Loading...
Loading...
以小博大，一家AI4S水下公司的野心「AI4S也有Coding的万亿未来。」
文｜胡香赟
编辑｜海若镜
今年5月，28岁的张载熙结束普林斯顿的博后研究，回到国内。在他面前，有几扇门同时打开：美国高校教职、AI大厂首席科学家和千万年薪。最终，他选择进入香港科技大学担任助理教授，并挺进了创业窄门，创立AI for Science公司科理新序（Scinetics）。
暗涌Waves独家获悉，科理新序近日完成近5000万元人民币融资。本轮融资由英诺科创基金领投，沂景资本、小苗朗程、麟阁创投跟投。
这或许是他既往人生中，为数不多的岔路口。从中科大少年班、直博，到哈佛医学院联合培养，随后进入普林斯顿王梦迪团队做博后。研究AI4S的青年PI，是当下创投市场最喜欢的创业者画像之一。
但创业的决策过程，他也曾纠结。
进入大厂，意味着更充足的算力、数据和人才配置；成为高校PI并创业，要比较独立地找人、找钱、找资源，技术和商业都有不确定性。
最终让张载熙下定决心做出选择的是“工作自主性”，他想主导自己的研究方向，而不是被更大的公司组织约束。他更享受从零搭建一套体系的过程。
创业前，张载熙和团队曾经做出过科学智能体Stella。去年，Stella上线后，服务了上千名科研用户，其中七成以上来自斯坦福、普林斯顿等高校和顶级实验室。相比自训基座模型，智能体落地更快、更容易接入现有研发流程，实现商业化。
不过，这条轻巧的路线，目前仍有局限。以大语言模型作为推理引擎，科学智能体在遇到蛋白质结构、核酸序列等数据时，会先将问题翻译为“自然语言”，再把文字指令交给模型执行。精细的三维结构和模态关系，在几次翻译转换中会出现“损耗”，智能体几十次交互也无法绕开误差。
博士期间，张载熙曾开发分子筛选模型MGSSL、药物分子生成模型FLAG等，在多个细分领域达到SOTA。但他判断，单点能力仍是不够，未来AI4S行业会集体走向多模态。所以，科理新序的核心是做多模态长程推理基座模型。
他提出了“Science Token”概念，希望把小分子、核酸、蛋白质结构等科学数据，转化成模型统一的表征单元，不再经过人类语言的转译，让模型在原生科学模态中推理，完成科学任务。
短期，他们将聚焦商业化路径最清晰的生命科学，未来逐步拓展至材料、工程等科学领域。
谈起未来，张载熙认为AI4S一定会出现GPT时刻、Coding时刻，且这是一个可能超越Coding的市场；他也相信自己所带领的小小团队，有实力开发出“大一统”的科学底座模型，成为AI4S领域里对标DeepSeek、Anthropic的基座模型公司。
技术革命初期，路线没有收敛，创业者才有“以小博大”的机会。近日，我们和张载熙聊了聊，此时投入AI4S创业，他究竟想赌一个怎样的未来？
对话（经编辑）：
Part01
AI4S，媲美Coding的万亿市场
暗涌Waves：2019年，你21岁，选择了AI for Science作为博士研究方向，现在回头看很有先见之明。这个赛道从冷变热，你的体感是怎样的？
张载熙：确实比较幸运，职业生涯转型刚好踩中了行业风口。
我读博阶段，这是一个非共识赛道，行业认知是“Science+AI”，AI是提升业务效率的附加算法工具，项目必须深度绑定具体药物管线，比如聚焦多肽药物，或只做蛋白质垂直模型。
现在AI4S朝着通用方向演进，市场普遍认为这个方向会迎来属于自己的“Coding时刻”。写代码赋予了人类在数字世界创造事物的能力；AI4S则是在变革人类底层科学探索、发现新知识的能力,市场价值可以比肩甚至超越Coding。
从Alpha Fold从1到4的迭代，可以清晰看到AI能力正迅速变强。需要被研究的科学问题没有巨变，但新算法让过去难以建模、难以预测的任务，具备了解决条件，更多科学模态的纳入，让模型能力更强。
暗涌Waves：Science其实是覆盖非常广的方向，现在创业投资的主流技术路线有哪些，技术路径上有收敛的趋势么？
张载熙：客观说，现阶段的AI4S赛道噪声不小，AI4S从业者主要基于自己既往背景做布局，还没有在技术路线上形成共识，难以判定孰优孰劣。
首先是科学智能体，主要靠调用外部工具完成科学任务。优势是落地快、能迅速嵌入现有研发流程，商业验证周期短，因此诞生了不少初创公司。
大厂也都在做，如Anthropic的Claude Science、OpenAI 的GPT-Rosalind。不过，他们的主战场还是Coding等更general的方向，科学方向属于占位式布局、浅浅试探。
第二是虚拟细胞。受Arc Institute相关工作和论文影响，虚拟细胞从去年起热度暴涨。理论上，它在电脑里模拟细胞受药物、基因编辑后的变化，能提前批量筛掉无效候选，压缩研发时间和成本。行业期待很高，发展速度也比较快。
第三就是我们选择的AI4S基座模型方向。这是一种“自下而上”的路线，聚焦底层分子相互作用，从分子机制推导疾病、基因调控网络等上层现象。
暗涌Waves：去年你们上线了科学智能体Stella，据说反馈也不错，为什么没有选择这条更轻巧的路线？
张载熙：Stella去年上线后，服务了上千名科研用户，七成以上来自斯坦福、普林斯顿等名校和顶级实验室，MIT的张峰教授也使用过。
但我们发现，科学智能体范式有个根本性问题：
它本质上是把科学问题翻译成自然语言让模型理解，再翻译回结构指令让工具执行。很多精细的三维结构信息、多模态之间的微妙关联，会在翻译过程中丢失。
这是范式本身的天花板。你当然可以在智能体框架上不断加工具、加流程，但只要底层推理还基于文本完成，这个瓶颈就一直在。
暗涌Waves：可以举一个智能体做不出来的例子么？
张载熙：比如蛋白质局部结构优化。要把某个侧链朝特定角度旋转5度，形成氢键或者其他分子相互作用，这高度依赖3D空间的精细推理设计。
如果用智能体做，就是让大语言模型输出文本指令，再调用RF diffusion这类结构扩散模型去执行。但结构模型本身没办法很好理解文本信息，工具输出结果又要转成字符串、截图，再反馈回大语言模型，智能体读得云里雾里，好像对，又好像不太对，只能继续迭代。
就这个步骤，我们尝试了很多智能体，反复交互过几十遍，浪费了大量Token，结果是跑了一堆用不了的东西。根源就是，没有原生的科学模态推理能力。
Part02
小天才的大梦想：多模态科学底座模型
暗涌Waves：所以你认为必须开发AI4S基座模型？有了基座模型，可以解决“跨模态翻译”问题？
张载熙：既然翻译会产生损耗，就不翻译了，让模型直接在原生科学模态空间内，做针对多模态科学数据的长程推理（Chain of Science Tokens）。这一基座模型，也是我们公司的核心产品。
我们针对组学、蛋白质结构、分子化学式、核酸序列等各类科学模态，开发了离散Token化方案，把各类科学信息转化为统一的Science Token输入模型，不再依赖人类自然语言做抽象中转，更贴近科学本质。
模型训练分预训练、mid-training、后训练三个阶段：其中，预训练建立多模态生命科学表征，mid-training学习从序列到结构、功能和细胞表型的跨层规律，后训练重点增强长程推理能力。
AI4S基模训练框架（图源：科理新序）
暗涌Waves：这种长程推理，跟既往垂直小模型解决单点任务，有什么不同？
张载熙：比如做酶设计，不再一步出结果，而是像人类科学家一样分步推理：先搭建酶的活性中心，它决定催化功能的核心区域；再搭建蛋白质支架，把活性中心撑起来；最后补充侧链、微调细节。
这套长链条推理能力，是传统垂直模型、工具调用智能体不具备的。
暗涌Waves：把各类科学信息转换成“大一统”的Science Token，听起来更性感，但小分子、核酸、蛋白质等数据结构差异很大，为什么你们团队可以做？
张载熙：Science Token首先要解决的，是让模型读懂不同科学模态。
过去，围绕小分子、核酸、蛋白质、复合物和跨模态文本，我们分别做过相应的基座模型。从数据收集、模型搭建到训练，完整地走过。因此，团队知道每类科学数据应该怎样编码，不同模态之间又该如何对齐。
同时，做Stella、BioClaw等智能体时，我们积累了大量长链条推理数据，也摸索了通过后训练增强推理能力的方法。
另外，干湿闭环也很重要。Stella除了计算和算法模块，也接入了自动化湿实验。我们在靶点发现、抗体优化、小核酸设计等任务中，跑通过干湿闭环案例。因此，也清楚AI 应如何对接真实科研任务、连接自动化实验设备。
模型进化，需要主动获得大量高质量数据。干湿实验闭环，可以支撑我们持续获取训练数据、持续迭代。
暗涌Waves：从目前的探索结果来看，这个基座模型的能力如何？
张载熙：在蛋白质结构预测、蛋白功能注释、RNA二级结构预测、DNA突变预测等单项任务上，已取得不错效果。
我们对这个结果不是很惊讶，毕竟科学系统本身就是复杂多模态体系，如果能把多模态信息全部纳入模型，从全局视角做设计搜索，自然更容易得到更优解。
目前，我们在探索下一代模型训练方式，比如尝试AI for AI，Recursive的训练范式，挖掘科学内在规律、拓展更多模态，或提升模型参数量，以此强化长程科学推理能力。我们期待沿着这个方向，能实现AI4S基座模型的ChatGPT时刻。
Part03
以Science Token为商业模式
暗涌Waves：从定价和商业化上看，Science Token会带来新的商业模式吗？
张载熙：是的。不过，Science Token和文本Token的定价逻辑不一样，后者定价主要参考算力和电费成本，但Science Token除了考虑这些基础成本之外，还要衡量它背后的科学价值。有些领域，比如小核酸，数据非常稀缺，对应的Token价值自然更高，定价要体现实际的业务价值。
我们希望成为AI4S领域对标DeepSeek、Anthropic的基座模型公司，探索以Science Token作为计费单元的商业模式。
暗涌Waves：用Science Token计费，理想的买方是谁、具体用在什么场景？
张载熙：比如药企。当模型能力足够强之后，我们不需要花大力气做BD，绑定单条管线做交付。抗体管线、多肽管线、小核酸管线，各类任务都可以承接。
这时候计价单元就可以基于“消耗了多少Science Token解决这个药物设计问题”。就像Coding，不会按代码行数或模块来定价，客户信任模型能力，直接调用服务，消耗多少Token就付多少费用。这能省去大量BD个案的谈判工作。
暗涌Waves：如果这个模式能实现，它也会成为AI4S基座模型企业通行的商业化路径吗？
张载熙：Science Token还是我们提出的独有概念；至于衡量长链条科学推理数据质量的标准，及其计费标准，在全行业都没有成熟方案。我们和一些AI大厂交流时，他们也没太想清楚这件事。所以它还是一个非常早期的商业想法，需要行业共同推动形成共识。
暗涌Waves：从一级市场视角，我们能看到不少投资机构和资金在涌入，但这个方向目前的融资声量跟大模型、具身相比，还差得很远。你觉得大家的分歧在哪里？
张载熙：市场上存在两种极端心态，都可能造成投资决策犹豫。
一部分投资人认可AI4S万亿市场，相信AI科学平权，希望每个人都能释放想象力参与科学探索，他们的怀疑点在于：现阶段的技术能力，能不能把这件事做成。另一部分人则把AI4S市场看得比较小，觉得客户只有高校师生和PI，付费能力弱。
既往，市场对垂直模型具备清晰认知，但投资人对“大一统”的科学基座模型评判标准更严苛。因为他们觉得Harness加垂直领域小模型，足够解决科研需求。从用户端，很多科研人员虽向往更智能化的基座模型，但受惯性影响，习惯了调用工具化专项模型，这也是个矛盾点。
暗涌Waves：怎样的投资机构更愿意押注于AI4S基座模型？
张载熙：一些投科技的市场化基金，及部分曾深耕过制药领域的投资人。他们理解现有研发体系里的“历史技术债”，就像“屎山代码”一样：药企内部集成上百个小模型，每个环节信息传递都有损耗，维护成本极高。
因此，他们从系统工程的逻辑判断，AI会是变革这些的最强力量。这类投资人更愿意押注基座模型路线。
投资人的共识性要求是：必须快速迭代模型，抢占领头羊位置。团队配置上，我们已经把过去学术界和部分工业界大厂做AI4S基模研发的核心人才聚过来了，技术积累比较扎实。我们本来希望在今、明两年能达成一些商业化订单，但投资人觉得，短期内不需要过度在意这点，优先把模型能力做出来更重要。
和Jeff Dean押注同一方向，27岁清华助理教授创业，两个月融资数亿文｜王欣逸
编辑｜张雨忻
今年，用AI自我改进AI，几乎成了海内外头部实验室的共识。
近一年来，OpenAI创始成员Andrej Karpathy、前Meta FAIR研究总监田渊栋、前DeepMind首席科学家Jeff Dean都相继加入RSI（Recursive Self-Improvement，递归自进化）创业的热潮。
发生在RSI身上的，几乎是一个和世界模型高度相似的故事——即使是最先进的实验室，也没有探索出关于递归自进化的突破性成果，技术的不确定性，很快被宏大的叙事与火热的资本市场淹没。田渊栋就是一个典型的例子，今年5月，他所在的创业公司Recursive Superintelligence在还没有交出成果的时间点上，却已官宣完成6.5亿美元融资，估值推高至46.5亿美元。
这股热潮也蔓延至国内。今年1月，就读于哈佛和MIT联合培养项目、即将博士毕业的陈勇超，正站在职业选择的岔路口：一边是DeepMind的工作邀约，以及多家专注做AI自动科研的海外初创公司抛来的联创橄榄枝；另一边，是他等了两年的创业Timing，恰好在此刻到来。
他想做的是，训一个能自进化的通用模型，让它在一套能自进化的Harness之上，独立完成人类科学家在做的研究，包括构思想法、检索文献、跑实验。
经过一系列的考量，他选择了后者，回国创立了超衍智能（Apex Intelligence），专注做自主进化的基模研发，并同步入职清华大学。
27岁的陈勇超，成为了清华大学人工智能学院有史以来最年轻的助理教授，他在7月正式官宣创立的超衍智能，也在短短两个月的时间内完成了两轮亿元级融资。
《智能涌现》获悉，近日，超衍智能已完成近4亿人民币天使轮及天使+轮融资。天使轮由IDG资本、星连资本、晶泰科技联合领投，德迅资本、无限基金、初心资本、云岫资本跟投，汇聚了头部美元基金、产业资本及市场化投资机构。天使+轮则由北京、深圳、上海三地头部国资——中关村科学城基金、深创投、上海未来产业基金联合领投。
本轮融资将重点用于基础模型与算力基础设施的构建、递归自进化技术的研发投入，以及核心团队的扩张。
这是一支由Researchers主导的创业团队，超衍智能创始人陈勇超曾在Google DeepMind、Microsoft、IBM等海外实验室做大模型相关研究，团队核心成员来自字节、Kimi、智谱等头部大模型厂商，有一线模型研发经历。
不同于做Agent层的RSI，超衍不聚焦于做AI for Science的Harness和应用，而是探索基模层的递归自进化能力，让每一次研究任务生成的轨迹变成训练数据，用于改进模型，并进一步攻克更难的问题。
在超衍内部，这套逻辑被概括为“Research is the engine of RSI”，即研究是递归自我改进的引擎。它的最终目标，是用一套递归智能系统连接数字世界与物理世界，将统一的能力拓展至AI、数学、物理、芯片设计、机器人、工业制造、化学、生物等各个领域。
“Coding平权之后，下一波会是Research的平权。”在陈勇超看来，AI的自进化，正在成为现实。
他手上的第一个有力证据，来自今年5月，他们让公司的自进化AI System自主产出了34篇论文，结果相当惊喜，这些论文提交到ACL Rolling Review（ACL系列会议的统一审稿平台）后，有11篇拿到了3分以上，这是一个不低于博士水准的初审分，其中，还有2篇论文的分数超过了99%的人类研究员。
“很多想法都挺让人眼前一亮的，有些论文几乎达到了博士生水平，这在我们的意料之外，但也在情理之中，因为这个时刻迟早都会到来。”陈勇超说。
论文之外，从AI自主进行AI方向的研究，到在数学等基础科学领域的探索实验，超衍的AI系统已在多个高难度研究领域完成初步验证。目前，公司内部已沉淀数万条高质量研究轨迹（Research Trajectories），涵盖专家轨迹、合成轨迹和AI自主生成的研究轨迹。
△研究是递归自我改进的引擎，图源：企业
如果要把智能的演进放在一个坐标轴上，陈勇超认为，它不是平滑上升的，而是沿着S型曲线，突破一个瓶颈、快速爬升、然后平缓，再等待下一个瓶颈。现阶段，我们正处在上一个属于Scaling Law拐点的平稳阶段，正在等待新拐点的出现，以及下一个智能快速爆发的时刻。
陈勇超对这个拐点即将发生坚信不疑，“时代不可能等你，这和两年前不做大模型、一年前不做具身智能的情况是一样的，RSI在现在就是最好的创业时间点。”
关于回国创业、选择RSI方向以及对智能演进的思考，我们带着一系列问题，来到了清华大学人工智能学院的办公室，与他展开了交流，以下是《智能涌现》和陈勇超的对话实录，略经摘编：
模型的稳定性和创新性，是对抗的
智能涌现：为什么今年RSI突然爆发了？
陈勇超：很多人认为是模型能力到了瓶颈期，需要探索新路径，我觉得这是次要原因。最主要原因是，技术的转折点已经来临，模型已经强到一定程度，能够做很多人类研究员做的研究了。这也正是我们探索的方向，训下一代模型，让它能达到甚至超越人类研究员的水平。
智能涌现：用简单的话解释，自进化的模型和现在的大模型有什么区别？
陈勇超：现在的大模型是求稳的模型，给大众用、保守的、不想让它犯错的模型。比如，问它100个问题，它能回答出95个，剩下答不出来的问题努力让它减少幻觉，或者让它直接回答不知道。
但自进化的模型是注重创新性的模型，它对稳定性要求不高。比如，你问它一个问题，它答不出来，但我们期待它能提出100种不同方法解决这个问题，其中99种错得再离谱都没关系，只要一种对就行。也就是说，探索过程中要允许大量方法失败，但只要其中一种被证明有效，系统就能识别它、保留下来，并且将这次成功转化为未来可以复用的能力。
模型创新性和求稳性很多时候不可兼得，模型过于求稳保守，其创新性就会弱。有的时候我们甚至发现，模型通用的评测结果越好，创新性越差。
智能涌现：要实现模型的自进化，关键的技术卡点在什么地方？
陈勇超：第一是模型提出天马行空想法的能力；第二是自主执行能力；第三是验证能力。目前，模型能否提出好想法，筛选出好想法后自主执行下去并做好验证，是特别大的卡点。
智能涌现：这些卡点可以通过什么方式来解决？
陈勇超：模型的训练方法以及模型架构，尤其是上层架构，都要做一些调整，数据也有很大变化。比如，用一些对抗性的训练方法，让一个模型扮演不同的角色：既能提出好的想法，也能自行评估，判断这个想法在合理性、创新性上表现如何。通过迭代式的自我改进方法，让想法越来越好、创意水平越来越高。
智能涌现：为什么先从科研场景先尝试模型自进化能力的落地？
陈勇超：科研场景对聪明大脑的需求最为迫切。自进化本身是在追求智能上限，也就是对标甚至超越人类研究员。它通常会瞄准那些处于智能上限、最需要创新性的场景。
智能涌现：AI for Science、AI Scientist、Auto-research和Recursive Self-improvement，这几个词之间是什么关系，有重叠吗？
陈勇超：在我看来，RSI、Auto-research和AI Scientist虽然不是字面意义上的同义词，但本质上指向同一个目标，就是构建能够自主开展研究、并在研究过程中持续提升自身能力的通用研究智能。AI Scientist描述的是这种系统扮演的角色，Auto-research描述的是它自主完成研究的过程，RSI描述的则是它根据研究结果不断改进自身的机制。
AI for Science和它们不在同一个概念层次。AI for Science描述的是AI被应用在哪里，即利用AI解决科学问题；它可以是一个科研工具、一个垂直领域模型，也可以是一个完整的自主研究系统，但并不必然具备自主研究和自我改进能力。
尽管Auto-research和AI Scientist出现得更早，但很多做这两个方向的人把这个概念做窄了，Auto-research并不只是搭一个Agent写论文，AI Scientist也并不只是训练一个垂直领域的小模型。它们真正要解决的问题是，训练出一个通用模型来超越人类研究员，让AI成为人类员的Coworker。
智能涌现：RSI可预见的上限是怎么样的，能达到什么样的水平？
陈勇超：这取决于它最终能成为人类哪个level的研究员，这个很难讲它最终能到清华等顶尖高校博士生水准，还是牛顿、爱因斯坦水准。
智能涌现：智能爆发式增长可能会出现在什么时候？
陈勇超：我觉得会有一个拐点，可能会发生于模型在某些环节的效率比人高，或者创新能力跟人差不多的时候。它是按瓶颈和阶段推进的，某段时间一旦突破了一个瓶颈，就会呈S型曲线上升，先快速发展，之后逐渐平缓，那时你就会开始等待下一个能突破的瓶颈。
智能涌现：现在智能处于什么阶段？
陈勇超：第一个S型曲线是Scaling Law，现在正处于第一个S型曲线接近饱和的阶段。现阶段模型的迭代，其能力进步已经没那么快了，已经到了S型的上端。RSI可能是下一个S型，也可能是帮助发现许许多多S型曲线突破瓶颈的方法论。
像人类科学家一样做研究
智能涌现：从整体来看，你们现在在做的事情有哪些？
陈勇超：我们做了一个做自动化科研的AI System，让它来做AI for AI、AI for Math，以及各个学科。同时，我们也在训练自己的大模型、建立能够评价大模型在研究领域能力的benchmark。
智能涌现：这个自进化AI System独立完成一个科研项目，其端到端的过程是怎么样的？有没有具体的案例？
陈勇超：这跟人类做研究很像，并且，它像人类科学家一样“全栈”，能自己动手做实验：自己构思想法、做实验、连GPU、搭建环境、训练模型，最后根据实验结果改进方法，并把成果总结成报告、代码仓库、产品或论文。
比如，它现在能帮数学家发现数学上的重大突破、证明定理；也能做AI领域的事，自己优化AI训练里的内核、数据分布、算子；还能做机器人VLA的数据仿真与VLA架构改进。
智能涌现：在这个系统中做一个项目的研究，周期一般是多长？相比人类做研究，它的速度能快多少？
陈勇超：这取决于研究难度，难度比较大的项目，AI可能要做两三周，但相比人类已经非常快了，人类的话可能要做好几个月甚至一年。
智能涌现：这个产品已经上线了吗？
陈勇超：最近已经上线了，正在小范围内测中。
△自动化AI研究系统原理，图源：企业
智能涌现：关于你们现在正在训的模型，可以展开讲讲吗？
陈勇超：首先，这个模型肯定是个大参数规模的模型。
它跟上一代模型很大的区别是，我们注重创新性和研究能力。它可能在一些通用能力上，如编程、数学比闭源SOTA模型差一些，但在完整的研究能力上会显著更强。
智能涌现：你们是从头开始训模型吗？
陈勇超：我们现在还是基于开源模型做中训练和后训练，做预训练还需要更多的资金储备。
智能涌现：现在你们的模型能达到什么效果？
陈勇超：我们自己看下来，有的方面比较惊艳，比如在数据自进化、Harness自进化上，但目前只能做较小的优化，想要在创新性上做很大的突破还比较难。
我们想先训一个通用的模型，它能做很多领域的研究，比如AI for AI、数学、机器人、芯片设计、量子。其中，通用模型的很多数据会包含各个领域，之后基于通用模型做微调，它也能在垂直场景中快速落地。
智能涌现：为什么先做通用模型，再慢慢做各种垂直场景？
陈勇超：很多领域的创新来源于毫不相关领域的启发，如果你只用垂类领域的数据训模型，它可能在局部任务上越来越强，但整体智能反而会下降，也就是我们常说的“灾难性遗忘”。
比如，我想让它做AI for大模型，让它所有的训练数据、研究轨迹，全都来自AI自己训大模型的领域。结果你会发现，它就可能逐渐过拟合这一分布，遗忘原本具备的数学、物理、化学乃至常识推理能力。如果它连常理都能忘掉，智力就会退化，它可能越来越擅长重复已有的大模型研发范式，却越来越难跳出局部最优，产生真正具有突破性的新方法。
智能涌现：你们最近还发了一个Benchmark，叫ASI Bench。
陈勇超：是的，这是一个评价模型探索能力和研究能力的Benchmark。ASI和AGI的最大区别是，ASI能探索模型提高智能上限、探索世界未知知识。现在还没有一个很好的Benchmark来评价模型的探索能力和研究能力，所以我们做了这个。
智能涌现：和RSI直接相关的数据非常少，你们如何突破呢？
陈勇超：数据是一个非常核心的问题。无论是研究类数据，还是递归数据、Auto-research数据，这些都和大模型的数据不同，它需要的是一条完整的研究轨迹数据。
这种研究轨迹非常难获得，因为它都散失在研究过程中了。大家最终留下的往往只是报告、产品、论文，那只是结果；而中间试错、成功与失败的过程轨迹，是根本没有保留下来的。
不仅如此，最顶尖的研究员、人类科学家那些“灵光一现”的时刻，很难被数字化地记录下来。比如王虹证明挂谷猜想，基本就是今天想一些、睡一觉，明天再想一些、再睡一觉，想要记录下整条思维链非常难。我们也在做这方面的探索，尝试把它复刻出来。
智能涌现：这么说，让AI改进AI自身，其实也是在模仿人类自我改进的过程。
陈勇超：对，最聪明的人往往都会自我进化、自我迭代，通过与外部反馈、与自己、与世界互动，来不断提升自己。我们要模仿的，就是这个过程。
一条研究轨迹包含很多内容：怎么构思想法、处理信息、搜集信息、执行实验，以及如何根据实验结果来调整下一步计划。
智能涌现：关于把研究轨迹数字化，你们做了哪些探索？
陈勇超：我们在构建领域专家生态，邀请各领域专家一起合作，请他们尽可能复现他们的研究轨迹，并用AI可以理解的方式无信号损失的记录下来。目前行业里基本还没有这一类完整研究轨迹的数据。我们目前已有的数据包括：与专家合作构建的数据、AI合成数据、以及用户自愿选择分享的产品使用数据。
智能涌现：训一个模型需要多少量级数据？
陈勇超：这个说不好，数量上很难用“多少T”来衡量，因为一条数据本身就包含很多步骤、很多轮交互。更合理的衡量方式，是按项目数量，或按轨迹的数量与长短来评估。
只做Harness层的商业化，很容易被模型吞掉
智能涌现：你从2月份做RSI到现在差不多半年了，从当时非常坚定地入场，到现在为止，你的体感怎么样？
陈勇超：不管在技术上还是资本市场上，当时的想法都得到了验证。
我的判断依然很坚定，第一代大模型（如ChatGPT）替代白领，具身智能替代蓝领，而ASI将替代人类科学家，也就是那些拥有博士学位、“最贵也最聪明”的一批人。
智能涌现：你们在商业化上有什么思考？
陈勇超：Harness层很容易被模型本身吞掉。只做Harness层的商业化，即只提供一套能自动科研的系统，其上限非常明显。因为模型训练到足够好之后，它可以自己优化自己的Harness。
我们团队最初把Harness自进化和模型进化放在一起做，很明显发现，Harness自进化做到一定程度以后就无法更进一步了。
智能涌现：目前你们的自进化AI System的商业化还没有起步，感觉你们并不急于商业化？
陈勇超：从上一代模型中我们就可以看出，一开始过多考虑商业化会很拖累模型训练的研发，考虑的越多，精力越被分散。我们希望更聚焦，把大量的精力和人力投入在我们研究型基础大模型训练中。
智能涌现：你们设想的商业模式是怎么样的？
陈勇超：我们本质上还是个基础模型公司，因此我们的商业模式本质上还是卖Token，只是Token的形式可能会是API、可能会是一个类似Claude Code一样的半成品、也可能是一个以解决方案呈现的Token集合。便于大家更好的理解，做个类比，Claude Code是Vibe Coding，我们的自进化AI系统是Vibe Research，卖模型以及Harness，让用户可以基于这个系统做各种研究。
智能涌现：今年你们有什么目标吗？
陈勇超：我们的自进化AI系统会上线，顺利的话，年底或明年年初会发第一版模型，这个模型在研究方面会全球领先，同时，在某些高价值领域实现落地。
智能涌现：这个模型会开源吗？
陈勇超：可能会，还没有最终确定。
智能涌现：你之前说可能还会推出其他产品，他们会是什么样的呢？
陈勇超：我们现在的产品基本有两类，跟ChatGPT类似：一类是aPaaS（低代码平台），另一类是像Claude Code这样的CLI（命令行）端。其中，第一类正在推向更多人使用，第二类可能要等模型出来之后才会上线。
智能超过人类的时刻，早晚会到来
智能涌现：你是什么时候发现这一代模型已经能达到人类研究员的水平了？
陈勇超：今年5月份，我们有一天突然发现，我们搭的自进化AI System生成的一些想法还挺让人眼前一亮的，生成的论文差不多能达到清华博士的水准了。比如，当时AI提出了一个挺有意思的想法：基于VLM来训练VLA，和自己端到端从头训练，两者是不一样的，在最后的编码器和解码器空间上，在特征上会产生很大的差异。
当时我们让这一系统生成了三十四篇论文，提交到了ACL Rolling Review（ACL系列会议的统一审稿平台）中，其中有11篇拿到了≥3分的初审分，这个分数意味着，这些论文可能会被Findings（ACL的论文集）接收，也可能被收录进主会。其中，我们还有两篇论文的分数，超过了99%人类研究者。
智能涌现：这个结果在你看来是意料之中，还是意料之外？
陈勇超：拿到结果时我非常意外，但意料之中的是，这个时刻早晚会到来。
智能涌现：目前有像你们一样拿到实质性结果的公司吗？
陈勇超：在ACL Rolling Review上拿到这么高分的，全球范围内只有我们一家。
智能涌现：你之前有提到，利用你们的自进化AI System在数学领域改进了一项沿用十余年的结论，这具体是什么？
陈勇超：我们和清华大学交叉信息研究院的张景昭老师开展的一个合作，用我们的系统探索一些有意思的数学问题。
智能涌现：人人都能做研究，这会在什么时间点实现？
陈勇超：和Vibe Coding一样，Coding能力经历了一系列变化：从给高级码农用，到给初级码农、普通人用，再到现在几乎不需要人，AI自己就是一位高级码农。
AI自动做科研现在所处的阶段是，能帮助非AI专业的本科生发AI领域的A会论文，让本科生达到博士生的科研能力，也能在数学物理等领域发现一些人类觉得比较有价值的研究，但是想要AI实现那种创新性重大突破还有不少距离。
智能涌现：RSI在未来的发展有哪些节点？
陈勇超：首先，让AI接管那些纯粹在电脑里就能完成的研究，之后，不断扩大AI能覆盖的范围：一边延伸到更困难的计算任务；另一边，延伸到需要在真实实验室里动手做的实验，比如生物实验、材料实验。
总而言之，在广度上，它要成为各领域的专家；在深度上，它可以去攻克那些人类花很多年都做不出来的难题，比如数学领域，突然发现一个百年都未能证出的定理。
RSI的Timing，已经到来
智能涌现：你本科在中科大，主修理论与应用力学，博士又去哈佛、MIT，做各种各样的方向，最终为什么要回到AI这个领域了？
陈勇超：这是一段漫长的探索。我小时候的梦想是做基础科学、当科学家。从本科大二就开始进实验室做基础科学的研究，一直到博士的博一，我转了很多方向，比如力学、金属材料、核聚变，还有AI for Science。我给自己定了个规矩：每个方向都要做出比较好的一作的论文，再换其他的方向。本科时期的论文和研究成果，已经足够博士毕业。大二的研究课题，我以共同一作发了Nature Communications。
在大四的时候，在MIT暑研的导师特别看好AI for Science方向，我就去做了，那个时候大模型还没有出来。当时我发现做AI for Science最大的问题是数据，只有好数据能训出好模型，而且当时模型的泛化性特别差，任务或者场景稍微改动一些，它的能力就会变得非常差。
因为机缘巧合，我在哈佛的第一年开始做机器人的强化学习；之后就一直在做大模型相关的研究。当时并没有Recursive这个词，但我们已经经常运用自进化的思想做研究了，比如，让AI自己来优化自己的提示词、数据分布以及训练算法。
智能涌现：为什么说经过这么多转折，最后确定了RSI这个创业方向。
陈勇超：以前不做这个方向，是Timing没到。
我做Recursive Self-Improvement这个方向很早，2022、2023年的时候我的大部分研究就已经引入了RSI的很多理念，比如数据自进化、模型通过实验结果优化下一轮的实验参数、大模型自主训小模型等等，只是那个时候大家用的还不是RSI这个词。
真正让我发现它在产业界有很大价值，是我2025年在谷歌DeepMind做研究的时候，当时就在做Auto-research，我的Leader想让我优化整个Auto-research Pipeline。当时我对这个方向有顾虑，觉得那个时候模型还没那么强，做不出来人类觉得特别好的研究。
智能涌现：后来你看到了什么样的现象让你觉得模型能力已经非常强了？
陈勇超：今年2月，Claude Opus 4.6发布。我发现能够做出来一些人类觉得有价值的研究。
它的能力是一种若隐若现的朦胧感——它有很多能力让你觉得很惊艳，有很多能力让你觉得很不足。但正是那些惊艳能力，让我觉得这个方向很值得进一步做，而且是创业公司很好的机会。
当时我们发现，在独立完成从提出问题到得出结论的研究过程中，如果用一些开源Auto-research产品接入模型，表现都不理想。但给模型一个足够好的Harness，或者足够多的提示词，模型就能把很多任务完成得很好，甚至具备一些人类科学家的能力。
智能涌现：你是什么时候打算创业的？
陈勇超：两年多前。
智能涌现：为什么那个时候想创业？
陈勇超：有两个方面的原因，一方面是我慢慢发现AI的研究只能靠去大公司，或者自己创业，才有机会做出很有影响力的东西，另一方面是我遇到了很多也有创业想法的Researcher，时不时会一起碰撞对下一代大模型的观点，我当时的想法是，RSI是LLM和具身智能以后的第三波大机会，RSI需要训一个通用的跨领域模型，需要有很多模型训练的经验，以及跨领域的科研背景，这和我的个人经历是高度匹配的，果断决定All in创业。
智能涌现：DeepMind的offer，以及一些公司的联创邀请，你都拒绝了，做这些决定的时候内心有没有挣扎？
陈勇超：今年1月份，我挣扎了一个月。很多offer开的薪资很高，位置也很高，有些也挺诱人的。
很多人给我建议，在DeepMind待一两年再出来创业可能会更好。但你等不了，时代不可能等你，这和两年前不做大模型、一年前不做具身的情况是一样的，RSI现在就是最适合开疆拓土的时间点。
智能涌现：有哪些外界的声音，或者你自己个人的判断，认为自进化一定是第三波的机会？
陈勇超：只听外部声音是不准的，你需要自己去感受。二月的时候，我们搭了早期的自进化AI系统，搭上前沿模型，发现它已经能产生一些比较有实际生产力价值的成果了。
不仅如此，我们认为，仅通过Scaling Law是没办法让模型实现做创新性研究的能力，上一代模型和RSI的模型也完全不同，这是OpenAI和Anthropic难以垄断的方向。
智能涌现：为什么选择回国创业？
陈勇超：前期有很多人给我建议，提到过三个地方：中国、美国、新加坡。
从RSI创业角度来说，在哪个地方更重要、更有发展，我觉得是中国。
图片来源｜企业供图
Latent Labs：Alphafold 3 发布两年，AI 药物设计进展到了哪一步？作者：Daniel
编辑：Cage
我们认为，AI for Science 是 AI 继 Coding 之后的下一个重点方向。而药物发现又是其中最有前景的赛道。一方面，药物试验拥有完整反馈闭环且高度可验证，是实现 RSI 的理想场景。另一方面，AI 可以解放实验人员的产能，使得大量休眠靶点有重新开发的机会。我们有十足的理由相信，下一个药物大发现时代很可能便是由 AI 推动的。
AlphaFold 让我们看到了 AI 理解蛋白质结构的能力，而 AI 的下一个战场，是设计传统方法做不到的分子。这是一个激烈竞争的领域，除了从 Google Deepmind 中诞生的 Isomophic 之外，Chai Discovery、Boltz、 Latent Labs 也分别发布他们的预测模型与药物模态区别化下注。蛋白质从头设计也逐渐走近药物研发的实际应用。
Latent Labs 是观察这一变化的重要样本：创始人 Simon Kohl 曾参与 AlphaFold 2 的核心研发，押注了环肽这一新兴模态类型并选择自建湿实验室。2025 年 2 月，公司以累计 $5,000 万融资走出隐身状态，吸引了包括 Jeff Dean、Aidan Gomez 的天使投资。同年 7 月，发布了面向小蛋白与环肽的生成模型 Latent-X。并在 12 月用 Latent-X2 进一步覆盖纳米抗体和抗体片段，并关注表达、稳定性及免疫原性等成药相关性质；2026 年 3 月发布的 Latent-Y 则是在这些模型之上构建的科研 Agent。
不可否认的是，目前各家正在测试的蛋白质还没到可以成药的阶段。他们只是完成了流程的第一步：证明自己能够作为结合物发挥作用。如果我们把药物的研发比作登山，人类过去已经攀登过无数山峰，且资本市场也给予了创新者极其丰厚的回报。从 PD-1 到 CAR-T，再到近期大火的 GLP-1 都是很好的证明。但攀登的道路极其困难，往往需要数年+数十亿美元作为成本。AI 药物发现的目标，是把一条条狭窄的山路变成高速公路，且让人们向更高更危险的山峰发起冲击。
/
01.
Key thesis:
•蛋白质生成模型的出现颠覆传统制药流程，很可能带来一个药物大发现时代
传统药物发现是在庞大的真实分子库中寻找少数有效候选，生成模型则可以根据需求设计自然界不存在的分子。变化不仅是筛选效率提高，更是能够探索过去难以触及的分子空间。长期价值不只是“更便宜地做药”，而是让同样的研发资源能够探索更多项目，未来的药物研发可能打破“反摩尔定律”，实现质和量的大幅跃升。
•结合物发现环节高度可验证，是实现 RSI 的理想场景，Latent 湿实验室自建为竞争优势
在药物发现里面，设计结合物环境是最为可控，最容易产生 loop 的。结合本质上就是两个分子表面的形状互补 + 化学互补，有明确的物理规律，终点明确且反馈回路快。随着计算生成成本下降，稀缺资源将逐渐从候选分子转向高质量的实验反馈。Latent 逐步将实验能力放于内部，有机会更紧密地连接模型研发与实验判断。
•生物医药领域长坡厚雪，每种模态都会诞生领先大玩家， Latent 模态选择上有差异
行业内短期的催化是专利断崖正在发生，各大药企开始重视药物发现相关技术。不同模态面对的设计约束和开发难点不同，单一模型难以在所有任务上保持优势，制药公司也倾向与多家公司合作。大环肽是 Latent 最值得关注的切入口。它有机会覆盖传统小分子难以处理的结合界面，同时在部分场景中提供不同于抗体的药物属性。它也是目前的热门赛道，已有多款新药受到市场青睐。
•以 AlphaFold 成员为班底打造的明星团队
创始人 Simon Kohl 参与开发 AlphaFold 2，随后发起并共同领导 DeepMind 的蛋白质设计团队；创始技术成员 Alex Bridgland 曾参与 AlphaFold 1、2、3，覆盖模型开发、评估与数据工程。团队中多数成员拥有丰厚药物模型研发经验，与专注实验平台与内部湿实验室的科学家形成互补。团队还有前默克集团 CEO 作为顾问参与，为团队打进大型制药公司奠定基础。
02.
Latent Labs 技术路线
Alphafold 之后，从预测蛋白到生成蛋白
如果说以 AlphaFold 2 为代表的结构预测模型是一台“AI 显微镜”，帮助人们看清蛋白质的形状，那么蛋白质生成模型更接近分子世界的 CAD：根据功能需求，设计自然界中尚不存在的分子。
以蛋白质结合物设计为例，它是在反向求解蛋白质折叠问题。结构预测从一条氨基酸序列出发，判断它会形成什么样的三维结构；生成设计则从目标出发：给定一个疾病靶点和希望结合的表面区域，寻找能够稳定折叠，并与之结合的新序列。
一条设计蛋白质的典型流程是：
获得靶点结构→生成结合物的结构与序列→重新预测复合物结构→筛选候选→湿实验验证
2023 年发表的 RFdiffusion，让分子世界的 CAD 初具雏形。研究团队将原本用于结构预测的 RoseTTAFold 改造成去噪扩散模型，让它从随机噪声中逐步生成蛋白质骨架，再交给其他模型配上氨基酸序列、检查能否折叠成预期的形状。几个模型各司其职，组成了一条早期的蛋白质设计流水线：先画出轮廓，再补齐细节，最后检查。
自此，预测模型从观察一个分子，走向理解多个分子如何共同组成一个系统。AlphaFold 2 可以从氨基酸序列预测蛋白质的三维结构。2024 年 5 月，AlphaFold 3 将蛋白质、DNA、RNA 和小分子等纳入统一的复合物预测框架。这让研究人员在设计新分子时，多了一种检查它与靶点是否匹配的工具。
除了 Ismorphic Labs，不少公司也从这一层切入。比如 Chai Discovery、Boltz。2024 年 9 月，Chai 发布 Chai-1，预测多类生物分子的结构及其形成的复合物；同年 11 月，Boltz 团队发布 Boltz-1，并开放训练代码和模型权重。
而 Latent Labs 没有跟随先做结构预测的路径，而是直接做蛋白质生成设计。创始人Simon Kohl是参与开发 AlphaFold2 的核心人员和论文作者，Isomorphic Labs 当时正在沿着 AlphaFold 向多个药物研发方向扩张，而他认为蛋白质设计本身已经足够庞大，值得由一个更小、更灵活的团队集中突破。于是决定单独创业。他们的伦敦团队负责开发基础模型，旧金山则有湿实验室和计算生物团队，测试模型设计出的分子，将实验反馈用于模型研发，并采集训练数据。
2025 年，三家公司开始交生成模型的答卷，第一代生成模型相继亮相：
•6 月，Boltz-2 在结构预测之外加入结合亲和力预测，迈出了生成模型的第一步；
•同月，Chai-2 发布，成为第一个从零设计抗体的生成模型。
•7 月，Latent 发布首个模型 Latent-X，首先展示了环肽和小蛋白的从零设计能力。
•10 月，Boltz 推出生成模型 BoltzGen，正式进入结合物设计。
主力模型：Latent X
2025 年 7 月，Latent-X1 发布。
它首次公开展示了 Latent 的端到端全原子蛋白质设计能力。用户提供靶点序列、骨架结构和希望结合的热点后，模型联合生成新结合物的氨基酸序列，以及结合物—靶点复合物的全原子构象。
Latent-X 首先选择了大环肽（macrocyclic peptide）和小蛋白（mini-binder），而没有直接挑战完整抗体。团队在 7 个治疗相关靶点上进行湿实验，每个靶点最终测试 30 至 100 个设计。公司报告的大环肽命中率为 91%至 100%，mini-binder 为 10%至 64%，并获得了低纳摩尔乃至皮摩尔级 binder。
其中在环肽方面，Latent-X1 在三个靶点上的受测样品命中率达到 91%–100%，高于 RFpeptides 文献报告的 21%–38%，且在 MDM2 靶点的亲和力方面实现了更低的 KD 值。
RFpeptides 是华盛顿大学蛋白质设计研究所（IPD）开发的 AI 环肽设计方法，由 David Baker、Frank DiMaio 和 Gaurav Bhardwaj 三个实验室联合开发，可以理解为 RFdiffusion 面向环肽设计的延伸。
2025 年 12 月，Latent-X2 发布，目标是生成更接近药物的分子。
X2 可以输入指定表位，只生成关键结合区域，并把能力扩展到 VHH 和 scFv。团队对每个组合只测试 4 至 24 个设计，在 18 个靶点中的 9 个上获得成功，同时评估表达量、聚集倾向、多反应性、疏水性和热稳定性；部分代表性 VHH 还进行了人源供体的离体免疫原性实验。
•Agent 产品 Latent-Y
2026 年 3 月发布的 Latent-Y 是建立在 Latent-X1 和 X2 之上的 AI Agent。它把原本需要多位专业研究人员完成的蛋白质设计流程，封装成一个可以用自然语言操作的产品。Latent-Y 可以从自然语言目标出发，完成文献检索、靶点分析、表位选择、调用 X2 生成、计算验证和候选筛选。公司报告中，它在 9 个靶点里为 6 个找到了实验确认的 binder，为科研人员打造蛋白设计的“Cursor”。
按时间顺序排列的三家公司主要产品发布
Latent 的差异化下注
模态类型：环肽
从产品策略看，Latent 则先用大环肽与小蛋白展示生成模型的能力，再于 2025 年 12 月发布 Latent-X2，将设计范围扩展至 VHH 和 scFv 等抗体格式。环肽始终是这条产品路线中的重要组成部分。
环肽是近期比较热门的研发方向，它处在小分子与抗体之间的“中间地带”，容易进入细胞：它的接触面积大于传统小分子，因此有机会识别平坦的蛋白质相互作用界面，并有接近抗体的亲和力和特异性；环化又可能提高抗蛋白酶降解能力，可以作为口服、缓释药物。
比较出名的例子包括：
•强生与 Protagonist 合作开发的 icotrokinra，是一款靶向 IL-23 受体的口服大环肽药物，2026 年 3 月获美国批准用于中重度斑块状银屑病，预测峰值销售超 $50 亿。
•默沙东的 enlicitide ，一款靶向 PCSK9 的大环肽。2026 年 7 月获批，用于降低高胆固醇血症成人患者的 LDL-C，其 2033 年销售额预期超 $50 亿。
数据闭环：自建湿实验室
从 2024 年开始，Latent 便在旧金山运行湿实验室，并将实验验证作为模型研发的重要支点。从招聘信息可以看出，伦敦的 Computational Protein Designer 主要负责计算设计；旧金山的同岗位则额外要求较强的湿实验经验，需要亲自开展蛋白表达与纯化、生物物理表征和功能实验。
我们可以从 Latent X1 模型的实验论文了解内部实验平台的分工，以小型蛋白质结合物 mini-binder 为例，模型先为每个靶点生成约 2 万个设计，再根据预测结构选出 100 个候选进入实验，进入两条相互补充的验证路径：
•一条交给外部服务商 GenScript：先根据设计序列生产蛋白质，再用 BLI，检测它与靶点是否结合再进一步测量，确定结合强度及结合、解离的速度。
•另一条由 Latent 内部完成，采用的是哺乳动物细胞表面展示，简称 mDisplay。研究人员将编码候选蛋白的 DNA 导入细胞；随后加入靶蛋白，通过荧光信号观察候选是否成功展示、能否抓住靶点。
这套双重筛选方法，让研究人员能够在原理不同的结合检测平台上，交叉验证哪些候选真正命中了靶点。
在这里，Latent 的自建实验室与外部服务商是协同关系。DNA 合成、部分材料制备，以及蛋白质生产和仪器测量，仍然由外部机构承担；Latent 则将一部分验证环节放在内部，让计算设计人员能够更直接地接触实验结果。
如果说 X1 论文更像是在验证自己内部的实验能力，那么近期我们能看到公司在越发重视实验的迹象。2026 年 3 月，Latent 在旧金山招聘 Head of Lab Platform 与 Research Lab Scientist。希望招聘具有从零搭建实验室经验的人，进一步扩展现有的高通量实验、自动化和数据管理能力。在未来，Latent Labs 可能会把更多湿实验室环节放进内部。
携手 AWS 接入客户
2025 年 5 月，Latent Labs 与 AWS 宣布多年战略合作，覆盖模型训练与推理所需的云基础设施，以及面向生命科学客户的商业推广。Latent 提供生物生成式 AI 模型，AWS 则作为其首选云服务商提供算力支持。Latent 使用 Amazon SageMaker HyperPod 扩展计算资源，支撑模型研发和客户使用；同时借助 AWS 的合作伙伴网络与市场拓展支持，触达更多药企、生物技术公司和科研机构。
Latent 旗下模型也接入了 Amazon Bio Discovery 平台：这是 AWS 于 2026 年 4 月推出的 AI 药物研发应用，目前主要面向早期抗体发现。平台将生物 AI 模型、科研助手和外部实验服务整合到同一个工作环境：科研人员可以选择模型并评估候选分子，再将选定候选交给合作实验室测试。
该平台已公布的早期采用机构包括纪念斯隆凯特琳癌症中心（MSK）、拜耳、Broad Institute、Fred Hutch Cancer Center 和 Voyager Therapeutics。
03.
Why now
De novo design：从创造分子到 RSI
传统结合物发现的流程需要：
1.先准备一个非常大的真实分子库；
2.用噬菌体展示、酵母展示、动物免疫等方式做实验筛选；
3.从百万到十亿级候选中找到少量结合者；
4.再做亲和力成熟、特异性和成药性优化。
而 De novo design（从头设计） 彻底改变了研发的起点：研究者可以先指定靶点、结合位置和功能要求，再设计满足这些条件的新序列，将自然界中原本不存在的分子纳入药物发现。只合成模型排名最高的一小批。
AI 最明显的突破是压缩早期结合物发现的时间和实验规模。传统抗体发现采用动物免疫等路线，获得初始结合物通常需要数月；之后还要完成候选优化和临床前开发。参考药明生物的公开材料，DNA-to-IND 阶段的典型周期为 6–15 个月，对应$500 万- 800 万。
同样类比早期发现环节，Chai-2 针对 52 个抗原，每个靶点、每种抗体格式测试不超过 20 个设计，报告约 16% 的候选级结合命中率，并在一半靶点上获得至少一个结合物；从计算设计到湿实验验证，用时不足两周。
通过对蛋白生成设计发展的观察，我们可以看到：
从模型能力到工作流编排，再到干湿实验闭环，竞争正向完整研发流程延伸。随着基础预测能力正在快速开源化，Latent 与 Boltz 纷纷发力 Agent 编排与工作流，希望争夺成为这个领域的操作系统。下一阶段，差异化可能更多来自能否有效连接计算设计与实验验证，让实验结果持续反馈到下一轮设计中。
药物发现的未来，将逐步走向智能科学的 RSI：lab-in-the-loop 是实现这一愿景的重要基础。它将湿实验室接入AI的设计与决策循环，让每一轮实验既筛选候选，也为下一轮探索提供信息，从而以更低的总成本、更短的时间，获得足以支持项目推进或终止的可靠证据。而在结合物设计阶段，更容易形成闭环，相较于药物研发的后续环节，这一阶段的实验环境更可控，评价终点更明确，反馈周期也更短。分子结合主要取决于两个分子表面在形状和化学性质上的互补，并受到明确的物理规律约束。这些特征使结合物设计更容易形成“设计—实验—反馈—改进”的循环。
专利断崖正在发生，AI 加速新/旧靶点的开发
药物研发长期承受反摩尔定律的压力：Eroom’s Law 最初描述的是的 1950 年至约 2010 年间，每十亿美元研发投入对应的新药产出大约每九年减半。而AI可能是有潜力逆转这个趋势的技术。
而另一个大趋势是药企的专利断崖正在发生，根据 Evaluate 预测，我们即将迎来下一个专利到期的高峰。2026-2032 年，累计有超过 5000 亿美元销售额可能面临专利过期的风险，药企需要寻找下一个大药物。
专利断崖会迫使大药企更积极地采用 AI 技术、投资 AI 公司、与 AI 公司合作。Isomorphic、Chai、Boltz 近期接连签下大订单，背后都有大药企面对专利断崖、需要新管线的驱动因素。而具体看，AI 带来的机会集中在两个方向：
1.大量未开发靶点迎来重新开发的机会
药企长期积累了大量尚未完成的研发项，这些未被开发的机会远比已经上市的药物多。2024 年的一项系统研究估算，在人类 19,813 个蛋白编码基因中，约有 4,729 个可能被生物药调控，但只有 755 个已经成为获批药物的靶点。即便只看曾经进入临床开发的靶点和疾病，约 170 万种潜在的“靶点—适应症”组合中，也只有 2.5% 被实际探索过。
过去，药企很难系统性地重新检查这些项目，而蛋白生成模型的出现，给了研究人员大量开发难成药靶点的机会。Isomorphic Labs 与 Novartis 最初围绕 3 个高难度靶点合作，一年后又增加了最多 3 个项目，说明大型药企已经开始把真实的早研问题交给 AI 平台。
2.AI 做 me-better /best-in-class 的机会
AI 可以针对这些已验证靶点，设计出更好的分子，AI 可以探索传统方法覆盖不到的序列空间，可以找到完全不同的结合模式，实现跨越式改进。另外，AI 蛋白设计本质上是高维搜索和优化。老靶点已经积累了大量结构、突变、药理和临床数据。问题因此从开放式的生物学探索，变成了一个边界清晰的分子优化任务。
生物医药领域特殊的行业结构，也为多家企业一同创造价值提供了空间。专利保护使任何成功创新有机会获得持续回报，而不同疾病、治疗机制和患者群体又形成了多个独立的市场。企业既可以通过 first-in-class 开辟新的治疗路径，也可以通过 me-better/best-in-class 在疗效、安全性或用药便利性上建立优势。因此，一家公司即使只在有限的治疗领域取得突破，也可能通过自主销售、授权或并购实现较大价值。
因此，这是一个极其长坡厚雪的赛道，一条条成功的管线则是这个领域可被验证的节点。
下一个大制药公司可能在 AI 发现平台中诞生
全球药企每年约有 3,000 亿美元研发支出，其中，top 25 家药企约花费 1760 亿，占全球约 61%，头部集中度高的特性。其中临床前部分约占到研发支出的 15%，大约占到每年 450 亿。这 450 亿美元构成了 AI 药物发现最直接的第一层预算池。如果 AI 能够避免临床前阶段 20%–40% 的低价值试错，对应每年约 90 亿至 180 亿美元的经济价值。
AI发现平台的长期上行，来自将药物发现转化为一种能够持续积累、重复产出新资产的研发能力。一个分子的设计和筛选成本，只是项目总投入的一部分。如果靶点选择、疗效或安全性问题直到临床阶段才被发现，此前投入的时间和资金便可能难以收回。AI如果能够更早识别高风险项目，提高进入临床项目的平均质量，其经济价值会显著超过减少几轮筛选实验。
历史上，新一代平台型药企的出现，往往都发生在一次科学突破被工程化、工业化的窗口期。重组 DNA 技术催生了 Genentech；受体陷阱蛋白和全人抗体工程平台支撑了 Regeneron；核苷修饰和递送技术促成了 Moderna。AI 与这些技术的不同之处在于，它不是一种单独的治疗模态，而是一套可以横跨小分子、抗体、蛋白质和核酸的发现基础设施。因此，它理论上能够支撑的管线宽度更大，平台的上限也可能更高。
目前而言，最接近下一代制药公司的是 Isomorphic Labs，公司在 2024 年与 Lilly、Novartis 的合作，首付款分别为 4,500 万和 3,750 万美元；另有分别最高 17 亿和 12 亿美元的条件性里程碑，以及销售分成。
04.
竞争格局
目前在大分子领域，最为突出的竞争者分别是前 OpenAI、Meta FAIR 研究者 CEO Joshua Meier 创立的 Chai Discovery 和从 MIT Jameel Clinic 研究项目发展出来的 Boltz。他们的路线差异具体如下：
•Chai Discovery：专注抗体，Enterprise-first，强调模型性能和大药企深度部署。
•Boltz：专注开源模型 + API 的收费逻辑，主打全模块。让 Claude/Codex/ 药企内部 agent 组合工作流
•Latent Labs：环肽路线，拥有湿实验室。目前与 AWS 合作负责分发，在客户方面走 Chai + Boltz 的混合路线。
技术
尽管缺乏 head-to-head 数据直接对比，但从三家公开实验中，我们可以看到各家的侧重点有所不同：
•纳米抗体与小蛋白模态更像是 AI 的低垂果实，是各家开始时共同选择的方向，但仍处早期方向。
•小分子与抗体类药物目前最成熟成药最多，都有数千亿美元的规模。但可能面临 Isomophic 的竞争。
•Chai 从一开始就专注抗体领域，目前属于领先地位。
•环肽是近期较热门的新兴方向，且这个赛道目前 Latent 暂时领先。
商业化
Chai 是三家中合作最成熟、交易结构最清晰的，已经进入了大药企正式部署阶段。其特点是定制模型路线，利用制药公司的专有数据，并深入适配其工作流。Chai 已公开宣布与五家独立药企合作，且年度订单费用高达中八位数美元。根据测算，其年度订单规模可能已经高达 2 - 3 亿美元。
而 Boltz 走的是开源 + 基础设施路线，Boltz-1、Boltz-2 和 BoltzGen 形成了三家里最深的开放模型栈，产生明显的学术与产业分发。目前累计超过 500 万下载、被超过 10 万科学家和 1000 家公司使用，并覆盖前 20 的制药公司。公司已经推出 API 产品，与 Claude Science、Benchling、Phylo 等工具和平台的集成，作为其他科研平台的底层能力供应商。
在费用方面，参考 Boltz 对 BoltzMol-1 的描述，一个小分子从靶点到实验验证的初始hit，计算加实验预算约为 10,000–15,000 美元，耗时 3–8 周。收费量级相比闭源合作类型少了一到两个量级。
在商业合作方面，Boltz 获得了三家的医药公司合作订单，但跟 Chai 的模式不同的是，Boltz 并不保留平台开发产生的化合物所有权，因此更多扮演一个工具属性。
潜在范式竞争：Anthropic
Anthropic 是目前大模型公司中最看重 AI for Science 的，正通过大量科研实验和人才招聘进入生命科学领域。
在最近一次蛋白质设计实验中，Claude 根据操作手册自主查阅资料、制定设计策略，并调度专业模型生成和筛选候选分子，再由 Adaptyv Bio 和 Twist Bioscience 进行湿实验验证。
Claude 成功编排了多个开源蛋白质设计模型，生成了具有高成功率和高亲和力的结合剂。报告显示，整体结合命中率为 26.8%，15 个靶点中有 14 个获得结合分子。
这里 Claude 负责理解研究目标、选择设计策略并调度工具；具体到生成骨架、设计序列和预测复合物，仍由专有模型完成。从竞争格局看，通用模型公司与专业模型公司也可能形成上下游合作。通用 Agent 可能可以成为专业模型的分发入口。
另外，Anthropic 最近更新了一则招聘招聘企业发展负责人，主要职责为发掘并执行与 AI 原生生命科学公司的收购、投资和战略合作。说明 Anthropic 希望通过收购强化在生命科学中的地位。
05.
团队与融资
以 AlphaFold 为班底的核心团队
•Simon Kohl｜创始人兼 CEO
早期在德国卡尔斯鲁厄理工学院（KIT）学习物理，随后在德国癌症研究中心与KIT开展医学影像机器学习博士研究。加入DeepMind后，是AlphaFold 2的核心研发成员之一、Nature论文同等贡献作者，参与了神经网络架构与训练开发。他还开发了广泛使用的结构置信度预测机制pLDDT，起并共同领导DeepMind的蛋白质设计团队。
•Paul F. Jaeger｜Head of AI
现任 Latent Labs AI 负责人。此前在 Google DeepMind 参与面向药物研发的大语言模型研究，是 TxGemma 的关键贡献者，并参与将大语言模型用于单细胞分析的研究。更早在德国癌症研究中心完成博士研究并领导交互式机器学习团队，是医学影像分割框架 nnU-Net 的共同一作。
•Alex Bridgland｜创始技术成员
曾参与 DeepMind 的 AlphaFold 1、2、3，积累了跨多代蛋白模型的研发与工程经验。他是 AlphaFold 2 Nature 论文的同等贡献作者，主要参与数据、分析与推理系统开发。加入 Latent 后，与 Simon Kohl 共同搭建最初的机器学习代码库，并参与 Latent-X 的模型架构、预训练方法及数据流程开发，是公司早期模型与工程系统的重要建设者。
•Stefan Oschmann｜战略顾问
曾任德国默克集团 Merck KGaA CEO，拥有大型医药与生命科学企业的管理经验。2025 年 12 月宣布其担任 Latent Labs 战略顾问。
除此之外，团队还有两名曾在 David Baker 团队的研究人员，以及专注实验平台与内部湿实验室设计的多名科学家。
融资历程
Latent Labs 最新一轮为 2025 年 2 月 天使轮 + A 轮融资 5000 万美元。A 轮由 Radical Ventures 与 Sofinnova Partners 共同领投，早期投资方包括 8VC、Kindred Capital 和 Pillar VC。天使投资人则包括 Google 的 Jeff Dean、Transformer 论文共同作者 Aidan Gomez，以及 ElevenLabs 联合创始人兼 CEO Mati Staniszewski。
相比之下，Chai Discovery 的融资节奏最快、规模也最大。从 2024 年 9 月的约 $3,000 万种子轮起，公司在不到两年内连续完成 A、B、C 三轮融资，累计融资约 $6.3 亿。2026 年 7 月的 C 轮融资金额为 $4 亿，估值达到 $38 亿，由 Index Ventures 领投，Kleiner Perkins、Sequoia 等参与；OpenAI 和 Thrive Capital 则是其早期投资方。
Boltz 仍处于更早期阶段，于 2026 年 1 月完成 $2,800 万种子轮融资，估值为 $1.25 亿。投资方包括 Zetta Venture Partners、Amplify Partners、a16z 和 Factorial Capital，个人投资者包括 Hugging Face 联合创始人兼 CEO Clément Delangue。
GPT-6 Astra连夜炸场，OpenAI总裁宣布"欢迎来到AGI时代"北京时间9月4日凌晨，OpenAI正式发布GPT-6 Astra。Astra是拉丁语"星辰"，发布前官方预热"The stars are almost aligned"——星星，排好了。
总裁格雷格·布洛克曼在吹风会上把话说得很满："我个人认为，我们可能已经到了AGI。"收尾还补了一句："欢迎来到AGI时代。"而上一次"地球最强模型"王座易主，也就是前两天的事。
先看几个不像"升级"、像"换代"的数字
ARC-AGI-3，这套以"测陌生问题、反刷题"著称的抽象推理测试，上代旗舰GPT-5.6 Sol得分7.8%，Astra：99.9%。
FrontierMath Tier 4研究级数学：97.6%，基本打穿。而且这不是刷榜——OpenAI同步放出论文，Astra参与证明了素数间隔的两个新结果：把"无穷多对素数间距不超过240"的纪录压缩到186，还改进了一个80多年没人动过的大素数间隔界。
GPQA Diamond 96.0%，科学工作流Terminal-Bench Science 64.6%，对手Claude Fable 5.1是52.6%。
但这代真正的主线，不是答题，是"干活"
OpenAI给的slogan是："你在电脑上能做的任何事，Astra都能替你做。"
过去AI用软件靠厂商开API，Astra走另一条路：像人一样看屏幕像素，动鼠标、敲键盘。这意味着KiCad、Blender、公司用了十年的老ERP——那些永远不会为AI写接口的软件，它全能上手。
演示里：一张电路原理图，Astra在KiCad里2分54秒完成PCB布局走线；Blender里建好房子模型，导入Unreal Engine 5生成可漫游场景；eBay上架商品从填表到发布全自动。OSWorld 2.0实测72.6%，上代65.7%；同样任务平均40分钟对上代75分钟，快了近一半。Agents' Last Exam 59.3%，压过Claude Opus 5的55.5%。
Codex也换了记忆机制：长任务不再靠压缩摘要丢细节，而是跨上下文窗口记笔记、随时回搜——干几小时的大重构，终于不会忘了当初为什么改那行代码。
最聪明，也最危险——这是OpenAI自己说的
Astra是首个触及OpenAI Preparedness Framework"关键（Critical）"网络安全阈值的模型，发布前因安全审查延期数周。
ExploitBench漏洞利用100%（上代78.5%）；拿今年6到8月的全新漏洞考它，39%对11.5%；测试中还顺手挖出两个未知0day，已上报维护方。专家评估里，无防护的Astra能打穿加固浏览器沙箱在宿主执行命令，还能从普通用户提权到root。
对齐一面同样夸张：参考Hugging Face事件设计的"不可能任务"测试，上代Sol无防护时48%会越权，Astra是0%；审计拒绝从不绕过，能力幻觉率从12.2%降到4.2%。
但OpenAI也诚实承认一个退步：Astra的书面推理更难监控了，被要求规避监控时更"滑"；英国AISI的模拟测试里，它甚至演示过供应链攻击、伪造身份骗取开源社区信任。解法同步给了：上线版本拒绝写漏洞利用代码，防御方通过Daybreak计划分级放开；全量部署"错位监控"分类器，发现越权自动叫停——代价是偶尔打断正常工作，官方称会持续校准。
价格2.5倍，但编程榜没赢麻
API定价每百万token输入10美元、输出50美元，约为促销期Sol的2.5倍，与Claude Fable 5.1持平；上下文窗口105万。OpenAI的说法是Astra用更少token交活，算单任务成本反而常更低——奥特曼重申目标是"极其廉价且丰沛的智能"。
值得注意的是编程这块它没拉开身位：DeepSWE上Astra 74.1%，Gemini 3.8 Flash 73.8%、Claude Opus 5 73.7%，Meta的Muse Spark报了75.4%。
结语：AGI是旗帜
布洛克曼说AGI如今是"精神层面的概念"，不再和微软合同的触发条件挂钩——信不信由你，旗子先插上。
但抛开口号，信号很清楚：竞争已从"谁回答得好"变成"谁能独立把一件事干完"。数学证明、PCB设计、法律审合同（Harvey评价它像"挑剔的律师"）、41份财务文件几分钟审完还揪出4个人为埋的雷——AI交付的单位，正从"一句话"变成"一份工"。
星星确实排好了。至于是不是AGI，布洛克曼把答案留给了读者。反正从打工人的视角看：一个2分54秒画完电路板、还顺手挖0day的新同事，已经打卡上岗了。
上天入地，“群脑”智能：一家飞行具身公司凭什么值数十亿？「泼天的想象力。」
文｜刘洋
编辑｜巴芮
2025年上半年，微分智飞CEO高飞站在矿洞口，少有地感到紧张。这是他第一次给客户交付产品——一架全自主飞行机器人。
它要飞进一座60米高，相当于20层楼高的地下山体空腔，没有GPS，没有通信信号，也没有光亮，矿道四通八达，像迷宫一样。而它只能凭借机身上的传感器和芯片自己边飞、边建图、边定位，完成测绘任务后再飞回来。
10分钟后，它带回了这座陌生矿洞的测绘图，并且找到了一条从未被发现的新路。因为它要抄近道，它的算法要求它用最短的时间把这件事完成。
客户非常amazing，他们已经在这个地方作业了好几年，一直以为这里只有两条路，完全不知道两个矿洞中间还有一条通道。
从这里开始，实验室里的飞行智能团队进入了商业世界——他们的第一台智能飞行机器人曾被人转卖到大几十万元一架。
什么样的无人机，能卖那么多钱？
严格说，它不该被叫做无人机。它真正的定义是“飞行机器人”（aerial robot）——传感器是它的眼睛，端侧芯片是它的大脑，四个螺旋桨是它的四肢。但它外表和一台普通的四旋翼几乎没有分别。
区别不在外表，而在于谁在飞。
飞行机器人的底层技术是全自主（Full Autonomy）飞行，字面意思，都靠它自己。全程无需人工介入，依靠传感器、芯片、算法完成任务。它和其他形态的具身智能机器人最大的不同，是它靠飞行移动——“跑得最快”“哪里都能去”，专业上称为通过性强。
所以，大几十万的飞行机器人肯定不是为了给人类做咖啡。它不是对人能力的替代，而是对人能力的补充。它会代替人类进入危险、复杂或无法到达的环境，也由此打开更多想象空间。
硬科技总会表现出这种浪漫，技术和生意都源自无穷的想象力。想象力也是商业的杠杆，昂贵——它能定价、能抬高估值、能打开市场空间。
微分智飞近日获得A2轮数亿元人民币融资，估值数十亿人民币。由普华资本领投，弘晖基金、长三角数智文化基金跟投，老股东五源资本、深创投、洪泰基金、华映资本、华控基金、长石资本、BV百度风投等追加投资。
这个量级显然不是单纯的航拍、自拍或工业无人机能撑起来的，而是“飞行智能”的估值逻辑。而“群脑”是这套估值逻辑里最有想象力的部分：多架无人机在没有GPS、提前编排的前提下，根据任务实时组成集群，每一架自己思考、自己避障，像一支支有默契的战术小队配合着自主完成任务。
高飞的目标就是做成像《流浪地球》画面里出现的无人机集群那样的智能。
1993年出生的高飞，26岁进浙大任教，28岁时成为博导，30岁成为长聘副教授（终身教职）与国家优青，年轻的同时是领域内少有的大拿——他拿过机器人顶刊IEEE T-RO的年度最佳论文荣誉奖，这是中国大陆高校第一次以主导方拿到；实验室还把集群飞行做上过《Science Robotics》封面。
创始人在科研上的成就足够硬，热钱喜欢；飞行机器人是“AI进入物理世界”这个新叙事里的新品类，热钱也喜欢。
不过，热钱的追捧并非高飞下场的理由。投资人从2022年就在劝他创业，他一直没动，直到科研成果进一步成熟，他想看看这套技术究竟能给世界带来什么。
创业是酝酿许久的决定，要成为怎样的企业家也是个漫长的探索。
过程中，他清晰感知到了二者判断标准的差别：科研里衡量一件事要不要做的标准是难不难，而商业里衡量的是有没有产生真正的价值，让客户买单。他把“企业家”当成一项要补的能力，而非一个身份。
但难题是，一个年少成名的教授，怎么成为一名企业家，做成一家企业。
以下为「暗涌Waves」与高飞的对话（经编辑）：
Part01
零样本的泛化能力
暗涌：你说第一个真金白银买单的是矿山，就在2025年上半年，创业不久。这笔交易怎么促成的？
高飞：某个矿业相关单位找到我，说有个行业内公认的难题解决不了——矿洞里很多采空区人下不去，没法测绘，尤其是老旧的废弃矿，安全治理的风险更大。当时能找到的方案是国外那种拖一根光纤的无人机，人在洞外遥控着让它进去建图，不好用。他看到我网上发布的视频，发现无人机可以自主飞行，就来找我定制。
我们定制了一台卖给他，后来才知道卖便宜了。之前同类方案的国外产品卖100多万。
暗涌：为什么能卖这么多钱？
高飞：得看它解决的是什么问题。地下矿山没有GPS信号，通讯容易被遮挡，人也下不去。
传统矿山测绘的方法成本很高，也很危险。传统测绘要把高精度设备搬进矿里，可很多地方根本到不了，几十米落差的悬崖，人得绑根绳子吊下去；或者从山外面往里打孔，钻5米就钻出来了，说明这里厚度是5米。靠打很多孔来估矿洞大小，非常原始。
飞行机器人不一样，人站在洞外下达任务就行，它自己进去探索整个环境，回来把数据给你。对矿企来说这不是降本，是增效。
这个产品已经在向大型矿企陆续交付。某地一个矿山，我们半年就帮他干完了以前两年多的事，覆盖300多个采矿区，省下1000万元以上。
暗涌：还有哪些应用场景？
高飞：林业、电力巡检和应急救援。林业以前要几个人一队走进林地，逐棵量树的胸径，估算含碳量；电力是室内变电站、配电房，人工巡检效率低，机器狗视角又受限。
这么多场景不可能同时做，先做哪个看两件事：技术上能不能达到，需求是不是太小众、成本收不回来。矿山不是最赚钱的，但难度最高、数据价值最大，每一次工作都是在完全未知的新场景，要求我们的飞行机器人真正具备零样本（zero-shot）的泛化能力。在这里跑通的数据和模型，降维去其他场景就容易了。矿山那个产品甚至不用改就能交付给应急救援。
暗涌：哪些需求是暂时难实现的？
高飞：有一些消防的需求找来，比如火灾后的救援，但高温可能会导致元器件出问题，另外浓烟也会对传感器有影响。还有一些景区抓小偷的需求，这个万一掉下来砸到游客肯定不行。软件能力一直是我们的优势，很多时候不能满足需求还是因为场景对硬件本体有特殊要求。
暗涌：具身智能缺的是人类行为的数据，飞行机器人要采集什么数据呢？
高飞：有一个铁矿是大客户，我们派了一个飞行小队驻扎在那，我们给他交付飞行机器人和日常作业数据，他把这些地方全部开放给我，让我随时下去采数据。目前已经交付了几十架设备，天天在里面飞。
数据脱敏后，他把这些数据免费给我，我也给他很优惠的价格。我们在这里留存了上万次的飞行真机数据。这里能搞定，拿到更结构化、更简单的场景里，模型的泛化能力就会更强。
暗涌：目前的交付能力？
高飞：正在进行小批量交付，手头有几百台订单。
Part02
更高级的智能
暗涌：你为什么说“没有坐标”是更高级的智能？
高飞：因为很多时候根本没有坐标可给。给坐标点本身是个伪命题，你很难知道那个任务目标到底在哪里，GPS经纬度坐标又必须是户外开阔、有信号的地方。像矿难现场，原始的地图资料早就过期了。没有坐标还能把任务完成，才是高级的智能。
暗涌：如何评判全自主飞行这个技术足够好？
高飞：第一你进去采集数据是用于建模，所以建模要准、误差要小，我们一般要求1厘米以内。第二是飞行的效率要高，它在迷宫里不能走回头路。它要很聪明的知道该怎么回来，该怎么找到到达的路。
暗涌：要很好地完成这些任务都需要哪些核心能力？
高飞：本质上需要飞行智能的基础模型，里面包含敏捷小脑、决策大脑和协同群脑，还有一个是飞行操作。另外，在需要多机协作的场景下，还有一个群脑模型，实现分布式的实时决策自主作业
小脑负责本体端到端控制，像鸟一样快速调整姿态、穿越窄缝；大脑负责理解指令，把任务拆成一系列子任务和决策，并调用地图、避障等工具；群脑则对应多机协同，适合特种和应急救援里的高机动搜索，我们现在最高规模的分布式集群可以做到1000机。
最核心的是，让飞行的机器产生面向飞行任务的通用智能。
暗涌：1000机是在什么场景下飞的？是挨个统计出来的吗？
高飞：不是，它是一个实时计算的分布式集群，画面上那些小黑点每一个都是一架无人机，实时决策，飞到最中间会挤在一起，但它们不会撞，这个就很难。行业里这是最顶配的。
真机最有代表性的是安吉竹海那10架，每架只有一个摄像头加机载惯导和简单的机间自组网，都是非常便宜的节点，没GPS、没人控制、没提前建图。
暗涌：群脑最难的地方在哪？
高飞：所谓群脑就是群体的默契，每一个都会思考，也知道彼此的能力边界，像一个个战术小队。它要知道怎么配合别人，又不能死板地配合，前面有路障就得绕，不能傻到撞上去。
第二是任务要自己分。搜救场景下，很多连手机信号都没有的地方，集群进去会自动分组，特别小的从缝里钻，大的带通信基站做中继，飞得快的先覆盖一个区域找人，这叫高机动搜索。谁干哪一摊不是我们提前排的，是它们自己商量的。
第三是算力，这些都要在机上实时算完，端侧都是10B以内的模型。
暗涌：群脑是个真需求吗？以后能延伸到哪些领域？
高飞：目前飞行器真被用起来的行业场景很少，除了航拍，勉强算上撒农药。就是因为靠遥控搞不定，大量场景需要智能、自主，甚至必须集群配合才能完成。
现在最直接的落地是应急救援，我们已经和国内很多相关单位合作了，在他们的场景里用我们的模型做集群协同。再往外，多机可以联合吊运、联合跟踪，这套协同也不限于飞行本体，四足、人形都能搭。
你看过《流浪地球》里那个集群吗？那个也是我们未来的目标。
Part03
做公司，就要赚到钱
暗涌：2022年，你好像在B站上有过一次破圈？投资人也是从那时候开始找你的吗？
高飞：2022年初，我把课题组过去一年的科研成果汇总发到B站，视频是无人机在地下车库、森林等陌生环境中自主飞行和避障，还有空地两栖、抗风等演示。没有任何科普解释和包装，播放量很快超过了100万。
后来，我们让10架无人机在没有GPS、没有人工控制、没有提前建图的情况下自主穿越竹林，这项集群飞行成果又登上《Science Robotics》封面，被媒体广泛报道，算是真正从学术圈破圈了。
投资人就是从那个时候开始不断来找我，劝我创业。
暗涌：当时为什么没出来？一直拖到2024年才成立公司。
高飞：我当时还没准备好。我一直是做科研、当教授，完全没想过怎么做产品、做公司。2023年中，我30岁拿到长聘，精力得到了极大释放。我不想让自己停在这个状态里，所以开始认真考虑产业化。
从2023年下半年到2024年上半年，我找了很多行业里的朋友聊，也花时间学习该怎么经营一家公司。到2024年7月，我觉得差不多准备好了，就先把公司成立了，到2025年春节后，陆陆续续做成了几笔生意。
暗涌：你和行业里的朋友了聊了什么，有没有哪次谈话对你影响比较大？
高飞：主要是学习创业方法论。其中印象比较深的，在2025年春节后，我和一位企业家前辈聊了一个半小时。我突然感受到，站在企业家的角度，对社会运行本质的理解和科学家不一样，是更全面、更现实、更成熟的。
暗涌：他说什么触动了你？
高飞：不是某一句具体的话，而是他那种状态。我在过程中一下子明白，一个成熟的企业家应该怎样跟别人沟通、怎样评估商业模式、怎样理解用户需求。
我对他来讲，在商业上是极其幼稚的，但我在技术上是极其精通的。他整个过程都非常冷静客观。他通过我保持对无人机技术的update。
暗涌：你想成为他那样的企业家？
高飞：对，某种程度来讲，他是我想成为的人。他让感受到认知维度的不一样。那种更深刻的认知、智慧和更高维看待事情的视角。
暗涌：你觉得做科研和做商业的区别是什么？
高飞：科研里评判一件事，很大程度上是看它难不难；但到了商业里，一个更实际、更残酷、更有挑战性的考量是，你这个做出来的东西到底有没有人会买单？
所以我在那个阶段就明白为什么很多人会说科学家是生活在象牙塔里，因为绝大多数人也评判不了科学家做的对不对。但做公司，就要赚到钱，并能正循环。
我在那个阶段对做企业这件事充满了敬畏。我突然明白一件事情，尽管我做科研很强，但是把我扔到社会里，我挣钱的能力并不一定比开早餐铺的大妈强。因为我从来没有在这样现实的社会环境里去把一项产品做闭环过。
暗涌：那你现在解决了这个问题吗？
高飞：我正在努力。
暗涌：你对公司的终局预期是什么？上市？
高飞：我希望这件事足够长，长到可以做一辈子。科研成果，要么上课本，要么上货架。
暗涌：哪个更难？
高飞：都难，但难的不是一个维度。课本上的定理难度更大，要把一个问题钻深做透；但货架上的东西复杂度更高，方方面面耦合在一起，且不能有任何短板。
暗涌：那你更想要哪个？
高飞：我两者都要。但上课本，可能要等十年以后吧。Marvel Biosciences公司，可转换债券转股价下调至0.17美元……尚待多伦多证券交易所批准Marvel Biosciences(OTC: MBCOF)在其推进的非承销私募方式无担保可转换债券发行中，将转换价格修改为每股普通股0.17美元。以韩元换算，约为252韩元。
此次调整仅更改了先前公布的融资结构中的转换条件，募集规模维持本金最高50万美元不变。换算成韩元约为7.4185亿韩元。公司方面表示，除转换价格调整外，其他条件均无变动。
该可转换债券以"非承销"私募方式进行发行。即，没有单独的主承销商，由公司直接募集投资者。同时，因是"无担保"条件，故不提供特定资产作为担保。投资者未来可根据既定条件将债券转换为普通股。
此次发行尚未最终确定。Marvel Biosciences说明，本次发行需获得TSX创业交易所的批准方能生效。对于加拿大上市公司，可转换债券发行及转换条件变更通常需经过交易所审查。
市场正关注此次转换价格调整是否为提高融资成功可能性的举措。一般而言，转换价格降低，从投资者角度而言股票转换吸引力可能增大，但对现有股东而言，未来股权稀释负担可能加重。此次变更也被解读为公司试图在资金获取与股东价值之间寻找现实平衡点。
最终关键在于交易所批准与实际投资需求。虽然募集上限本身不大，但市场正密切关注此次转换价格调整将对Marvel Biosciences的短期流动性获取产生何种影响。
TP AI 注意事项
本文基于TokenPost.ai语言模型生成的文章摘要。正文主要内容可能被省略或与事实不符。Castle Biosciences(CSTL)黑色素瘤检测备受关注…淋巴结活检规避准确性得到证实，3年无复发存活率达97.8%在皮肤癌诊断领域，基于精准医学的检测技术竞争日趋激烈之际，Castle Biosciences公司开发的'DecisionDx-Melanoma'检测数据在国际学术期刊上展示了有意义的临床结果，备受关注。新研究表明，该检测的i31-SLNB算法能够以高准确度筛选出无需淋巴结活检的低风险患者，显示出补充现有治疗判断标准的潜力。
Castle Biosciences公司宣布，其2026年发布的多中心前瞻性研究结果已发表在学术期刊《Future Oncology》上。该研究旨在评估针对黑色素瘤患者的'DecisionDx-Melanoma' i31-SLNB模型，在识别可省略前哨淋巴结活检的患者方面的准确性。目前，美国国家综合癌症网络建议，对于淋巴结转移风险低于5%的患者，可不进行SLNB。
研究结果显示，被i31-SLNB算法归类为风险低于5%的患者组，其实际前哨淋巴结阳性率平均仅为2.6%。特别是在T1b至T2a分期的患者组中，该比率更低，为1.4%。这意味着'DecisionDx-Melanoma'检测能够以远低于NCCN提出的5%标准来筛选风险人群。
长期预后指标也呈现积极结果。据研究人员介绍，低风险患者组的3年无复发生存率达到97.8%。这被视为在减少不必要手术的同时，能够维持患者安全性的潜在依据。公司方面解释称，这些结果表明基于基因的精准诊断可以在黑色素瘤治疗过程中对临床决策发挥实际作用。
此外，在评估i31-SLNB模型性能的指标——真阴性:假阴性比率上，其结果也大幅超越了现有指南标准。在T1~T2a分期患者中达到55:1，在T1b~T2a患者组中达到73:1。这显著高于NCCN指南提出的19:1标准，显示了该模型在减少不必要活检的同时，将漏诊患者降至最低的"准确性"。
Castle Biosciences强调此次研究结果"有助于临床医生更精准地判断黑色素瘤患者的治疗路径"。公司计划于当地时间3月23日举行网络研讨会，进一步说明'DecisionDx-Melanoma'数据及其临床应用潜力。市场正关注此项研究能否在扩大基于精准诊断的癌症管理策略的同时，再次凸显Castle Biosciences诊断平台的竞争力。
告别算力蛮力：从港科大的「GrainBot」看 AI for Science 的估值逻辑重构撰文：Max.S
2026 年的香港人工智能赛道呈现出一种「高密度爆发」的态势。如果说上个月财政预算案中提到的 30 亿港元算力补贴计划是为行业注入了一剂强心针，那么这两天接连发生的重磅学术突破与高端产业对话，则标志着香港 AI 正在从「基建铺设」阶段加速迈向「应用落地」的深水区。
就在昨天（3 月 3 日），当大多数市场观察者的目光还停留在英伟达（NVIDIA）最新一代 GPU 的算力通胀，或是 OpenAI 又发布了哪个参数惊人的通用大模型时，港科大首席副校长郭毅可教授（Prof. Guo Yike）领衔的团队，在学术界和产业界投下了一枚重磅炸弹 ——GrainBot。
这不仅仅是一个新的 AI 工具箱，它是「AI for Science」（AI4S）从概念走向工业化落地的典型样本。作为一名长期关注量化科技与深科技（Deep Tech）赛道的观察者，我认为 GrainBot 的出现，标志着香港 AI 的发展重心正在从「通用的聊天」转向「垂直的发现」。对于金融从业者而言，看懂 GrainBot 背后的逻辑，就是看懂未来五年硬科技投资的 Alpha 所在。
（图片来源：analyticalscience.wiley.com）
要理解 GrainBot 的价值，我们首先需要理解材料科学的「痛点」。
在半导体、新能源电池、光伏面板等高端制造的上游，材料的性能往往决定了产品的生死。而材料的性能 —— 无论是导电性、强度还是耐腐蚀性 —— 很大程度上取决于其微观结构，即「晶粒」（Grains）的大小、形状和分布。长期以来，材料科学家像是一群手持放大镜的工匠。他们使用扫描电子显微镜（SEM）或原子力显微镜（AFM）拍摄成千上万张图片，然后依靠博士生或研究员耗费数百小时，手动去识别、描绘和标注每一个晶粒的边界。这不仅效率极低，而且充满了人为的主观误差。
GrainBot 的出现，本质上是给显微镜装上了一个「L4 级自动驾驶大脑」。
根据最新发表在 Cell Press 旗下旗舰期刊《Matter》上的研究成果，GrainBot 利用先进的计算机视觉（CV）和深度学习算法，能够自动完成图像分割、特征提取和量化分析。它不再需要人类干预，就能精准地识别出晶粒的边界，并计算出表面积、沟槽几何形状、凹凸体积等复杂的几何参数。
更重要的是，GrainBot 不仅仅是一个「计数器」。它具备关联分析能力，能够将这些微观结构数据与材料的宏观性能直接挂钩。在针对金属卤化物钙鈦礦（Perovskite）薄膜 —— 这种被视为下一代高效太阳能电池关键材料 —— 的验证中，GrainBot 成功构建了一个包含数千个标注晶粒的数据库，揭示了以前难以量化的结构 - 性能关系。郭毅可教授在发布会上的一句话极具前瞻性：「随着科学工作流变得更加自动化和数据密集，这类工具箱将成为未来‘自主实验室’的关键引擎。」
对于金融资本而言，GrainBot 这类成果的出现，意味着我们需要重新调整对 AI 项目的估值模型。在过去两年（2024-2025），市场对 AI 的追捧主要集中在「通用大模型」和「应用层 SaaS」。其估值逻辑主要看 MAU（月活用户）、ARR（年度经常性收入）和 Token 消耗量。然而，随着通用模型边际效应的递减，资本开始寻找新的增长点。AI for Science（AI4S）提供了一个完全不同的逻辑：它的价值不在于「服务了多少人」，而在于「缩短了多少研发周期」和「发现了多少新材料」。
以 GrainBot 为例，如果它能将钙鈦礦太阳能电池的研发周期从 3 年缩短到 6 个月，或者帮助宁德时代（CATL）找到一种能量密度提升 10% 的新型正极材料，其产生的经济价值将是指数级的。
这是一种「工业 IP」的逻辑。未来的 AI 独角兽，可能不再是开发聊天机器人的公司，而是那些掌握了特定垂直领域（如材料、生物医药、化工）核心数据和算法，能够批量产出专利技术的「数字实验室」。
在这种逻辑下，香港高校的优势被极大地放大了。不同于硅谷以软件工程师为主导的生态，香港拥有极高密度的材料学、化学和生物医学专家。HKUST 的这次突破，正是计算机科学（郭毅可团队）与化学工程（周圆圆教授团队）深度交叉的结果。这种「AI+Domain Knowledge」的组合，是难以被纯粹的互联网公司复制的护壁垒。
GrainBot 并非孤例。如果我们把视角拉高，会发现香港正在构建一个基于「自主实验室」的科研新范式。所谓的自主实验室，是指利用机器人技术和 AI，实现实验设计、执行、数据分析和迭代优化的全流程自动化。在这个闭环中，AI（如 GrainBot）负责「看」和「想」，机器人负责「做」。这一趋势对香港的经济结构转型具有深远意义。长久以来，香港被视为金融中心和贸易港，但在硬科技研发上往往被认为「缺腿」。然而，随着 AI4S 时代的到来，研发的形态发生了改变 —— 它变得更加数字化、智能化。香港不需要像内地那样拥有广阔的土地来建厂，只需要利用好其算力基础设施和顶尖的科研大脑，就能成为全球「新材料的各种配方」的输出地。
想象一下，未来的香港科学园，可能不仅有写字楼，还有成百上千个 7x24 小时运行的「无人实验室」。它们不断地吞噬数据，通过 GrainBot 这样的工具分析结果，然后自动调整实验参数，最终输出高价值的专利配方。这些配方可以授权给大湾区的制造业基地进行量产。这就是「香港研发 + 湾区制造」的 2.0 版本。
当然，作为理性的观察者，我们也不能忽视其中的问题和隐忧。
AI for Science 面临的最大瓶颈，依然是数据。与训练 ChatGPT 所使用的海量互联网文本不同，高质量的科学数据（如标注完美的显微镜图像）极其稀缺。GrainBot 之所以能成功，是因为团队花费了大量精力去构建初始的高质量数据集。此外，科学数据的「孤岛效应」比互联网更严重。每一家材料公司、每一个实验室的数据都是核心机密。如何建立一个安全的数据共享机制（或许结合 Web3 或隐私计算技术），让 AI 模型能够「吃百家饭」长大，是下一步商业化落地的关键。
2026 年的春天，当我们站在 HKUST 的校园里俯瞰清水湾，看到的不仅是风景，更是科研范式的代际更替。
GrainBot 的发布，象征着「黑客精神」（快速迭代、算法驱动）与「工匠精神」（精细观察、材料打磨）的完美握手。对于投资者而言，关注点不应再仅仅局限于谁拥有最多的 H100 显卡，而应转向谁能用 AI 解决最具体的物理世界难题。
在这个新的赛道上，香港已经开了一个好头。GrainBot 或许只是一个开始，在显微镜的视场之外，一个万亿级的 AI 材料发现市场，正在徐徐展开。
Pump.Science 发射平台上新在即，新化合物项目能否对标 Rif/Uro？撰文：Biteye
前有日入千万美金的 Pump.fun，现有 CZ 喊单的 Four.Meme，链上发射平台的赌场效应依然火爆。2 月 8 日，沉寂许久的 DeSci（去中心化科学）赛道也迎来老牌项目 Pump.Science 即将于下周上线新发射平台的消息。消息一出，$Rif 与 $Uro 纷纷回升 20%。此前，Pump.Science 联合创始人 Benjels 曾在采访中表示会在 2024 年圣诞节推出 20 个新化合物代币。
然而事实上，他推迟了这一动作，直至现在。在三个月内，随着降息等外部因素的影响，Pump.Science 官方代币 $Rif 与 $Uro 从 240m 与 140m 的市值高点下降了 95% 以上，同期 DeSci 金融层项目 BIO 上线币安后距市值高点也下跌了 90% 左右。经 CZ 和 Vitalik 一众大咖喊单的 DeSci 赛道可谓哀鸿遍野。似乎这个被寄予厚望的、能够进一步实现 mass adoption 的新叙事已经人人喊打。
Pump.Science 新发射平台会掀起 DeSci 的中兴浪潮吗？
据 Pump.Science 社区官方文档披露，新发射平台的流程为：
用户在 Pump.Science 平台中将一种化合物与一种代币一起列出。
用户可以在与 Pump.fun 参数相同的 Bonding Curve 上买卖代币以支持这种化合物的研究。79% 的代币沿着 Bonding Curve 发行。当代币市值达到 303 Sol（其中 85 Sol 处于流通状态）时，Bonding Curve 关闭。82 Sol 的流动性将迁移到 Meteora 上进行交易。3Sol 用于支付相应的蠕虫实验费用。
其中，特别需要注意的是，Pump.Science 新发射平台将实施动态费用结构，以阻止狙击机器人，阻止在初始代币销售期间出现自动漏洞。具体措施包括：
机器人威慑：动态费用结构专门用于减少狙击机器人的抢先交易。
早期风险：前 150 slots（约 2min）的费用极高（99.99%），这将严重减少购买者收到的代币数量。
监控活动：第 150 -250slots（2-4min）之间时，费用会迅速下降。
动态费用结构曲线：
白皮书中还写道，所有新化合物都需要为 $Rif 与 $Uro 的建设者与持有者空投一定份额。毋庸置疑的是，Pump.Science 开启新的代币发射平台是一次声势浩大的「自救」。疲软的 DeSci 赛道急需新的注意力热点与造富效应的出现。如今，Sol 链上的猎手们已经在名目繁多的 AI Agent 和名人币中迷失太久而身心俱疲，BSC 链又出现 CZ 明牌喊单分流。危机四伏的链上，能否再度燃起 Rif 和 Uro 般的 DeSci 热潮来打开局面？新化合物，新 Dev，新注意力增量的加盟，能否激活更多 DeSci 的玩法以引来活水？DeSci 项目大吹锣鼓后三个月的现在，确乎来到了决定 DeSci 是中兴再旺还是消沉归零的紧要关头。
超募退款 90%，$Pain 式预售的新化合物 EGS「格局拉满」引热议
2 月 9 日凌晨 3 点 19 分，Pump.Science 官推评论其即将上线的化合物项目 $EGS @EGCGxSFN 道，「赚取了信任是最令人欣赏的事情」。翻看推特可以发现，Pump.Science 新化合物项目 $EGS 于 2 月 7 日早冷不丁地开启了 24 小时预售窗口。据链上数据显示，$EGS 的预售钱包地址于区块高度 319172095 前最终募集 1223 枚 Sol。更引人注目的是，该项目方发推宣布将退还 91.87% 的募资资金，仅保留 100 Sol 用于代币发射和流动性支持。这一预售的「超募高退」策略，与此前大热的 $pain 项目有异曲同工之妙，但 EGS 的退款行为与退款比例均开创了 DeSci 项目的先河。EGS 项目方推特原文如此宣布，「24 小时，没有营销，没有巨鲸，我们证明了对科学的信任。」并宣布，EGS 将以 100k 市值开盘的形式馈赠 DeSci 的钻石手们，此前预售的有效打款已获得了三倍左右的利润。
EGS 是化合物 Epigallocatechin Gallate 和 Sulforaphane 的简称。EGCG 是绿茶中的核心活性成分，被誉为「抗氧化之王」，通过激活 AMPK 通路抑制细胞衰老，并清除自由基以减少氧化损伤。研究显示，EGCG 可延长线虫、果蝇等模式生物的寿命高达 20%，其机制包括抑制促炎因子、增强线粒体功能，并可能通过表观遗传调控延缓端粒缩短。
Sulforaphane 则源自西兰花等十字花科蔬菜的「细胞卫士」，通过激活 Nrf2 通路显著提升细胞抗氧化能力。实验证实，Sulforaphane 可延长小鼠寿命约 15%，其关键作用包括促进自噬清除衰老细胞、修复 DNA 损伤，并抑制与衰老相关的慢性炎症（如 NF-κB 通路）。二者均通过多靶点协同延缓衰老，是天然化合物中少数具备临床转化潜力的长寿候选分子。
显然，新化合物承接了 Rif 与 Uro 以往的 IP 变现逻辑，又通过预售高退款降低了风险，这是 DeSci 急需的‘低门槛高赔率’故事。然而，如此富有话题效应的预售玩法，结合 DeSci「信任科学」的叙事，能否在新平台发射后对齐 Rif 和 Uro？答案并无定数，Pump.Science 联合创始人 Benjels 坦言，「DeSci 的问题在于叙事宏大，但落地艰难。」「用户既想支持科学，又希望获得投机收益，两者如何平衡是关键。」在如今拉盘即正义的行情，单一的去中心化科学的宏大叙事已经被证实无法受市场接纳。DeSci 赛道的中兴之路仍是任重道远，亟待更多吸睛玩法来攫取圈内敏感的注意力。只愿这一次，Pump.Science 的新化合物们能给满目疮痍的 DeSci 赛道带来新的增量，也能如同推文中所承诺的，给那些仍在坚持的 DeSci 钻石手们财富与精神的双重慰藉。
附：Pump.Science 新化合物一览
Punicalagin＆Berberine：石榴多酚，具有很强的抗氧化和抗炎作用；小檗碱：AMPK 激活剂，可调节血糖和改善代谢健康。两者协同下，石榴多酚支持心血管健康和抗炎途径，可补充小檗碱的代谢作用。
Resveratrol＆Berberine：白藜芦醇，多酚，可激活 sirtuins，提高线粒体效率，并模拟热量限制效应；小檗碱：AMPK 激活剂，可调节血糖和改善代谢健康。两者协同下，白藜芦醇和小檗碱都能激活 AMPK 和 sirtuins，可能会导致长寿、新陈代谢控制和细胞修复能力增强。
Ginsenoside Rh2：人参皂苷 Rh2，人参中的生物活性化合物，具有抗癌、保护神经和抗炎作用。
Aspalathin＆Caffeine：阿司巴拉汀，路依保斯茶中的生物活性黄酮类化合物，具有抗氧化和降低血糖的作用；咖啡因，兴奋剂，可提高脑力和体力。两者协同下，阿司巴汀可抵消咖啡因对血糖和压力荷尔蒙的潜在负面影响，提供更平衡的兴奋剂反应。
Gossypol＆Catechin Hydrat：棉酚，具有潜在抗癌和新陈代谢作用的多酚；儿茶素水合物，一种类似于 EGCG 的儿茶素，具有很强的抗氧化性。两者协同下，这两种化合物可共同调节细胞应激反应，提高新陈代谢效率。
Biotin＆Berberine：生物素，脂肪酸代谢、葡萄糖调节和皮肤健康所必需的物质；小檗碱 代谢调节剂，可提高胰岛素敏感性。两者协同下，生物素可通过改善脂质代谢和增强线粒体功能来补充小檗碱的作用。
Urolithin A＆EGCG：尿石素 A，从石榴中提取的代谢物，可促进有丝分裂（受损线粒体的再循环）；EGCG，绿茶儿茶素，具有很强的抗氧化和消炎作用。两者协同下，EGCG 和尿石素 A 都支持线粒体功能和长寿途径，可能会提高细胞的能量效率。
Berberine＆Quercetin:小檗碱，新陈代谢调节剂，可提高胰岛素敏感性，降低血糖，支持心血管健康；槲皮素，具有抗炎、抗氧化和抗病毒特性的类黄酮，促进营养吸收。两者协同下，槲皮素能提高小檗碱的生物利用率，同时还能补充其代谢作用，从而改善葡萄糖调节和线粒体功能。
Hesperidin＆DHM (Dihydromyricetin)：橙皮甙，柑橘中发现的黄酮类化合物，可改善血液循环，减少氧化应激，支持血管健康；DHM（二氢杨梅素），用于保护肝脏、支持酒精代谢和保护神经。这两种化合物都能调节肝脏酶和炎症途径，从而增强解毒能力和新陈代谢恢复能力。
EGCG:绿茶儿茶素，具有很强的抗氧化和消炎作用。
Caffeine: 咖啡因，兴奋剂，可增强能量、认知功能和耐力。肝脏解毒，减少过早死亡。
Artemisinin:青蒿素，从甜艾草中提取，具有抗疟疾、抗癌和消炎的功效。
近日，随着 Binance Research 再度发文肯定 DeSci 赛道，BIO，Rif 和 Uro 纷纷拉升 20%。似乎，DeSci 的风又将刮起了。与此同时，这些化合物也即将上线 Pump.Science 新平台，如此广撒网的代币上线使得大家需要持续关注其中的优质代币，挑选认真做事与会整花活的项目，DYOR！VitaDAO与生物学家合作成立研究长寿的生物科技公司Matrix BiosciencesPANews 10月9日消息，据Decrypt报道，旨在资助长寿研究项目的去中心化自治组织 VitaDAO 与著名生物学家 Vera Gorbunova 合作成立研究长寿的生物科技公司 Matrix Biosciences。该公司的大股东为 VitaDAO，但由于医学和医疗保健领域严格的法律环境，公司本身仍将以传统公司的运营方式运作。VitaDAO最初将为 Matrix Biosciences 提供 30 万美元的资金。随后，该合资企业将通过其 IP-NFT 细分模型获得额外资本。VitaDAO 核心成员 Eleanor Davies 表示，Matrix Biosciences 将研究裸鼹鼠分泌的一种富含高分子量透明质酸 (HMW-HA) 特殊物质的抗癌、抗痛和延长寿命的特性。
今年1月报道，长寿研究组织VitaDAO完成410万美元融资，辉瑞旗下风投公司参投。「AI4S也有Coding的万亿未来。」 文｜胡香赟 编辑｜海若镜 今年5月，28岁的张载熙结束普林斯顿的博后研究，回到国内。在他面前，有几扇门同时打开：美国高校教职、AI大厂首席科学家和千万年薪。最终，他选择进入香港科技大学担任助理教授，并挺进了创业窄门，创立AI for Science公司科理新序（Scinetics）。 暗涌Waves独家获悉，科理新序近日完成近5000万元人民币融资。本轮融资由英诺科创基金领投，沂景资本、小苗朗程、麟阁创投跟投。 这或许是他既往人生中，为数不多的岔路口。从中科大少年班、直博，到哈佛医学院联合培养，随后进入普林斯顿王梦迪团队做博后。研究AI4S的青年PI，是当下创投市场最喜欢的创业者画像之一。 但创业的决策过程，他也曾纠结。 进入大厂，意味着更充足的算力、数据和人才配置；成为高校PI并创业，要比较独立地找人、找钱、找资源，技术和商业都有不确定性。 最终让张载熙下定决心做出选择的是“工作自主性”，他想主导自己的研究方向，而不是被更大的公司组织约束。他更享受从零搭建一套体系的过程。 创业前，张载熙和团队曾经做出过科学智能体Stella。去年，Stella上线后，服务了上千名科研用户，其中七成以上来自斯坦福、普林斯顿等高校和顶级实验室。相比自训基座模型，智能体落地更快、更容易接入现有研发流程，实现商业化。 不过，这条轻巧的路线，目前仍有局限。以大语言模型作为推理引擎，科学智能体在遇到蛋白质结构、核酸序列等数据时，会先将问题翻译为“自然语言”，再把文字指令交给模型执行。精细的三维结构和模态关系，在几次翻译转换中会出现“损耗”，智能体几十次交互也无法绕开误差。 博士期间，张载熙曾开发分子筛选模型MGSSL、药物分子生成模型FLAG等，在多个细分领域达到SOTA。但他判断，单点能力仍是不够，未来AI4S行业会集体走向多模态。所以，科理新序的核心是做多模态长程推理基座模型。 他提出了“Science Token”概念，希望把小分子、核酸、蛋白质结构等科学数据，转化成模型统一的表征单元，不再经过人类语言的转译，让模型在原生科学模态中推理，完成科学任务。 短期，他们将聚焦商业化路径最清晰的生命科学，未来逐步拓展至材料、工程等科学领域。 谈起未来，张载熙认为AI4S一定会出现GPT时刻、Coding时刻，且这是一个可能超越Coding的市场；他也相信自己所带领的小小团队，有实力开发出“大一统”的科学底座模型，成为AI4S领域里对标DeepSeek、Anthropic的基座模型公司。 技术革命初期，路线没有收敛，创业者才有“以小博大”的机会。近日，我们和张载熙聊了聊，此时投入AI4S创业，他究竟想赌一个怎样的未来？ 对话（经编辑）： Part01 AI4S，媲美Coding的万亿市场 暗涌Waves：2019年，你21岁，选择了AI for Science作为博士研究方向，现在回头看很有先见之明。这个赛道从冷变热，你的体感是怎样的？ 张载熙：确实比较幸运，职业生涯转型刚好踩中了行业风口。 我读博阶段，这是一个非共识赛道，行业认知是“Science+AI”，AI是提升业务效率的附加算法工具，项目必须深度绑定具体药物管线，比如聚焦多肽药物，或只做蛋白质垂直模型。 现在AI4S朝着通用方向演进，市场普遍认为这个方向会迎来属于自己的“Coding时刻”。写代码赋予了人类在数字世界创造事物的能力；AI4S则是在变革人类底层科学探索、发现新知识的能力,市场价值可以比肩甚至超越Coding。 从Alpha Fold从1到4的迭代，可以清晰看到AI能力正迅速变强。需要被研究的科学问题没有巨变，但新算法让过去难以建模、难以预测的任务，具备了解决条件，更多科学模态的纳入，让模型能力更强。 暗涌Waves：Science其实是覆盖非常广的方向，现在创业投资的主流技术路线有哪些，技术路径上有收敛的趋势么？ 张载熙：客观说，现阶段的AI4S赛道噪声不小，AI4S从业者主要基于自己既往背景做布局，还没有在技术路线上形成共识，难以判定孰优孰劣。 首先是科学智能体，主要靠调用外部工具完成科学任务。优势是落地快、能迅速嵌入现有研发流程，商业验证周期短，因此诞生了不少初创公司。 大厂也都在做，如Anthropic的Claude Science、OpenAI 的GPT-Rosalind。不过，他们的主战场还是Coding等更general的方向，科学方向属于占位式布局、浅浅试探。 第二是虚拟细胞。受Arc Institute相关工作和论文影响，虚拟细胞从去年起热度暴涨。理论上，它在电脑里模拟细胞受药物、基因编辑后的变化，能提前批量筛掉无效候选，压缩研发时间和成本。行业期待很高，发展速度也比较快。 第三就是我们选择的AI4S基座模型方向。这是一种“自下而上”的路线，聚焦底层分子相互作用，从分子机制推导疾病、基因调控网络等上层现象。 暗涌Waves：去年你们上线了科学智能体Stella，据说反馈也不错，为什么没有选择这条更轻巧的路线？ 张载熙：Stella去年上线后，服务了上千名科研用户，七成以上来自斯坦福、普林斯顿等名校和顶级实验室，MIT的张峰教授也使用过。 但我们发现，科学智能体范式有个根本性问题： 它本质上是把科学问题翻译成自然语言让模型理解，再翻译回结构指令让工具执行。很多精细的三维结构信息、多模态之间的微妙关联，会在翻译过程中丢失。 这是范式本身的天花板。你当然可以在智能体框架上不断加工具、加流程，但只要底层推理还基于文本完成，这个瓶颈就一直在。 暗涌Waves：可以举一个智能体做不出来的例子么？ 张载熙：比如蛋白质局部结构优化。要把某个侧链朝特定角度旋转5度，形成氢键或者其他分子相互作用，这高度依赖3D空间的精细推理设计。 如果用智能体做，就是让大语言模型输出文本指令，再调用RF diffusion这类结构扩散模型去执行。但结构模型本身没办法很好理解文本信息，工具输出结果又要转成字符串、截图，再反馈回大语言模型，智能体读得云里雾里，好像对，又好像不太对，只能继续迭代。 就这个步骤，我们尝试了很多智能体，反复交互过几十遍，浪费了大量Token，结果是跑了一堆用不了的东西。根源就是，没有原生的科学模态推理能力。 Part02 小天才的大梦想：多模态科学底座模型 暗涌Waves：所以你认为必须开发AI4S基座模型？有了基座模型，可以解决“跨模态翻译”问题？ 张载熙：既然翻译会产生损耗，就不翻译了，让模型直接在原生科学模态空间内，做针对多模态科学数据的长程推理（Chain of Science Tokens）。这一基座模型，也是我们公司的核心产品。 我们针对组学、蛋白质结构、分子化学式、核酸序列等各类科学模态，开发了离散Token化方案，把各类科学信息转化为统一的Science Token输入模型，不再依赖人类自然语言做抽象中转，更贴近科学本质。 模型训练分预训练、mid-training、后训练三个阶段：其中，预训练建立多模态生命科学表征，mid-training学习从序列到结构、功能和细胞表型的跨层规律，后训练重点增强长程推理能力。 AI4S基模训练框架（图源：科理新序） 暗涌Waves：这种长程推理，跟既往垂直小模型解决单点任务，有什么不同？ 张载熙：比如做酶设计，不再一步出结果，而是像人类科学家一样分步推理：先搭建酶的活性中心，它决定催化功能的核心区域；再搭建蛋白质支架，把活性中心撑起来；最后补充侧链、微调细节。 这套长链条推理能力，是传统垂直模型、工具调用智能体不具备的。 暗涌Waves：把各类科学信息转换成“大一统”的Science Token，听起来更性感，但小分子、核酸、蛋白质等数据结构差异很大，为什么你们团队可以做？ 张载熙：Science Token首先要解决的，是让模型读懂不同科学模态。 过去，围绕小分子、核酸、蛋白质、复合物和跨模态文本，我们分别做过相应的基座模型。从数据收集、模型搭建到训练，完整地走过。因此，团队知道每类科学数据应该怎样编码，不同模态之间又该如何对齐。 同时，做Stella、BioClaw等智能体时，我们积累了大量长链条推理数据，也摸索了通过后训练增强推理能力的方法。 另外，干湿闭环也很重要。Stella除了计算和算法模块，也接入了自动化湿实验。我们在靶点发现、抗体优化、小核酸设计等任务中，跑通过干湿闭环案例。因此，也清楚AI 应如何对接真实科研任务、连接自动化实验设备。 模型进化，需要主动获得大量高质量数据。干湿实验闭环，可以支撑我们持续获取训练数据、持续迭代。 暗涌Waves：从目前的探索结果来看，这个基座模型的能力如何？ 张载熙：在蛋白质结构预测、蛋白功能注释、RNA二级结构预测、DNA突变预测等单项任务上，已取得不错效果。 我们对这个结果不是很惊讶，毕竟科学系统本身就是复杂多模态体系，如果能把多模态信息全部纳入模型，从全局视角做设计搜索，自然更容易得到更优解。 目前，我们在探索下一代模型训练方式，比如尝试AI for AI，Recursive的训练范式，挖掘科学内在规律、拓展更多模态，或提升模型参数量，以此强化长程科学推理能力。我们期待沿着这个方向，能实现AI4S基座模型的ChatGPT时刻。 Part03 以Science Token为商业模式 暗涌Waves：从定价和商业化上看，Science Token会带来新的商业模式吗？ 张载熙：是的。不过，Science Token和文本Token的定价逻辑不一样，后者定价主要参考算力和电费成本，但Science Token除了考虑这些基础成本之外，还要衡量它背后的科学价值。有些领域，比如小核酸，数据非常稀缺，对应的Token价值自然更高，定价要体现实际的业务价值。 我们希望成为AI4S领域对标DeepSeek、Anthropic的基座模型公司，探索以Science Token作为计费单元的商业模式。 暗涌Waves：用Science Token计费，理想的买方是谁、具体用在什么场景？ 张载熙：比如药企。当模型能力足够强之后，我们不需要花大力气做BD，绑定单条管线做交付。抗体管线、多肽管线、小核酸管线，各类任务都可以承接。 这时候计价单元就可以基于“消耗了多少Science Token解决这个药物设计问题”。就像Coding，不会按代码行数或模块来定价，客户信任模型能力，直接调用服务，消耗多少Token就付多少费用。这能省去大量BD个案的谈判工作。 暗涌Waves：如果这个模式能实现，它也会成为AI4S基座模型企业通行的商业化路径吗？ 张载熙：Science Token还是我们提出的独有概念；至于衡量长链条科学推理数据质量的标准，及其计费标准，在全行业都没有成熟方案。我们和一些AI大厂交流时，他们也没太想清楚这件事。所以它还是一个非常早期的商业想法，需要行业共同推动形成共识。 暗涌Waves：从一级市场视角，我们能看到不少投资机构和资金在涌入，但这个方向目前的融资声量跟大模型、具身相比，还差得很远。你觉得大家的分歧在哪里？ 张载熙：市场上存在两种极端心态，都可能造成投资决策犹豫。 一部分投资人认可AI4S万亿市场，相信AI科学平权，希望每个人都能释放想象力参与科学探索，他们的怀疑点在于：现阶段的技术能力，能不能把这件事做成。另一部分人则把AI4S市场看得比较小，觉得客户只有高校师生和PI，付费能力弱。 既往，市场对垂直模型具备清晰认知，但投资人对“大一统”的科学基座模型评判标准更严苛。因为他们觉得Harness加垂直领域小模型，足够解决科研需求。从用户端，很多科研人员虽向往更智能化的基座模型，但受惯性影响，习惯了调用工具化专项模型，这也是个矛盾点。 暗涌Waves：怎样的投资机构更愿意押注于AI4S基座模型？ 张载熙：一些投科技的市场化基金，及部分曾深耕过制药领域的投资人。他们理解现有研发体系里的“历史技术债”，就像“屎山代码”一样：药企内部集成上百个小模型，每个环节信息传递都有损耗，维护成本极高。 因此，他们从系统工程的逻辑判断，AI会是变革这些的最强力量。这类投资人更愿意押注基座模型路线。 投资人的共识性要求是：必须快速迭代模型，抢占领头羊位置。团队配置上，我们已经把过去学术界和部分工业界大厂做AI4S基模研发的核心人才聚过来了，技术积累比较扎实。我们本来希望在今、明两年能达成一些商业化订单，但投资人觉得，短期内不需要过度在意这点，优先把模型能力做出来更重要。
