AI4S最大谎言是，以为有了大模型，能搞定新药研发一切问题

9月下旬，第十一届华为全联接大会上，成立仅一年多的星使智算团队格外忙碌。

华为全联接大会历来是昇腾生态每年集中亮相的窗口，也是行业探索AI基建、及各类解决方案落地的重要风向标。三天时间里，星使智算核心团队集体出动：

“深耕医药，让智能生根”论坛上，COO丁鹏程介绍了公司旗下的企业级AI4S智能体平台AsterFire Enterprise如何帮助药企研发部门提效、加速干湿迭代；

COO丁鹏程分享AsterFire Enterprise现场（图源：星使智算）

CEO陈振宇出席“智变制造，创新破局”制造全球峰会，参与行业解决方案发布，并代表公司在“制造与大企业伙伴之夜”领取“新锐伙伴合作奖”；

首席科学家夏义杰则转向开发者专场，推出分子科学智能基建平台SPONGE Mokda——在团队设想中，将自研科学算法和国产算力底座绑定后，实验决策效率和研发资源的利用率都有望再上一个台阶……

CEO陈振宇代表企业领“新锐伙伴合作奖”（图源：星使智算）

踏在AI4S这个一级市场风口赛道上，星使智算在本次大会前其实都刻意保持低调。2025年，从北京大学高毅勤教授课题组孵化成立后，团队几乎把全部精力投入到产品打磨和项目落地中。丁鹏程的判断是，AI智能体能力已来到“系统性解决各类科学问题的临界点”，但真正的产业价值，最终还是要在真实研发场景中落地验证。因此，快速实战是上策。

一年多过去，团队拿出了一整套从“辅助个人研究，到团队协同、企业级研发资产沉淀”的完整产品线。截止目前，个人版AsterFire Go已积累数万名活跃用户；企业版AsterFire Enterprise落地数十家标杆企业，覆盖生物医药、石油化工、新材料等行业的百余个研发场景，合作伙伴包括华为制药军团、中国中化、中科曙光等多家企业。

丁鹏程认为，星使智算能快速在产业界得到初步认可，是因为从战略出发点上，公司便没有把自己“框死”在AI4S工具开发的概念中，而是定位科学计算，做支撑科研创新（从定义问题到完成验证）的底层系统。“在这个维度上，我们会积极拥抱所有能推动科学进步的技术和工具，不仅限于AI4S。”

这听起来像是表述顺序的差别，背后却是对行业完全不同的理解。

1、热闹的AI4S，卡在哪里

过去几年，AI4S给行业带来的兴奋感无比真实。大模型让分子生成、蛋白质设计、材料预测等工作的门槛不断降低，但兴奋退去后，一个更现实的问题浮出水面：生成这么多方案，之后呢？

以新药研发场景为例。候选药物分子进入实验验证阶段，往往意味着更高成本和长周期。所以，决定项目能否推进的关键，并非想法有多少，而是能否快速判断“哪些想法值得验证”。就好比盖房子，AI是灵感爆棚的“设计师”，能在短时间内画出很多草图，但无法说明哪张草图能用。

这是当下AI4S工具的核心瓶颈之一：生成式AI大幅降低提出假设的成本，却没有同步降低证明假设的成本。

科学计算，恰是解题关键。简单理解，科学计算就是利用计算机模拟真实世界的物理和化学规律，在虚拟空间里先“跑”一遍。比如用分子动力学追踪蛋白质和药物分子的结合过程，用自由能计算精确衡量结合强度等等。这些都是科研领域沿用多年的方法，也因此跑出不少成熟商业公司。例如，海外的科学计算软件公司薛定谔，便是依靠这套专业工具在制药行业站稳脚跟。

只不过，在当下的AI4S热潮里，这件事容易被忽略。毕竟，“生成100个分子”，听起来似乎比“验证10个分子”性感得多。

但从产业落地看，后者的价值一点不比前者小。首先，两者各自的长板就有所区别，AI是“发散”，科学计算更像“收敛”。大模型擅长从海量数据中寻找关联，在巨大的分子空间里快速提出候选。但本质上，它给出的答案是概率上最可能的解，不保证物理意义上成立。科学计算则用物理第一性原理来模拟和验证，负责约束和筛选答案。

尤其是实验数据稀缺时，科学计算会成为重要信息补充。科研工具和常规AI办公等产品的开发逻辑不同，无法通过快速迭代、无限放量来积累数据。高质量实验数据昂贵、稀缺且分散，且受传统科研考核体系影响，大量失败结果受甚至不会被完整保存。当数据量不足以支撑AI模型时，分子动力学等不完全依赖数据的方法，往往会成为额外的信息来源。

此外，科学计算能更好地解释“为什么”。很多时候，AI的思考过程像黑箱，或许能得出“某个分子可能有效”的结论，却说不清它为什么有效。科学计算的结果则有清晰的物理意义。比如，在某个科研问题中，关键作用力是什么、构象变化如何发生？这些信息对科学家理解机制、优化分子、设计实验至关重要。

“基于此，我们认为，科研场景下一阶段竞争的关键，是在更贴合企业研发决策、执行的实际流程的前提下，把问题定义、候选生成、科学计算、实验验证和反馈迭代接成闭环。”丁鹏程解释。

这是团队如此看重科学计算能力的初衷，也是星使智算的起点。

2、懂用户的研发流水线

据介绍，高毅勤教授团队长期计算化学、计算生物方向的科学问题研究，积累大量科学工具层面的算法和模型开发经验。“课题组一直以来做的事，就是结合科学计算和深度学习，解决科学领域问题。”

大模型爆发之前，这件事的落地门槛很高。丁鹏程介绍，以往，和企业开展横向项目合作时，最耗时的其实是梳理清楚技术需求，这件事做不好，整体效率会很低。

但大模型能力有望改变这点。“很多时候，科研难题一旦被正确定义，其实就解决了一半。因此，如果能通过自然语言交互理解用户需求，把用户诉求转化成科学问题，再将科学问题拆解为工具、算法可以分步执行的工作流，或许有机会系统性解决这个痛点。”

创业由此启动。只是，这条路最初走得并不顺利。

2025年5月，星使智算团队发布第一代GaliLeo科学计算平台，接入许多独立、专业的计算工具。但问题在于，普通用户登录平台，面对一排陌生的软件图标，往往根本不知道该用哪个。“特别像一群搞科研的人做出了自认为很厉害、用户却不太会用的东西。”

这段经历，让团队深刻意识到“理解用户”的重要性。

比如，对于“用户不知道选哪个工具”的问题，团队设计了Meta-Agent，相当于一个前端分诊台，用户输入自身需求，Meta-Agent便能自动引导到对应工具、推送适配参数；再比如，很多用户对细分科学理论和工具都不熟悉，不擅长把诉求梳理成标准化的计算问题。团队因此又新增“问题定义梳理引导模块”，通过简单对话，把用户模糊的需求转化为标准的科学计算问题。

丁鹏程提到，这些改动，如今都已集成到AsterFire系列产品中。“这个系列都遵循科研智能体开发路径，其核心目标，是将我们沉淀的科学技术、工具，嵌入学术界或产业界真实研发流程。不过，科研用户和企业用户关注重点不同，前者侧重前沿科学探索、写论文；后者高度务实，追求效率提升、拿到可落地解决方案。考虑到这点，我们从用户群层面做了区别，推出AsterFire Go和AsterFire Enterprise两个产品线。”

其中，AsterFire Go主要服务个人研究者和轻量开发团队。用户用自然语言描述研究目标，系统会完成信息调研、任务拆分、工具匹配、代码执行、算力调用和结果分析的全流程。“它降低了个人使用专业计算工具的门槛，也承担着积累工作流、培养用户习惯的作用。”

AsterFire Enterprise则把同一套能力引入企业。它将企业内部数据、文献、实验记录、模型等接入同一个项目空间。研发人员发起任务后，系统不仅返回结果，还完整保存数据来源、计算参数和操作记录，从而清晰追溯每一步的依据。

最后的SPONGE Mokda，是一套面向生命科学研发的分子计算与设计工作站，覆盖分子建模、对接、动力学模拟等，集成多套自研算法。

首席科学家夏义杰分享SPONGE Mokda现场（图源：星使智算）

“它瞄准的其实是被国际成熟商业软件长期占据的专业科学计算市场。所以，我们的自研算法需要对标、甚至超越海外同类软件，才能证明自己。以自研SPONGE-FEP为例，FEP（Free Energy Perturbation，自由能微扰）是新药研发中最严格的结合强度计算方法之一，它通过分子动力学模拟，计算药物分子与靶点蛋白结合强度的相对变化。该指标直接决定候选分子值不值得被送进实验室，是行业刚需。SPONGE-FEP算法成熟，意味着公司在底层计算能力上具备和国际成熟软件竞争的基础。”丁鹏程表示。

星使智算与一家CDMO公司合作的酶进化项目，可在一定程度上体现这种组合价值。既往，这家CDMO公司接到蛋白优化需求后，专家会通过查文献、个人经验选择突变位点，开展实验并迭代。但人工迭代效果通常在前三轮中比较明显，到五、六轮后，便进入性能瓶颈。

“他们交给我们的项目，人工迭代后活性提升约5-6倍，没有达到客户要求。我们接手后，将每轮实验结果编码为模型能够使用的信息，再据此预测下一批值得尝试的候选。最终，AI在人类专家触达瓶颈后又迭代三轮，在人工成果基础上活性再提升4-5倍；综合相比项目初始版本，活性提升了20多倍。”

有意思的是，团队还做了一组对照实验。假设完全没有人类前期积累数据，直接用AI，效果会怎么样？答案是：第一轮就实现活性提升16.5倍；三个月持续迭代之后，综合提升21倍。

“这个项目还在持续推进，我们希望继续测试AI方法的性能极限。”丁鹏程介绍称。

3、全球AI4S竞速，星使智算的护城河是什么？

当前，AI4S已经是一个全球化的科技竞争赛道。海外，Google DeepMind以AlphaFold系列继续突破生物分子结构预测；英伟达通过BioNeMo争夺AI4S的计算基础设施。在国内，各类玩家也陆续意识到，仅靠智能体的工具调用能力，或许能实现短期商业化落地，但很难构成长期壁垒，因此都开始强调向完整研发闭环演进，期望将AI Agent、专业模型与自动化实验机器人打通。

这样的竞争格局中，星使智算的独特性究竟在哪里？

当前，专注科研智能体领域的团队大致有两类，一类是AI背景出身，倾向于追求模型智能和通用能力；另一类是Science背景出身，更关心某个具体科学问题是否能够被准确描述、并真正解决。

星使智算显然属于后者。丁鹏程认为，团队既往专注复杂科学问题研究，这种背景带来的价值，不只是某个具体的算法或模型，更是一种判断力。这种判断体现在很多细节里，比如做数据增强，AI背景的人会想到平移、裁剪等通用手段；而科研背景的人会从体系的平移不变性、对称性出发来设计方案。两者或许指向同一个操作，但背后的逻辑深度完全不同。

“在拿到一个企业需求后，我们关心的不仅是它对应什么科学问题、现有方法能解决到什么程度、结果如何验证，还得能结合企业实际业务模式，将其落地、解决。这样才能让我们的能力真正体现在产品和服务里。”

其次则在于，把科学能力做成企业产品的工程化能力。据星使智算方面提供的信息，团队中既有有来自高校的科学家，也有来自微软、字节跳动、阿里等大厂的资深工程师。目前，团队研发和产品工程业务人员比例大致五五开。科学团队保证计算方法足够专业、结果足够可靠，工程团队负责把科研成果封装成可部署、可追溯、可复用的企业级产品。两者缺一不可。

华为制药军团选择和星使智算合作，某种程度上也是对这种综合能力的认可。华为制药军团主要服务大型药企的数智化升级，希望找“技术过硬、又能落地解决真实问题”的合作伙伴。“目前，我们和华为联合推出的解决方案主要聚焦临床前研发场景，即将落地在药企内。我们希望能借此打造标杆客户案例，证明自己的实力。”丁鹏程透露。

从创业之初，星使智算团队就以“加速人类文明进入科学计算辅助的高效研发时代”为使命。在那个设想的画面中，科学家提出问题和方向，智能系统负责拆解任务、调用工具、设计实验……每一次成败的经验，都不会随着人员流动而流失，而是沉淀为组织可以保存、复用和传承的能力。人的价值，则转向提出关键问题、做判断，这些“更接近科学本质，也更能体现一个人的科学审美”。

AI很重要，智能体很重要，但支撑这一切的根基，始终是对科学规律的理解。这或许也是星使智算选择从科学计算出发的原因，这条路虽然看起来更慢，但走得更远。

参考：星使智算携AI for Science全栈产品矩阵亮相华为全联接大会2026获“新锐伙伴合作奖”