过去两年，AI for Science（AI4S）正经历显著转向。自 AlphaFold 获诺贝尔奖及后续模型问世以来，AI 在生命科学中的角色已从预测结构升级为直接提出科学假设。然而，AI 生成假设的速度远超实验验证能力，计算与真实实验间的鸿沟成为行业新瓶颈。
香港科技大学助理教授、科理新序（Scinetics）创始人张载熙指出，尽管 AI 能快速筛选候选靶点，但湿实验验证周期长、成本高，导致大量高潜力候选项被搁置。为解决这一矛盾，全球资本正流向自动化实验室建设，而张载熙团队则致力于通过构建多模态科学基座模型与干湿闭环系统，缩小计算与现实差距。
10月29日，张载熙在2026腾讯全球数字生态大会分享《以科学 token 为载体，走向科学超级智能》。会后，他就技术路径、创业初衷及行业未来进行了深入交流。
（来源：受访者）
从冷门到爆发：AI4S 的演进逻辑
张载熙本科就读于中国科学技术大学少年班学院理论与应用力学专业。2019年攻读博士时，他选择当时尚属冷门的 AI for Science 方向。彼时，标志性成果 AlphaFold2 尚未问世，但他看好 AI 在解决传统物理仿真局限（如流体力学计算）方面的潜力。
AlphaFold2 的发布坚定了他的信念。随后，他先后研发蛋白质口袋、核酸设计模型，并在普林斯顿大学从事博士后研究，期间参与开发科研智能体 STELLA 和 LabOS。今年7月，他加入港科大并创立科理新序，9月完成近5000万元首轮融资。
单一模型的局限性与“科学智能”的缺失
张载熙指出，早期 AI4S 多为单点工具模型（如 ESM、AlphaFold），虽在特定任务表现优异，但存在明显天花板。例如，其团队研发的核酸设计模型虽处领域顶尖水平，但湿实验成功率仅约10%；抗体设计模型 PocketGen 将成功率从10%提升至20%，但仍难以突破更高瓶颈。
根本原因在于单一模型仅关注系统的一个侧面，忽略了生物体内 DNA、RNA、蛋白质等多层级相互作用及中心法则长链路信息。这种简化导致计算结果与真实实验间存在巨大 Gap（鸿沟），仅靠改进单一工具模型无法解决。
核心解法：多模态基座模型与 Scientific Token
为跨越计算与实验的鸿沟，科理新序正在训练多模态科学基座模型。该模型旨在统一覆盖蛋白质结构、组学矩阵、基因序列、分子动力学等科学模态，实现在科学空间内的原生推理。
Scientific Token：统一科学数据的语言
针对不同科学数据格式差异大的难题，团队定义了“Scientific Token”。通过专用 tokenizer，将异构科学数据转化为统一表示，既压缩关键信息，又支持跨模态对齐（如沿中心法则对齐）。这使得模型能建立对科学系统的全局认知，而非简单调用工具。
图丨科学 token与科学 token 链。（来源：Scinetics）
此外，高质量数据收集至关重要。团队从原始文献和专利中整理数据时，不仅记录结果，还完整保留实验条件、Protocol等上下文信息，以确保模型理解的准确性。
在科学空间中推理：Chain of Structures
以酶蛋白设计为例，传统方法难以处理结构的微小敏感性。团队提出的“Chain of Structures”模型，在蛋白质结构空间中进行分步推理：先设计活性中心，再搭建支架、设计侧链，最后优化能量。文本推理与结构推理通过 Scientific Token 互通，相互指导，实现了 SOTA（当前最佳）效果。
目标：科学超级智能（SSI）
团队设定了下一里程碑 SSI（Scientific Super Intelligence）标准：
- 垂直任务性能超过各领域最佳专用模型；
- 同等参数体量下，跨模态科学推理能力超过最佳通用大模型。
据内部 Scaling Law 推测，这一水平可能在 100B 至 300B 参数量级达成。
实战案例：40个新靶点与验证瓶颈
一家研究急性髓系白血病十余年的国家重点实验室曾放弃寻找新靶点，因人工验证单个靶点需耗时一个月以上，成本极高。部署 STELLA 后，系统在短时间内给出40个此前未见于文献的候选靶点。
实验团队起初持怀疑态度，仅验证排名第一的靶点。结果显示，该靶点在四个细胞系中均表现出显著且一致的抗纤维化活性，目前团队已基于此开展抗体药物设计。然而，其余39个高潜力靶点因实验通量限制，仍停留在名单上。这直观反映了“AI 提出假设速度远超实验验证速度”的核心矛盾。
构建壁垒：干湿闭环与回国创业
张载熙认为，AI4S 的竞争壁垒分为三个阶段：
- 算法实现：快速迭代模型架构，团队已占据先发优势；
- 数据质量：拥有更多高质量、经过清洗的科学数据；
- 实验验证：这是与 Coding、数学领域最大的不同，必须通过湿实验验证。
为何选择回国？
张载熙与联合创始人曾在美筹划创业，但最终决定回国落地。核心原因是实验验证效率：在国内完成同等规模的湿实验验证，整体效率远高于美国，且供应链更成熟、成本更低。
虚拟沙盒与自动化实验室
为解决数据稀缺和高昂的实验成本，团队先在虚拟仿真沙盒中训练驱动机械臂的 VLA（视觉-语言-动作）模型，将实验成功率从不足10%提升至接近100%，再部署至线下。明年，公司将建设自有自动化实验室，跑通“干湿闭环”，通过实验数据反哺模型迭代，形成自进化能力（ScienceRSI）。
未来展望：科学涌现与人机协作
随着 AI 提出假设能力的增强，“科学涌现”现象将愈发普遍。如同 AI 在数学证明中的表现，未来 AI 可能提出大量人类暂时无法完全理解但有效的科学假说。
科学家的新角色
张载熙认为，人类科学家的工作将转向两方面：
- 理解与总结：从 AI 发现的复杂现象中提炼基础原理和通用定理，如同 BCS 理论解释超导现象；
- 安全与伦理引导：确保 AI 在生物安全等正确轨道上探索，防范潜在风险。
可解释性的重要性
针对“AI 黑盒药物是否可信”的争议，张载熙强调可解释性依然重要。人类具备从复杂信息中抽取核心原理的能力，这将有助于理解 AI 的发现。同时，临床疗效（如三期临床试验结果）仍是最终评判标准，但理解机理有助于更好地应用和优化。
Scientific Token Economy
商业层面，团队提出“科学 Token 经济”概念。不同于传统按算力计价，Scientific Token 的价值应取决于其背后的科学价值、数据稀缺性及实际应用场景（如药物疗效）。这将形成一套基于科学贡献度的公允价值体系。
展望未来，张载熙希望借助 AI 揭示人类衰老机制等底层规律，真正改善人类健康与生活质量。随着模型智慧涌现，AI for Science 将从辅助工具演变为推动科学突破的核心引擎。