AI4S融资超200亿:阿里腾讯等入局,离自主科研还有多远
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
一种帮药物钻进细胞的肽分子,从动手设计到送进实验验证,得用多久?
放在过去,光是从成千上万个候选分子里挑出有希望的那几个,就可能耗掉一年甚至更长时间。智源深澜这家AI4S创业公司把这段流程压到了两三个月:设计、筛选交给AI模型,后续实验由自动化平台接手,原先科研人员要一轮轮试错干的活,现在由算法和机器完成。
这样的变化正在更多实验室里出现。查文献、分析数据、设计分子、规划实验,这些过去高度依赖科学家知识和经验的环节,AI都在往里插手。有些创业者的目标放得更远——让AI自己去提科学问题、去发现新知识。
这个方向有个名字,叫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涨得明显。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拿到融资,资本正加快涌向生命科学、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,试着让AI参与实验设计和新材料发现。
大厂同样在加速布局。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。更早之前,Anthropic的Claude Fable 5.2和Mythos 5.2、腾讯的混元Hy4正式版也先后展示过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。
科研一向被看作最依赖人类判断的领域之一。假设成不成立,得靠真实实验去检验;发现有没有价值,得靠科学家来判断。那么,AI到底能替科学家做多少事?离独立完成科学发现还有多远?这门生意又能做多大?
01.科学家开始培养自己的“接班人”
读博时的一段经历,智源深澜创始人王承志到现在还记得。
当时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,确认目标菌就在里面之后,再用二分法一步步缩小范围去筛,前后花了大半年。
他一度犯嘀咕:自己千辛万苦考上北大,怎么干的是这些重复活?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。
这不是一个人碰上的困境。科研中有大量时间耗在重复劳动上,挤掉了科学家用于判断和创造的时间。2024年,王承志创办智源深澜,把AI模型和自动化实验平台结合起来,盼着有一天AI能从“实验员”变成“科学家”。
除了重复劳动,科研还有两个老毛病:周期太长,门槛太高。
轻远科技(杭州)的创始人赵乘乘此前长期做材料实验研究。她发现,一个科研项目从提出问题到厘清背后的科学规律,往往要花好几年。研究过程中还会冒出多种假设、相互矛盾的实验结果,科学家得不停分析证据、调整判断,问题越复杂,个人越难理清头绪。
正是这一点促使她转向AI4S。她希望将来AI能参与提出假设、分析证据、设计实验这些环节,让已有研究和新实验持续接上,每次探索都成为下一次研究的起点,从而加快发现科学规律的进程。
至于门槛高,则体现在学科与学科之间。
科理新序联创兼COO Erik讲了一个和北京大学植物育种科研团队合作的案例。该团队在植物科学上积累很深,但蛋白质设计是另一套专业模型和计算流程。以往,研究人员要么额外去学相关工具,要么找计算生物学团队合作。用上科理新序开发的科研智能体后,他们只要用自然语言描述研究目标,AI就会协助调用蛋白质设计及分析工具,跨学科探索做起来方便不少。
Erik把这种变化叫作“科研平权”。在他看来,AI带来的价值不光在于让本来就擅长计算的科学家更高效,还在于让更多没有AI背景的研究人员也能拿到先进的科研计算能力。科理新序智能体的用户里,有来自口腔医学、类器官、植物育种等细分方向的,这些方向过去几乎没有专门的AI工具,AI一进来,效率提升和“震撼感”要大得多。
其实,拿计算机和机器改造科研,并不是什么新鲜事。机器学习多年前就进了药物研发、材料计算等领域,但以前的算法往往只能解决某一类问题,机器只能执行固定操作,复杂的研究流程还是得靠人来组织。

Erik认为,今年这波升温是三股力量汇到了一起:通用大模型的推理、代码和工具调用能力一直在提升,AI因此能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,越来越多的科学问题有了对应的AI工具;再加上实验室自动化设备也攒够了家底,能执行实验操作,并把结果反馈给AI。
那么,科学家现在能把多少活交给AI?
王承志把AI参与科研的过程大致分成三个阶段:辅助科研、指导科研和自主科研。
辅助阶段,AI主要是帮科学家处理信息。早年王承志带团队用算法,把已发表论文里涉及的基因、疾病、药物和分子等信息,连成了一张巨大的知识图谱。
这解决的是科学知识分散的问题。一名科学家可能花好些年研究某个基因,发现它和某种疾病有关;另一名科学家研究一种药物,恰好发现它能作用于这个基因。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。
研究进入指导阶段之后,AI开始介入科研任务的组织与执行。
举个例子,一位生命科学领域的研究者要优化某种蛋白质,以前得自己去翻文献、挑结构预测模型和分析软件,把不同的计算任务逐个跑完,再照着结果来回换工具。现在科研智能体能把这些环节串成一条线:研究人员说出目标,AI去调用对应的模型和工具,先算出一部分,再依据中间结果决定下一步怎么走。Erik说,AI越来越像一位"非常强的科研搭档"。不过研究方向和关键决策,还是得人来拍板。
至于自主阶段,要求更高——AI得独立把科学发现做出来。这一步目前还没实现。
王承志拿自动驾驶作类比:当下的AI科研相当于辅助驾驶,能跑完相对固定、标准化的实验流程,但下指令、查结果、碰到复杂情况出手干预,仍然要靠科学家。未来的AI则应该像一辆完全自动驾驶的汽车,自己找问题、自己设计实验,再根据结果启动下一轮研究。
在那一天到来之前,方向盘还握在科学家手里。
02.AI搞科学,难在哪?
为什么AI还接不过方向盘?把科研拆成提出假设、设计方案、实验验证、从结果中学习这几步来看,AI想独立走完全程,还有几道坎。
科研的起点是提出一个好问题,而这正好是AI最不拿手的。
王承志的判断是,AI在总结已有知识上早已远超人类,可创造新知识的能力还"没及格"。说到底,AI是一台概率机器,擅长从海量数据里捞出普遍规律,对那些偏离规律的细微现象却容易视而不见。偏偏科学发现,有时候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,也可能是通向某个重大发现的关键节点。要分辨这两种情况,靠的是科学家的经验和直觉。
Erik把这种判断力叫作"科学品味"。哪些问题值得投入,哪些方向可能带来新发现,都得由科学家来判断。算力和实验资源都有限,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。
就算问题提得好,AI在设计方案时也常常力不从心。
科理新序和北京大学一个生命科学课题组合作过,试着用基于通用大语言模型的科研智能体去做复杂分子对接任务。智能体给出初步结果后,研究人员觉得还不够好,让它继续优化。它连着调了五六轮,每一轮都反馈说自己做了哪些改进。等研究人员介入检查才发现,智能体声称的优化其实算不上优化,有些地方甚至越改越差。
Erik的看法是,通用大语言模型的科研智能体能调用工具,不代表它真的理解工具所处理的科学对象。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。智能体依赖的通用大语言模型主要靠自然语言推理,三维信息一旦被转成文字、再交给专业工具执行,很多关键信息可能在"翻译"过程中就丢了。
到了实验验证环节,问题又反了过来:AI生成得太快,验证跟不上。

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,却没有足够的实验能力去验证它们到底有没有用。
在AI辅助科研领域,用计算机预测、筛选和设计分子的工作通常叫"干实验"。可这些分子能不能发挥预期作用,还得在实验室里合成、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"。
Erik算过一笔账:AI生成1000个候选方案很快,但把1000个方案全验证一遍,又慢又累又费钱。如果模型能把判断准确性提上去,只生成10个方案就找到有效结果,价值反而更大。行业需要的不只是更强的生成能力,还得减少无效验证。
让机器人接手实验,是一条路。眼下一些自动化实验室已经能在特定流程下完成批量实验,但科研涉及的设备、试剂和操作条件经常变,工程师要提前设好流程、调好参数,遇到异常情况也得人工介入。
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,AI通过视觉、触觉等信息感知环境,像孩子学走路那样,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。
科研循环的最后一环是从实验结果中学习,这一环离不开科学数据。
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不能支撑自己的结论,不会考虑数据能不能被AI使用。
"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同一流程都能得到一致结果的数据。训练材料本身有问题,算法再精准也保证不了结果可靠。
Erik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得到充分整理和利用。科理新序开发的AI工具可以给这些数据"降噪和清洗",把分散的科研信息转成能用于模型训练和科学分析的结构化数据。相比之下,能检验AI预测是否正确的实验反馈更加稀缺。
面对这些不同判断,创业公司各自挑了自己擅长的方向切进去。
科理新序走的是科学基座模型这条路,先让AI有个更懂科学的“大脑”。这家公司从预训练阶段就动手研发跨模态生命科学基座模型,让AI直接去学习和理解蛋白质结构、DNA和RNA序列等不同类型的科学信息,再拿这些信息做推理和分析,把无效计算与实验压下来。
智源深澜把力气更多花在实验能力上,造出更多的“手”。实验室里,AI负责设计方案,自动化设备负责执行,跑出来的数据再回喂给模型。王承志介绍,平台一天能完成约3万次实验,数据标准统一,可以直接拿去迭代模型。
也有企业从专业计算和仿真入手,尽量少依赖实验。优势星启点科学家基金管理合伙人叶亦天提到,材料等领域已有公司用专业算法模拟材料结构、预测性能,再把这套能力做成模型或软件卖给产业客户。这类公司不用自建实验室,接入企业现有研发流程也更容易。
技术路线各不相同,指向的都是让AI多扛一些科研工作。
03.实验室里,挤进了更多行业
AI独立做科研还差得远,但部分行业的企业已经把它拉进研发流程。AI4S在哪个行业跑得更快,大体看两类条件。
一类是技术条件:AI给出的结果能不能被快速、清楚地验证。另一类是产业条件:行业愿不愿意引入外部技术,新成果进入生产的门槛有多高,核心数据和研发流程是不是握在企业自己手里。两类条件都齐的行业很少,眼下跑在前面的,多半只占了一头。
医药的产业条件最成熟。
新药研发投入高、周期长、失败率高,从药物分子筛选到临床试验可能要十余年。早期研发时间如果能缩短、无效实验如果能减少,就值得试一试。
医药行业成熟的研发分工,也给AI公司留了位置。药企长期采购专业软件,也习惯把部分研发工作外包给第三方机构。AI公司顺着现有产业链切入就行,不必从头培养客户的付费习惯。
入场早,竞争也更激烈。国内已有晶泰科技、英矽智能、剂泰科技等AI制药上市公司,AI制药也经历过多轮投资热潮。叶亦天告诉「定焦One」,AI制药领域如今已经聚集了不少公司,要找到有差异化能力的新项目并不容易。
资本开始找下一个方向,材料成了最受关注的方向之一。

材料的长处在于技术条件。新配方是否提高稳定性、新材料是否改善导电性能,都能靠具体指标判断,验证周期比新药短得多。电池、芯片、化工等产业都有材料研发需求,AI能帮企业预测材料性能、缩小筛选范围,少走反复试错的弯路。
AI材料赛道已经跑出大额融资案例。7月,深度原理这家AI材料公司做完A系列融资,累计拿到的钱接近10亿元,营养日化、精细化工、新能源等方向都有业务布局。
光学是投资人眼里另一个值得关注的方向。叶亦天提到,半导体制造中的光刻和检测、医疗设备、光通信、新能源等领域都需要复杂的光学设计和计算,其中有大量仿真和参数优化工作,给AI留出了应用空间。他认为,光学相关技术能覆盖多个产业,市场潜力较大。
还有些行业技术需求明确,却很难长出独立的AI4S公司。
半导体设计就是一例。芯片企业长期用EDA软件完成设计、仿真和验证,核心设计数据、研发流程和专业人才通常掌握在芯片公司及工业软件企业内部。核聚变则高度依赖大型科研装置和专业团队,创业公司很难直接参与核心研发。
叶亦天把AI4S的机会分成两类:材料、生物医药等领域,有机会跑出独立提供模型、研发服务或软硬件产品的公司;半导体设计、核聚变等方向,AI更可能成为既有产业的一项核心研发能力。
一样是AI4S,放进不同行业,起跑线差得很远。
04.理想很大,生意还早
行业选对了,创业者还得回答一个更现实的问题:这门生意能不能赚到钱?
眼下AI4S公司的收入来源主要有两种:卖科研工具,或者帮客户完成研发任务。
科理新序选的是前者,想把生命科学基座模型和科研智能体做成科研工具。Erik告诉「定焦One」,公司面向高校、科研院所的产品目前全部免费,为的是降低科研人员接触先进AI技术的门槛;企业付费合作也在推进,未来收入来自科学基座模型的API、科学评测标准、药物研发成果等产品。
智源深澜这边的收入,则来自承接研发项目。据其介绍,客户既有大型药企,也有中小型药企和生物技术公司;对方提出研发需求后,智源深澜用AI模型加自动化实验平台完成分子设计、筛选和优化,再按项目结算费用。
不过,两家公司都不想只停留在卖工具、卖服务上。王承志的设想是,智源深澜以后可以自己用AI研发药物,再把候选药物和相关知识产权授权给大型药企。医药行业里,有价值的候选药物能通过技术授权拿到首付款,后续随研发、临床和销售进展再拿里程碑付款与收益分成。一笔成功的授权交易,潜在回报可能比单个研发服务项目高得多。
Erik的看法是,如果将来AI能独立发现新分子、新材料,甚至造出有广泛应用价值的新技术,创业公司的收入就有机会从卖科研工具延伸到卖科研成果。
可从提升科研效率,到拿出产业认可的成果,这中间的路还很长。

资本对这段距离的耐心并不一样。一位接触过多家AI4S项目的FA告诉「定焦One」,部分早期投资机构愿意给科研项目留探索空间,公司还没形成收入,也可以先投技术和团队。另一些机构则希望企业在A轮前后就拿出明确的商业化验证或阶段性成果。不同赛道的要求也有差别。材料领域的项目,如果半年或一年内拿不出可验证的进展,投资人可能就会犯嘀咕;量子计算这类研发周期更长的前沿领域,通常能拿到更长的观察期。
叶亦天眼里,投资人最看重三件事。团队得有AI和科学的复合背景,只懂算法、不懂行业,很难做出有竞争力的产品。其次是能不能积累高质量数据,靠专业算法、自动化实验还是产业合作都行,这决定了模型质量和技术壁垒。第三是有没有真实客户持续买单。早期公司收入可以不大,但产品要已经卖给有长期研发需求的企业,并且能形成复购。至于卖工具还是卖服务,没有绝对的优劣,“有人买单就有价值”。
留给创业公司的时间也未必充裕。前述FA提到,有AI4S创业者判断,国内部分AI4S初创公司可能只有1至1.5年的窗口期。眼下国内通用模型厂商仍把大量资源投在基础模型、编程和通用Agent上,专业科研领域还留着创业空间。可一旦大厂进一步加码AI4S,创业公司的先发优势就可能受到挑战。
窗口期有限,长期投入又省不掉。现阶段AI4S公司赚的主要是科研提效的钱,科学发现这门更大的生意还在前头。在那之前,创业公司还得跑得再快一些。
05.结语
AI4S的“
ChatGPT时刻”来了吗?
Erik认为已经发生了。谷歌DeepMind的AlphaFold破解蛋白质结构预测难题,拿下诺贝尔奖,让整个科学界看到AI改变科研的可能。如今这么多人才和资本涌进来,正是因为大家相信了这一点。
王承志对AlphaFold的感受要平静一些。他至今记得第一次用ChatGPT时的震撼,可在AI4S领域还没体会过。AlphaFold的到来是多年技术积累和持续迭代的结果,模型达到预期后,科研人员很快把注意力转向它尚未解决的问题,很难感受到很大的变革。
这或许就是科学进步的常态。王承志说,人往往很难准确感知自己正处在怎样的技术变化里。就像几年前,人们还难以想象AI能完成复杂的编程、数学任务。如今这些能力已经寻常,人们反倒觉得AI还不够聪明。
AI4S 的“ChatGPT时刻”未必会轰轰烈烈地降临。王承志此前做过一个大胆判断:再过七八年,大部分科学发现工作或许会由 AI 接手。
到那时回头看,人们或许才会意识到,那个时刻早已悄悄来过。
*文中配图来源于Unsplash。