AI for Science（AI驅(qū)動科學(xué)發(fā)現(xiàn)），正在改寫科學(xué)發(fā)現(xiàn)的底層邏輯，逐步改變?nèi)祟愄剿魇澜绲姆绞?/blockquote>

　　來源：財經(jīng)媒體人 于超

　　AI for Science（AI驅(qū)動科學(xué)發(fā)現(xiàn)），正在改寫科學(xué)發(fā)現(xiàn)的底層邏輯，逐步改變?nèi)祟愄剿魇澜绲姆绞?。?dāng) AlphaFold 團隊摘得 2024 年諾貝爾化學(xué)獎，AI 首次以“發(fā)現(xiàn)者”的角色進入基礎(chǔ)科研核心，標(biāo)志著 AI for Science 的時代性拐點真正到來。

　　AI開始深度介入科學(xué)探索全過程，從加速實驗、輔助建模，到參與提出假設(shè)、反饋驗證——AI 與物理、生命等基礎(chǔ)科學(xué)的融合，已不再是工具升級，而是科研范式的重構(gòu)。

　　什么是 AI for Science （AI4S）？它不僅是用 AI 來加速實驗，更是推動科學(xué)從“靠經(jīng)驗試錯”邁向“由智能主導(dǎo)”的全新范式。理想形態(tài)下，它應(yīng)當(dāng)像科學(xué)家一樣：提出假設(shè)、規(guī)劃實驗、分析數(shù)據(jù)，并通過反饋持續(xù)修正、迭代模型，完成閉環(huán)優(yōu)化。 正如深度原理Deep Principle創(chuàng)始人賈皓鈞所說：“AI不是要取代科學(xué)家，而是讓更多人站在巨人的肩膀上，用更少的時間，推動更大的發(fā)現(xiàn)” 

　　本期對談中，賈皓鈞這位 MIT 出身、投身 AI4S 創(chuàng)業(yè)的科學(xué)家型創(chuàng)始人，系統(tǒng)聊了聊 AI for Science 的三階段演進邏輯，AI for Science的“ DeepSeek 時刻”的前提條件，講述為什么這場科研革命在中國更具落地優(yōu)勢，也分享 了AI 創(chuàng)業(yè)中最被低估但最關(guān)鍵的創(chuàng)始人能力。 

　　當(dāng) AI scientist、自動化實驗與科研生態(tài)的飛輪真正啟動，我們距離下一個重大科學(xué)發(fā)現(xiàn)，或許比想象中更近。

　　01．AI 正在成為新一代科研“引擎”

　　Michelle于超：現(xiàn)在越來越多地聽到“AI正在重塑科學(xué)研究”的討論。而深度原理Deep Principle，正是一家專注在 AI for Science（AI4S）方向的創(chuàng)新公司。能不能具體聊一聊，目前深度原理Deep Principle的技術(shù)方向是怎樣的？產(chǎn)品形態(tài)發(fā)展到了哪一步？在整個科研鏈條中，你們主要聚焦在哪些問題、解決什么樣的科學(xué)難題？作為這一波“AI + 科學(xué)”創(chuàng)業(yè)浪潮中走在前面的團隊，你們的路徑有什么特別之處？

　　賈皓鈞：好的，先說一下我們公司的歷程。我們是在 2024 年 6 月從美國回到中國發(fā)展的，目前團隊主要在杭州。其實最初這個項目是從 MIT 孵化出來的，我們最早在 2022 年就萌生了這個想法，之后也得到了很多來自 MIT 社區(qū)的支持和資源。但最終，我們還是決定把主戰(zhàn)場放在中國。

　　我們在做的事情，其實是用人工智能去解鎖一些全新的化學(xué)反應(yīng)路徑，主要聚焦在化學(xué)材料和反應(yīng)機制這塊。具體一點說，就是 AI for Chemistry & Materials，像 carbon capture（碳捕捉）和功能材料發(fā)現(xiàn)這樣的方向，是我們重點在做的。

　　這兩年，尤其是到了 2024 年，隨著生成式 AI 的爆發(fā)，整個行業(yè)對“AI + 科學(xué)”的關(guān)注度明顯提升了，美國和歐洲很多創(chuàng)業(yè)者和學(xué)者都看到了這個領(lǐng)域的潛力和機會，紛紛出來創(chuàng)業(yè)。我們也是其中一員。但在國內(nèi)，我們應(yīng)該算是最早、也是目前唯一一家具備從頭到尾全鏈路能力、專注在化學(xué)與材料領(lǐng)域的 AI 科創(chuàng)公司。

　　02．AI for Science 發(fā)展路徑三階段

　　Michelle于超：在您看來，AI for Science 當(dāng)前的發(fā)展路徑是否已經(jīng)形成一個清晰的技術(shù)分層？從數(shù)據(jù)建模、假設(shè)生成到自動化實驗，不同階段的AI介入方式分別有什么樣的典型代表和挑戰(zhàn)？

　　賈皓鈞：在化學(xué)和材料領(lǐng)域，AI for Science其實這些年發(fā)生了很大的變化。就是AI for Science這個到底是什么樣的定義。

　　我們一般也認為AI for science有三個階段。

　　第一個階段是 AI 作為科學(xué)數(shù)據(jù)分析工具的階段 （AI Assistant）。我們知道任何的科學(xué)研究都會產(chǎn)生一些的數(shù)據(jù)。那這些數(shù)據(jù)是怎么個分析呢？尤其是這里面可能數(shù)據(jù)的維度很高，有一堆X和一大堆Y，我們想知道某一、兩個Y跟哪些X是有相關(guān)作用。因為我們可能想定向優(yōu)化某些性能，所以這里面其實有個非常高維度的問題。所以能不能通過一些簡單的機器學(xué)習(xí)模型來做一些數(shù)據(jù)的分析，降維來幫助我們比人腦更好的來理解這些數(shù)學(xué)，或者說是一些數(shù)據(jù)背后所隱含的一些含義。這就是AI for science的第一階段作為AI Assistant。

　　簡單來說，AI 在這一階段的作用是輔助我們理解已有數(shù)據(jù)中蘊含的科學(xué)意義，這是 AI for Science 的起點，也是在各類科研場景中已經(jīng)得到廣泛驗證和應(yīng)用的部分。

　　第二階段的話，就會更加智能一點，進入了 AI 深度參與科研過程的階段 （AI Scientist）。大家做科研就一定要做實驗，而實驗通常分為兩大部分，或者說科學(xué)發(fā)現(xiàn)分成兩大部分。

　　第一部分就叫做hypothesis generation（科學(xué)假設(shè)生成），就是生成一些科學(xué)性的假設(shè)。這部分過去往往只有頂尖科學(xué)家能完成，例如牛頓、愛因斯坦、薛定諤等，他們屬于極少數(shù)能從復(fù)雜現(xiàn)象中提出突破性理論的人。但現(xiàn)在，AI 已經(jīng)開始在這一環(huán)節(jié)提供強有力的輔助——它能夠從大規(guī)模文獻、數(shù)據(jù)中總結(jié)規(guī)律，輔助科學(xué)家提出可能性的理論方向。

　　第二部分就叫做experimental validation（實驗驗證），也就是在已有假設(shè)的基礎(chǔ)上，通過不斷試驗去驗證是否成立。這個是絕大多數(shù)科學(xué)家一直在干的。就是很牛的人可能花一天提出一個偉大的idea，剩下的人花了十年把它來驗證。

　　所以這兩部分其實AI都可以參與到。例如我們做實驗的時候，我們的數(shù)據(jù)能不能及時被得到驗證以及迭代，來指導(dǎo)我們下一步來做這個實驗。就例如我們想做一些純粹的“autonomous lab”（自主實驗室） ，就是純自動化的實驗室。這一方向近年來已有不少突破性的成果，預(yù)計在未來一到兩年內(nèi)，將對科研效率帶來實質(zhì)性的提升。

　　第三階段其實就像我們有點像AGI了，接近 AGI 的能力邊界 （AI Innovator）。我們設(shè)想是否能出現(xiàn)一種完全自動化的科學(xué)系統(tǒng)，由 AI 獨立完成從提出問題、構(gòu)建模型、設(shè)計算法，到發(fā)現(xiàn)新的科學(xué)規(guī)律的全過程。它不再只是輔助人類做科學(xué)，而是像科學(xué)家一樣主動提出問題并解答問題。

　　比如，它是否能夠自動推導(dǎo)出某些新的公式，甚至發(fā)現(xiàn)類似牛頓三大定律這樣具有劃時代意義的自然法則？這就是我們常說的AI Innovator。

　　我認為，這個階段的實現(xiàn)可能比真正的通用人工智能（AGI）略晚一步，但不會相差太遠。

　　至于 AGI 究竟什么時候會真正出現(xiàn)，這個問題其實討論了很很久，不同人對 AGI 的定義也有很大差異，至今沒有明確的結(jié)論。我一般也不喜歡對未來做預(yù)測，我個人的觀點也是“The best way to predict the future is to create it”。但可以確定的是——無論是否真正達到 AGI，AI 在科學(xué)研究上的角色已經(jīng)在快速演化，將在未來持續(xù)帶來重大突破。

　　03．AI for Science 的“DeepSeek 時刻” 

　　Michelle于超：大家都在關(guān)注 AI for Science 會不會出現(xiàn)類似 DeepSeek 這樣的突破時刻，也就是一個真正打破現(xiàn)有科研范式、引發(fā)飛躍式變革的臨界點。在您看來，推動這個時刻到來的核心支撐因素有哪些？是模型本身的通用能力？是垂直領(lǐng)域的數(shù)據(jù)質(zhì)量與規(guī)模？還是科研場景中對可解釋性、嚴(yán)謹性、工程化能力的高度要求？目前來看，距離這樣的臨界點，我們還缺哪一塊拼圖？

　　賈皓鈞：首先，我確實認為，任何一個行業(yè)其實都期待出現(xiàn)像 DeepSeek 這樣的“突破時刻”。因為這通常意味著，行業(yè)內(nèi)部發(fā)生了結(jié)構(gòu)性的變化，并且這個變化能對整個社會產(chǎn)生真正的價值。所以 AI for Science 領(lǐng)域，也同樣在期待這樣一個拐點。

　　科學(xué)問題本身就非常重要。人類一直在通過做實驗，試圖理解這個物質(zhì)世界的運行規(guī)律。我們希望能找到更好的定律，發(fā)現(xiàn)新的材料、新的藥物，從而改善我們的生活。但傳統(tǒng)科學(xué)探索依賴大量的“試錯”（trial and error）方法，在今天這個時代，其效率已經(jīng)越來越難以滿足現(xiàn)實需求。特別是在新材料、藥物等高價值領(lǐng)域，需求越來越多、越來越緊迫，而傳統(tǒng)方法的效率瓶頸也越發(fā)明顯。

　　在這個背景下，AI 成為了一個非常重要的變量。它能參與科研流程中的多個階段，從前面說的高維數(shù)據(jù)分析，到輔助做實驗，甚至進一步提出新的假設(shè)。AI 不只是一個加速器，它可能是重新定義科研范式的方式和方法。

　　如果要推動 AI for Science 進入“DeepSeek 時刻”，我認為需要幾個關(guān)鍵前提條件的配合。

　　第一、是模型本身的能力

　　我們談到的通用大模型（foundation model），它的模型的通用性其實是非常關(guān)鍵，或者說它的模型性能本身是最關(guān)鍵的。它的泛化能力非常關(guān)鍵。比如，一個大語言模型，可能既能幫助記者生成采訪提綱，也能幫科學(xué)家做文獻總結(jié)，甚至輔助我們進行論文寫作、論文 review 等等。不同領(lǐng)域的用戶會提出完全不同的任務(wù)需求，因此模型需要足夠通用、理解力足夠強。所以它需要非常強的泛化能力來幫助他們完成這個事情。

　　第二、垂直領(lǐng)域的數(shù)據(jù)質(zhì)量與專業(yè)性

　　而在 AI for Science 這個垂直領(lǐng)域，尤其是像材料、化學(xué)反應(yīng)這類方向，模型所使用的數(shù)據(jù)質(zhì)量反而更關(guān)鍵。我們普遍認為，模型性能由兩個因素決定：一是模型架構(gòu)本身，二是數(shù)據(jù)的量與質(zhì)。在垂直領(lǐng)域里，高質(zhì)量、結(jié)構(gòu)化、專業(yè)的數(shù)據(jù)，可能比模型架構(gòu)本身還更重要。

　　因為科學(xué)問題要求極高的準(zhǔn)確性。你不能說這個結(jié)果是 80%、90% 準(zhǔn)確的——這在科學(xué)研究中是完全不能接受的，必須嚴(yán)謹。因此，大模型要想在這個領(lǐng)域發(fā)揮作用，就必須以高質(zhì)量的專業(yè)數(shù)據(jù)為基礎(chǔ)。

　　其實，我們回頭看一下 AI 的整體演進路徑，從 2021 年之后，生成式模型的爆發(fā)可以說是由兩股技術(shù)路徑推動的：一是 NLP 領(lǐng)域的 transformer-based 大語言模型，二是 CV 領(lǐng)域的 diffusion 模型。這兩類模型是生成式 AI 的兩個主流技術(shù)路線。

　　我們有時也會說，大語言模型更像是“文科生”。它的訓(xùn)練數(shù)據(jù)主要來自公開網(wǎng)站、語料庫、文字信息，對語言理解、知識總結(jié)特別強。但你讓它解高等數(shù)學(xué)，它可能也能做一點，但并不是最擅長。

　　而 diffusion 模型更像是“理科生”。它最初是處理圖像的，每個圖像可以看作由大量 pixel 組成的矩陣，數(shù)學(xué)結(jié)構(gòu)非常清晰。而科學(xué)問題的本質(zhì)，最終也都需要能被數(shù)學(xué)表達。一個科學(xué)問題如果不能形式化、不能用數(shù)學(xué)語言表達，那它可能就不夠“科學(xué)”。所以 diffusion 模型在理解科學(xué)結(jié)構(gòu)、模擬實驗數(shù)據(jù)方面可能會更有優(yōu)勢。

　　從這個角度看，我們可以做一個分工的類比：

　　大語言模型擅長 hypothesis generation（假設(shè)生成），因為它可以站在“巨人的肩膀上”——利用已有知識資料去提出推測；

　　而 diffusion 模型或具備數(shù)理結(jié)構(gòu)的模型，更適合 validation（實驗驗證），例如材料配方優(yōu)化、材料結(jié)構(gòu)探索等。

　　第三、工具生態(tài)與交互方式的革新

　　再進一步，我們談到 AI Agent 的角色時，也可以結(jié)合這兩者。因為科研過程使用的工具往往很復(fù)雜，很多工程師或科研人員并沒有編程背景，比如工廠里的老師傅、材料車間里的工程師，他們習(xí)慣于在 Excel 表里操作，而不是寫代碼。這時候，AI Agent 就可以成為一個中介——你只需要告訴它你要什么，它就能調(diào)動一系列復(fù)雜工具、完成虛擬實驗、給出結(jié)果甚至下一步建議。

　　Agent 的意義在于：降低科研門檻，提高交互自由度，讓 AI 真正服務(wù)于每一位科研一線人員。

　　04．為什么從 MIT 回國創(chuàng)業(yè)？中美AI for Science生態(tài)對比

　　Michelle于超：從MIT spin-off startup，再回國創(chuàng)業(yè)。為什么選擇落地在中國推進 AI for Science？在您看來，中美在技術(shù)創(chuàng)新和產(chǎn)業(yè)化路徑上有哪些結(jié)構(gòu)性的差異？尤其是在新材料、新能源、化工這類領(lǐng)域，中國有更大的機會窗口？

　　賈皓鈞：首先，美國在科學(xué)研究、科技進展、商業(yè)化落地這幾個維度上，其實早在很多年前就已經(jīng)處于全球領(lǐng)先的位置了。尤其是西海岸的硅谷，它代表的是軟件、AI這一塊的最前沿；而東海岸，比如波士頓這一帶，就偏硬件方向更多一點。你像現(xiàn)在很多機械狗、、3D打印等等，幾乎都是從 MIT 這樣的機構(gòu)里 spin-off 出來的。所以你能看到，美國是雙核結(jié)構(gòu)：西岸偏軟件，東岸偏硬件，還有一個非常大的板塊就是生物醫(yī)療，東海岸那邊做得也很深。

　　中國這邊，其實從改革開放以來一直是處于一個持續(xù)追趕的過程。但我個人感受很深的一點是：這個技術(shù)的 gap，真的越來越小了。

　　特別是，中國的制造能力這個事，我覺得現(xiàn)在已經(jīng)沒啥爭議了，大家基本都認同，中國制造是全球最強的，而且還會越來越強。所以，如果我們在前端能做好科學(xué)發(fā)現(xiàn)和技術(shù)轉(zhuǎn)化，那后端的工業(yè)能力，再疊加十幾億人口的市場——不光是中國自己，周邊還有東南亞、中東、非洲這些國家——這個市場的體量是巨大的。

　　我們現(xiàn)在在做的 AI for Science，其實本質(zhì)上是用 AI 去做一些新的 scientific discovery。那這些 discovery 最終都得走向工業(yè)應(yīng)用，比如說材料、能源、化工，這些領(lǐng)域最終都要落到“怎么生產(chǎn)、怎么投產(chǎn)、怎么用”上。

　　所以，我們把主戰(zhàn)場放在國內(nèi)，其實是一個很自然的決定。

　　像我們深度原理Deep Principle它不僅是一個技術(shù)驅(qū)動的公司，我們其實也非常關(guān)注應(yīng)用場景的選擇，因為這個場景的規(guī)模，決定了我們未來業(yè)務(wù)的空間。而在中美之間對比來說，中國市場的應(yīng)用場景，確實對我們更友好，也更大。

　　我們現(xiàn)在聚焦的領(lǐng)域，基本就三個方向：新材料、新能源、精細化工。這三個領(lǐng)域有一個共同點，就是都特別需要源頭創(chuàng)新能力——需要你對化學(xué)反應(yīng)、材料機理非常懂，而這個恰好是我們擅長的。

　　其實你回看國內(nèi)的情況，不點名說，很多企業(yè)在這些方向上其實已經(jīng)很成熟了。美國當(dāng)然也有，比如杜邦、殼牌、陶氏、霍尼韋爾這些，他們都是非常有積淀的大型化學(xué)材料企業(yè)。

　　但你也知道，美國的工業(yè)已經(jīng)經(jīng)歷過一次大規(guī)模的“去工業(yè)化”浪潮。比如說，波音外包之后的質(zhì)量問題，其實是大家都在討論的。最早的一批去工業(yè)化，其實就從化工、材料這些行業(yè)開始。當(dāng)時杜邦的特氟龍泄漏事件是一個標(biāo)志性節(jié)點，引發(fā)了全社會對環(huán)境污染、健康風(fēng)險的強烈關(guān)注。

　　因為美國社會那時候比較富有，積累也夠了，所以他們就把污染性行業(yè)移出本土，轉(zhuǎn)移到中國、東南亞、南美這些地方。所以現(xiàn)在你去看，全球最大的化工、新能源、材料生產(chǎn)基地，其實就在中國。

　　所以我們做這些事情，其實是很順理成章地把落地場景放在國內(nèi)。如果你還在美國做，你可以給那些大廠的研發(fā)團隊提供 AI 工具，做“技術(shù)層支撐”。這當(dāng)然也可以，但對我們來說，這不是我們想做的事。

　　我們希望能真正影響生產(chǎn)、影響工業(yè)體系，而不是僅僅給別人當(dāng)“外腦工具包”。所以我們看明白了，想清楚了，選擇回國發(fā)展，其實就非常自然。

　　05．AI for Science創(chuàng)業(yè)融資現(xiàn)狀

　　Michelle于超：過去兩年創(chuàng)業(yè)融資并不容易，選擇在這樣一個時間節(jié)點創(chuàng)業(yè)，當(dāng)時是如何判斷這個窗口期的？您怎么看 AI 創(chuàng)業(yè)者目前面臨的挑戰(zhàn)和轉(zhuǎn)機？

　　賈皓鈞：從 2023 年開始，中國的資本市場環(huán)境其實是極差的。我們24年剛回國的時候剛見了一個來自香港的 LP，他說得很直白，2024 年整體的美元資金比前一年少了 90% 以上，人民幣資金也少了 50% 以上，這個“以上”到底是多少，很難說得清，但就是非常難。

　　所以我們在 2023、2024 這個階段出來創(chuàng)業(yè)，其實是很不容易的。包括我們這代創(chuàng)業(yè)者，現(xiàn)在有一些信心回升，某種程度上也是因為 AI Agent、AI 應(yīng)用，特別是今年春節(jié) DeepSeek 的發(fā)布，讓大家突然意識到——原來 AI 真的是可以用的，不是只有 hype，它真的能帶來效率、價值和變現(xiàn)。

　　這才讓大家的信心開始恢復(fù)，但這個過程真的挺難的。

　　06．AI 時代的創(chuàng)業(yè)者最重要的特質(zhì)

　　Michelle于超：現(xiàn)在其實可以明顯感受到，海外資金對中國科技資產(chǎn)的情緒正在回暖，很多海外 VC 又開始回來聊 deal。一直以來我們都在講，時代變了，創(chuàng)始人的畫像也在變。尤其是在 AI 時代，創(chuàng)始人面臨的環(huán)境更不確定，需要的特質(zhì)也不同。在您看來，AI 時代真正需要什么樣的創(chuàng)業(yè)者？能夠完成從 0 到 1，乃至更重要的從 1 到 100 這樣非線性增長路徑的人，他身上最核心的特質(zhì)會是什么？應(yīng)該不會再是“技術(shù)好”等一些單一維度的能力。

　　賈皓鈞：這是個很好問題。當(dāng)然我覺得可能不同的人理解都會不太一樣。可能偏技術(shù)出身的人，可能覺得技術(shù)最重要。如果你是連續(xù)創(chuàng)業(yè)者，那可能會更強調(diào)“創(chuàng)業(yè)者精神”、資源調(diào)動和判斷力；但如果你來自大企業(yè)的高層管理背景，可能又會覺得執(zhí)行效率、團隊治理、流程操盤這些更關(guān)鍵。所以不同人站的位置不同，看到的那個“創(chuàng)始人畫像”也會不一樣。

　　但我自己有一個很強烈的體會，甚至說是信念吧——小時候我特別喜歡看金庸，比如《倚天屠龍記》、《天龍八部》，當(dāng)時印象最深的一句話就是：“天下武功，唯快不破?！?/p>

　　我覺得這句話完全可以套用在今天的 AI 創(chuàng)業(yè)上。今天我們所處的環(huán)境，技術(shù)迭代的速度極快，外部環(huán)境變化也極其劇烈，而這兩個變量其實都是我們無法控制的。

　　創(chuàng)業(yè)者唯一能掌控的，可能就是自己的速度——你能不能更快地試錯、更快地融資、更快地應(yīng)用落地、更快地調(diào)整方向。哪怕你技術(shù)不是最強，但你的反應(yīng)速度、執(zhí)行速度、調(diào)整速度夠快，這本身就可能是你最大的護城河。

　　換句話說，在這個時代，速度可能是唯一確定性的競爭優(yōu)勢。

　　新浪聲明：所有會議實錄均為現(xiàn)場速記整理，未經(jīng)演講者審閱，新浪網(wǎng)登載此文出于傳遞更多信息之目的，并不意味著贊同其觀點或證實其描述。