AI for Science（AI驱动科学发现），正在改写科学发现的底层逻辑，逐步改变人类探索世界的方式

　　来源：财经媒体人 于超

　　AI for Science（AI驱动科学发现），正在改写科学发现的底层逻辑，逐步改变人类探索世界的方式。当 AlphaFold 团队摘得 2024 年诺贝尔化学奖，AI 首次以“发现者”的角色进入基础科研核心，标志着 AI for Science 的时代性拐点真正到来。

　　AI开始深度介入科学探索全过程，从加速实验、辅助建模，到参与提出假设、反馈验证——AI 与物理、生命等基础科学的融合，已不再是工具升级，而是科研范式的重构。

　　什么是 AI for Science （AI4S）？它不仅是用 AI 来加速实验，更是推动科学从“靠经验试错”迈向“由智能主导”的全新范式。理想形态下，它应当像科学家一样：提出假设、规划实验、分析数据，并通过反馈持续修正、迭代模型，完成闭环优化。 正如深度原理Deep Principle创始人贾皓钧所说：“AI不是要取代科学家，而是让更多人站在巨人的肩膀上，用更少的时间，推动更大的发现” 

　　本期对谈中，贾皓钧这位 MIT 出身、投身 AI4S 创业的科学家型创始人，系统聊了聊 AI for Science 的三阶段演进逻辑，AI for Science的“ DeepSeek 时刻”的前提条件，讲述为什么这场科研革命在中国更具落地优势，也分享 了AI 创业中最被低估但最关键的创始人能力。 

　　当 AI scientist、自动化实验与科研生态的飞轮真正启动，我们距离下一个重大科学发现，或许比想象中更近。

　　01．AI 正在成为新一代科研“引擎”

　　Michelle于超：现在越来越多地听到“AI正在重塑科学研究”的讨论。而深度原理Deep Principle，正是一家专注在 AI for Science（AI4S）方向的创新公司。能不能具体聊一聊，目前深度原理Deep Principle的技术方向是怎样的？产品形态发展到了哪一步？在整个科研链条中，你们主要聚焦在哪些问题、解决什么样的科学难题？作为这一波“AI + 科学”创业浪潮中走在前面的团队，你们的路径有什么特别之处？

　　贾皓钧：好的，先说一下我们公司的历程。我们是在 2024 年 6 月从美国回到中国发展的，目前团队主要在杭州。其实最初这个项目是从 MIT 孵化出来的，我们最早在 2022 年就萌生了这个想法，之后也得到了很多来自 MIT 社区的支持和资源。但最终，我们还是决定把主战场放在中国。

　　我们在做的事情，其实是用人工智能去解锁一些全新的化学反应路径，主要聚焦在化学材料和反应机制这块。具体一点说，就是 AI for Chemistry & Materials，像 carbon capture（碳捕捉）和功能材料发现这样的方向，是我们重点在做的。

　　这两年，尤其是到了 2024 年，随着生成式 AI 的爆发，整个行业对“AI + 科学”的关注度明显提升了，美国和欧洲很多创业者和学者都看到了这个领域的潜力和机会，纷纷出来创业。我们也是其中一员。但在国内，我们应该算是最早、也是目前唯一一家具备从头到尾全链路能力、专注在化学与材料领域的 AI 科创公司。

　　02．AI for Science 发展路径三阶段

　　Michelle于超：在您看来，AI for Science 当前的发展路径是否已经形成一个清晰的技术分层？从数据建模、假设生成到自动化实验，不同阶段的AI介入方式分别有什么样的典型代表和挑战？

　　贾皓钧：在化学和材料领域，AI for Science其实这些年发生了很大的变化。就是AI for Science这个到底是什么样的定义。

　　我们一般也认为AI for science有三个阶段。

　　第一个阶段是 AI 作为科学数据分析工具的阶段 （AI Assistant）。我们知道任何的科学研究都会产生一些的数据。那这些数据是怎么个分析呢？尤其是这里面可能数据的维度很高，有一堆X和一大堆Y，我们想知道某一、两个Y跟哪些X是有相关作用。因为我们可能想定向优化某些性能，所以这里面其实有个非常高维度的问题。所以能不能通过一些简单的机器学习模型来做一些数据的分析，降维来帮助我们比人脑更好的来理解这些数学，或者说是一些数据背后所隐含的一些含义。这就是AI for science的第一阶段作为AI Assistant。

　　简单来说，AI 在这一阶段的作用是辅助我们理解已有数据中蕴含的科学意义，这是 AI for Science 的起点，也是在各类科研场景中已经得到广泛验证和应用的部分。

　　第二阶段的话，就会更加智能一点，进入了 AI 深度参与科研过程的阶段 （AI Scientist）。大家做科研就一定要做实验，而实验通常分为两大部分，或者说科学发现分成两大部分。

　　第一部分就叫做hypothesis generation（科学假设生成），就是生成一些科学性的假设。这部分过去往往只有顶尖科学家能完成，例如牛顿、爱因斯坦、薛定谔等，他们属于极少数能从复杂现象中提出突破性理论的人。但现在，AI 已经开始在这一环节提供强有力的辅助——它能够从大规模文献、数据中总结规律，辅助科学家提出可能性的理论方向。

　　第二部分就叫做experimental validation（实验验证），也就是在已有假设的基础上，通过不断试验去验证是否成立。这个是绝大多数科学家一直在干的。就是很牛的人可能花一天提出一个伟大的idea，剩下的人花了十年把它来验证。

　　所以这两部分其实AI都可以参与到。例如我们做实验的时候，我们的数据能不能及时被得到验证以及迭代，来指导我们下一步来做这个实验。就例如我们想做一些纯粹的“autonomous lab”（自主实验室） ，就是纯自动化的实验室。这一方向近年来已有不少突破性的成果，预计在未来一到两年内，将对科研效率带来实质性的提升。

　　第三阶段其实就像我们有点像AGI了，接近 AGI 的能力边界 （AI Innovator）。我们设想是否能出现一种完全自动化的科学系统，由 AI 独立完成从提出问题、构建模型、设计算法，到发现新的科学规律的全过程。它不再只是辅助人类做科学，而是像科学家一样主动提出问题并解答问题。

　　比如，它是否能够自动推导出某些新的公式，甚至发现类似牛顿三大定律这样具有划时代意义的自然法则？这就是我们常说的AI Innovator。

　　我认为，这个阶段的实现可能比真正的通用人工智能（AGI）略晚一步，但不会相差太远。

　　至于 AGI 究竟什么时候会真正出现，这个问题其实讨论了很很久，不同人对 AGI 的定义也有很大差异，至今没有明确的结论。我一般也不喜欢对未来做预测，我个人的观点也是“The best way to predict the future is to create it”。但可以确定的是——无论是否真正达到 AGI，AI 在科学研究上的角色已经在快速演化，将在未来持续带来重大突破。

　　03．AI for Science 的“DeepSeek 时刻” 

　　Michelle于超：大家都在关注 AI for Science 会不会出现类似 DeepSeek 这样的突破时刻，也就是一个真正打破现有科研范式、引发飞跃式变革的临界点。在您看来，推动这个时刻到来的核心支撑因素有哪些？是模型本身的通用能力？是垂直领域的数据质量与规模？还是科研场景中对可解释性、严谨性、工程化能力的高度要求？目前来看，距离这样的临界点，我们还缺哪一块拼图？

　　贾皓钧：首先，我确实认为，任何一个行业其实都期待出现像 DeepSeek 这样的“突破时刻”。因为这通常意味着，行业内部发生了结构性的变化，并且这个变化能对整个社会产生真正的价值。所以 AI for Science 领域，也同样在期待这样一个拐点。

　　科学问题本身就非常重要。人类一直在通过做实验，试图理解这个物质世界的运行规律。我们希望能找到更好的定律，发现新的材料、新的药物，从而改善我们的生活。但传统科学探索依赖大量的“试错”（trial and error）方法，在今天这个时代，其效率已经越来越难以满足现实需求。特别是在新材料、药物等高价值领域，需求越来越多、越来越紧迫，而传统方法的效率瓶颈也越发明显。

　　在这个背景下，AI 成为了一个非常重要的变量。它能参与科研流程中的多个阶段，从前面说的高维数据分析，到辅助做实验，甚至进一步提出新的假设。AI 不只是一个加速器，它可能是重新定义科研范式的方式和方法。

　　如果要推动 AI for Science 进入“DeepSeek 时刻”，我认为需要几个关键前提条件的配合。

　　第一、是模型本身的能力

　　我们谈到的通用大模型（foundation model），它的模型的通用性其实是非常关键，或者说它的模型性能本身是最关键的。它的泛化能力非常关键。比如，一个大语言模型，可能既能帮助记者生成采访提纲，也能帮科学家做文献总结，甚至辅助我们进行论文写作、论文 review 等等。不同领域的用户会提出完全不同的任务需求，因此模型需要足够通用、理解力足够强。所以它需要非常强的泛化能力来帮助他们完成这个事情。

　　第二、垂直领域的数据质量与专业性

　　而在 AI for Science 这个垂直领域，尤其是像材料、化学反应这类方向，模型所使用的数据质量反而更关键。我们普遍认为，模型性能由两个因素决定：一是模型架构本身，二是数据的量与质。在垂直领域里，高质量、结构化、专业的数据，可能比模型架构本身还更重要。

　　因为科学问题要求极高的准确性。你不能说这个结果是 80%、90% 准确的——这在科学研究中是完全不能接受的，必须严谨。因此，大模型要想在这个领域发挥作用，就必须以高质量的专业数据为基础。

　　其实，我们回头看一下 AI 的整体演进路径，从 2021 年之后，生成式模型的爆发可以说是由两股技术路径推动的：一是 NLP 领域的 transformer-based 大语言模型，二是 CV 领域的 diffusion 模型。这两类模型是生成式 AI 的两个主流技术路线。

　　我们有时也会说，大语言模型更像是“文科生”。它的训练数据主要来自公开网站、语料库、文字信息，对语言理解、知识总结特别强。但你让它解高等数学，它可能也能做一点，但并不是最擅长。

　　而 diffusion 模型更像是“理科生”。它最初是处理图像的，每个图像可以看作由大量 pixel 组成的矩阵，数学结构非常清晰。而科学问题的本质，最终也都需要能被数学表达。一个科学问题如果不能形式化、不能用数学语言表达，那它可能就不够“科学”。所以 diffusion 模型在理解科学结构、模拟实验数据方面可能会更有优势。

　　从这个角度看，我们可以做一个分工的类比：

　　大语言模型擅长 hypothesis generation（假设生成），因为它可以站在“巨人的肩膀上”——利用已有知识资料去提出推测；

　　而 diffusion 模型或具备数理结构的模型，更适合 validation（实验验证），例如材料配方优化、材料结构探索等。

　　第三、工具生态与交互方式的革新

　　再进一步，我们谈到 AI Agent 的角色时，也可以结合这两者。因为科研过程使用的工具往往很复杂，很多工程师或科研人员并没有编程背景，比如工厂里的老师傅、材料车间里的工程师，他们习惯于在 Excel 表里操作，而不是写代码。这时候，AI Agent 就可以成为一个中介——你只需要告诉它你要什么，它就能调动一系列复杂工具、完成虚拟实验、给出结果甚至下一步建议。

　　Agent 的意义在于：降低科研门槛，提高交互自由度，让 AI 真正服务于每一位科研一线人员。

　　04．为什么从 MIT 回国创业？中美AI for Science生态对比

　　Michelle于超：从MIT spin-off startup，再回国创业。为什么选择落地在中国推进 AI for Science？在您看来，中美在技术创新和产业化路径上有哪些结构性的差异？尤其是在新材料、新能源、化工这类领域，中国有更大的机会窗口？

　　贾皓钧：首先，美国在科学研究、科技进展、商业化落地这几个维度上，其实早在很多年前就已经处于全球领先的位置了。尤其是西海岸的硅谷，它代表的是软件、AI这一块的最前沿；而东海岸，比如波士顿这一带，就偏硬件方向更多一点。你像现在很多机械狗、、3D打印等等，几乎都是从 MIT 这样的机构里 spin-off 出来的。所以你能看到，美国是双核结构：西岸偏软件，东岸偏硬件，还有一个非常大的板块就是生物医疗，东海岸那边做得也很深。

　　中国这边，其实从改革开放以来一直是处于一个持续追赶的过程。但我个人感受很深的一点是：这个技术的 gap，真的越来越小了。

　　特别是，中国的制造能力这个事，我觉得现在已经没啥争议了，大家基本都认同，中国制造是全球最强的，而且还会越来越强。所以，如果我们在前端能做好科学发现和技术转化，那后端的工业能力，再叠加十几亿人口的市场——不光是中国自己，周边还有东南亚、中东、非洲这些国家——这个市场的体量是巨大的。

　　我们现在在做的 AI for Science，其实本质上是用 AI 去做一些新的 scientific discovery。那这些 discovery 最终都得走向工业应用，比如说材料、能源、化工，这些领域最终都要落到“怎么生产、怎么投产、怎么用”上。

　　所以，我们把主战场放在国内，其实是一个很自然的决定。

　　像我们深度原理Deep Principle它不仅是一个技术驱动的公司，我们其实也非常关注应用场景的选择，因为这个场景的规模，决定了我们未来业务的空间。而在中美之间对比来说，中国市场的应用场景，确实对我们更友好，也更大。

　　我们现在聚焦的领域，基本就三个方向：新材料、新能源、精细化工。这三个领域有一个共同点，就是都特别需要源头创新能力——需要你对化学反应、材料机理非常懂，而这个恰好是我们擅长的。

　　其实你回看国内的情况，不点名说，很多企业在这些方向上其实已经很成熟了。美国当然也有，比如杜邦、壳牌、陶氏、霍尼韦尔这些，他们都是非常有积淀的大型化学材料企业。

　　但你也知道，美国的工业已经经历过一次大规模的“去工业化”浪潮。比如说，波音外包之后的质量问题，其实是大家都在讨论的。最早的一批去工业化，其实就从化工、材料这些行业开始。当时杜邦的特氟龙泄漏事件是一个标志性节点，引发了全社会对环境污染、健康风险的强烈关注。

　　因为美国社会那时候比较富有，积累也够了，所以他们就把污染性行业移出本土，转移到中国、东南亚、南美这些地方。所以现在你去看，全球最大的化工、新能源、材料生产基地，其实就在中国。

　　所以我们做这些事情，其实是很顺理成章地把落地场景放在国内。如果你还在美国做，你可以给那些大厂的研发团队提供 AI 工具，做“技术层支撑”。这当然也可以，但对我们来说，这不是我们想做的事。

　　我们希望能真正影响生产、影响工业体系，而不是仅仅给别人当“外脑工具包”。所以我们看明白了，想清楚了，选择回国发展，其实就非常自然。

　　05．AI for Science创业融资现状

　　Michelle于超：过去两年创业融资并不容易，选择在这样一个时间节点创业，当时是如何判断这个窗口期的？您怎么看 AI 创业者目前面临的挑战和转机？

　　贾皓钧：从 2023 年开始，中国的资本市场环境其实是极差的。我们24年刚回国的时候刚见了一个来自香港的 LP，他说得很直白，2024 年整体的美元资金比前一年少了 90% 以上，人民币资金也少了 50% 以上，这个“以上”到底是多少，很难说得清，但就是非常难。

　　所以我们在 2023、2024 这个阶段出来创业，其实是很不容易的。包括我们这代创业者，现在有一些信心回升，某种程度上也是因为 AI Agent、AI 应用，特别是今年春节 DeepSeek 的发布，让大家突然意识到——原来 AI 真的是可以用的，不是只有 hype，它真的能带来效率、价值和变现。

　　这才让大家的信心开始恢复，但这个过程真的挺难的。

　　06．AI 时代的创业者最重要的特质

　　Michelle于超：现在其实可以明显感受到，海外资金对中国科技资产的情绪正在回暖，很多海外 VC 又开始回来聊 deal。一直以来我们都在讲，时代变了，创始人的画像也在变。尤其是在 AI 时代，创始人面临的环境更不确定，需要的特质也不同。在您看来，AI 时代真正需要什么样的创业者？能够完成从 0 到 1，乃至更重要的从 1 到 100 这样非线性增长路径的人，他身上最核心的特质会是什么？应该不会再是“技术好”等一些单一维度的能力。

　　贾皓钧：这是个很好问题。当然我觉得可能不同的人理解都会不太一样。可能偏技术出身的人，可能觉得技术最重要。如果你是连续创业者，那可能会更强调“创业者精神”、资源调动和判断力；但如果你来自大企业的高层管理背景，可能又会觉得执行效率、团队治理、流程操盘这些更关键。所以不同人站的位置不同，看到的那个“创始人画像”也会不一样。

　　但我自己有一个很强烈的体会，甚至说是信念吧——小时候我特别喜欢看金庸，比如《倚天屠龙记》、《天龙八部》，当时印象最深的一句话就是：“天下武功，唯快不破。”

　　我觉得这句话完全可以套用在今天的 AI 创业上。今天我们所处的环境，技术迭代的速度极快，外部环境变化也极其剧烈，而这两个变量其实都是我们无法控制的。

　　创业者唯一能掌控的，可能就是自己的速度——你能不能更快地试错、更快地融资、更快地应用落地、更快地调整方向。哪怕你技术不是最强，但你的反应速度、执行速度、调整速度够快，这本身就可能是你最大的护城河。

　　换句话说，在这个时代，速度可能是唯一确定性的竞争优势。

　　新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。