社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  chatgpt

AI4S火热,离“ChatGPT时刻”还有多远?

定焦One • 18 小时前 • 23 次点击  
图片
AI走进实验室,但离独立搞科研还很远。
定焦One(dingjiaoone)原创
作者 | 雷晶
编辑 | 魏佳

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?

01.科学家开始培养自己的“接班人”
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。
图片
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。

02.AI搞科学,难在哪?
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。
图片
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。

03.实验室里,挤进了更多行业
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。
图片
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。

04.理想很大,生意还早
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。
Artificial intelligence and human brain concept
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。

05.结语
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。
*题图及文中配图均来源于Unsplash。





大会信息



“向新而行”中关村AI新场景推介及供需对接会暨第二届中关村AI新场景产业创新大会,即将在北京举行。

时间:2026年11月25日(周三)9:00-18:00
地点:中关村展示中心(北京市海淀区)
报名方式:定向邀请制,点击下方小程序即可报名

商务合作:请在公众号主页私信留言

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/203515