AI for 制药化学合成：今天的AI，能力比肩10年经验的化学家？

AI for Science 正在成为一级市场最热的方向之一。

7 月底的中央政治局会议强调“加强对基础研究的长期稳定支持”，叠加此前的人工智能+计划，一个很具体的问题被推到台前：AI 到底怎么用在科学研究上，怎么真的把效率和预测能力提上去。

这周，产业界也迎来重磅消息。莫德纳与默沙东宣布，双方合作的首款个性化mRNA癌症疫苗在黑色素瘤三期临床取得初步阳性结果。这款疫苗在新抗原选择过程中受益于AI，研究人员能通过计算来模拟复杂的分子相互作用，而不是进行无休止的湿实验。

这一期「产业观察」，我们请到的是智化科技创始人夏宁博士。夏宁是有机化学博士，从 2008 年在法国参与创业算起，他在“AI+化学”这条路上已经走了接近 18 年。这 18 年，他亲历了行业从零起步，到 AI 制药的第一波高光，再到生物医药的三年寒冬，以及 GPT 时刻之后 AI 制药的第二轮热潮和 AI4S 新趋势。

他们回顾了“脚踩两只船”的跨界能力是怎么长出来的，聊了技术落地时黑盒和白盒分别怎么起作用，聊了拒掉的收购要约，也聊了一笔很现实的账：如果 AI 要替代的是月薪两万的化学专业从业者，token 成本该怎么算。

以下为对话正文，经删减与编辑。欢迎移步小宇宙App和Apple Podcast，搜索「 高 能量 」收听完整对话。

李丰：我们2015 -2016年前后就一直关注 交叉 学 科创新 ，尤其是计算机和生物制药、化学的结合，也投过晶泰、剂泰。这个行业走过十年多，我们发现两个问题。第一，比较难找的是凑巧“脚踩两只船”的人——能力横跨在两个不交叉的学科上，比如计算机和化学。第二，如果是“脚踩两只船”，最后到底哪只船更重要？先看第一个问题：你是怎么在年纪还小的时候，把化学和计算机这两个看起来不相关的科目连到一块？

夏宁：主要是兴趣。编程是逻辑思维非常强的学科，化学需要很多记忆、需要对大自然的好奇，我正好对这两个都感兴趣。后来机缘巧合两个竞赛都获了奖，选专业的时候就很犹豫。同济大学的招生老师跟我说了一句话： 计算机是一门技术，化学是一个专业 。我选了化学，后来证明也是正确的，如果先学计算机，再想跨到化学，难度会非常大。

李丰：学化学的时候，计算机原来积累的能力怎么保持不掉下去？

夏宁：我每天都在写代码。 白天做实验，晚上写代码 。

李丰：那时候写的程序跟什么相关？

夏宁：也跟人工智能相关。那时候我很好奇，人的大脑的思维方式是不是能用程序来模拟？做了很多探索，但肯定没有太成功——要成功的话，现在可能就做别的了。后来在国外念博士也一样，白天做实验、晚上写代码，在游戏、下棋这种场景上，让计算机程序来模拟人的判断。

李丰：博士毕业时选择留在国外还是回国，有过挣扎吗？

夏宁：那时国外发展还不错，欧洲还没到现在这个样子，所以留在法国参与创业。我当时想找一家能用计算机技术去解决化学问题的创业公司，但这样的岗位非常少。我有幸找到一家公司，在法国的斯特拉斯堡，这家公司其实还没成立，网页刚做出来。我跟那个老板聊了一下，觉得非常契合，他们也是想用数据来解决化学的预测问题。

李丰：这段持续了多久？

夏宁：7 年，从 2008 年到 2015 年。那时这个领域完全不热，根本没有什么投资人看，全凭个人的理想和兴趣。而且当时没有现在这些底层的 AI 技术，也没有数据，所有基础设施都要从头搭。

李丰：那时候的落脚点也是用计算机加数据做化学合成路径的探索吗？

夏宁：还不是。第一件事是 先找数据 ，因为我们连数据都没有。做了多种尝试：用类似高通量的实验来产生数据，那时候没有自动化，人来做反应实验，实验员手动平行做几百上千个是可以的，但这个数据量远远不够；也让人从博士论文里提取结构化的数据，但成本太高、效率太低；后来还做了电子实验记录本，希望高校老师用了之后把数据共享给我们，但这个方式后来有一些商业上的困境。

李丰：这种多头受阻的情况下，这家公司最后怎么办了？

夏宁：被它的母公司收购了，母公司现在是法国最大的 CRO （通过合同形式为制药企业提供药物研发外包服务的专业机构）。那时候积累了大量底层技术，我们现在的底层架构，很多也是那时候积累起来的。

李丰：2015 年你就回国了，我记得你先有一段帮朋友创业的经历。

夏宁：对，上海网化科技的老板把我叫过去。当时 化 学 品 B2B 电商 平台很火，一开始我负责搭平台。后来我们就想，能不能把我之前想做但没做的方向—— AI 逆合成 做起来。2016 年，我们在全球最早申请了 chemical.ai 这个域名，后来才有了智化科技。

李丰：这里有个小故事。你还在网化的时候，做了一套预测从 A 化合物合成到 B 化合物的软件——用什么条件、经过多少中间步骤、最后得到什么结果，甚至部分意义上的产率。药明康德的主营业务就是化学合成的 CRO，它们向全球征集谁能做合成路径预测，好多家公司参选，夏博士因为还没做智化科技，是以个人身份去的，得了个第一名。

夏宁：确实也挺巧。那是2016年，我们跟药明的一些高管有联系，我就说有这么一套软件，你们要不要试一试？他说好，然后约了个时间。去了以后，我发现来了很多人，一屋子都是他们的高管。我当场演示，各种分子上去跑，效果非常好，所以最早跟药明有了商业化合作。

通过这件事，我意识到第一，产业对这个事非常重视；第二，当时 技术到了第一个临界点 ——以前这件事根本就没有软件能做好，我们算是最早让它看到这个事是可以做的。到今天它已经成为一个很通用的工具，中间也大概走了六七年。

李丰：那时候还没有 GPT，我猜也没用到 Transformer 架构，顶多是再往前的卷积神经网络。回过头看，当时那个阶段的产品，有多 AI？

夏宁：那时候的 AI 和现在的概念不一样。最早我们说机器学习，后来有了深度神经网络、Transformer，再后面变成大模型，它一直在演变。但通用来看，基于数据去做预测的，本质上都是 AI 的一种模式。那个时候 更偏传统机 器学 习 ，外加很多 化学信息学 ——专门研究化学反应的逻辑如何写成算法。

李丰：用 AI 做预测，有个经常被探讨的问题：到底是黑盒还是白盒？ 白盒是里边有很多已知的人类经验、规律、公式的总结 ； 黑盒是数据进，中间经过一串计算，然后结果出 。今天自动驾驶也碰见这个问题。当时在满足药明康德的需求上，你们那个完胜大公司的软件里，有多少黑盒、多少白盒？

夏宁：白盒的比重非常大 。对于这种严肃的科学软件，如果是一个黑盒，很难建立客户信任。因为它会不定期出现幻觉或者 bug，后果可能非常严重，而且 不可 解 释 。最大的挑战是，你发现了问题，但不知道问题出在哪，就无从改进。

李丰：对，它不好调教——你改了 A 之后，它如果莫名其妙同时改变了 B、C、D，你又没办法抑制B、C、D往不好的方向变化，更何况你甚至不知道 B、C、D 是谁。

我们看过很多包括材料和化学在内的各种方向上的 AI for Science 公司。生物其实好一点，因为有基因组学在底下做基础的约束规律。那化学呢？你觉得它今天的可解释性到了什么程度？

夏宁：在我们的系统中，可解释性是非常强的。所有大模型或者黑箱模型给出的结论，都得在我们的白箱模 型里得 到解释、验证、约束，这样我们才能把幻觉去掉，同时能知道它给出的那些模棱两可的结论到底哪个对、哪个错。这个在科学领域非常重要。

李丰：程序上，是先过一层黑盒再到白盒，还是两个融合在一起？

夏宁：有比较强的融合，两个是同时进行的。

李丰：2018 年我们认识夏博的时候，夏博刚出来做智化科技。公司成立后的第一个里程碑，是给一家全球著名的 MNC（跨国大型药企）提供了第一笔金额不小的软件服务。

夏宁：非常感谢药明把我们介绍给了他的一个大客户。这个客户在做一套 AI 制药系统，其中 AI 逆合成部分完全交给我们做，这是个 100 多万美金的合作，难度不小。通过那次合作，我们真正把产品化做到了能匹配这些大客户在安全性、速度、质量上的各种要求。这对我们是一个非常重要的起点。

李丰：这是非常多科学家创业都会面临的问题：做了一个很好用的科研结果，但到真正的工业闭环里去应用的时候，有时候会不可用、不好用，或者如果用的人正好不对，就会有抵触。你们是怎么克服这些问题的？

夏宁：一定会有这些问题。你的产品一出来，肯定不是 90 分，可能是 60 分、70 分。我们其实经历了大量的客户反馈、迭代、优化——这也是为什么白盒这么重要。如果你是黑箱，客户提了反馈你又改不动，他就绝望了。

所以我们就是不断的改进，让客户看到产品在不断的进步。我还看了一下我们的需求清单，各种客户提的意见可能已经有上千条，每一条都意味着大量的工作去提升、去修正。

这个过程非常重要，但现在很多人，不管是投资人还是行业，可能会忽略这一点——他会觉得我只要模型好、技术好，就可以一下变成全球最好。但我觉得很多时候，它是靠这种迭代出来的。

李丰：就拿这个单一客户举例，前三年里使用的部门和人，是相对固定，还是越来越多跨部门在用？

夏宁：越来越多。客户在应用过程中会产生很多想法，他会说，诶，这个功能你这样做是不是更好？那个帮我串起来是不是更好？这样我们就了解了客户在真实场景里原来是这样用的，通常实际情况和我们自己的想象是不一样的。

李丰：那企业内部在用的时候，用的人是偏传统的化学合成的人，还是会扩展到研发链条上不同背景、更多环节的人？

夏宁：几个环节都会用。首先是做分子设计的人，他们擅长的点不是合成，他们偏 CADD（计算机辅助药物设计） 或者 AIDD (人工智能药物设计)，但设计分子的时候他们必须考虑这个分子能不能合成、好不好合成，我们的工具就能派上用场。

后面到了药化部门，他们会用它快速设计路线，他们的需求是快速拿到分子，比如几毫克就够了，不考虑成本。

到了临床工艺放大环节，需求又反过来：我就做这一个分子，你不要给我用最容易的反应，你要给我找成本最低的。有时即便这个反应本身风险很高，但他们愿意用，因为能降本。当然反应不能太危险，一放大可能有爆炸的危险，那也不行。

李丰：我是被化学专业“折磨”过的，读研究生时一天到晚探索各种不同的合成路线。回到20多年前，化学研究生的常态是，导师指个方向，比如从 A 到 B ，然后学生自己查文献、自己试条件、自己遍历各种失败。假定那时候有这个工具，对一个研究生而言能解决多少问题？

夏宁：可能学生的所有工作现在 AI 都可以帮忙做了。AI 最先替代的大概就是这种初级的智力劳动。

李丰：那学化学的研究生岂不是跟今天许多做编程的人一样，要被逐渐替代了，或者说也许可以去做更有创造性的事？

夏宁：有一点类似，但化学方向更乐观。化学领域的任务更多，我们有太多创新的材料要去做，空间足够大。即使我们干的活比例少了，还可以做更多的项目。

李丰：相当于每个人的带宽增加了。

李丰：回到20 到 21 年，因为疫情等原因，生物医药来到了被资本市场追捧的高光时刻。那时夏博还面临一个诱惑：有家大 CRO 不止一次向你们发出收购要约，当时你们公司还很小，十几、二十几个人。今天回过头看，你会不会觉得当时还不如卖了？

夏宁：那倒没有。我是个比较偏理想化的创业者。在高光的周期，我也会思考，这些资金是不是真的帮我把这个项目、这个理想往前推进了？如果没有，可能这个资金也没有那么大作用。在行业低谷、融资环境比较差的时候，只要我觉得我的进展达到了预期，我觉得就是一种进步。

李丰：高光经历了一年半，低谷恨不得三年、三年半。这五年对你的公司管理、个人心性有什么影响？

夏宁：我算是偏科研工作者创业，最初对管理、公司治理、商业化都不那么擅长。我学到的最重要的一点是，一定要抓住我们想做的事情的本质，不要被高光、低潮影响，那个影响会把人带偏。如果你为了一件资本市场很追捧的事，改变了核心方向，去做一个自己都不认可的事情，长期来看结果是不好的。

李丰：今天的 AI 毫无疑问在高光时刻。对刚开始 AI 创业、有科学背景的创始人，你有什么经验教训可以分享？

夏宁：坚持自己认为正确的想法，不要完全被资本的观点带着走。

李丰：2022 年生物医疗进入低潮期，但那年年底有了 “GPT 时刻”。这两件事叠加，对你的产品和模式有什么变化？

夏宁：是个非常大的机会。因为在 AI 化学合成这个垂直领域，我们能解决很专业的问题，但 真实工作场景中有很多泛化问题 。随便举个例子：这个实验室里可能没有某一个反应器，这个反应就做不了——这不是个专业问题，但以我们之前的积累解决不了。现在大模型可以很好地解决这一类泛化问题。因为大模型和人类专家的思维方式类似，能综合各种客观因素做判断，这就能弥补算法的不足——很难考虑周全各种影响结论的因素。换句话说，我们具备了用智能体（Agent）加专业工具去解决整个工作流程的能力。

李丰：有了大模型之后，产品架构上有大的调整吗？

夏宁：垂直领域的算法不直接受影响，但最终交付给客户的产品形态不太一样。之前我们的技术都是以工具的形式呈现给化学家，化学家再用工具来解决问题；未来，产品的用户从人变成智能体，用户界面逐渐变成智能体使用的API。很有可能人只用提 出 目标，然后由智能体来完成整个工作。

这个智能体会逐渐熟悉这些工作，它有记忆，会不断学习，最后可能就像你公司的一个员工一样——你教它几次之后，不用每次都教了，你只要给它任务，它就去干活了。

李丰：交给智能体做决策，会让使用者觉得漏掉了能进入循环的关键节点吗？

夏宁：早期会有。但后面随着它交付的质量越来越高，甚至效率和质量都超过人的时候，人就不会再去在意这一点。

李丰：在整个后端的结构和体系里，黑盒和白盒的比例今天有变化吗？

夏宁：目前看没有大变化，且白盒越来越多了。因为大语言模型出现，它具有非常强的可解释性——它做的所有决策，会给你解释为什么。

李丰：刨去模型能力之外，是什么促进了白盒能力的提升？

夏宁：最核心的还是这些年在跟客户不断交互迭代中得到的信息 。在一个严肃的科学场景下，如果你不具有可解释性，商业推广是非常难的，因为客户需要知道这些结论是怎么得出来的。所以，产品要做得越来越好，你必须越来越白盒化。这可能是 AI 真正落地在商业上的隐形门槛。虽然说你可以直接交付产品，但我觉得还不能完全把人的因素拿掉，只要这个过程里有人，可解释性就是必要的。

李丰：或许现在各种不同方向的AI4S公司都会经历类似的过程。

李丰：结合今天的AI能力和现有数据，你觉得化学领域（包括化学合成）的进展，跟生物领域如AlphaFold或基因组学应用相比，前者大概相当于后者的百分之多少？

夏宁：跟AlphaFold有点难比，但在我们所在的合成路线设计领域，AI已经大规模落地了。

李丰：在一个不过分复杂的化学合成过程里，比如涉及少数几个条件的多步反应，今天AI能好用到什么程度？

夏宁：我们内部和外部都做过测评，当前的结论是：现在化学合成的 AI 能力，大致相当于 10 年工作经验的化学家的水平。基本上化学家能想到的路线方案，AI 都能想到，而且 AI 一般能平均想到 5 到 6 种不同的策略，人一般能想到 1 到 2 种。

这其实是客户非常满意的一点。因为客户都会拿真实案例来测——他可能花了一两个月设计出来的路线，我们这边的产品 5 分钟就能跑出来，而且还能给出一些客户也尝试过、但最终没有选择的路线。

李丰：这就很像晶泰科技 2016 年感恩节参与辉瑞的盲测。那时候，整个制药界几乎没人相信AI能做晶型预测，辉瑞拿出了三个没发布、但他们自己已经知道的药物分子，来请不同的团队做晶型预测，最后发现晶泰的预测结果跟他们的实验结果是一样的。所以，你认为化学合成已经到了类似的阶段？

夏宁：对。

李丰：问一个技术上的小问题：AI能不能预测出全新、之前没出现过的东西——有经验的化学家也想不到、但可行、并且更优美的合成路径？

夏宁：可以，但有一个限制前提：它不会造新的反应。我们所有的 AI 都是基于已有的数据在做创新，因为合成路线的创新基本上用的都是已知反应，只是这个已知反应可能藏在海量文献的某一个角落里。如果你看不到它，你的路线可能就是 10 步；你看到它，可能就变成 3 步、4 步。

AI 能够接受的知识量更大、检索速度更快，所以它有能力找到我们平常看不到的这个反应，把整条路径变得更优美，或者成本更低。这是我们已经验证出来的。

李丰：在小分子相关的生物医药研发全链条里，AI辅助逆合成路线设计大概处在一个什么样的位置？

夏宁：不管是 AI 制药还是 AI 材料发现，研发本质上不是简单的分子设计，而是多个 DMTA 的循环——D 是 design 设计，M 是 make 合成，T 是 test 测试，A 是 analyze 分析，分析之后再改进方案，再重新进入循环。一般做一个药可能要 7 到 8 轮，做一个材料也要多轮。

在这个循环里，每个步骤的效率不一样。设计阶段，我们一天设计成百上千、甚至几万个分子都很轻松。但在合成阶段，它会卡住——一个化学家一个月大概合成 3 到 5 个分子，一天做 2 到 3 个反应，这是行业内普遍的效率。到了测试环节，效率又很高，因为有高通量测试，一下可以测几百个分子对靶点的亲和力。

所以，真正让 DMTA 循环成倍加速，需要花力气提升合成的效率。这也是我们从客户那边得到的反馈：客户非常重视合成这一端的效率，因为它整个研发效率就卡在这一端。

李丰：在2016-2020年那一轮AI制药热潮中，我们遇到两类创业者。一类是AI背景出身，认为AI用到生物领域是个很好的方向；另一类背景更偏生物制药，然后逐步积累了AI能力。如果今天一个偏 AI 背景的人进来做你们这个事，他可能碰到的最大挑战是什么？

夏宁：我们和一些纯 AI 背景的人合作过，包括高校老师，最后发现一个挑战是，他们对我们这个行业的问题并不理解，或者他的理解是错误的，但又没跟我们说，就在错误的路上一直试，做到最后结果不好，他可能会说是数据的问题。我不是说他们能力不行，只是行业 knowhow非常重要。

我发现 AI 背景的人有一种能力比较强：当数据量足够大的时候，他能在训练效率上提出不错的见解。不过，数据恰恰是我们 AI for Science 领域最缺的。你会发现，在很多领域，亿级的数据很少，有些领域只有几百、几千、几万个数据。

李丰：过去八九年，你们积累的各类数据，包括文献、真实工业场景的正负反馈、内部的闭环实验，对模型能力的贡献各有多大？

夏宁：这要分问题，不同问题需要的数据不一样。对逆合成来说，我们认为现在贡献最大的还是公开文献和专利数据，因为AI主要学的是逆合成的思路。

李丰：简单类比下，我们今天讲的大模型，最大的数据来源是积累了 40 多年的全世界公开互联网文本数据集，但今天任何一个科研领域，即使把全部论文都加上，数据也差很多个量级。对你们来说，正数据和负数据对模型进步的贡献率是什么样？

夏宁：我认为正数据，也就是成功的数据，在现阶段非常重要；失败的数据，在未来非常重要。

这一代的智能体也好、AI 模型也好，只要能达到人的判断能力和水平，就已经可以大规模商业化了。在这个阶段，AI学习更多的是人的正向数据，也就是人觉得能行、实际上也成功的数据。但未来如果AI要超过实验人员的认知，它要能预判人觉得能行但其实不行的反应。这时候，负数据才重要，这是下一步的事情。

李丰：在你们今天的应用场景里，需要调后端的基座模型、用云端的 token 吗？

夏宁：我们正在做的智能体会用，一些数据处理的工作也会用。现在的基座大模型在解决一些科学问题上能做到六七十分了。不过成本上我们现在不用承担，因为大客户们在内部都部署了自己的基座模型。

李丰：假定我们今天能替代的，是一个化学专业毕业、有 10 年工作经验的人。在一间中国化学 CRO 公司里，这样的人大概是什么薪酬水平？

夏宁：月薪 2 万左右。

李丰：那大概是二三十万年薪。我问这个的原因是：除去购买成本，后端还有 token 消耗成本，最终大家也得算算账—— 这个替代过程到底是省了钱，还是没省太多钱 ？

夏宁：客户非常重视这个问题。他们知道基座模型能做很多工作，但如果太贵，他们也不愿意用。所以我们有很大的一个工程性的工作要做，就是 帮客户省钱 ——我不能随意调用这个基座模型，只有在必要的时候调合适的模型，用最小的成本去调。

李丰：这非常重要。今天有一个很多人还没特别关注的问题：AI 跟以往软件最大的差别是，它每一次交互和调用都是有成本的，而原来的软件和数据库交互几乎成本为零。所以等大家开始关注成本之后，AI 最容易落到的应用方向，是替代有一定价值的场景，也就是它要替代掉的这些人，是值一定钱的。

夏宁：我相对乐观，我认为它的价格会不断下降，可能最终变得像电力一样低成本，那时人们就没那么在意了。

李丰：这个非常长期了。

夏宁：短中期，更多依赖于智能体层面的优化。但凡简单的问题，我们就用不花钱的、或者自己部署的模型； 把最好、最贵的资源和模型，留给最核心和最关键的问题 ，最终减少整体的 token 消耗 。

李丰：因为付费模式变了，从 SaaS 转向 agent 的时候，你觉得会发生什么变化？

夏宁：在相当长的时期，会是一个混合： 既有收基础版订阅费的SaaS，又有按调用付费的Agent 。因为有些问题客户用SaaS就能解决得很好，他们自然不愿意付更多钱。另一类问题，SaaS解决不好、用人解决又太贵，客户会愿意尝试智能体模式。假设我们跟用户收的钱不变，成本大头会变成token消耗，所以降本会成为我们的一个动力。

李丰：你们现在的客户里，跨国公司和国内企业分别占多少？

夏宁：从数量上说，目前国内客户多一些，但从付费总金额来看，国外现客户超过国内客户。

李丰：今天中国的管线类药企都在积极 license out（对外授权），这也是今年中国生物医药license out金额突飞猛进的原因。这件事会倒逼药企提高管线研发的速度、广度和效率——既要快、又要多、还要好。为了这个结果，他们可能会竭尽全力用上更多新的效率工具。这种需求你们感受到了吗？

夏宁：已经能感受到一些了。现在国内新药研发的速度和效率，跟欧美比其实已经有比较大的优势。但刚才我说为什么国外还多一些，是因为我们主要的客户以大型客户为主，而中国的这种大 MNC 还比较少。

李丰：这就像 2008 到 2012 年期间中国的精密制造产业——中国在果链中的占比接近一半，但造一台苹果手机中国公司占的利润总额非常少。现在医药有点像这个状况。

夏宁：对，需求端在国外，供给端在国内，而且这几年国内供给端的增量非常明显。照这个趋势，往未来看，不排除能像制造业一样，形成一个中国主导的「世界医药工厂」的模式。

不过我还有一个观察，印度在药物研发层面增增长也很快，增速不比中国慢。今年，我们的印度客户就增加了 30 多家，有CRO、CDMO（为制药企业提供从研发到生产的一体化外包服务的机构），也有一些做药的。所以我觉得，也许印度也有这个机会。

李丰：今天有一些国外的基座模型公司也慢慢拐到 AI for Science 上。你怎么看往后几年智化的机会和挑战？

夏宁：首先是一个机会。大模型能力的增强对我们是非常有帮助的，能让我们把整个流程做出来。

其次，我觉得大模型公司下场来做垂直模型不太容易。他们可能很难进入到企业的具体场景中去一点点做服务。也有很多人问，通用模型最后能不能把垂直能力直接做了，甚至做得更好？我觉得也难。我们内部做过大量测试，在垂直领域上通用模型能很快做到 50 分、60 分，再往上就非常非常难，基本达不到可用的程度。主要原因是通用模型底层更多是文本数据，而我们做的这种垂直模型更像一个多模态的数据。

而且大语言模型太通用了，如果要做一个垂直领域，做法还是搭一个小团队，像创业公司一样。但他们这个「创业公司」也没有太多所谓的优势——他们能用大模型，我们也能用。所以积累就显得更重要，或者说对客户场景的理解、跟客户深度的不断合作，这部分更重要。

李丰：那你觉得你们的挑战是什么？

夏宁：挑战更多是我们如何把自己的壁垒逐渐加深。它是一个长期的脏活累活，要不断投入资源，把地基打得更深，最后和大模型来合作——大模型把它们擅长的部分解决得更好，我们解决我们能解决的问题，双方互相结合、互相依赖。

李丰：因为 AI for Science比较火，你们也变得比较热了。你最近交流的投资人里，大家最容易误解的部分是什么？

夏宁：可能有两点。

第一，有投资人觉得我们一定要去做一个创新药、或者做一个新材料，市场空间才足够大。这在我看来是一个结果，而不是一个原因。我们做AI合成的目的是提高 DMTA 的研发效率，提高效率的目的是提升新药、新材料研发的效率——这时去做药、做材料才有巨大的优势。

否则，如果只是因为我要做一个药、做一个材料，那可能就和传统模式没有太大区别，就偏讲故事了。我认为要先解决工具效率的问题，再去把最终的目标调整到做完全创新的材料分子或者药物分子，这是我们在理解上的一个不同。

第二点是对市场空间的理解。他们看到的是过去工具软件的市场可能没那么大，不容易去想象未来工具软件结合了大模型、结合了智能体之后的市场空间。我觉得只要新的效率工具能够把之前没法做完的工作流全链条地做完，然后变成一个整体交付的结果，市场空间就不一样了。

李丰：转成智能体模式，飞轮效应会比原来的软件模式更明显吗？

夏宁：会更明显，主要体现在效率上。

李丰：假定有个跟你一样背景的人，在 2026 年上半年进来做跟你一模一样的事。你做了 8 年，回过头看，你积累的优势在什么地方？

夏宁：首先，整个技术体系经过了 8 年的打磨，这是一个非常漫长、要投入大量精力和资源的事情，对一个新进入的人来说，这个时间可能是省不了的。

其次，从客户的角度讲，现在再来创业做同样的事，有些市场窗口已经没有了。举个例子，头部客户已经用了像我们这样的成熟的产品，也和我们建立了非常深的合作关系，它要做切换成本会极高。这个我们之前做电子实验记录本的时候就看到过——客户已经用了、做了很多定制，你再让他改，基本上没可能。所以我倒觉得，创业做这块的最好时机可能已经过去了。

李丰：这个答案比我的问题还要残酷一些。最后作为收尾，你还有什么想跟大家分享的？

夏宁：AI for Science 是个很好的时代机遇。虽然它还在非常早期，但趋势几乎是必然的。10 年之后，是不是还主要是人在做科研？我觉得大概率主要是 AI 在做。

李丰：这也是个非常确定的中国机会，有点像2012年开始大力推的电动车产业发展规划。我们老讲弯道超车，弯道超车不是说你造出来一条道，而是正好出现了一个行业整体转向的机会，然后你综合了各种优势，在这条路上先跑起来了。

今天的 AI for Science，广义上是把数字化工具或者 AI 模型用在各种各样的科研领域里，去解决科学突破和发现的效率问题。我经常会打比方，这就像当时发明的显微镜——能看见细菌、细胞，使得生物医学领域的科学进展出现了广义上的许多突破。今天也有点像那个阶段。