一种帮助药物进入细胞的肽分子,从开始设计到进入实验验证,要花多长时间?
过去,仅仅是从海量候选分子里筛出有希望的那几个,就可能耗上一年甚至更久。而在AI4S创业公司智源深澜,这件事被压缩到了两三个月:AI模型负责设计和筛选,自动化实验平台接手后续实验,原本要靠科研人员一轮轮试错的工作,交给了算法和机器。
类似的变化正在更多实验室发生。查文献、分析数据、设计分子、规划实验,AI正在介入过去高度依赖科学家知识和经验的环节。一些创业者的目标更远——让AI独立提出科学问题、发现新知识。
这一方向被称为AI for Science(AI4S,人工智能驱动科学研究)。
今年以来,这条赛道的融资热度明显提升。据媒体报道,今年前10个月,国内AI4S赛道发生超过80笔融资,已披露融资总额超过200亿元。科理新序、元材新界等成立不久的创业公司接连获得融资,资本正加速涌入生命科学、材料研发等方向。AI4S创业公司深度原理则推出科研大模型Hydrogen-1.0,尝试让AI参与实验设计和新材料发现。
大厂也在加速布局。11月16日,阿里发布的Qwen4-Max展示了自主设计新型冷却液分子,并调用自动化实验平台完成合成与测试的能力。此前,Anthropic的Claude Fable 5.2和Mythos 5.2、腾讯的混元Hy4正式版也相继展示了通用大模型解决理论物理、数学研究等领域复杂问题的能力。
科研一直被视为最依赖人类判断的领域之一。一个假设成不成立,要靠真实实验检验;一项发现有没有价值,要靠科学家判断。那么,AI究竟能替科学家做多少事?它离独立完成科学发现还有多远?这门生意,又能做多大?
智源深澜创始人王承志至今记得读博时的一段经历。
为了找到一种能发酵特定化合物的肠道菌,他先把约一万株菌混在一起发酵,确认目标菌就在其中后,再用二分法不断缩小范围筛选,前后花了大半年。
他一度怀疑,自己千辛万苦考上北大,为什么做的是这些重复工作?后来出国交流,他发现哈佛、耶鲁的一些研究人员也在做同样的事。
这不是一个人的困境。科研中,大量时间消耗在重复劳动上,挤占了科学家判断和创造的时间。2024年,王承志创办智源深澜,将AI模型与自动化实验平台结合,希望有一天,AI能从“实验员”变成“科学家”。
重复劳动之外,科研还有两个老问题:周期太长,门槛太高。
轻远科技(杭州)的创始人赵乘乘此前长期从事材料实验研究。她发现,一个科研项目从提出问题到厘清背后的科学规律,往往需要多年。研究过程中还可能出现多种假设、相互矛盾的实验结果,需要科学家不断分析证据、调整判断,问题越复杂,个人越难梳理清楚。
这促使她转向AI4S。她希望未来AI能够参与提出假设、分析证据、设计实验等过程,让已有研究与新实验持续连接,使每一次探索都成为下一次研究的起点,加快发现科学规律的进程。
高门槛则体现在不同学科之间。
科理新序联创兼COO Erik以一个北京大学植物育种科研团队的合作案例为例。该团队具有深厚的植物科学研究积累,但蛋白质设计涉及另一套专业模型与计算流程。过去,研究人员需要额外学习相关工具,或与计算生物学团队合作。借助科理新序开发的科研智能体,他们可以通过自然语言描述研究目标,由AI协助调用蛋白质设计及分析工具,更便捷地开展跨学科探索。
Erik将这种变化称为“科研平权”。在他看来,AI带来的价值不仅是让原本就擅长计算的科学家更高效,也在于让更多非AI背景的研究人员获得先进的科研计算能力。科理新序智能体的使用者有来自口腔医学、类器官、植物育种等细分方向,过去几乎没有专门的AI工具,AI一旦进入,带来的效率提升和“震撼感”要大得多。
其实,用计算机和机器改造科研,并不是新鲜事。机器学习多年前就进入药物研发、材料计算等领域,但过去的算法往往只能解决某一类问题,机器只能执行固定操作,复杂的研究流程仍然需要人来组织。

在Erik看来,今年的升温来自三股力量的汇合:通用大模型的推理、代码和工具调用能力不断提升,让AI能够理解、并拆解复杂研究任务。蛋白质、分子、细胞等领域的专业模型逐渐成熟,越来越多科学问题有了对应的AI工具。再加上,实验室自动化设备也积累到位,能够执行实验操作,并将结果反馈给AI。
那么,科学家已经能把多少工作交给AI?
王承志把AI参与科研的发展过程大致划分为三个阶段:辅助科研、指导科研和自主科研。
在辅助阶段,AI主要帮助科学家处理信息。王承志早年曾带领团队,利用算法把已发表论文中涉及的基因、疾病、药物和分子等信息,连成一张巨大的知识图谱。
这解决的是科学知识分散的问题。一名科学家可能花多年研究某个基因,发现它与某种疾病有关;另一名科学家研究一种药物,恰好发现它能够作用于这个基因。两项研究之间的关联,单靠人读论文很难发现。知识图谱把这些散落的线索串了起来。
到了指导阶段,AI开始参与研究任务的组织和执行。
打个比方,一名生命科学研究人员想优化某种蛋白质,过去要自己查文献、挑选结构预测模型和分析软件、跑完不同的计算任务,再根据结果不断切换工具。现在,科研智能体可以把这些步骤串起来:研究人员提出目标,AI调用相应的模型和工具,完成部分计算,并根据中间结果安排下一步。Erik形容,AI正越来越像一个“非常强的科研搭档”。这个阶段,研究方向和关键决策,仍要由人把关。
自主阶段则要求AI再向前一步,独立完成科学发现。这一步还没有实现。
王承志用自动驾驶来打比方。现在的AI科研类似于辅助驾驶,能够完成相对固定、标准化的实验流程,但还需要科学家下达指令、检查结果,并在遇到复杂情况时进行干预。而未来的AI应该像一辆能够完全自动驾驶的汽车,可以自主寻找问题、设计实验,并根据结果开展下一轮研究。
在那之前,方向盘还握在科学家手里。
AI为什么还接不过方向盘?如果把科研拆成提出假设、设计方案、实验验证、从结果中学习这几个环节,会发现AI要独立完成整个过程,仍然有几道难关。
科研的起点是提出一个好问题,这恰恰是AI最不擅长的。
王承志认为,AI总结已有知识的能力已经远超人类,但创造新知识的能力还“没及格”。AI本质上是一台概率机器,擅长从海量数据中找出普遍规律,却容易忽略那些偏离规律的细微现象。而科学发现,有时就藏在这些意料之外的结果里。
一次不符合预期的实验结果,可能是误差,也可能是突破某个重大发现的关键节点,分辨两者需要科学家的经验和直觉。
Erik将这种判断力称为“科学品味”。哪些问题值得投入,哪些方向可能带来新的发现,需要科学家判断。在算力和实验资源都有限的情况下,研究一个好问题的价值,远大于研究十个、二十个没有意义的问题。
就算能提出好问题,AI在设计方案时也常常力不从心。
科理新序曾与北京大学一个生命科学课题组合作,尝试利用基于通用大语言模型的科研智能体完成复杂分子对接任务。智能体给出初步结果后,研究人员认为还不够好,要求它继续优化。智能体连续进行了五六轮调整,每一轮都反馈自己完成了哪些改进。等研究人员介入检查时才发现,智能体声称的优化并不算优化,有些甚至变得更差。
在Erik看来,通用大语言模型的科研智能体能够调用工具,并不意味着它真正理解工具处理的科学对象。分子和蛋白质是复杂的三维结构,原子之间的位置、距离和相互作用,都可能影响最终性质。智能体所依赖的通用大语言模型主要依靠自然语言进行推理,当三维信息被转换成文字,再交给专业工具执行时,很多关键信息可能在“翻译”中丢失了。
到了实验验证环节,问题又变成了AI生成速度太快,验证跟不上。

王承志观察到,一些AI制药公司一天就能设计出上万个候选分子,但没有足够的实验能力去验证它们究竟有没有用。
在AI辅助科研的领域,用计算机预测、筛选和设计分子的工作通常被称为“干实验”。但要知道这些分子能否发挥预期作用,还得在实验室进行合成、测试和验证,也就是“湿实验”。两者之间的效率差距,被称为“干湿鸿沟”。
Erik算过一笔账,AI生成1000个候选方案很快,但把1000个方案都验证一遍,很慢、很累,也很花钱。如果模型能够提高判断的准确性,只生成10个方案就找到有效结果,价值会更大。行业需要的不只是更强的生成能力,还要减少无效验证。
让机器人接手实验,是一条路径。目前一些自动化实验室已经能够完成特定流程下的批量实验,但科学研究涉及的设备、试剂和操作条件经常变化,工程师需要提前设置流程、调整参数,遇到异常情况也要人工介入。
王承志认为,下一步是让AI学会自主控制设备。科学家只给出一个实验目标,它能通过视觉、触觉等信息感知环境,像孩子学走路一样,在一次次失败中学会操作仪器。他判断,这方面未来几年可能出现重要突破。
科研循环的最后一环,是从实验结果中学习,这离不开科学数据。
王承志告诉「定焦One」,他曾 带领团队清洗一批公开的单细胞测序数据,最后发现约95%的数据不适合直接用于模型训练。这些数据来自不同的科研课题,各实验室采用的实验条件、测量方法和数据标准并不一致。研究人员只关心数据能否支撑自己的结论,并不会考虑数据是否能被AI使用。
“垃圾进,一定垃圾出。”在王承志看来,科学模型需要真实、标准化的数据,最好是不同实验室按照同一流程都能得到一致结果的数据。如果训练材料本身存在问题,再精准的算法也无法保证结果可靠。
Erik则更关注已有科学数据的利用,他认为大量公开论文、专利和科研数据还没有得到充分整理和利用。通过科理新序开发的AI工具给这些数据“降噪和清洗”,将分散的科研信息转化为可用于模型训练和科学分析的结构化数据。相比之下,能够检验AI预测是否正确的实验反馈更加稀缺。
围绕着不同的判断,创业公司从不同方向找切入口。
科理新序从科学基座模型切入,先让AI拥有一个更懂科学的“大脑”。科理新序从预训练阶段开始研发跨模态生命科学基座模型,让AI直接学习和理解不同类型的科学信息,包括蛋白质的结构、DNA和RNA序列等,再利用这些信息进行推理和分析,减少无效计算与实验。
智源深澜则将更多精力放在实验能力上,造更多的“手”。在它的实验室里,AI参与设计方案,自动化设备执行,产生的数据再反馈给模型。王承志介绍,平台一天可以完成约3万次实验,这些数据标准统一,可以直接进入模型迭代。
还有企业从专业计算和仿真切入,减少对实验的依赖。优势星启点科学家基金管理合伙人叶亦天提到,在材料等领域,一些公司利用专业算法模拟材料结构、预测性能,再将这些能力做成模型或软件,提供给产业客户。这类公司不需要自建实验室,也更容易接入企业现有的研发流程。
这些不同的技术路线,都在尝试让AI承担更多科研工作。
尽管AI离独立做科研还有距离,但在一些行业里,企业已经开始把它引入研发流程。AI4S在哪个行业跑得更快,大致取决于两类条件。
一类是技术条件,AI给出的结果,能不能被快速、清楚地验证。另一类是产业条件,行业愿不愿意引入外部技术,新成果进入生产的门槛有多高,核心数据和研发流程是否掌握在企业自己手里。两类条件同时具备的行业很少,目前跑在前面的,往往只占了其中一头。
医药是产业条件最成熟的领域。
新药研发投入高、周期长、失败率高,从药物分子筛选到临床试验,可能需要十余年。如果能缩短早期研发时间、减少无效实验,就有理由尝试。
医药行业成熟的研发分工,也为AI公司留出了位置。药企长期采购专业软件,也习惯把部分研发工作外包给第三方机构。AI公司可以沿着现有的产业链切入,不必从头培养客户的付费习惯。
但入场早也意味着竞争更加激烈。国内已有晶泰科技、英矽智能、剂泰科技等AI制药上市公司,AI制药也经历了多轮投资热潮。叶亦天告诉「定焦One」,如今AI制药领域已经聚集了不少公司,要找到具有差异化能力的新项目并不容易。
资本开始寻找下一个方向,材料成为最受关注的方向之一。

材料的优势在技术条件。新配方是否提高稳定性、新材料是否改善导电性能,都可以通过具体指标判断,验证周期比新药短得多。电池、芯片、化工等产业都有材料研发需求,AI可以帮助企业预测材料性能、缩小筛选范围,减少反复试错的成本。
一些AI材料公司也已经拿到大额融资。今年7月,AI材料公司深度原理完成A系列融资,累计融资金额近10亿元,业务覆盖营养日化、精细化工、新能源等领域。
光学是投资人眼中另一个值得关注的方向。叶亦天提到,半导体制造中的光刻和检测、医疗设备、光通信、新能源等领域,都需要复杂的光学设计和计算,其中有大量仿真和参数优化工作,为AI提供了应用空间。他认为,光学相关技术可以覆盖多个产业,具备较大的市场潜力。
还有一些行业,技术需求明确,却很难长出独立的AI4S公司。
半导体设计是一个例子,芯片企业长期使用EDA软件完成设计、仿真和验证,核心设计数据、研发流程和专业人才通常掌握在芯片公司及工业软件企业内部。核聚变则高度依赖大型科研装置、专业团队,创业公司很难直接参与核心研发。
叶亦天将AI4S的机会分成两类:材料、生物医药等领域,有机会诞生独立提供模型、研发服务或软硬件产品的公司;而半导体设计、核聚变等方向,AI可能更多成为既有产业的一项核心研发能力。
同样是AI4S,放在不同行业里,起跑线差别很大。
选对了行业,创业者们还要回答一个更现实的问题:这门生意能不能赚到钱?
目前,AI4S公司主要有两种收入来源:卖科研工具、帮客户完成研发任务。
科理新序选择了前者,希望将生命科学基座模型和科研智能体做成科研工具。Erik告诉「定焦One」,目前公司面向高校、科研院所的产品全部免费,降低科研人员接触先进AI技术的门槛;同时在推进企业付费合作,未来通过科学基座模型的API,科学评测标准、药物研发成果等产品获得收入。
智源深澜则已经通过承接研发项目获得收入。客户包括大型药企、中小型药企以及生物技术公司,它们提出研发需求,智源深澜利用AI模型和自动化实验平台完成分子设计、筛选、优化等工作,再按照项目收费。
但两家公司都不打算只卖工具和服务。王承志设想,智源深澜未来还可以利用AI自主研发药物,再把候选药物及相关知识产权授权给大型药企。在医药行业,有价值的候选药物可以通过技术授权获得首付款,并根据后续研发、临床和销售进展,获得里程碑付款及收益分成。成功的授权交易,潜在回报可能远高于单个研发服务项目。
Erik认为,如果未来AI能够独立发现新分子、新材料,甚至创造具有广泛应用价值的新技术,创业公司的收入便有机会从出售科研工具,延伸到出售科研成果。
但让AI从提高科研效率,到拿出能够被产业认可的成果,中间还有很长一段路。

资本对这段时间差的耐心并不一致。一位接触过多家AI4S项目的FA告诉「定焦One」,一些早期投资机构愿意给科研项目探索空间,即使公司尚未形成收入,也可以先投资技术和团队。另一些机构则希望企业在A轮前后,就拿出明确的商业化验证或阶段性成果。不同赛道的要求也有差异。材料领域的项目如果半年或一年内拿不出可验证的进展,投资人可能产生疑虑。而量子计算等研发周期更长的前沿领域,通常能获得更长的观察期。
在叶亦天看来,投资人最看重三件事。一是团队要有AI和科学的复合背景,只懂算法、不懂行业,很难做出有竞争力的产品。二是能否积累高质量的数据,无论通过专业算法、自动化实验还是产业合作,这决定了模型质量和技术壁垒。三是有没有真实客户持续买单。早期公司收入可以不大,但产品要已经卖给有长期研发需求的企业,且能形成复购。至于卖的是工具还是服务,并没有绝对的优劣,“有人买单就有价值”。
留给创业公司的时间也未必充裕。前述FA提到,有AI4S创业者判断,国内部分AI4S初创公司可能只有1至1.5年的窗口期。眼下,国内通用模型厂商仍把大量资源投入基础模型、编程和通用Agent,专业科研领域还留有创业空间。但如果大厂进一步加码AI4S,创业公司的先发优势可能受到挑战。
窗口期有限,长期投入又不可省。现阶段,AI4S公司赚的主要是科研提效的钱,科学发现这门更大的生意还在前方。在那之前,创业公司还要跑得再快一些。
AI4S的“ChatGPT时刻”来了吗?
在Erik看来,它已经发生了。谷歌DeepMind的AlphaFold破解蛋白质结构预测难题,拿下诺贝尔奖,让整个科学界看到了AI改变科研的可能。如今这么多人才和资本涌入,正是因为大家相信了这一点。
王承志对AlphaFold的感受则更平静一些。他至今记得第一次用ChatGPT时的震撼,但在AI4S领域,他还没有体会过。AlphaFold的到来,是多年技术积累和持续迭代的结果,模型达到预期后,科研人员很快又将注意力转向它尚未解决的问题,难以感受到很大的变革。
这或许正是科学进步的常态。王承志说,人们往往很难准确感知自己正身处怎样的技术变化之中。就像几年前,人们难以想象AI能够完成复杂的编程、数学任务。如今,这些能力已经成为寻常,人们反而开始觉得AI还不够聪明。
AI4S的“ChatGPT时刻”,或许不会以一声巨响的方式到来。王承志曾给出一个大胆预测,未来七八年,AI可能接管大部分科学发现工作。
到那时回头看,人们或许才会意识到,那个时刻早已悄悄来过。
*文中配图来源于Unsplash。
