AI4S火热,离“ChatGPT时刻”还有多远?

一、仅仅是从海量候选分子里筛出有希望的那几个

一种帮助药物进入细胞的肽分子,从开始设计到进入实验验证,要花多长时间?

过去,仅仅是从海量候选分子里筛出有希望的那几个,就可能耗上一年甚至更久。

而在AI4S创业公司智源深澜,这件事被压缩到了两三个月:AI模型负责设计和筛选,自动化实验平台接手后续实验,原本要靠科研人员一轮轮试错的工作,交给了算法和机器。

类似的变化正在更多实验室发生。

查文献、分析数据、设计分子、规划实验,AI正在介入过去高度依赖科学家知识和经验的环节。

一些创业者的目标更远——让AI独立提出科学问题、发现新知识。

这一方向被称为AI for Science(AI4S,人工智能驱动科学研究)。

今年以来,这条赛道的融资热度明显提升。

据媒体报道,今年前10个月,国内AI4S赛道发生超过80笔融资,已披露融资总额超过200亿元。

科理新序、元材新界等成立不久的创业公司接连获得融资,资本正加速涌入生命科学、材料研发等方向。

AI4S创业公司深度原理则推出科研大模型Hydrogen-1.0,尝试让AI参与实验设计和新材料发现。

1、大量时间消耗在重复劳动上

大厂也在加速布局。

11月16日,阿里发布的Qwen4-Max展示了自主设计新型冷却液分子,并调用自动化实验平台完成合成与测试的能力。

此前,Anthropic的Claude Fable 5.2和Mythos 5.2、腾讯的混元Hy4正式版也相继展示了通用大模型解决理论物理、数学研究等领域复杂问题的能力。

科研一直被视为最依赖人类判断的领域之一。一个假设成不成立,要靠真实实验检验;一项发现有没有价值,要靠科学家判断。

那么,AI究竟能替科学家做多少事?它离独立完成科学发现还有多远?这门生意,又能做多大?

为了找到一种能发酵特定化合物的肠道菌,他先把约一万株菌混在一起发酵,确认目标菌就在其中后,再用二分法不断缩小范围筛选,前后花了大半年。

他一度怀疑,自己千辛万苦考上北大,为什么做的是这些重复工作?后来出国交流,他发现哈佛、耶鲁的一些研究人员也在做同样的事。

这不是一个人的困境。科研中,大量时间消耗在重复劳动上,挤占了科学家判断和创造的时间。

2024年,王承志创办智源深澜,将AI模型与自动化实验平台结合,希望有一天,AI能从“实验员”变成“科学家”。

轻远科技(杭州)的创始人赵乘乘此前长期从事材料实验研究。

她发现,一个科研项目从提出问题到厘清背后的科学规律,往往需要多年。

研究过程中还可能出现多种假设、相互矛盾的实验结果,需要科学家不断分析证据、调整判断,问题越复杂,个人越难梳理清楚。

二、使每一次探索都成为下一次研究的起点

这促使她转向AI4S。

她希望未来AI能够参与提出假设、分析证据、设计实验等过程,让已有研究与新实验持续连接,使每一次探索都成为下一次研究的起点,加快发现科学规律的进程。

科理新序联创兼COO Erik以一个北京大学植物育种科研团队的合作案例为例。

该团队具有深厚的植物科学研究积累,但蛋白质设计涉及另一套专业模型与计算流程。

过去,研究人员需要额外学习相关工具,或与计算生物学团队合作。

借助科理新序开发的科研智能体,他们可以通过自然语言描述研究目标,由AI协助调用蛋白质设计及分析工具,更便捷地开展跨学科探索。

Erik将这种变化称为“科研平权”。

在他看来,AI带来的价值不仅是让原本就擅长计算的科学家更高效,也在于让更多非AI背景的研究人员获得先进的科研计算能力。

科理新序智能体的使用者有来自口腔医学、类器官、植物育种等细分方向,过去几乎没有专门的AI工具,AI一旦进入,带来的效率提升和“震撼感”要大得多。

其实,用计算机和机器改造科研,并不是新鲜事。

机器学习多年前就进入药物研发、材料计算等领域,但过去的算法往往只能解决某一类问题,机器只能执行固定操作,复杂的研究流程仍然需要人来组织。

1、今年的升温来自三股力量的汇合

在Erik看来,今年的升温来自三股力量的汇合:通用大模型的推理、代码和工具调用能力不断提升,让AI能够理解、并拆解复杂研究任务。

蛋白质、分子、细胞等领域的专业模型逐渐成熟,越来越多科学问题有了对应的AI工具。

再加上,实验室自动化设备也积累到位,能够执行实验操作,并将结果反馈给AI。

王承志把AI参与科研的发展过程大致划分为三个阶段:辅助科研、指导科研和自主科研。

在辅助阶段,AI主要帮助科学家处理信息。王承志早年曾带领团队,利用算法把已发表论文中涉及的基因、疾病、药物和分子等信息,连成一张巨大的知识图谱。

这解决的是科学知识分散的问题。一名科学家可能花多年研究某个基因,发现它与某种疾病有关;

另一名科学家研究一种药物,恰好发现它能够作用于这个基因。两项研究之间的关联,单靠人读论文很难发现。

知识图谱把这些散落的线索串了起来。

打个比方,一名生命科学研究人员想优化某种蛋白质,过去要自己查文献、挑选结构预测模型和分析软件、跑完不同的计算任务,再根据结果不断切换工具。

现在,科研智能体可以把这些步骤串起来:研究人员提出目标,AI调用相应的模型和工具,完成部分计算,并根据中间结果安排下一步。

Erik形容,AI正越来越像一个“非常强的科研搭档”。这个阶段,研究方向和关键决策,仍要由人把关。

三、通用大语言模型的科研智能体能够调用工具

1、这一步还没有实现

自主阶段则要求AI再向前一步,独立完成科学发现。这一步还没有实现。

王承志用自动驾驶来打比方。

现在的AI科研类似于辅助驾驶,能够完成相对固定、标准化的实验流程,但还需要科学家下达指令、检查结果,并在遇到复杂情况时进行干预。

而未来的AI应该像一辆能够完全自动驾驶的汽车,可以自主寻找问题、设计实验,并根据结果开展下一轮研究。

AI为什么还接不过方向盘?如果把科研拆成提出假设、设计方案、实验验证、从结果中学习这几个环节,会发现AI要独立完成整个过程,仍然有几道难关。

王承志认为,AI总结已有知识的能力已经远超人类,但创造新知识的能力还“没及格”。

AI本质上是一台概率机器,擅长从海量数据中找出普遍规律,却容易忽略那些偏离规律的细微现象。

而科学发现,有时就藏在这些意料之外的结果里。

一次不符合预期的实验结果,可能是误差,也可能是突破某个重大发现的关键节点,分辨两者需要科学家的经验和直觉。

Erik将这种判断力称为“科学品味”。哪些问题值得投入,哪些方向可能带来新的发现,需要科学家判断。

在算力和实验资源都有限的情况下,研究一个好问题的价值,远大于研究十个、二十个没有意义的问题。

科理新序曾与北京大学一个生命科学课题组合作,尝试利用基于通用大语言模型的科研智能体完成复杂分子对接任务。

智能体给出初步结果后,研究人员认为还不够好,要求它继续优化。

智能体连续进行了五六轮调整,每一轮都反馈自己完成了哪些改进。

等研究人员介入检查时才发现,智能体声称的优化并不算优化,有些甚至变得更差。

在Erik看来,通用大语言模型的科研智能体能够调用工具,并不意味着它真正理解工具处理的科学对象。

分子和蛋白质是复杂的三维结构,原子之间的位置、距离和相互作用,都可能影响最终性质。

智能体所依赖的通用大语言模型主要依靠自然语言进行推理,当三维信息被转换成文字,再交给专业工具执行时,很多关键信息可能在“翻译”中丢失了。

王承志观察到,一些AI制药公司一天就能设计出上万个候选分子,但没有足够的实验能力去验证它们究竟有没有用。

在AI辅助科研的领域,用计算机预测、筛选和设计分子的工作通常被称为“干实验”。

但要知道这些分子能否发挥预期作用,还得在实验室进行合成、测试和验证,也就是“湿实验”。

两者之间的效率差距,被称为“干湿鸿沟”。

四、这方面未来几年可能出现重要突破

1、Erik算过一笔账

Erik算过一笔账,AI生成1000个候选方案很快,但把1000个方案都验证一遍,很慢、很累,也很花钱。

如果模型能够提高判断的准确性,只生成10个方案就找到有效结果,价值会更大。

行业需要的不只是更强的生成能力,还要减少无效验证。

让机器人接手实验,是一条路径。

目前一些自动化实验室已经能够完成特定流程下的批量实验,但科学研究涉及的设备、试剂和操作条件经常变化,工程师需要提前设置流程、调整参数,遇到异常情况也要人工介入。

王承志认为,下一步是让AI学会自主控制设备。

科学家只给出一个实验目标,它能通过视觉、触觉等信息感知环境,像孩子学走路一样,在一次次失败中学会操作仪器。

他判断,这方面未来几年可能出现重要突破。

王承志告诉「定焦One」,他曾带领团队清洗一批公开的单细胞测序数据,最后发现约95%的数据不适合直接用于模型训练。

这些数据来自不同的科研课题,各实验室采用的实验条件、测量方法和数据标准并不一致。

研究人员只关心数据能否支撑自己的结论,并不会考虑数据是否能被AI使用。

2、垃圾进与一定垃圾出

“垃圾进,一定垃圾出。

” 在王承志看来,科学模型需要真实、标准化的数据,最好是不同实验室按照同一流程都能得到一致结果的数据。

如果训练材料本身存在问题,再精准的算法也无法保证结果可靠。

Erik则更关注已有科学数据的利用,他认为大量公开论文、专利和科研数据还没有得到充分整理和利用。

通过科理新序开发的AI工具给这些数据“降噪和清洗”,将分散的科研信息转化为可用于模型训练和科学分析的结构化数据。

相比之下,能够检验AI预测是否正确的实验反馈更加稀缺。

科理新序从科学基座模型切入,先让AI拥有一个更懂科学的“大脑”。

科理新序从预训练阶段开始研发跨模态生命科学基座模型,让AI直接学习和理解不同类型的科学信息,包括蛋白质的结构、DNA和RNA序列等,再利用这些信息进行推理和分析,减少无效计算与实验。

智源深澜则将更多精力放在实验能力上,造更多的“手”。

在它的实验室里,AI参与设计方案,自动化设备执行,产生的数据再反馈给模型。

王承志介绍,平台一天可以完成约3万次实验,这些数据标准统一,可以直接进入模型迭

来源: 投中网-商业深度
产业标签 半导体长征
赞(1) 支持本站
分享到

支持本站持续更新

如果这篇内容对你有帮助,欢迎扫码支持。

支付宝扫一扫

微信扫一扫

登录

找回密码

注册