AI进入真实研发场景的三重障碍

AI真的能加快科研的速度吗？大语言模型可以在几秒钟内生成成百上千条科学猜想，但它们能否被采信，不仅要经过物理世界的真实检验，也受制于研发组织的协作流程、数据基础设施的成熟度，以及科学家自身对新工具的信任程度。

“尽管过去两三年间AI的舆论声量前所未有，但真正把AI带入真实世界的研发场景，仍要跨越‘验证鸿沟、组织鸿沟、基建鸿沟’三重障碍。”7 月 29 日，晶泰科技（2228.HK）联合创始人、CEO马健对外表示。

产业、学界人士探讨科学智能落地路径。

科学智能落地的三道鸿沟

科学智能的基本思路是通过科研数据的训练，让AI能设计新药物、新材料，生成科学假设，回答科学问题。互联网上沉淀了海量科研论文、实验数据与科学专利，但马健指出，这些数据也存在结构性的问题：公开内容几乎全部是成功的正样本，实验中的失败流程、失败数据鲜少被记录、发表。而后者恰恰是训练科研AI最珍贵的纠错素材。

此外，实验室中还存在大量隐性知识，如特定pH值、特定反应温度这类对化学家而言习以为常、却几乎从不写进实验记录的细节。这些信息的缺失，使得任何试图仅靠公开语料训练的科研模型都难以还原真实的实验逻辑。

为了提升AI的能力，开始收集这些数据至关重要。在一个理想的数据闭环中，这些数据要被量化和追踪，投入AI的训练，然后再通过科研活动产生更多的数据。马健指出，现有的科研数据基础设施远不满足AI需求。传统以人工操作和分散记录为主的实验模式下，操作流程与记录方式难以充分标准化，关键参数和实验上下文也常常无法被完整留存，导致数据的一致性、可追溯性和可复现性不足，科研数据无法自动沉淀为AI可以使用的知识。

建立这样的能够稳定产生有价值数据的基础环境，也需要从组织上重新考虑科研流程。马健指出，行业近期频繁讨论AI赋能的“一人公司”，但真实研发是跨部门、跨岗位、周期以年计的系统工程。AI在代码开发领域已经孵化出一批“超级个人”，但如何让AI深度融入复杂研发流程、赋能整个组织，而不是仅仅赋能某一位工程师或科学家，仍是尚未解决的问题。

科学研究不仅是提出理论和假设，一个新药物分子是否有疗效，一个新材料结构是否达到预期性能，一个物理公式是否符合观测结果，这些都需要在真实世界中进行验证。

“未经验证的假设无法转化为知识。”马健坦言，AI输出创意、想法的速度极快，能够批量生成海量假设，但真实物理世界遵循固有的化学、物理规律。“数字世界修改一行代码、完成一次模型迭代，瞬时即可完成，但真实科研的迭代速度无法脱离场景固有周期。”这意味着，在验证端若不能进行效率上的提升和对AI的有效反馈，科学智能就难以真正地了解真实世界、加速科研过程。

超衍智能创始人陈勇超表示，通用大模型学习了越多知识，就越跳不出既有思维，“性能越好，往往创新能力越不够”。这种保守让模型难以在探索性研究中提出真正有价值的新假设。

物理智能可能在实验室率先落地

三道鸿沟不可能由任何一家企业独立填平。晶泰科技、无问芯穹等生态伙伴分别从数据基础设施、算力调度和物理智能三个维度，给出了各自的解决方案。

晶泰科技首席科学官张佩宇在主题演讲中介绍，该公司耗时近十年构筑的自动化实验体系已经覆盖超过20类工业场景，服务逾100个真实的新药与新材料发现项目，实验室每月稳定产出5万余条反应产率数据和30万条过程数据，累计沉淀超过50万条真实实验记录，其中约80%是公开文献中稀缺的失败负样本，提升了AI预测失败实验的准确率。

当日，晶泰科技推出了科学智能体Genius Agents，能够统一调度跨学科专家智能体、数百项专业工具及全球最大规模商业部署的自动化机器人实验集群。晶泰将这些积累的模型、工具、智能体及实验资源封装为可按需调用的 Science Token，集成在综合平台XtalPi Science 中。

解决科学问题不同于普通聊天，需要大量算力的支持。无问芯穹创始人夏立雪提到，AI4S的计算任务比传统AI训练更加复杂——任务种类繁多、模型规模差异大、所需硬件类型多样，“是一个更加复杂的联合优化问题”。他希望通过跨芯片种类的资源调度和平台级的稳定性支持，让有限的算力供给能够“撬动一个更大的转换效率的杠杆”。

对于最为重要的科学验证挑战，科学智能从业者已经开始推出自动化实验室的方案，能够24小时不停做实验，并以标准化方式连续记录实验过程和关键参数，包括温度、压力、加料顺序、反应时间等，也包括大量未达到预期的“失败”结果，压缩实验验证与AI提出假设的速度差异，并生产更多的数据反馈模型升级。

近年来具身智能已经有了长足发展，但距离独立可靠的劳动力还有多远？

晶泰科技联合创始人、董事长温书豪将主要落地场景分为三类：家庭民用场景复杂度极高、目标函数模糊，落地周期最长；工业场景相对标准化，但对效率、稳定性、精度要求严苛。相较之下，科研实验室“介于家庭与工厂之间”，操作物品品类固定、多为刚性标准化器具，光线、环境、干扰因素可控，是物理智能训练、验证和迭代的最佳场景。

马健告诉记者，AI for Science所需要的这些数据积累与基础设施投入，“量级远超大模型时代”。他坦言，这类底层生态“绝非单一企业可以独立完成”。

当日，由共 27 家企业、科研院校、投资机构联合发起的 “科学智能开放生态联盟”正式签约落地，成员包括三生制药、君实生物、加科思、百诚医药等生物医药企业，佰维存储、翰博高新材料等先进制造与新材料企业，以及丹纳赫集团、无问芯穹、逐际动力等科学仪器、AI 基础设施与具身智能企业。香港中文大学（深圳）与五源资本、康曼德资本等高校及投资机构亦参与其中。

“学研产”串行到并行

来自香港中文大学（深圳）崔曙光院士指出，AI4S的核心阵地正在从学校转向企业。“历史上的科技突破一般是‘学研产’的过程：大学做初步的、比较简陋的成果，然后交给企业去做工业落地。”

崔曙光说，最近十几年，具有重大影响力的科研突破越来越多依赖平台级的算力、数据和自动化实验能力，“这些都是大学不具备的”。

一位来自某高校材料工程学院的副教授向记者透露，成本是高校面对AI4S基础设施时最现实的考量。他所在的课题组让学生自行购买机械臂、编写控制软件来搭建一个固定场景下的高通量实验平台。

“流畅度、稳定性肯定不如市面上的成熟产品，但成本可能只有五分之一。”他说，对大多数高校课题组而言，一套完整的商用自动化实验系统仍是奢侈品。

大学等研究机构不仅回答产业需求，也叩问科学奥秘，仍然是前沿科学探索的重要阵地。崔曙光希望，当大学能够使用晶泰这类企业搭建起的集大模型、智能体与机器人实验室为一体的科研平台，就能够与企业齐头并进，从繁琐的基础设施搭建中解放出来，把精力重新放回到最本源的科学问题上。