王欢:大模型啃完人类知识存量,下一步如何闯进真实世界?
AI能不能不只“掌握已有知识”,而是进入真实世界,创造新知识?
论文、书籍、互联网信息,人类产出的这些内容正被大模型越学越多。一个问题也随之变得尖锐:AI能否走出“掌握已有知识”的范围,进入真实世界去创造新知识?
霞光社 X-Hub 旗下 Y-Talk 是一档面向新一代行业决策者的直播栏目,近期它对话了清析智研联合创始人、首席科学家王欢,上述问题正是讨论的核心。王欢为清华大学工学博士、全球前2%科学家,长期关注多模态大模型、复杂科学系统智能化与AI赋能材料研发。
“在我们看来,AI for Science(下称AI4S)接下来的突破会出现在物理世界。以 AI 原生科学设备作入口,从真实物理实验的结果里不断学习,再去创造新材料、新物质,这是 AI4S 最关键的突破方向。”
——王欢,清析智研联合创始人、首席科学家
在王欢看来,大模型如今的能力都来自数字空间或者说虚拟空间,其最主要的能力,是AI已经充分掌握了人类已有的知识。“但“已有”恰恰也是边界:"对于人类还没有总结、还没有发现的领域,大模型还有很长的路要走。而AI4S恰恰是一个需要创造新知识、新领域的学科。"

图片源自清析智研
下一次Scaling怎么搬到物理世界?王欢给出的路径是:让模型一步步接入科研仪器、实验与产线设备,同时推动科学仪器向 AI 原生设备演进,使这些设备在实验和生产过程中不断拿到真实反馈、产出新数据。

图片源自清析智研
整场对话下来,王欢给出了5个核心判断。
其一,AI4S的下一次Scaling,在于构建模型、AI 原生仪器、AI 原生实验室与产线协同运行的物理闭环。
其二,它的稀缺资产是持续产生新数据的能力。仪器与设备,正好构成 AI 理解物理世界的感官与双手。
第三,科学探索能走多远,将由模型能力划界;AI 能感知什么、能动手做什么,则靠科学仪器往外扩;真实实验形成闭环,高质量数据源源不断产出,模型和实验策略就这样一起往前走。
其四,未来谁能在物理世界连接更多入口,以更低成本、更高通量完成“假设—实验—验证—学习”闭环,谁就能更快把未知转化为知识,再把知识转化为产业价值。
其五,AI4S的终局竞争,就是在物理世界中规模化创造新知识的能力。
以下为王欢与Y-Talk及直播间观众们的问答梳理,经编辑整理:
注:为把嘉宾和企业的深度内容尽量挖全,也让参与者不止停留在听观点、还能拿到一线经验,Y-Talk 每期分享结束后都设观众 Q&A 环节,让不同视角的提问都有机会得到回应,到场的人也更有收获。
Y-Talk:科研与创业,很多人会觉得这是两条完全不同的职业路径——前者追求科学问题的突破,后者追求商业价值的实现。你从科研领域走出来创业,是什么让你最终决定投身创业浪潮的?
王欢:过去科研和创业确实是两种完全不一样的职业路径,但近几年发展下来,两者逐步有了共识,或者说最终都走向了同一条路。原因在哪?移动互联网时代,创业更多是渠道、流程上的变革,加速整个社会运作的效率。
近几年,创业环境或者方向逐渐转变成硬科技的创业,慢慢地演变成科学家的创业。这里面面临的事情都是一致的:越来越多的科学家投身创业,同时也不会妨碍他进一步去探索新的科学问题的突破。从科学的探索到创业的价值实现,走向了同一条路。
当然,两边想问题的方式差得很远。在高校,我们带团队、做管理,核心是让科学目标落地、让科学价值实现;到了公司,更多是想办法把开创出来的科学技术和科学能力,变成能商业化的产品或者解决方案。我觉得创业这件事现在慢慢变成这样:既可以去想怎么探索、怎么实现新的科学问题,也可以去想这些科学问题怎么转化成真正能提升整个社会、整个行业效率与价值的东西——这一块给我个人带来的价值感非常大。
Y-Talk:过去两年,AI 在编程、内容生成这些领域已经表现出很强的能力,可 AI4S 看上去还处在产业爆发的早期。你怎么看 AI4S 真正的突破口?这个突破过程又会让未来的科研范式发生哪些变化?
王欢:今年 AI 的突破确实有很大进展。前几年 AI 更多停留在对话文本这一层,今年不管是编程、内容生成还是视频生成,乃至下游应用,都已经展现出相当颠覆性的能力和效果。
单说 Science,AI 现在的能力还是有限的,核心问题在于:编程、内容生成、视频这些领域,模型已经把数字空间里的知识和能力慢慢学完、总结完了,所以能表现出高度智能。在 Science 这边,偏虚拟空间的部分——比如帮忙写论文、润色论文、找资料——AI 已经做得非常好。可越往实际的物理世界走,比如帮着发现新材料、做实验制备、探索新物质,这一块还处在偏早期。
说到突破口在哪,我个人认为还是在高价值数据的积累和高价值底层数据的构建上。这一波 AI 浪潮,核心取决于数据层面的爆发。过去几十年,互联网时代、移动互联网时代攒下了大量由人类创造的文本、视频和代码,模型能力的大幅飞跃正是建立在这些数据之上。
王欢判断,AI4S 接下来要出成果,靠的还是人在科学领域攒下的高质量数据与实践。人类把对物理世界摸索出的经验和发现,转成模型能读懂、能学会的形式,再让模型一步步介入科研流程,才可能形成真正的突破口,把研究节奏提上来。
科研效率能提到多高?他给出的设想是:先有一个「AI Scientist」的大脑,可能以某一个大模型作核心,依据当下的现象和情况,把下一步的实验方案、优化方案、工艺制备方案定出来;再交给物理世界 AI 配合自主实验室去执行。自主实验室可以理解为面向科学场景、实验室场景的「自动驾驶」方案,按大模型给出的方案和细节,自动完成实验、表征分析和优化,最终串成一套全自动、无人的实验室。

上图是清析智研 AI 模式的四大产品线。
在他看来,未来的科研范式会越来越像今天的半导体工业:生产制造高度集成、高度自动化。人更多是提更 high level 维度的需求,剩下的交给模型、物理世界 AI 和设备自动完成。
Y-Talk:刚才的演讲里,你提到清析智研提出了 AI Science Superfactory(AI 超级研发工厂)这个概念,想把科学模型、智能仪器、自动化实验和产业研发连接起来。愿景听起来很宏大,落地起来肯定有挑战。当前最大的技术瓶颈和商业化障碍是什么?
王欢:AI 超级研发工厂这个概念,来自我们在设备仪器、AI、材料化工、研发以及工业化场景等方面的积累。基于此前在科学仪器和产业端的积累,我们觉得 AI4S 或者 AI for 材料这个领域,最终还是要打造一个闭环的研发框架和架构,把从计算化学、制备工艺、工艺优化到最终量产串联起来,才能打通产业链,实现快速的、新材料新工艺的产出和知识的产出。

上图是清析智研提出的 AI Super Factory 概念。
我们的切入点比较特殊,是围绕仪器智能,或者说自动化实验室的构建和改造,来逐步搭建流程。创始人在半导体产业和产业端有经验,基于这些经验,我们认为现在实验室的自动化水平、仪器设备的自动化水平,远远低于工业端或产业端。
所以构建超级研发工厂,第一步要从仪器设备端、实验室端入手,打造 AI-native 的实验室和仪器,构建 AI 原生科学仪器与实验室解决方案;在这个解决方案之上,再构建全流程 AI 赋能的软件层面方案——不管是科学计算还是实验工艺优化——才能实现 AI 超级研发工厂的构建。这是我们的切入点,也是我们的优势。
卡点有两处。头一处,科研场景里的AI原生仪器该怎么定义、怎么理解,目前还没想透;另一处,半导体等产业端攒下的经验和行业know-how,怎样拿来改造眼下的科学仪器与实验室,这些都得去摸索、去试。
商业化也分层次。眼下AI更多充当工具,用来给研发提速——算得更快、实验方案出得更快、表征分析也更快,围绕AI搭出方案,帮客户解决研发中卡住的问题,这就是第一层商业模式:卖技术服务方案,比如替产业客户、高校客户处理工艺或计算上的难题。
往上再走一层,就得想AI原生仪器、AI自主实验室的事:怎么做出成套设备与能力,把整个Science的流程、实验室的架构范式翻新一遍。
再往上,是AI超级研发工厂最终要兑现的价值——自有材料IP会一点点攒到自己手里,最后具备批量产出新材料、新配方、新物质的本事。
每一层都有商业化的坎。第一层,难在自有平台和模型的泛化性、解决问题的能力怎么提上去。设备这一环,则是实验室设备的范式与架构怎么改,让用户看得懂、愿意接——眼下实验设备和实验室布置是离散的、分散的,说白了就是「手工作坊」,要把它做成高度集成自动化的实验室方案。
再往上,做出新材料、新配方的价值,达到这一层级,基本商业化是没有什么障碍的。
Y-Talk:AI4S这条赛道本身就是全球在争,顶尖科研机构、科技公司、创业团队都在下注,新闻天天一大堆。中国AI4S产业放在全球竞争里,位置该怎么看?
王欢:中国AI4S产业在全球这一块,我个人的感觉是跟美国差距不算特别大。美国那几家创业公司融资额度比国内同行高出一大截,可我们现在做成的某些事,并不比他们眼下做的差。
另外,在国内做AI4S有个很大的优势:路子怎么走,最后都得接上产业端、工业端,光做科研、没有落地场景不行。材料、化工、生物、医药这些领域,国内工业底子非常厚,围着这个底子去做前沿研发和探索,土壤和基础都很好,能撑起AI能力建设。我个人看,中国在整个AI4S领域的全球竞争位置是比较靠前的,甚至能算Top级别。
观众:在商业模式探索上,AI4S 公司是应该只做 AI 研发干湿流程,还是应该继续深入参与到产业端,亲自下场运作?
王欢:在商业化这一块,对于材料领域,我个人觉得应该要深入产业端,能够将研究进行产业化,但不一定要亲自下场做产业化的运作。
材料这行,就算实验室里做出了新东西,走到小试、中试、量产还有很大的壁垒,一堆问题得解决。解决不了,就只能停在实验室,做出的新材料或新知识也就没有价值。
观众:现在,AI4S 目前企业整体收入规模都不大,这个行业的商业化还有什么障碍?
王欢:现在整体收入规模都不大,主要还是因为AI4S公司都还在早期,商业化上大多停在刚才说的三个层级里的第一层——给高校客户或产业端客户提供解决方案、满足技术服务类需求,收入规模和增长趋势都不会有太大起色。
从最开始提供基础的技术服务,到最终新材料、新物质的发现和产生,未来 AI4S 公司的收入规模会慢慢有一个指数级的增长和爆发。
观众问的是,AI4S企业往后是走垂类路线,还是能快速把能力泛化到不同垂类行业,垂类之间的泛化又难在哪。
王欢的回答是,快速垂类泛化这件事,核心还是看模型的泛化能力。眼下模型本身的能力、数据积累带来的泛化能力都还有限,所以现在做材料体系,会先盯住大类材料体系,像金属材料体系、电池材料体系,或者有机无机材料体系,先在材料体系内部做泛化,尽快拿到大量有价值的新材料 IP 或新能力。等数据和能力慢慢攒起来,他期待能做到全行业泛化,到那时候,模型上、研究范式上的变革能力才能真正充分展现出来。
有人问,干湿闭环实验室在AI4S里到底起什么作用。
王欢说,现在做AI4S的都在强调干湿闭环,强调让 AI 深入到物理世界,可他觉得还有个问题没解决:怎么让干湿闭环快速跑起来,尽量少让人插手,把实验效率提上去,这是要想的。既要站在AI的角度想怎么把AI更好地用到各个行业的干湿闭环里,也要想怎么去构建更 AI 原生的科学仪器或实验室。在他看来,未来干湿闭环的实验室里,AI 肯定是一个非常核心的中枢,只有 AI 才能把整个实验、整个范式跑起来。
他拿工业举例,是因为工业端已经形成了高度集成化、自动化的生产和制造方案。但实验室、科研这块没法像工业那样直接搭出非常标准化的流程,工业每一个节拍、每一道工序都是固定的,可以据此高度集成地构建自动化闭环;Science 这边其实是离散的,可以类比成柔性的,这个柔性过程中更需要AI来参与各个环节的决策。
观众问,纯AI团队在AI4S领域有没有优势,AI4S要形成有效的闭环迭代,是不是最好有产业需求方深度参与。
王欢的判断很直接:纯AI背景的团队做不了AI4S这条赛道。原因是纯AI团队理解不了材料领域、生物医药领域的行业know-how,也摸不清行业真正关心、需要解决的问题。如果只从模型角度、从AI 角度想办法去解决,往往可能得不偿失,费了很大劲,并没解决到用户的痛点。下面那个问题他也一并答了——AI4S要形成闭环,肯定需要产业方、需求方的深度参与,这个是必须的。
观众接着问,目前AI4S的效率提升和客户续费意愿是什么情况。
王欢说这个得 case by case,不同需求、不同场景里,AI解决问题的能力还是不一样的。在 some AI 能解决得非常好、平台也能解决得非常好的场景下,客户的付费意愿或续费意愿还是挺强的,当然这也要看他们能不能持续做能力迭代。
观众问,如果 AI 能完成部分科学发现,科学家的核心价值会发生什么变化,未来的科研人员又需要哪些新能力。
王欢拿 Coding 做类比:AI现在基本上已经能帮人类完成百分之七八十的 Coding工作量,有些时候甚至更多。对编程人员、IT 技术人员来说,大家更多的要求是他有非常充分的经验,能理解 AI 在做什么,能管控好 AI,这是非常需要的能力。放到科学发现这块,未来两三年模型在 Science 领域出现一些突破之后,对科学家核心价值的要求,就是如何从更 high level 的角度去思考:该构建什么样的科学任务、需求是什么,并管控好科学 AI 所执行的各个步骤和产出。
观众问,AI计算端生成数据,跟干实验、湿实验数据的真实数据反馈闭环,目前哪个更重要;干湿实验反馈相对缓慢,前端数据生成端相对更快,两者的gap怎么解决。
王欢先区分了两类数据在获取上的差别:干实验靠理论计算,很快就能产出海量数据,可这些算出来的数据和实验得到的真实数据之间差得很远;湿实验数据得在实验室里制备,价值高,产出速度却慢得多。在他看来,湿实验的数据——真实的制备数据、表征数据——分量要重得多,远非干实验数据可比。道理在于,干实验也好、理论计算也罢,最后都得拿实验去验证,才能说明理论计算站得住脚;只拿理论计算数据训出来的模型,价值没法保证,终究还是要靠真实实验数据去优化、去迭代。
观众问,怎么看部分AI4M(M即Materials,材料)的公司亲自下场做材料。
王欢说,就像他前面讲的那样,AI for材料这个场景最后释放出来的价值,一定是新材料、新分子或者新的高价值配方;从价值示范看,最有价值的最终产出也还是新材料。特别是AI4S这个行业,大家一直在问,到底谁能跑出百亿甚至千亿估值的公司;放到材料领域,真能握住几个高价值的材料IP,光一个材料IP就可能撑起一家新的百亿价值公司。AI for材料的公司必须自己下场干,至于做材料的是不是AI4S的公司主体,那属于商业架构层面的考虑。
观众问,AI4S会是几家巨头垄断大部分行业,还是各自垂类行业都会有细分巨头。
王欢认为,AI4S或者AI for 材料这个领域非常大,大到可以容纳非常多家的百亿估值公司。为什么?材料领域本身就是一个非常大的市场,是数万亿级别的市场,而且在材料领域也没有形成非常大的巨头能够把所有材料都垄断。所以他个人觉得,未来还是多家百亿估值公司共同存在的状态。
Y-Talk 主张「正经行业,歪着看」,节目最后也请王欢用「歪着看」的方式,给屏幕前那些正在犹豫要不要下场创业的年轻人一句建议。
王欢说,要不要创业这个事,他觉得是机缘巧合,或者说时机成熟了自然而然的事情,因为创业讲求一个天时地利人和。大家了解过整个行业的发展、创业、一级市场的变化就能发现,每个时期一级市场关注的领域、行业都不一样,之前可能更多关注 AI 改造组织架构、加速效率,最近可能更多关注硬科技的各个行业。所以要不要创业,还是要符合整个行业大的趋势。
在决定是否下场之前,先得想清楚自己手里的技术和能力,跟行业的大趋势、变化方向是否对得上。这件事要往未来几年甚至十年的尺度去看,不能马虎。团队行不行、过去攒下的能力、经验和资源够不够,同样得摆到桌面上掂量。王欢的建议是,准备做足、想透,再去下这个决心。
他自己有过一段经历。2016 年本科毕业那会儿正赶上“大众创新、万众创业”,王欢也试着创过业,做下来发现还是有些地方不成熟,于是回去接着读硕、读博,继续深造。到眼下这个时间点,他觉得时机成熟了,才出来做现在这件事。所以他给的建议是:一头看行业发展的大方向,一头想清楚自己对职业和未来发展的准备,对待创业这件事要谨慎。