AI進入真實研發場景的三重障礙

　　炒股就看金麒麟分析師研報，權威，專業，及時，全面，助您挖掘潛力主題機會！

（來源：澎湃新聞）

AI真的能加快科研的速度嗎？大語言模型可以在幾秒鍾內生成成百上千條科學猜想，但它們能否被採信，不僅要經過物理世界的真實檢驗，也受制於研發組織的協作流程、數據基礎設施的成熟度，以及科學家自身對新工具的信任程度。

「儘管過去兩三年間AI的輿論聲量前所未有，但真正把AI帶入真實世界的研發場景，仍要跨越‘驗證鴻溝、組織鴻溝、基建鴻溝’三重障礙。」7 月 29 日，晶泰科技（2228.HK）聯合創始人、CEO馬健對外表示。

產業、學界人士探討科學智能落地路徑。

科學智能落地的三道鴻溝

科學智能的基本思路是通過科研數據的訓練，讓AI能設計新葯物、新材料，生成科學假設，回答科學問題。互聯網上沉澱了海量科研論文、實驗數據與科學專利，但馬健指出，這些數據也存在結構性的問題：公開內容幾乎全部是成功的正樣本，實驗中的失敗流程、失敗數據鮮少被記錄、發表。而后者恰恰是訓練科研AI最珍貴的糾錯素材。

此外，實驗室中還存在大量隱性知識，如特定pH值、特定反應温度這類對化學家而言習以為常、卻幾乎從不寫進實驗記錄的細節。這些信息的缺失，使得任何試圖僅靠公開語料訓練的科研模型都難以還原真實的實驗邏輯。

爲了提升AI的能力，開始收集這些數據至關重要。在一個理想的數據閉環中，這些數據要被量化和追蹤，投入AI的訓練，然后再通過科研活動產生更多的數據。馬健指出，現有的科研數據基礎設施遠不滿足AI需求。傳統以人工操作和分散記錄爲主的實驗模式下，操作流程與記錄方式難以充分標準化，關鍵參數和實驗上下文也常常無法被完整留存，導致數據的一致性、可追溯性和可復現性不足，科研數據無法自動沉澱為AI可以使用的知識。

建立這樣的能夠穩定產生有價值數據的基礎環境，也需要從組織上重新考慮科研流程。馬健指出，行業近期頻繁討論AI賦能的「一人公司」，但真實研發是跨部門、跨崗位、周期以年計的系統工程。AI在代碼開發領域已經孵化出一批「超級個人」，但如何讓AI深度融入複雜研發流程、賦能整個組織，而不是僅僅賦能某一位工程師或科學家，仍是尚未解決的問題。

科學研究不僅是提出理論和假設，一個新葯物分子是否有療效，一個新材料結構是否達到預期性能，一個物理公式是否符合觀測結果，這些都需要在真實世界中進行驗證。

「未經驗證的假設無法轉化為知識。」馬健坦言，AI輸出創意、想法的速度極快，能夠批量生成海量假設，但真實物理世界遵循固有的化學、物理規律。「數字世界修改一行代碼、完成一次模型迭代，瞬時即可完成，但真實科研的迭代速度無法脱離場景固有周期。」這意味着，在驗證端若不能進行效率上的提升和對AI的有效反饋，科學智能就難以真正地瞭解真實世界、加速科研過程。

超衍智能創始人陳勇超表示，通用大模型學習了越多知識，就越跳不出既有思維，「性能越好，往往創新能力越不夠」。這種保守讓模型難以在探索性研究中提出真正有價值的新假設。

物理智能可能在實驗室率先落地

三道鴻溝不可能由任何一家企業獨立填平。晶泰科技、無問芯穹等生態夥伴分別從數據基礎設施、算力調度和物理智能三個維度，給出了各自的解決方案。

晶泰科技首席科學官張佩宇在主題演講中介紹，該公司耗時近十年構築的自動化實驗體系已經覆蓋超過20類工業場景，服務逾100個真實的新葯與新材料發現項目，實驗室每月穩定產出5萬余條反應產率數據和30萬條過程數據，累計沉澱超過50萬條真實實驗記錄，其中約80%是公開文獻中稀缺的失敗負樣本，提升了AI預測失敗實驗的準確率。

當日，晶泰科技推出了科學智能體Genius Agents，能夠統一調度跨學科專家智能體、數百項專業工具及全球最大規模商業部署的自動化機器人實驗集群。晶泰將這些積累的模型、工具、智能體及實驗資源封裝為可按需調用的 Science Token，集成在綜合平臺XtalPi Science 中。

解決科學問題不同於普通聊天，需要大量算力的支持。無問芯穹創始人夏立雪提到，AI4S的計算任務比傳統AI訓練更加複雜——任務種類繁多、模型規模差異大、所需硬件類型多樣，「是一個更加複雜的聯合優化問題」。他希望通過跨芯片種類的資源調度和平臺級的穩定性支持，讓有限的算力供給能夠「撬動一個更大的轉換效率的槓桿」。

對於最為重要的科學驗證挑戰，科學智能從業者已經開始推出自動化實驗室的方案，能夠24小時不停做實驗，並以標準化方式連續記錄實驗過程和關鍵參數，包括温度、壓力、加料順序、反應時間等，也包括大量未達到預期的「失敗」結果，壓縮實驗驗證與AI提出假設的速度差異，並生產更多的數據反饋模型升級。

近年來具身智能已經有了長足發展，但距離獨立可靠的勞動力還有多遠？

晶泰科技聯合創始人、董事長温書豪將主要落地場景分為三類：家庭民用場景複雜度極高、目標函數模糊，落地周期最長；工業場景相對標準化，但對效率、穩定性、精度要求嚴苛。相較之下，科研實驗室「介於家庭與工廠之間」，操作物品品類固定、多為剛性標準化器具，光線、環境、干擾因素可控，是物理智能訓練、驗證和迭代的最佳場景。

馬健告訴記者，AI for Science所需要的這些數據積累與基礎設施投入，「量級遠超大模型時代」。他坦言，這類底層生態「絕非單一企業可以獨立完成」。

當日，由共 27 家企業、科研院校、投資機構聯合發起的 「科學智能開放生態聯盟」正式簽約落地，成員包括三生製藥、君實生物、加科思、百誠醫藥等生物醫藥企業，佰維存儲、翰博高新材料等先進製造與新材料企業，以及丹納赫集團、無問芯穹、逐際動力等科學儀器、AI 基礎設施與具身智能企業。香港中文大學（深圳）與五源資本、康曼德資本等高校及投資機構亦參與其中。

「學研產」串行到並行

來自香港中文大學（深圳）崔曙光院士指出，AI4S的核心陣地正在從學校轉向企業。「歷史上的科技突破一般是‘學研產’的過程：大學做初步的、比較簡陋的成果，然后交給企業去做工業落地。」

崔曙光説，最近十幾年，具有重大影響力的科研突破越來越多依賴平臺級的算力、數據和自動化實驗能力，「這些都是大學不具備的」。

一位來自某高校材料工程學院的副教授向記者透露，成本是高校面對AI4S基礎設施時最現實的考量。他所在的課題組讓學生自行購買機械臂、編寫控制軟件來搭建一個固定場景下的高通量實驗平臺。

「流暢度、穩定性肯定不如市面上的成熟產品，但成本可能只有五分之一。」他説，對大多數高校課題組而言，一套完整的商用自動化實驗系統仍是奢侈品。

大學等研究機構不僅回答產業需求，也叩問科學奧祕，仍然是前沿科學探索的重要陣地。崔曙光希望，當大學能夠使用晶泰這類企業搭建起的集大模型、智能體與機器人實驗室為一體的科研平臺，就能夠與企業齊頭並進，從繁瑣的基礎設施搭建中解放出來，把精力重新放回到最本源的科學問題上。