Kimi转向AI for Science:编程之后,下一个落点是科学研究
一些迹象显示,Kimi 要往 AI for Science 方向发力了。近日,月之暗面(Moonshot AI)国际业务负责人贾科莫·菲卡里(Giacomo Ficari)在葡萄牙里斯本举行的网络峰会上,谈到了该公司在编程之外看好的下一个方向:科学研究。他提到,过去几年,编程是推动市场需求增长的重要场景,而生物学、化学
种种迹象表明,Kimi 正把注意力转向 AI for Science。
在葡萄牙里斯本举行的网络峰会上,月之暗面(Moonshot AI)国际业务负责人贾科莫·菲卡里(Giacomo Ficari)提到了公司看好的下一个方向:科学研究。编程之外,这是新的落点。
菲卡里说,过去几年编程是拉动市场需求的重要场景;而生物学、化学等科学研究对模型能力要求更高,还可能为 AI 在制药领域的应用打开新市场。
这算是对趋势的一次呼应。Coding Agent 对基座模型的增益效果,
Anthropic、智谱和 Qwen 等已先后证明过;AI for Science 在硅谷成为显学之际,国内基础模型的响应却稍显迟钝。
眼下 Kimi 似乎准备动起来了。它此前与深势科技达成合作,把 Kimi 接入了生物医学科研智能体;晶泰科技也开始用 Kimi 处理化学文献,辅助药物和材料研究。与 AI for Science 领域这两家头部公司联手,算是这一布局的开场。
从公开信息看,这些合作还集中在科研流程的部分环节:理解研究问题、编写分析代码、调用专业工具、从文献中提取信息。与直接参与科学发现或药物研发决策相比,它们更接近研究人员日常工作中的辅助性任务。
另一边,海外同行似乎已经走得更远。
AI4S 第一步,切入现有科研平台
如前所述,Kimi 进入科研领域的主要方式,是找已经握有专业工具和行业客户的企业合作,让通用模型接入现有工作流程。
以深势科技为例,其自主开发的生物医学科研智能体 BioMaster 已集成细胞类型识别、基因表达分析等专业工具,并提供相应计算环境。接入 Kimi K3.1 Pro 后,BioMaster 尝试让模型承担部分分析流程,包括理解研究问题、编写代码和调用专业工具。这些能力目前主要体现在深势科技公开展示的案例中。
在一项涉及 3,696 个小鼠胰腺细胞的基因表达分析演示中,研究团队试着用单一发育时点采集的数据,推测细胞可能的发育路径,并筛选相关候选基因。
深势科技披露的这项测试里,系统跑了约 90 分钟,输出一张推测性的细胞发育图谱,还筛出 100 个候选基因。按该公司的估算,同样的活交给人工,通常要 4~8 小时。只是这个时间差出自企业自己公布的单项案例,还不足以证明系统换到别的科研任务上也能提速这么多。细胞发育路径怎么走、候选基因选得对不对,也都还要靠进一步的生物学验证。
图 | BioMaster 接入 Kimi 后对 3,696 个小鼠胰腺细胞的分析结果(来源:深势科技)
另一家合作方晶泰科技则把 Kimi 用于化学文献处理。我们从 Kimi 开放平台看到的案例介绍显示,晶泰接入 Kimi K3 后,主要用它从化学表达式、科研图表中提取信息,辅助药物和材料研究人员整理文献。
两项合作涉及的任务不同,技术路径却相似:Kimi 提供通用模型能力,行业企业提供专业工具、计算环境和具体应用场景。
对 Kimi 来说,这种方式能降低进入专业领域的门槛。与其从头开发一整套生物医学科研系统,接入现有平台可以更快接触实际任务,也能观察通用模型在专业环境中容易出哪些问题。
但模型能当着人面做完一次演示,和它能不能长期稳定地支撑科研项目,中间差得还远。生物医学这块尤其如此:模型写出的代码、调用工具的路子、最后得出的分析结果,都得由专业人员过一遍。
联手
与上述应用测试相比,Kimi 近期参与的一项理论计算机科学研究,提供了另一个观察角度。
11 月 5 日,月之暗面、
团队挑出 100 项研究任务,让模型去证明定理、编写求解程序,或者构造出符合指定条件的数学对象,里面有些猜想至今没被解决。这些任务有个共同点:一部分结果能靠程序查。让模型自己给答案打分难免主观,程序验证则不同,某个构造合不合题目要求,能判得更清楚。
拿其中一道题来说,要在 124 个点之间尽量多连线,同时不能出现长度为 3 或 4 的环。论文给出的参考构造有 629 条边,Kimi K3 构造出的方案有 630 条边,并且通过了程序检查。
这说明在特定的数学构造任务上,模型有可能拿出比现有参考答案更好的方案。可程序验证通过,只表示这个构造守住了约束条件,并不等于模型已经证明自己找到了全局最优解。
从生物科研平台中的工具调用,到理论计算机科学领域的评测设计,Kimi 正尝试从不同方向探索模型的科研能力。不过,这两类工作仍有明显区别:前者主要检验模型能否协调已有工具完成任务,后者更关注模型能否解决具有明确验证标准的专业问题。如何把这些能力进一步转化为真实科研成果,还有待更多实践。
AI for Science,模型赋能到哪一步了?
从目前这些零散信息看,Kimi 的布局还处在偏早期。海外同行也借助外部专业知识,不过有些公司已经把合作伸向药物研发流程的更多环节。
OpenAI 今年在生命科学领域推出 Rosalind Workbench,研究者能通过这个平台连接科学工具和数据、分析结果并规划实验。到了 10 月,公司又收购药物研发协作平台 Orchestra Bio,进一步切入药企跨团队协调研究、安排任务和跟踪进展的工作流程。
面向科研组织的 GPT-Rosalind-6 与 GPT-6 Astra 共用同一套权重。这样一来,OpenAI 的生命科学产品可以直接借用旗舰通用模型的能力,不必再单独训练一套完全独立的基础模型。
图 | Rosalind Workbench(来源:OpenAI)
Anthropic 的打法更成体系,实验研究和项目决策环节都能看到这家模型巨头的身影。就在上个月,该公司还披露了与 6 家机构合作推进药物研发的进展。百时美施贵宝(BMS)用 Claude 分析一项早期药物的临床研究计划。近期,Anthropic 还收购了研究罕见肌营养不良症的一人公司 Mithril Medicine。
直接参与药物研发项目,也让 Anthropic 有机会接触科研人员实际做判断的过程。药物研究里有大量信息无法从最终论文里直接看到,包括失败的实验、被放弃的方案,以及研究人员为何改变原有判断。Anthropic 希望借这些反馈,更准确地确定后续模型研发的重点。
诺和诺德(Novo Nordisk)今年 4 月与 OpenAI 达成合作,打算把 AI 用到药物发现、商业运营等多个环节。5 个月后,这家公司又找上 Anthropic,针对科学家提出的具体问题开发药物发现工具。百时美施贵宝在全公司部署 Claude 时也把话说得很明白:走的是多供应商路线。药企向基础模型靠拢,已经成了明显的动作。
中国眼下已有体量不小的医药研发外包产业,这对国内基座模型企业来说,是一条能走进实际研发项目的通道。CRO 通常同时服务多家药企。康龙化成就是例子:2025 年,其实验室服务团队参与了 887 个全球创新药的药物发现项目。专业研究人员、实验设施、相对成熟的研发流程,这类企业都不缺。通用模型若能在文献整理、数据分析、实验设计辅助这些重复性工作上出力,便有望借现有服务体系进入多个研发项目。
但具体能形成多大规模的需求,还要看模型在实际项目中的表现、部署成本,以及药企对数据安全和研究质量的要求。
数据这一环更难办。公开论文里大多是筛选、整理过的研究成果,大量失败实验、未发表的观察,以及研究过程中凭什么做出判断,都不会完整出现在公开数据集里。可这些信息,恰恰可能左右科研模型下一步能走多远。
模型只学已发表的结论,就很难弄明白研究人员为何挑某种实验方案,又为何在拿到特定结果后掉头。于是,一些前沿 AI 公司开始试着更直接地介入实验过程。
Anthropic 已在旧金山湾区设立生物湿实验室,谷歌 DeepMind 也在英国弗朗西斯·克里克研究所(Francis Crick Institute)内建立了湿实验室,希望通过实际实验检验 AI 提出的假设,并获取相应反馈。
不过,进了真实项目,不等于药企的实验数据就能随便拿。商业机密、知识产权、患者信息相关的数据,一般都卡得很严。项目经验能不能变成可复用的模型能力,还得看具体怎么合作、数据怎么用。
参考内容
1.https://www.scmp.com/tech/article/3374568/chinas-moonshot-ai-puts-kimi-models-race-science-discoveries
2.https://bydrug.pharmcube.com/news/detail/7fcc525a11db61284f8e011056ddd1ad
3.https://www.kimi.com/news/kimi-enterprise-partner-program
4.https://arxiv.org/html/2611.07962v1
5.https://www.anthropic.com/research/early-progress-drug-development
6.https://static.cninfo.com.cn/finalpage/2026-03-31/1225057837.PDF#page=14
运营/排版:何晨龙
注:封面/首图由 AI 辅助生成