文｜晓静
编辑｜徐青阳
“如果AI for Science是一个人，今年多大？”
11月14日，在晶泰科技北京创新中心的一场讨论中，几位年轻创业者被问到这个问题。有人写下“高中”，有人认为已经读到博士一年级。麻省理工学院博士后毛伟岸给出的解释更有意思：“理论上的巨人，实践上的矮子。”在他看来，大模型掌握的知识可以达到教授水平，面对真实工作中那些意外情况，动手能力却可能只有本科生水平。
这恰好道出了当下AI for Science的处境。AI已经能够预测蛋白质结构、设计候选分子，开始尝试规划研究任务、调度实验设备。但一项发现能否经得起真实实验，能否最终成为药物或材料产品，仍需要穿过漫长而昂贵的验证过程。
同一天，晶泰科技发布面向青年科研团队的“科学家”计划，将开放产业课题、算力和自动化实验室。与此同时，从当下的产业进程中看，AI for Science正在从模型竞赛走向科研现场。
01 从预测分子，到组织研究
十多年前，AI制药还常常被当作计算机辅助药物设计的另一种说法。2014年前后，晶泰科技的三位物理学家创始人开始尝试用计算手段推动药物研发。联合创始人、CEO马健回忆，那时计算主要帮助科学家进行分析和决策，距离自主推理很远。
随后，蛋白质结构预测带来了第一轮标志性突破。2018年AlphaFold在国际蛋白质结构预测竞赛中崭露头角，2020年AlphaFold 2的进展让长期困扰生物学家的结构预测问题取得重大突破。2024年的AlphaFold 3进一步将预测扩展到蛋白质与其他生物分子的相互作用。原本需要大量实验才能摸索的结构信息，开始可以在计算机中更快获得。
但知道分子的结构，与知道它在人体内怎样发挥作用，还是有很长一段距离。中国科学院上海药物研究所研究员傅青山研究HIV时就遇到这个问题。病毒包膜蛋白与人体细胞受体结合后，会发生剧烈的构象变化。静态结构预测很难完整描述这个过程，他的团队仍需借助液态核磁共振等实验手段，研究此前难以解析的区域。
如今，行业开始迈向另一阶段：从完成单项预测，转向多模态理解、科学推理和跨步骤执行。
科理新序联合创始人徐明阳观察到，过去的重点是让模型分别理解DNA、RNA、蛋白质等对象，如今越来越多团队开始尝试及要求AI给出更长的推理过程和完整的研究方案。
科学智能体由此受到关注，它可以调用模型、搜索文献、安排计算，甚至连接实验设备。过去只擅长完成单项任务的AI，开始尝试接管一段完整的科研流程。
但智能体的上限仍受基础模型约束。北京大学研究员、英飞智药创始人裴剑锋判断，未来几年让AI自动调用程序辅助分子设计，或许能够实现；至于设计出的分子质量能否真正令人满意，仍需要长期积累。
02 最缺的，可能是失败的数据
为什么拥有庞大知识储备的模型，走进实验室后仍显得笨拙？
马健把问题指向数据。科学文献和专利记录的大多是成功结果，但一个成功的分子、一次有效反应，背后可能有几十次甚至上千次失败尝试。过去这些失败结果很少完整留下，更不用说实验过程中每一步的条件、判断和调整。
“要训练一个会做实验的AI，必须把每一个步骤、每一个节点完整、标准地记录下来。”马健说。
晶泰从2021年开始布局自动化实验室，一个重要目的就是让实验过程能够持续产生高质量数据，包括过去容易丢失的负样本和过程记录。
在另一场圆桌上，无界进化联合创始人赵亚龙写下两个字母：B和F。他认为，被高估的是Benchmark（榜单成绩），被低估的是Failure（失败数据）。
一个模型在标准题目上领先，到了真实实验场景，还是可能不知道怎样处理污染、设备故障或者意料之外的反应。
生物医学的难度尤其突出。裴剑锋提醒，生物与疾病中仍有大量机制未知，数据再多也无法直接补齐尚未建立的科学理论。
昌平实验室科学家刘磊举了阿尔茨海默病的例子：疾病可能经历长达二三十年的隐匿期，临床看到的生物标志物变化，与真正的因果关系之间还有复杂距离。AI可以帮助整合和判断信息，却肯定不能仅凭相关性回答病因。
实验方法也在更新。
耀速科技联合创始人叶森介绍，公司用类器官和器官芯片模拟人体组织对药物的反应，希望提高临床前试验对人体结果的预测能力。
今年9月，美国FDA更新相关规定，明确在适当情况下可采用人源细胞、器官芯片和计算模型等非动物方法开展药物安全性测试。这为新实验技术打开了应用空间，但模型结果仍需经受严格验证。
科学研究下一步的竞争，因而会越来越依赖一整套能提出假设、执行实验、记录失败、再做调整的系统。
自动化实验室的价值，也逐渐从节省人工，延伸到生产可追溯、可用于训练模型的科学数据。
03 “科学发现”的产业分工
技术路线渐渐清晰，产业分工也开始出现。
在生命科学领域，有团队专注预测和生成模型，有团队开发科学智能体，也有公司提供机器人、实验设备和湿实验验证。商业模式也正在分化：有的提供研发服务、参与药物管线合作，有的销售自动化设备，还有企业尝试把模型与实验资源整合为开放平台。
AINORO创始人邢城祎把自己公司的定位形容为连接仪器与模型的“手”，科理新序做的是AI for science的基础模型，希望建设更懂科学的大脑。两人都在寻找自己尚不具备的另一半能力。对于资金有限的初创公司而言，独自建设完整实验室并不现实。
商业化已经出现一些实质性订单。
晶泰科技2026年半年报显示，上半年AI4S智能解决方案收入1.935亿元，同比增长136.4%；其自动化实验室业务已进入跨国药企的研发流程，智能合成工作站推广至13家客户，并延伸到钙钛矿、锂电等新材料方向。
这也解释了为什么行业开始讨论把科研基础设施开放给更多人。
11月14日晶泰发布的“科学家”计划，将先向产业企业征集真实研发难题，再开放给青年科学家和跨学科团队。入选者最高可获得10万元额度的科研资源服务券，用于算力、实验室及场地等服务；其北京孵化器Pixent Foundry也同步启动。首批课题计划于年底公布。
对这些团队来说，真正稀缺的往往是验证一次想法的机会；对平台企业来说，外部科学家提出的难题、选择的研究路径和产生的实验数据，也可能反过来改善模型与设施。
不过，开放科研平台能否成为可持续的商业模式，还要看不同实验室之间的标准是否统一，设备利用率能否提高，以及科研成果的知识产权和数据权益如何划分。
这也是AI for Science产业与互联网软件产业的重要差别。一次软件任务可以在几分钟内完成测试，一项复杂的生命科学研究却可能要经过数年实验与临床验证。即使AI将早期研发速度提高数倍，最终的科学风险仍无法完全消除。
毛伟岸设想，未来科研的分工可能变成人负责提出和选择有价值的问题，AI承担更多求解工作。
眼下，这个目标仍很遥远。
在当天的另一场圆桌讨论中，晶泰科技联合创始人赖力鹏向台上的科学家提出了三道“是或否”选择题。
第一道：三年之后，分子设计能否全部由AI完成？大多数嘉宾选择了否。
第二道：十五年内，人类能否攻克所有疾病？这一次，嘉宾们一致给出了否定答案。
到了第三道题，气氛发生了变化：“在有生之年，我们能否看到人类平均寿命达到120岁？”
这一次，现场出现了肯定的回答。
长期研究衰老的张维绮给出了更审慎的解释：随着衰老研究、疾病治疗和医疗技术的发展，人类活到120岁是有可能的，但个体寿命达到120岁，与人类平均寿命达到120岁，仍是两回事。
90后的耀速科技联合创始人叶森则有一个更朴素的愿望。他的外公外婆已经接近百岁，依然能够独立生活。他希望自己也能跨越三个世纪，活到22世纪，亲眼看看生物学在这个世纪究竟能走多远。
对于AI何时能够独立完成科学研究，科学家们仍然谨慎。但面对人类能否活得更长、更健康这个问题，他们愿意保留一份乐观。或许，这也是AI for Science值得期待的地方。
