特朗普发起「创世纪计划」，属于中国AI4S产业的机会在哪里？
历史的航向，总在工具革命时被悄然改变。当大航海时代的星盘与帆船，让位于精准的坐标与澎湃的动力，人类对物理世界的认知边界便被彻底重塑。今天，科学探索站在一个相似的拐点：AI for Science正在引领一场科学范式革命。
这一转变如何发生？它究竟在解决哪些“不可能”的任务？更重要的是，在当下全球科技发展的宏大叙事中，它又预示着什么未来？在线性资本AGM大会上，三位来自材料、生物医药与分子发现前沿的“探险家”——英华辰睿周桢博士、寻百会刘小乐博士、深度原理段辰儒博士，分享了他们驾驶AI这艘全新巨轮，在科学未知海域中的真实航迹与深邃洞察。
他们的观察共同指向一个核心：在AI4S这场全球竞赛中，中国公司或者华人创业公司有着巨大的潜力。面对材料、生命科学、化学等领域中那些高度复杂、多变量交织的“不可能”问题，他们能将过往依赖直觉与偶然的漫长试错过程，转变为可预测、可设计、可工程的理性探索。从投资机构的角度，这可能也是未来十年最具颠覆性和最具商业价值的投资主线之一。以下，是这场深度对话的部分精彩内容：
AI为你们所在的领域带来了什么根本性变化？在解决怎样不可能的任务？
英华辰睿 周桢：
我们从事的领域是在高分子材料这样一个非常复杂的体系里。传统的研发周期非常长，试错成本高且成功率非常低。就像我们现在随手可得的矿泉水瓶。这种材料在1941年就被研发出来，但它在很长的时间里只是用在像纤维、薄膜这些地方。直到30年后，随着加工工艺和一些结晶技术的偶然发现，才有人把PE的瓶子开发出来。因此，我们认为AI会在三个层次给高分子材料领域带来很大变化：
第一个，就是随着以Transformer为代表的深度神经网络这些AI技术的发明或迭代，我们会用AI通过数据驱动以及算法的训练，让我们更好地去理解高分子材料在不同尺度相互影响的机理，从构效关系机理来进行材料的开发，包括一些应用解决方案的反向设计。
第二点，是AI和量子力学以及分子模拟之间的结合。我们现在已经可以在保持非常好精度的情况下，通过计算方法得到很多可信赖的底层数据。在数据层面的这样一个补充，对于我们的模型开发以及迭代也会带来非常大的助力。
第三点由AI技术能够带来非常大变化的，是在多模态谱学技术的联用。通过我们的多模态技术，能够把它联用在材料的表征，我们就可以建立大量不同检测谱学的数据库。同时也可以通过联用的方式，对于材料在同一时间不同尺度的结构，就可以通过联用能够得到更全面、更直接的分析。这最终也对我们形成高分子材料的大模型带来非常大助益。这类大模型既能精准对新材料进行性能预测，也能够给予性能需求进行反向的设计。
寻百会 刘小乐：
我们是用AI做生物医药的。我在哈佛大学做了20年的癌症研究，一直相信对生物的洞见可以大量减低对数据和算力的依赖。通过这么多年对免疫的研究发现，在病人的癌细胞旁边的B细胞其实是在产生抗癌的抗体的，只是它的量不够大，相当于形成肿瘤时已经是“战时沦陷区”了。我们看了上万个肿瘤的测序数据，里边有上亿抗体，然后通过AI算出来这些抗体到底在打击哪一个蛋白。那AI到底能够带给我们什么？一般大家都说“多快好省”，在我们这个领域应该是“准快好省”。
“准”就是能够找到一个原来完全不知道的全新靶点。我们当时通过上万的肿瘤数据、上亿的抗体，通过AI算出来发现，为什么很多病人肿瘤里产生了一点点的抗体，针对一个靶标。那时这个靶标没有人研究，全世界只有不到10篇文章研究这个靶标。我们当时也不太明白，但抱着尝试心态，直接从病人肿瘤里把这个抗体拿出来，然后打到动物肿瘤上一看，都起到了抑制肿瘤生长的作用。我们就一边反向地做机制，一边把这个药带到临床。
“快”是什么？大部分情况下，我们要把一个基因的功能研究很清楚才能开始做药。而我们当时已经拿到药，知道它在动物体内有效，做反向研究机制的同时就赶快把它带进临床。所以从第一天看到这个基因到进入临床，我们只花了三年时间，一期临床结束花了5年时间。对比现在“药王”安进（Amgen）的PD-1药物，从科研开始做到一期临床花了20年时间，我们只花了5年。而且我们的药是世界上第一个用AI找到靶标、用AI设计抗体并做到临床的。
第三个就是“好”。比起过往制药流程中的各种未知，我们这个建立在很多病人已经都产生了一些抗体基础上，所以生产就非常稳定，进到人体里是自然身体里出现的抗体，各种表现都非常好。有位病人在用我们的药前，7个月用了5种不同的药都不管用，上了我们的药之后，到5个月的时肝转移就消失了，到7个月时肿瘤缩小超过30%。
最后，通过AI我们还省了很多钱。我们做临床，在美国平常做一个临床癌症的病人，这个临床实验大概需要花25~30万美金，但其实真正在医院、病人、医生和给药上不需要10万美金，剩下这十几万全都是给CRO公司、各种顾问的费用。我们后来就开始用计算做各种优化，把每个病人入组的费用降低超过40%。最近我们还在中国做临床实验，这就更快、更好、更便宜了。
深度原理 段辰儒：
刚才不管是刘博还是周博都提到一个点，那就是化学分子和材料的设计空间非常大。以此前AI解决的一些问题为例，比如AlphaGo，围棋19x19对应361次选择，这已经是棋类游戏里面最复杂的了。但小分子药物的设计空间预估为10的60次方，相当于棋盘上落子的可能性就有10的60次方这么多，这在传统的AI里面是完全不可能被解决的问题。
我们认为显著的变化其实是在2022年左右，随着生成式AI的到来，我们不用去考虑在落子的时候整个棋盘长什么样，而是可以边落子边看它周围的环境长什么样，来聚焦到更关键、更相关的化学空间，让我们在分子和材料发现的过程中可以一步接着一步去聚焦性地探索。
我们自己内部最近做的一个真实案例是从已知的底物出发来进行反应网络探索，就像不断下棋一样。通过探索我们发现了一个比较有意思的中间体，这个中间体原本需要通过催化一个原料比较贵、反应条件也不是那么温和的体系才能够做成，而我们现在在较为温和的条件下，不需要加催化剂就可以把这个事情做成。我认为发现这样的新反应机理是推进新材料落地的一个非常重要的手段，也是我们长期看重的方向。
你们的实践来看你，AI4S公司最核心的壁垒是什么？
深度原理 段辰儒：
过去大家很关注“科学家创业”，但后来发现这类科学家直接创业的成功概率很低。从科学家的角度来讲，大家的心态通常会想要从Science角度“憋个大招”，但真实世界就像RL，我们需要了解周围的世界、跟周围的产业能够产生更多的联系，才能获得Reward，渐进地去推动这件事情发生，而不是总想着一步成功让世界上所有的人都买我的东西。
我们创业是从2024年6月份正式开始的。在最开始的时候，我们是以算法为最重要的壁垒。但在这一年半的时间里面发生了很多的变化，最重要的壁垒从一开始的算法更多地转移到“怎样产生自己模型和数据的迭代方式”，不管是通过跟客户合作的数据，还是通过这些数据提炼出一套自己的数据飞轮，这是在创业后一年之内就达成的壁垒。
最近半年里我们跟各种头部客户做了非常多的迭代和尝试。每当我们用尽全力发现这个事情还不能被完美解决的时候，往往能够总结出很多的know-how，而这些know-how本身是价值连城的。
我觉得到长期来看最重要的就是团队。因为我们做的这个方向非常新，员工们也都非常年轻，我虽然才博士毕业不久但已经是公司年纪第四大的。这是个非常复合的领域，我们的技术人员既需要有Science的背景，也需要有AI的背景。在我们的产品开发或商业拓展时既需要懂客户还需要懂一定技术。大家需要用不同的语言才能够让这些事情接洽起来，把商业模式在科学探索时跑通。
寻百会 刘小乐：
我们刚刚创业的时候，大家也觉得你就靠一个技术，到底比别人能产生什么质变？但做药的过程是非常长的，那我们必须知道每一步是怎么做的，才能利用AI让每个步骤做得“准快好省”。
有人说做AI生物医药，是不是可以就卖一个软件？其实大药厂是不会为买软件花很多钱的，他可能给你几万或者几十万。还有人说我可以帮着大药厂设计一个分子，但是这种大药厂可能也就花上几十万或者上百万。但是大家想一想，过去20年里哪个药真正是大药厂自己研发出来的？从来都没有，他们一般都是在小公司做出来，在临床做到一二期的时候，大药厂就接手了。他们自己的研发团队从来没有研制过任何的分子。
所以这种情况下，如果一个AI制药的公司只是说在那卖软件，或者是卖一个临床前的分子的话，那真就很难拿到大钱。但是一旦一个药做到临床，证明在病人里边一二期有效果的话，那它可以跟药厂做一个deal，那上亿或者是上十亿、百亿都有可能。所以我们希望用AI把从早期的发现到临床开发，至少早期的临床开发每一步骤都可以把AI利用得更好，给公司增加最大的价值。从头到尾做一个解决方案，离客户最近的解决方案，这块商业价值最大。
英华辰睿 周桢：
刚才段博和刘博其实也提到了很多AI4S公司都应该具备的能力，不管是从数据层面，还是从能力的整合层面，我都非常认同。细分到我们高分子材料，我认为另外一个更重要的其实是对整个产业链的理解。实际上材料本身到应用其实链条非常长。比如说就像我们穿的衣服，它从材料要经历到纤维、纺线、织布、染整、成衣，每一步都有很多行业的know-how，客户不一定会告诉你。如果我们需要去颠覆它或者带来新的东西，必须要去考虑这些环节。
所以对于我们AI4S领域来说，除了材料和AI的交互或者融合，我觉得更多的可能在于工程的放大，包括在各个领域对这个行业的理解是非常重要的。最终我们能够从一个技术平台公司做到商业化落地，更多应该还是各种能力的匹配，就像是一个拼图，只有当拼图里面的块全部拼起来，可能这个图才是一个最漂亮的展现。
以过去半年的观察来说，能让客户原意为AI4S研究成果买单的是什么？
英华辰睿 周桢：
我们公司用AI赋能的高分子，在早期聚焦的行业赛道可能是3D打印和生物基的纤维。在过去的半年，通过我们的技术开发出来的产品，最让客户眼前一亮、愿意买单的应该是聚乳酸纤维。这块纤维最大的问题其实是它在长周期的力学衰减，导致它在纺织行业往下游走的时候，碰到某个环节材料就不能用了。
针对这个问题，我们在过去六个月开发了一个非常有意思的抗水解、抗老化的纤维材料。相对于传统的PLA，在加速老化的情况下，它可以做到在1个月的时间力学性能完全不衰减，对应自然条件基本上可以放置2到5年以上。相当于我们针对行业痛点，开发了一个完全不一样的产品。
寻百会 刘小乐：
实际上对于我们这样做药的公司，我们的直接客户并不是癌症病人，而是大药厂。那对于一个大药厂来说，他们觉得很Amazing的是，你们做了一个没有人知道的基因，这么快地带进临床，竟然还在病人里有效，他们就会觉得非常好。
我们原来一期临床全是在美国做的，在过去这一年里，我们也开始在中国开展临床实验。我们现在不会把领头的项目给药厂，因为接下来这一年可能就能做出价值拐点（Value inflection point）。那药厂就会问，你还有没有什么分子？既然这个行了，后面是不是还有更新的一些分子可以做？所以我们今年其实跟药厂做了一个deal，把我们一些其他的分子跟他们合作。
深度原理 段辰儒：
我们近6个月才刚有商业化。我说一个案例，是我们在和一家欧美美妆公司合作来解决一个“上古问题”，即某一个活性分子在阳光下的稳定性。这应该是1970年开始就被发现的分子，其稳定性一直没有办法解决。
我们做了一个POC项目，向这家公司推荐了十余个分子来稳定这个活性成分。一开始他们的研发人员也非常坦诚说，你们这十余个里面如果能有一个能起作用，就已经很厉害了，我们给你个奖。没想到最后实验室的实验做出来以后，我们推荐的每一个都超过了他们的对照组，后续我们也启动了深度合作。
全球AI4S竞速过程中，中国在这一领域有什么独特优势？
寻百会 刘小乐：
我觉得在中国做药有得天独厚的优势：第一是中国的人才。在美国有非常资深的制药经验的人比较多，但是PhD、博士后这种毕业的人在中国就非常多，而且从人力成本上要比美国便宜，且工作真的很努力，学东西又特别快。
第二就是整个基础架构。比如说CRO公司做试剂、做老鼠实验，做毒理、药理，包括做临床的CRO，这个基础在过去20年各种产业的投入下都建得很好。我们在美国也试着去做一些实验，最后发现订单都发到中国来，然后做好了再寄过来，效率不如我们直接在上海张江去做。
第三个就是临床资源。国内的一般得了癌症都是到大的三甲医院，比如我们现在跟上海肺科医院合作，他一年要做3万例肺的手术。这种在美国一个医院，一年所有癌种加起来都不会做这么多，这是不可以想象的事情。
最后一个是中国政府在科研投入了很多资源。现在川普政府对高校、卫生部、基金委都在打压。这种情况下，中国的创新，即使是基层医生也希望能够做一个新药、做相关研究，因为知道一旦做成有很好的奖励机制。
深度原理 段辰儒：
我回国之前在微软工作，在Azure做AI4S相关的产品整合。我当时一个想法是云为什么这么贵，基本上一个V100需要三刀每小时。回来以后一个非常大的变化是算力本身是相对便宜的事情，当然在最高性能的算力上还是会受到一定限制，但在AI4S目前普遍能用的算力上，我们的成本优势非常明显。
而这些算力可以帮助我们更快地产生数据。不像在大语言模型里面，互联网上公开语料都已经被扒完了，优质语料的产生速度取决于人口数量。但算力本身是一个可以快速生长、在中国价格较为便宜的东西，所以算力上的优势，会顺带着给我们数据上的优势，再反馈到模型优势，把整个飞轮转起来。
另外，目前的时间点非常有意思。欧美最近有几家明星初创刚出来，比如像CuspAI、LiLa Science、Periodic Labs，他们都在第一轮就融到了大钱。环境不同，大家的想法非常不一样：他们还是非常高举高打的想法，想要憋一个核弹出来，比如说要做高温超导，要做核聚变；但我觉得AI4S本身还是要跟工业强结合，因为创造一个全新的产业是需要非常长时间的。
即使能有前沿发现，整合到工业还是一个必不可少而且漫长的过程。做这些仰望星空的事情当然重要，但这个过程中完全可以做些更脚踏实地的事情，去解决真实的产业界需求。
英华辰睿 周桢：
因为AI4S往往都是一些垂域的实际落地，从实验室走出来，必然需要产业的客户对新材料有高的接受度和容错率，这个恰恰是中国创新土壤一个非常重要的优势。
我以前在外企其实也做过全球项目的开发，当时有个项目是针对欧美客户和中国客户，当我们的实验室产品原型出来以后，进行实际放大和迭代的时候，就发现一个非常大的区别——国外客户对新产品的谨慎度非常高，周期很长，而且会设定很多的限制条件；而中国的客户，大家对新材料、新产品非常接受，甚至愿意把设备专门空出时间档，调节不同工况来满足实验要求。
周期对比下来，在中国客户的测试周期可能是欧美客户的1/3，而且可以很快进行迭代。所以我认为中国的土壤非常适合AI4S未来在很多应用层面的落地。
在未来5年到10年内，AI4S在各自领域可能出现什么巨大突破？
英华辰睿 周桢：
对于高分子材料在五年后最大的革新，可能就是颠覆现有的整个产业生态，带来高分子材料大模型的成熟和普及。现在产业非常长，投入周期、成熟周期也非常长。
通过大模型，我们可以从新材料在设计阶段就用模型来预测它未来的性能，或者能够应用的行业方向。这样就可以把现在行业认为的20年规律，变成2到3年。新材料就可以很快切入市场，很快在适合的应用场景放大。
另一方面，对于任何新的应用，通过这样的模型可以很快找到适配的材料和配方，这样对整个产业更高效、更智能。
寻百会 刘小乐：
从科学发现的角度，我相信AI对免疫的认知会有非常重要的突破。其实现在发达国家的人从小时候生下来就有传染病，然后过敏、自免、各种炎症等，全都是因为免疫系统出了问题，要么就是作用太强，要么就是作用不够。
这些年基因组的数据已经越来越多了，有了这么多数据后，需要通过AI把不同疾病里免疫的原因真正搞清楚。这样不单是科研上有趣的奥妙探索，而且我相信在做药产业领域里会有不断的新药做出来。就像很多中医之所以管用，是因为它在调节病人的免疫系统，我们并不太了解它背后的科学机理，但是也许通过AI能算出来原来具体是怎样激活或抑制了一些免疫不正常。
深度原理 段辰儒：
把时间线放到10年的话，我觉得高温超导一定会被AI4S突破。但这可能并不是一个最impressive的结果。10年的过程当中，AI本身就很可能帮助我们解锁任何我们想合成的材料：我们不光能够通过反向的手段设计出材料是什么，也能再结合正向的手段在物理世界把它实现。
从商业上来说，这可能会带来化学材料领域研发范式的变化。化学材料领域目前很多还是一条龙式的研发。从一开始的材料设计，到最后放大，再到生产到分发，都是在大厂主导。但如果我们有了一个足够强力的研发机器，我们叫做AI Materials Factory，我相信可以把整个产业链切分开来，从而达到更像Biotech和Pharma之间的合作模式，让大家更聚焦在更擅长的事情、一起合作，让整个人类社会对材料物质世界的探索变得极致丰富。
如何看待中美之间在AI for Science方向上的投入跟信仰程度？
深度原理 段辰儒：
欧美现在对于AI4S的关注度也空前的高，但主要还是在以基础模型或者PaaS驱动的投入，似乎很难由虚向实做到跟实业相关的。这和他们本身的经济构成有关，在目前这个时间点上来说，去做企业的服务或者模型，可以在这个层面快速产生商业价值。
但中国在这个角度上，PaaS之前没有能够把商业模式打通，反而成了一个好事，促使让我们更懂更深层次的由虚向实的这一环。就像我们做的东西，不会以纯企业服务为单一目的。而一定是要结合到工业里面，并且能够有实质发现来改变目前的工业构成，逻辑才能成立。
AI4S是我人生中第一次看到中美同时做，而且技术上没有什么本质差距的方向。这个领域对未来的科技格局有重要意义，因此也被纳入了两边的高层战略视野。我们希望这个领域的创业者可以更加自信，并更多地以国际化的视角去看待行业内的竞争和合作。或许两个市场目前在资本支持方面有较大差距，但我们有更多的产业优势，后续我们在这些方面也会追赶上来。
寻百会 刘小乐：
我个人的体感是美国政府现在在实际操作上，对于高等教育和科学都是比较打压或封闭的状态，中国其实相对在这方面投入非常大。同时我觉得华人做AI4S是有得天独厚优势的，不管在中国还是在美国。
美国其实很多学生物的白人是因为数理化太差他才去学生物，但是中国人做生物的人数理化非常好，接触计算什么的很快就可以上手。我其实觉得将来最终很可能就是中国人和在外华人之间的竞争，双方华人都会做得很好。
英华辰睿 周桢：
我觉得现在AI4S这个浪潮，在历史上有相似性，很像之前的互联网浪潮：美国比较擅长在一些0到1的突破和底层技术，因为它有先天的资本催化，包括技术开发。但中国非常大的优势其实是在应用场景里面做落地，因为中国有大量的工业基础，包括各个场景的数据和资源和需求。中国往往擅长在细分领域，通过学习，包括数据和产业结合来实现“弯道超车”。
所以我一直认为，AI4S如果未来走到各个细分领域和垂域，中国土壤一定非常适合。而且在算力和基建层面上，很多AI4S不一定用到最先进的GPU或最先进算力。但是怎么样跟应用结合，通过适配于它的架构和工作流得到所需要的数据，在这个点上可以规避在短期内中国在最高端算力方面的一些暂时落后问题。
从长远的应用包括行业赛道的落地来说，中国土壤非常适合做AI4S。我也相信在更长的时间，比如5-10年，在不断迭代发展以后，中国至少在特定的AI4S赛道能够超越美国。
本文来自微信公众号“线性资本”，作者：Linear Capital，36氪经授权发布。
