更自然地使用自監督方法。這是因為數據更加一致（所有類型都相同，全都是細胞成像），并且圖像中的元素在沒有高級機器學習的情況下是眾所周知的（因為我們了解細胞的基本生物學）。這也將帶來更好的整體表現，并降低訓練數據量需求。
3.深入結合行業知識
最終，當算法與特定行業的計算方法成功融合時，它們將變得更智能，并提高適用性。
以分子動力學模擬為例，這是一種可以對分子物理和化學的許多方面進行編碼的強大計算方法，但它仍然依賴于以臨時、有偏見和依賴于人類判斷的方式完成的參數和訓練。通過將AI融入這些模擬計算中，可以使參數選擇更加穩健和可重復，帶來方法的整體改進。
在《生信云實證Vol.6：155個GPU！多云場景下的Amber自由能計算 - 速石科技BLOG (www.ddliz.com)》中，我們調用155個GPU進行基于分子動力學模擬的煉金術自由能計算。
未來，我們將基于AI模擬整個生物體。
綜上所述，所有這些都導致人工智能的“智能”發生翻天覆地的變化——從基于任務的簡單訓練（類似于訓練狗的特定技巧）轉變為需要更少訓練的更通用的智能，更自然地超出訓練本身（在科學范圍內），實現更準確的預測。
AI inside……意味著什么？
把“Intel inside”換成“AI inside”，對創業公司和老牌企業意味著什么？生物領域并不是第一個正在適應這種大轉變的行業。從華爾街到麥迪遜大道再到硅谷，每個人都在適應AI，我們能看到文化障礙與技術障礙幾乎一樣高。
對于一家生物公司來說，更實際和更廣泛地采用AI意味著將人工智能以及懂人工智能技術的人員將融入每個團隊，而不是一個通常在最后才被叫過來了解其他人做了些什么的獨立AI小組。這可能意味著企業需要配備在人工智能和生物領域“雙語”的人員，以及建立一種重視雙方的文化：渴望計算能力的生物學家和深深植根于生物領域的計算科學家。
眾所周知，改變根深蒂固的文化非常困難。
初創公司在這方面有明顯優勢，可以從0開始構建基于AI原生的團隊和思維方式。對于老牌企業來說，與其他創新一樣，領先的永遠是那些能夠調整傳統模式的公司。當然，他們也可以選擇建立全新的以AI為中心的團隊，讓這些團隊承擔越來越多的責任，從內部進行瓦解。
一種新的人才即將到來。
過去，“藥物獵人”是藥物化學家。但是隨著可以幫助完成機械重復工作和分子合成的CRO公司的興起，現在誰制造分子遠不如誰設計它們重要。隨著“量化分析師”的出現，我們看到金融領域就有類似的轉變，這些人更多擁有計算技能而不是對該領域專業知識。同樣的，這種轉變也將發生在化學和生物實驗室里。
到目前為止，這些生物“量化分析師”必須依賴大數據來支持他們的統計方法，由于成本和復雜性，現在還很難落地。但未來的智能算法能將他們的技能應用于小數據——從而應用到公司的所有領域。大數據是基礎設施和管線問題；小數據永遠是個智力問題，通過智能算法來解決，而不僅僅是靠聰明人。
正是這種能處理小數據能力的智能算法，將使AI無處不在。
與之前的其他重大技術轉變一樣，從樸素到智能 AI 的轉變將重塑整個組織結構，而不僅僅是與其最接近的功能。
為什么？因為更聰明的人工智能可以幫助回答曾經只屬于精明的人類判斷領域的關鍵業務問題。
太多人將人工智能視為生物制藥進步歷史長河中的下一個階段。
人們很容易把AI當成又一項技術進步，然而，這是一個過于狹隘的觀點，因為與其他技術不同，人工智能——尤其是這些智能算法——不僅是解決一個問題的工具，而且是可以應用于所有問題的工具。真正的力量不僅在于將其用作單一工具，還在于使用AI放大和整合公司中的所有工具和技術。
它不僅僅只是擺在桌面上的一個新盒子，而是我們在每個角色中的學徒和盟友。隨著人工智能無處不在，它將變得更聰明，我們也是。
我們基于全球44家頂尖藥企（包括3家中國藥企）在利用AI輔助藥物研發上的行動（共涉及55家AI初創企業、12家IT-云服務商、7所高校）制作了《【2021年】全球44家頂尖要求AI輔助藥物研發行動白皮書》，有興趣的可掃碼添加小F微信獲取。
- END -
我們有個為應用定義的云計算平臺
集成多種EDA應用，大量任務多節點并行
應對短時間爆發性需求，連網即用
跑任務快，原來幾個月甚至幾年，現在只需幾小時
5分鐘快速上手，拖拉點選可視化界面，無需代碼
支持高級用戶直接在云端創建集群
掃碼免費試用，送200元體驗金，入股不虧~
更多電子書歡迎掃碼關注小F（ID：imfastone）獲取
你也許想了解具體的落地場景：
LS-DYNA求解效率深度測評 │ 六種規模，本地VS云端5種不同硬件配置
揭秘20000個VCS任務背后的“搬桌子”系列故事
155個GPU！多云場景下的Amber自由能計算
怎么把需要45天的突發性Fluent仿真計算縮短到4天之內？
5000核大規模OPC上云，效率提升53倍
提速2920倍！用AutoDock Vina對接2800萬個分子
從4天到1.75小時，如何讓Bladed仿真效率提升55倍？
從30天到17小時，如何讓HSPICE仿真效率提升42倍？
關于為應用定義的云平臺：
2小時，賬單47萬！「Milkie Way公司破產未遂事件」復盤分析
高情商：人類世界模擬器是真的！低情商：你是假的……
【2021版】全球44家頂尖藥企AI輔助藥物研發行動白皮書
EDA云平臺49問
國內超算發展近40年，終于遇到了一個像樣的對手
幫助CXO解惑上云成本的迷思，看這篇就夠了
花費4小時5500美元，速石科技躋身全球超算TOP500
