专访Scinetics创始人张载熙：agent还不够，AI4S需要自己的「母语」

押注原生理解科学数据的基座模型。

作者 /企鹅

新物种 Sinovum 设立了对谈栏目。

视界线，是黑洞的边缘——一旦跨过，既有规则将不再适用，变化变得不可逆。 我们借用这个概念，关注那些已经越过“临界点”的技术与企业：方向开始收敛，选择正在锁定，新的规则正在形成。

我们关心的是：在巨大的不确定性面前，他们如何看见未来？又如何以一个个关键判断为支点，推动整个行业越过那道无形的边界？

故事，正在视界线上发生。而「新物种」将成为忠实的记录者，与你一同见证。

以下是该系列的第 16 篇。

-Intro-

过去十年，AI for Science 已经悄悄走过了好几个周期。“很多人还没看清上一个，下一个已经在水面下开始涌动。”张载熙对「新物种」说道。他是香港科技大学化学与生物工程系的助理教授，也是 Scinetics（科理新序）的创始人& CEO。目前，Scinetics 已完成首轮融资。

2019 年，AI4S 还是一个冷门方向。彼时的做法也朴素：找到一个具体的科学问题，设计一套算法，训练一个模型去解决它——比如预测材料的属性，或者设计蛋白质的序列。

但正在读博的张载熙，还是选择了这个方向。此时的 AI4S 正处在第一个周期里，为每一把锁配一把钥匙。

这个周期的巅峰之作是 AlphaFold2，它一举攻克了困扰生物学界半个世纪的蛋白质结构预测问题。张载熙也在这个周期里做出了不错的工作：分子筛选模型 MGSSL、药物分子生成模型 FLAG、蛋白质设计模型 PocketGen、RNA 药物设计模型 RNAGenesis，每一个都做到了细分领域的 SOTA。

但模型做得越多他愈发意识到，单点能力再强，也不等于科学发现的能力。

一次完整的蛋白药物设计，有时要协调二十多个工具、反复迭代，AlphaFold再强，也只解决了其中一步。张载熙用木桶的短板效应类比道：“单块板加高，桶里的水不会变多。”

行业也很快意识到了这点，AI4S 也随机进入了第二个周期，科学智能体的时期。

大语言模型开始充当科研流程的调度中枢，将分散的模型、数据库和实验工具串联为一体。如果说专用模型是深耕某个领域的专家，智能体则更像一位项目经理，未必亲自完成每个环节，却深谙何时该将任务交予哪个工具。这一时期，张载熙与团队开发了 STELLA、BioClaw 等科学智能体，并将相关技术落地于 LabOS 实验室操作系统。

但智能体仍然没有解决最根本的问题。今天的大多数智能体，本质上仍是一个语言模型在调度外部工具。

它可以调用蛋白质模型，却未必真正理解三维结构；可以读取组学分析结果，却难以直接推理背后庞大而稀疏的数据矩阵。科学数据有自己的语言，碱基序列、三维结构、表达矩阵、显微图像，而智能体的母语是文本和代码。于是整个流程变成一场反复的翻译：每翻译一次，就损失一次信息，误差沿着任务链逐级放大。

“专用模型解决一个点，智能体连接很多点，但中间还缺少一个真正理解科学世界的模型。”历经过去多个AI4S周期后，张载熙把下一个周期押注在AI4S多模态推理基座模型上。“Scinetics 想做的是一个多模态基座模型：DNA、RNA、蛋白质结构、组学矩阵、显微图像、实验记录，这些数据直接作为模型的输入，如同‘母语’一般，不再先转成文字。”

在这个基础上，模型可以对多模态科学数据做长程推理，他称之为“Chain of Science Tokens”，用一条连续的推理链，去解决系统级的科学问题。第一个版本面向生命科学，之后后张载熙计划覆盖材料科学、量子物理、航空航天和芯片设计等方向。

事实上，海外巨头已经先后入场。

2025年10月，Anthropic推出Claude for Life Sciences，把Claude嵌入生命科学工作流；今年4月，OpenAI推出聚焦生物推理的GPT-Rosalind；6月，Anthropic又发布了面向科学家的AI工作台Claude Science；Google DeepMind手上，则握有Gemini for Science平台和一路推进到药物设计的Isomorphic Labs。继语言、代码和多模态之后，科学正在成为基础模型竞争的下一个前沿。

毋庸置疑，下一个AI4S周期已是暗流涌动。

01.

十分钟，到二十年

之前一家做免疫方向的国家实验室，研究急性髓系白血病近二十年。这种血液肿瘤复发率高达 70%-80%，可用的靶点却极少。围绕老靶点设计药物，受基因通路和调控网络限制，有些副作用避不开，找新靶点的任务迫在眉睫。

“后面找到了我，在科学智能体 STELLA 私有化部署后，十分钟内交回一份候选列表，排在首位的靶点从未被文献报道过，也没人做过实验。实验室随后在多个细胞系上验证，拿到了初步的正向结果。现在他们正围绕这个靶点设计抗体药物。”张载熙希望，它能走到临床管线。

同样的工作换成研究人员来做，就需要——文献检索、数据库比对、候选初筛。“通常 要数天到数周，还不一定能找到有效的突破口。”他介绍道，十分钟对几周，不只是快慢的差别。STELLA 给出的最高优先级候选，不在这个研究了二十年的团队此前重点探索的方向里。

更重要的是，它展示了一种可能：AI 不只是加快检索和分析，也开始帮科学家拓展假 设空间，提出没人试过、但值得一验的新方向。

STELLA 在 2025 年 7 月上线，张载熙将其称之为第一个面向生命科学的自进化智能体。

STELLA工作原理示意图，来源：受访者

所谓“自进化”，是指它不只调用现成的模型和工具，还会从任务反馈中积累经验，把成功和失败的路径整理成可复用的思维模板，用于之后的类似任务。

STELLA 能在十分钟内给出一个没人试过的靶点，背后是他五年的单点模型积累。

2020 年的 MGSSL，从分子基序出发做预训练，用于分子筛选；2022 年的 FLAG，根据靶点蛋白生成小分子；2023 年的 PocketGen 做蛋白质口袋设计；2024 年的 RNAGenesis，用 RNA 基础模型设计小核酸药物。四个模型对应生命科学研发的四个环节，每一个都做到过当时的最好水平。

其中 PocketGen 被认为是全球首个蛋白质口袋序列与结构协同设计算法，斯克里普斯研究转化研究所创始人 Eric Topol 在《Science》的专家述评中将它与 AlphaFold 3 并列，实验效果超过了诺奖得主 David Baker 团队当时的 RFDiffusion 系列。

但单点模型做到这个程度，局限也就露出来了：单个任务再强，覆盖不了一套完整的科研流程，张载熙转向科学智能体。这也是学界看好的方向，《Nature Methods》（《自然·方法》）把面向科学的 AI 智能体列入年度值得关注的方法。

围绕 STELLA，张载熙和团队又做了两件事。

一是 BioClaw，把智能体接进即时通讯软件。他向「新物种」演示过一个场景：课题组在群里讨论 RNA-seq 的结果，艾特一下 BioClaw，把 deseq_results.csv 发进群里，让它画火山图、标出 FDR 小于 0.05 的基因，并返回差异表达基因的数量、上下调情况和重点候选。BioClaw 也有网页版和本地部署版，接进即时通讯是为了让研究者随手就能推进工作。

“这样，我们在出门时也可以用手机看一下现在实验的进展。”他表示。计算运行在本地容器中，敏感数据不会上传，这对不少实验室是硬性要求。目前 BioClaw 社群有 1200 多人，收到 500 多份共创者申请，并与美国生物科技上市公司 Ginkgo Bioworks 达成了合作。

二是 LabOS，把智能体带进物理实验室，将智能体、具身模块、视觉模型和可穿戴设备集成在一起。张载熙是这项工作的共同第一作者，相关成果曾在 2026 年的英伟达 GTC 、CES 上展示。

但这些全部做完，张载熙也触碰到了智能体这个方法的上限。

他在测试过近期上线的通用科学智能体产品，得出的结论和审视自家产品时一样：它更像一个工具调用的库，真让它提出一个新的科学假设，要么过度幻觉，要么过度保守。

“很多信息就是在调用、转换的过程中损失，产生误差。这种推理是一步步的，是错误累积的形式，所以最后它的错误会被放大得很大。”张载熙说。

所以，要再往前走一步。

02.

Scientific Token：科学智能计费单元

下一代 AI4S 基座模型要解决的第一件事，是把结构、序列、组学、图像、文献、实验流程、湿实验读数这些原本各说各话的科学数据，转换成模型能统一理解和处理的基本单元。

这样模型看到的不再是彼此割裂的文本、序列和图像，而是同一个科学问题的不同侧面，可以直接在它们之间建立联系、进行推理。张载熙把这种科学模态的基本单元称为 Science Token，这个概念第一次公开亮相，是在今年 7 月初上海的人工智能与生物医药生态大会（AIBC）。

张载熙提出的Science Token概念，来源：受访者

Scinetics 基座模型的第一个版本将聚焦生命科学的中心法则：DNA 到 RNA 到蛋白质，再到功能和表型。不同模态的数据在同一个模型中处理，在统一的表征空间中对齐，让模型能够跨越模态做长程推理。

张载熙的概括了四个方面：从 language token 走向 scientific token；从工具使用走向科学发现；从离线预测走向实验验证；从静态模型走向自我进化。

他给这个目标起的名字，是 AI for Science 的“ChatGPT 时刻”。与智能体的关键区别，在于推理发生在哪一层。

他的设想是，未来的科学基础模型能把 AlphaFold、ESM 等垂直模型各自干的事统一到一个模型内部，减少多模型调用和格式转换带来的信息损失，“直接在蛋白质的空间中做科学推理，而不是只能在文本层面做推理”。

但眼下能做到什么程度，张载熙向「新物种」也说得诚恳。“类似于 AlphaFold 那样的变革，从过去大概率大家觉得它 90% 都是失败，到现在 90% 都是成功。”抗体设计现在的行业水平，包括 Scinetics 自己最好的模型，十条设计序列往往只有一两条能成，这已经是 SOTA。他希望基座模型在这类标杆任务上做到 80%、90%。

AlphaFold 之前，看蛋白质结构靠冷冻电镜和 X 射线衍射；AlphaFold 出现之后，结构预测第一次在大量场景中成为研究者可以直接依赖的工具。而从 10% 到 80%，中间隔着一个数量级，目前也没有任何证据表明它能被跨过去。

真要跨，最后还是看数据。

对行业来说，scientific token 还有一层更远期的设想，成为一种标准化的交付和计价单元。今天的大语言模型的 token 衡量的是计算消耗。张载熙希望，未来的 scientific token 不只衡量计算量，还能对应一次科学任务产生的发现价值。“总结成一句话就是：Text token prices computation. Scientific token prices discovery（文本 token 衡量计算，科学 token 衡量发现）。”

这套计价方式仍在探索之中。

谁来定义一次科学发现的价值，如何衡量，如何在交付前定价，都还没有答案。但对张载熙来说，提出 scientific token 的意义不仅是一种新的模型表 示方式 ，也是在尝试为 AI for Science 建立一套统一的技术和交付标准。

03.

“最难的一环，在实验台上”

模型和数据准备得再好，科研闭环还有一半要发生在实验台上，这也是最难加速的部分。

不是没有设备，美国的 Ginkgo Bioworks 和国内不少公司都有成熟的自动化实验室方案。问题在于，设备主要面向高通量、高度固定的流程，一旦改动 protocol，重新配置设备和程序的成本就很高。“做了一个实验之后，想去做另外一个实验，需要花很多成本去重构它的程序和流程。”张载熙解释道，而探索性的、定制化的实验，也是科研里最有价值的部分。

Scinetics 的解法是用科学具身平台解决这个问题：搭建一个包含 200 多种实验仪器的沙盒环境，让模型在其中自进化迭代，训练出 Agentic-VLA 等一系列科学具身模型。

具体而言，是让智能体来管机械臂的训练。

STELLA+LabOS自动化实验室，来源：受访者

一个双臂拧离心管盖的动作，被拆成抓取、对准、咬合螺纹、拧紧四步，智能体自己写出检查工具，判断每一步有没有做到位，再写出恢复工具，在失败时重来一次。这些纠错轨迹又回过头去微调机器人的策略模型。

在合作实验室里，Agentic-VLA 等模型已经能连续完成一组酶活性测定。目前，稳定运行的时间仍以小时计。“如果是更长的周期，它其实是很容易发生一些错误，需要人在其中去做相关一些监督，还包括一些纠错。”张载熙说。

他还提到一类被系统性浪费的实验数据：失败数据和中间数据。论文发表的只是最终结果，合成产率、反应速度、中间图像，从来没有被整理成模型能用的反馈。在和一家国内合成生物学公司的合作中，Scinetics 部署了专门采集中间数据的设备，“用途之一是提前判断，做蛋白质合成、优化的过程中，有时候不需要等到最后一步才知道这条序列有用与否。”他介绍。

但当模型、数据和实验逐渐形成闭环，问题不只是如何让系统变得更强。另一个问题开始变得现实：这种能力的边界在哪里？

“答案也在我们公司的名字里。”张载熙具体说道，“Scinetics 是 Science 和 cybernetics 的合成，也是未来科学系统的控制论。”他对控制论的理解有两层：让系统变强，以及给它的能力划出边界。

而能力越强、门槛越低，第二层就越现实。十分钟找出一个没人试过的靶点，和十分钟找出一个不该被找出来的东西，用的是同一套能力。

这件事张载熙很早就在做。2024 年，他提出了生成式生物安全，围绕这个方向发过研究性工作和观点性论文，也是 NeurIPS 2025“生成式 AI 的生物安全保障”研讨会的核心组织者。

但在这样的科学系统里，人类扮演什么角色？

他的判断是现阶段人类依然是主导者。基础的科学数据分析，智能体和大模型都做得不错，但“去做什么方向，还有整体的科研的 taste，其实还是人类去主导的”。张载熙希望，智能体最终能自己提假设、主动探索，“从过去被动地拟合已有数据，到成为创造知识、引领发现的主角”，但现阶段仍处在初级的人机协同阶段。

04.

跨界物理、生物与AI的助理教授

把系统当成一个可以被调节、也需要被约束的对象，这个视角可以追溯到张载熙的本科。

他本科就读于中国科学技术大学少年班学院物理方向；后留校攻读人工智能博士，师从刘淇教授；同期赴哈佛医学院联合培养，师从生物医学AI领域知名学者Marinka Zitnik教授；后在普林斯顿AI实验室随王梦迪教授从事博士后研究。

王梦迪教授（左一）与张载熙（右一），来源：受访者

随后张载熙在腾讯量子实验室、微软亚洲研究院和百图生科均有相关工作经历。

回国前，张载熙手上有十多个海内外高校的教职 offer，其中一所美国 top 20 高校给出的 startup package 约 300 万美元，是该校面向新任助理教授开出的最大额度之一。此外还有国内外大厂和 frontier lab 的千万年薪邀请。

他最终选择了香港科技大学，并成立 HKSUT Scientific AGI Lab,。港科大给了张载熙的空间更大，也有着创业基因。他提到李泽湘和大疆等从高校科研走向产业的案例。在他的设想里，教授和创业者并不是两个需要先后完成的身份，而可以同时服务于同一个目标：把 AI for Science 从论文和模型推进到真实的科研系统。“我去香港科大，本来也是想创业的。”

张载熙把 AI for Science 和纯 AI 通往 AGI 的路径做了区分。

在他的理解里，AI for Science 不是 AI 单向改造科学，而是一个双向循环：先用 AI 加速科学发现，再让新的实验、发现和数据反过来训练更强的 AI，两者在同一个闭环里共同演进。也因此，这条路“会更加复杂一些”。

复杂的不只是技术。对于一家 AI for Science创业公司，另一个问题是如何让长期技术投入和短期商业化同时成立。

他并不回避这一点，AI4S基础模型需要持续投入，但公司也需要在企业合作中找到稳定的商业闭环，“在真正通往Scientific AGI前，AI for Science必将经历多个周期，我们也做好了以长期主义穿越周期的准备。”张载熙说。

- End -

超四千亿市值敲钟宇树走通了波士顿动力没走通的路

AI for Science下半场：谁在付钱，谁在犹豫｜AI4S Future Skills黑客松圆桌实录