大模型学完人类知识后转向物理世界:清析智研王欢谈AI4S突破口
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?
(本文作者为 霞光AI实验室,钛媒体经授权发布)
论文、书籍、互联网信息,大模型已经学得越来越多。一个更尖锐的问题随之出现:AI能不能跳出“掌握已有知识”这一步,进入真实世界去创造新知识?
围绕这个问题,霞光社 X-Hub 旗下的 Y-Talk 栏目(面向新一代行业决策者的一档直播节目)最近请来了清析智研联合创始人、首席科学家王欢做交流。王欢拥有清华大学工学博士学位,也是全球前2%科学家,多模态大模型、复杂科学系统智能化以及AI赋能材料研发是他长期钻研的方向。
在霞光AI实验室看来,AI for Science(以下简称AI4S)的下一次突破将发生在物理世界。入口是 AI 原生科学设备,从真实物理实验结果中持续学习,进而创造新材料、新物质,这是 AI4S 最核心的突破方向。
——王欢,清析智研联合创始人、首席科学家
在王欢看来,大模型眼下具备的能力,都来自数字空间或者说虚拟空间,其核心本事,是AI已经把人类已有的知识充分掌握。可“已有”本身也是一道界限。他表示:“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怎么迁移到物理世界?王欢给出的路径是把模型逐步接入科研仪器、实验与产线设备,并推动科学仪器向 AI 原生设备演进,让仪器在实验与生产过程中持续拿到真实反馈、产生新数据。

图片源自清析智研
整场下来,王欢给出了5个核心判断:
-
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,是AI4S下一次Scaling的着力点。
-
持续产生新数据的能力,则是它的稀缺资产。仪器与设备,正好构成 AI 理解物理世界的感官与双手。
-
科学探索能走多远,取决于模型能力;AI 的感知与行动范围,则靠科学仪器来拓展;真实实验闭环会不断产出高质量数据,让模型和实验策略一起往前演进。
-
往后看,哪家能接入更多物理世界的入口,用更低的成本、更高的通量跑通“假设—实验—验证—学习”这一闭环,哪家就能把未知更快变成知识,再把知识变成产业价值。

-
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:为了尽量完整地挖掘嘉宾和企业的深度内容,也让参与者除了听到观点之外还能拿到一线经验,Y-Talk每期分享结束后都会留出观众Q&A环节,让来自不同视角的问题都得到回应,到场的人也能有更多收获。
Y-Talk:搞科研图的是科学问题上的突破,做创业图的是商业价值的落地,不少人觉得这是两条完全不同的职业道路。你从科研领域走出来成为创业者,最后是什么让你下决心投入创业的?
王欢:以前搞科研和做创业确实是两条完全不一样的职业路径。这几年发展下来,两者逐步达成了共识,或者说最终都走向了同一条路。为什么?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。
这几年,创业环境和方向慢慢转向硬科技,也渐渐演变成科学家的创业。这中间要面对的事情其实是一样的:投身创业的科学家越来越多,而这并不妨碍他们继续去探索新的科学问题、寻求突破。从科学探索到创业的价值实现,如今走到了同一条路上。
当然,想问题的方式差别很大。在高校里,我们管理和运作团队,核心是实现科学目标、实现科学价值;到了公司里,更多是想办法把开创出来的科学技术、科学能力变成能商业化的产品或者解决方案。我觉得创业慢慢变成了这样一件事:既能去思考怎么探索和实现新的科学问题,也能去思考这些科学问题如何转化成为真正能提升整个社会、整个行业效率与价值的东西——这一点给了我个人非常大的价值感。
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 似乎还处在产业爆发的早期。你觉得 AI4S真正的突破口在什么地方?这个突破过程又会给未来的科研范式带来什么影响?
王欢:今年AI 的突破确实有一个很大的进展。前几年 AI 更多停留在对话文本这一层,今年无论是编程、内容生成还是视频生成,包括在下游应用上,都已经呈现出相当颠覆性的能力和效果。
以 Science 为例,目前 AI 的能力依然有限。关键还是在于:编程、内容生成、视频这些领域,模型已经逐步把数字空间里的知识和能力学完、总结完了,所以能表现出高度智能。放到 Science 上,偏虚拟空间的那部分——比如帮忙写论文、润色论文、找资料——AI 已经做得相当好。可越往实际的物理世界走,比如协助发现新材料、实验制备、探索新物质,这块还处在偏早期的阶段。
王欢认为,突破口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,关键看数据层面能不能爆发。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,模型能力的大幅跃升就建立在这些数据之上。AI4S 未来的突破,同样来自人类在 Science 领域高质量价值数据的积累与实践——把人类对物理世界构建的经验和发现,逐步变成模型能理解、能学习的形式,再让模型慢慢参与整个科研过程。这样才有可能形成好的突破口,加快科研和研究的进程。
至于 AI 能把科研效率提升到什么程度,王欢构想的未来范式大致是:有一个「AI Scientist」的大脑,可能以某一个大模型为核心,根据现在的现象和情况,构建出下一步的实验方案、优化方案、工艺制备方案;再由物理世界 AI 结合自主实验室——可以理解成面向科学场景、实验室场景的「自动驾驶」解决方案——依据大模型提出的方案和细节,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。

图为清析智研AI模式的四大产品线
科研范式往后怎么变?王欢拿半导体工业作类比:制造环节高度集成、高度自动化。人要做的是把更高层次的需求提出来,剩下的交给模型和物理世界 AI,设备自己去完成。
Y-Talk:刚才的演讲里,你提到清析智研提出的 AI Science Superfactory(AI 超级研发工厂)这一概念,设想是把科学模型、智能仪器、自动化实验和产业研发串起来。愿景很大,落地难度也不小。眼下最大的技术瓶颈和商业化障碍分别是什么?
王欢:这个概念的根,扎在我们做设备仪器、AI、材料化工、研发以及工业化场景过程中攒下的积累里。科学仪器和产业端摸爬滚打这些年,我们判断 AI4S,或者说 AI for 材料,最后一定要搭出一套闭环的研发框架和架构,把计算化学、制备工艺、工艺优化一直连到量产,产业链才打得通,新材料、新工艺和知识才能快出来。

图为清析智研提出的AI Super Factory概念
我们挑的切口比较特别:从仪器智能入手,也就是自动化实验室的搭建和改造,一步步把流程铺开。创始人做过半导体产业,也待过产业端,按他的经验,眼下实验室的自动化程度、仪器设备的自动化程度,比工业端或产业端差得远。
所以超级研发工厂得先从仪器设备端、实验室端动刀,做 AI-native 的实验室和仪器,拿出 AI 原生科学仪器与实验室解决方案;在这套方案之上,再搭全流程 AI 赋能的软件层,科学计算也好,实验工艺优化也好,都算在内,AI 超级研发工厂才建得起来。这是我们的切入点,也是我们的优势。
技术瓶颈有两块。一块是科研场景里 AI 原生仪器到底该怎么定义、怎么想清楚;另一块是怎么把半导体和其他产业端攒下的经验、行业 know-how 用足,把当前场景下的科学仪器和实验室改造到位。这两件事都得我们慢慢琢磨、动手试。
商业化分几层走。头一层,AI 现在的本事主要是当工具使,加速计算、加速实验方案、加速表征分析,围绕 AI 这个工具做解决方案,帮客户解决眼下研发里的问题。这就是第一层商业模式:卖技术服务方案,比如替产业、高校客户处理工艺或计算上的难题。往上一层,想的是 AI 原生仪器、AI 自主实验室,怎么做出能改变整个 Science 或实验室流程与架构范式的设备方案和能力。再往上,就是 AI 超级研发工厂最终要兑现的价值:自有材料 IP 逐步握在手里,最终具备批量产出新材料、新配方、新物质的能力。
每一层都有自己的坎。第一层,关键在自有平台和模型能不能把泛化性和解决问题的能力提上去。设备这块,难在怎么改实验室设备的范式和架构,还得让用户看得懂、愿意接,把眼下离散、分散的实验设备和实验室布置,也就是「手工作坊」,换成高度集成自动化的实验室解决方案。
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 这条赛道全球都在抢,顶尖科研机构、科技公司、创业团队纷纷下注,新闻天天有。中国 AI4S 产业在全球竞争里处在什么位置,你怎么看?
王欢:我个人看,中国 AI4S 产业跟美国的差距不算特别大。美国几家创业公司融资额度远超国内同行,可我们目前做出来的一些事,不比他们现在做的差。
国内做 AI4S 还有个很大的便宜:绕来绕去,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,国内工业基础非常庞大,围着这个基础去做前沿研发和探索,土壤和底子都好,撑得起 AI 能力建设。我个人认为,中国在整个 AI4S 领域的全球竞争位置比较靠前,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:商业化这块,材料领域我觉得该往产业端扎,把研究做成产业,但未必要亲自下场做产业化的运作。材料这行,实验室里做出点新东西,到小试、中试、量产之间还隔着大壁垒,一堆问题等着解决。解决不了,东西就停在实验室,出来的新材料或新知识没有价值。
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:眼下整体收入规模都不大,主要原因是 A4S 公司目前都还在早期,商业化多半停留在我前面说的三层里的第一层——给高校客户或产业端客户提供解决方案,或者满足他们的技术服务类需求,收入规模连同增长趋势都不会有大起色。
王欢判断,AI4S公司的收入会从最初的基础技术服务起步,逐步走向新材料、新物质的发现与产出,规模最终迎来指数级的增长和爆发。
观众提问:AI4S企业往后是以垂类为主,还是能快速泛化到不同垂类行业?垂类之间的泛化难在哪里?
王欢回答,快速垂类泛化这件事,关键还是看模型的泛化能力。眼下模型能力和数据积累带来的泛化都还有限,所以做材料体系时会先聚焦大类,比如金属材料体系、电池材料体系,或者有机无机材料体系,先在体系内部做泛化,尽快拿到大量有价值的新材料 IP 或新能力。
他说,等数据和能力攒起来,期待能做到全行业泛化,到那时模型和研究范式上的变革能力才能充分展现出来。
观众提问:干湿闭环实验室在AI4S里该怎么看?
王欢说,现在大家做AI4S都在提干湿闭环,都在说让 AI 走进物理世界。但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,这是要想清楚的。
他提到两个角度:一方面要从AI出发,想清楚怎么把AI更好地用到各行业的干湿闭环里;另一方面要想怎么构建更 AI 原生的科学仪器或实验室。在他看来,未来的干湿闭环实验室里,AI 一定是核心中枢,只有 AI 才能把整个实验、整个范式跑起来。
王欢拿工业举例,是因为工业端已经形成高度集成化、自动化的生产和制造方案。但实验室和科研这块没法照搬工业那套标准化流程,工业每个节拍、每道工序都固定,可以据此高度集成地搭自动化闭环;Science 这边是离散的,可以类比成柔性的,这种柔性过程更需要AI参与各个环节的决策。
观众提问: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?
王欢直言,纯AI背景的团队做不了AI4S这条赛道。纯AI团队理解不了材料、生物医药这些领域的行业know-how,也不清楚行业真正关心、需要解决什么问题。只从模型、从AI的角度想办法,往往得不偿失,费了很大劲却没解决用户的痛点。这也回答了下面那个问题——AI4S要形成闭环,产业方、需求方的深度参与肯定少不了,这个是必须的。
观众提问:目前AI4S的效率提升和客户续费意愿是什么情况?
王欢说这得 case by case,不同需求、不同场景里,AI解决问题的能力不一样。在AI 解决得好、平台也解决得好的场景下,客户付费或续费的意愿还是挺强的,当然这也取决于他们持续的能力迭代。
观众提问:如果 AI 能完成部分科学发现,科学家的核心价值会怎么变?未来的科研人员需要哪些新能力?
王欢拿 Coding 作类比:AI现在基本能帮人类完成百分之七八十的 Coding工作量,有时甚至更多。对编程人员、IT 技术人员,大家更多的要求是有充分经验,能理解 AI 在做什么,能管控好 AI,这个能力非常需要。
回到科学发现,他判断未来两三年模型在 Science 领域出现一些突破之后,对科学家核心价值的要求,会变成从更 high level 的角度去想:该构建什么样的科学任务、需求是什么,并管控好科学 AI 执行的各个步骤和产出。
观众提问:AI计算端生成数据,和干实验、湿实验真实数据反馈的闭环,目前哪个更重要?干湿实验反馈偏慢,前端数据生成偏快,两者的gap怎么解决?
王欢说,干实验和湿实验的数据获取难度不一样。干实验靠理论计算能快速算出海量数据,但这些理论计算数据和实验真实数据之间还有非常大的 gap。湿实验数据要借助实验室才能完成制备,价值高,产生速率却慢很多。
按他的理解,湿实验的数据——真实的制备数据、表征数据——重要得多,比干实验的数据重要得多得多。干实验也好、理论计算也好,最终都要用实验去验证,才能证明理论计算是 ok 的。只拿理论计算数据训练出的模型,价值没法保证,最终还是要靠真实实验数据去优化和迭代。
观众提问:怎么看部分AI4M(M即Materials,材料)的公司亲自下场做材料?
王欢说,这正是他前面提到的,AI for材料这个场景,最终的价值释放肯定是新的材料、新的分子或者新的高价值配方。从价值示范看,新材料才是最有价值的最终产出。
尤其对AI4S这个行业来说,大家总在问到底最终谁能跑出百亿甚至千亿价值的公司。放到材料领域,如果真能掌握一些高价值的材料IP,单独一个材料IP就可能催生一家新的百亿价值公司。所以AI for材料的公司必须亲自下场,至于是否由AI4S的公司主体来做材料,那是商业架构上的考量。
观众提问:AI4S会是几家巨头垄断大部分行业,还是各垂类行业都会有自己的细分巨头?
王欢认为,AI4S或者AI for 材料这个领域非常大,大到能容纳非常多家的百亿估值公司。原因在于材料领域市场极大,是数万亿级别,而且材料领域也没有形成能把所有材料都垄断的大巨头。所以他个人觉得,未来会是多家百亿估值公司共同存在的状态。
王欢老师的播客 Y-Talk 有个主张叫「正经行业,歪着看」,节目快收尾时,主持人就照这个路子,请他为屏幕前那些还在纠结该不该下场创业的年轻人说上一句建议。
王欢认为,创业这件事讲的是天时地利人和,得靠机缘巧合,时机到了自然会往前走。翻一翻行业发展、创业和一级市场这些年的变化就能看到,每个阶段市场盯上的领域都不一样:早前更看重用 AI 改造组织架构、提升效率,眼下则更多落在硬科技的各个方向上。所以在他看来,要不要下场创业,得顺着行业的大趋势来。
他提到,自己手里的技术和能力跟行业大势、变化方向合不合拍,是个很关键的判断依据,要仔细想清楚能不能对上未来几年乃至十年的走向。团队行不行、积攒下来的能力、经验和资源够不够,同样得纳入考量。他的建议是,把这些准备做足、想透,再去做决定。
王欢本科毕业是 2016 年,那会儿正赶上“大众创新、万众创业”,他也试着创过业,发现还有些不成熟的地方,后来回去继续读硕、读博深造。到眼下这个节点,他觉得时机成熟了,才出来做现在的事。他劝大家,一头要看清行业发展的大方向,一头要想明白自己对职业和未来的准备,对待创业这件事谨慎一些。