很多企业建设AI平台时，投入大量资源训练模型，却很少讨论Model Governance。实际上，一个模型能否真正进入研发流程，并不是模型准确率高就够了，而是要经过完整的治理体系。在生物医药企业，Model Governance从来不是IT部门或R&D Data Science单独完成，而是双方共同负责，只是职责完全不同。

IT Data Science主要负责模型生命周期管理，包括Model Registry、版本控制、MLOps、自动部署、权限管理、运行监控、日志审计、模型漂移检测、回滚机制以及计算资源管理。他们确保每个模型都有唯一身份、可追溯版本、稳定运行环境，并满足企业级安全和合规要求。对于IT而言，一个优秀的模型不仅要能运行，还要能够长期稳定、安全、可维护。

R&D Data Science负责模型本身的科学可信度。他们设计训练数据、建立Benchmark、制定评价指标，验证模型是否真正改善Target Discovery、Biomarker Discovery、Patient Stratification、Molecule Design等研发决策。例如，一个靶点优先级模型即使AUC达到0.92，如果推荐出的候选靶点缺乏生物学合理性，或者无法重复验证，那么在研发团队眼中依然不能进入生产应用。模型是否有科研价值，最终由领域专家和研发数据科学团队负责判断。

双方合作最典型的场景，是一个AI模型从开发走向生产。R&D完成模型开发、验证和科学评估，确认模型能够解决真实科研问题；IT则将模型部署到企业平台，建立自动监控、版本升级、权限管理和审计体系，确保不同团队调用的是经过批准的模型，并能够及时发现性能漂移或异常。这种协作让科研创新和工程稳定能够同时实现。

真正成熟的Model Governance，不是IT审核研发，也不是研发管理IT，而是形成”科学治理+工程治理”双轮驱动。IT负责让模型可靠运行，R&D负责让模型值得运行。当企业建立起完整的模型治理体系，AI才能从一次次成功的PoC走向规模化应用，并真正成为药物研发的重要生产力，而不是停留在展示和试验阶段。