AI 重構科研范式：機遇已至，挑戰何解？| 2025 極新 AIGC 峰會圓桌論壇實錄

2025年12月26日，【想象·2025極新AIGC峰會】在上海浦東浦軟大廈成功召開。極新創始人姜穩、深勢科技生命科學高級業務架構師孟月、Zilliz出海業務負責人喬丹、新研智材聯合創始人&CTO南凱在會上進行了題為《智慧科研，AI賦能》的圓桌討論。四位來自技術服務商、科研機構、企業等不同賽道的大咖重點討論了AIGC對于科研領域的助益與挑戰，運用現實案例深入淺出地分析了AIGC介入科研流程的固有優勢與可挖掘的潛力，為現場嘉賓帶來滿滿的干貨。

對話當中重點提到以下幾點：

“若將AI視為一輪技術變革，其影響力會持續很久，但商業層面，現在能跑出來的玩家已經在場。”

“材料作為實驗科學，數據是最大的缺少的點，如何將專家經驗提取出來，讓AI理解物理世界，像專家一樣去思考，會成為最終的方式。”

“AI不是要替代科學家，而是幫助科學家解放重復勞動，聚焦更核心的問題。”

以下內容為圓桌會議原文，經極新整理：

姜穩：大家看了很多好的應用，也看了很多AI案例，到底AI案例是怎么做出來的？我們希望通過科研圓桌，讓大家理解AI到底能不能賺錢。如果各位作為投資人，AI要不要投？我們先對這個行業有一個判斷，再輸出觀點。請三位各自介紹一下專業背景或履歷。

孟月：大家好，我是孟月，目前在深勢科技生命科學事業部擔任業務架構師。我畢業于中國農業大學計算化學專業。自加入公司以來，我的核心角色就是致力于推動“AI for Science”這一新范式在生物醫藥等領域的產業化落地。具體來說，我的工作是橋梁，專注于將我們前沿的AI算法平臺與工具，與生命科學研發中的具體場景和實際痛點深度結合，并設計、交付能真正解決問題的定制化解決方案。

喬丹：我叫喬丹，來自zilliz商業化團隊，我在Zilliz見證并參與了這家公司，從商業化0到1的過程。

南凱：我叫南凱，是新研智材的聯合創始人兼CTO，博士專業是應用物理。2022 年開始做AI4Biotech。我一直認為AI+生物醫藥已發展得相當成熟。AI+材料可借鑒AI+生物醫藥的路線，無論是商業邏輯，還是公司發展的組織架構等。目前在我看來，去年是AI+材料的好節點，今年也看到很多友商加入。賽道熱鬧，說明我們都認同AI能助力人類進步，畢竟材料科學在很大程度上是諸多領域的基礎。

01

AI 科研的核心難點在哪？

姜穩：剛才講了向量數據庫，科研要進步，離不開數據，數據需存儲在數據庫中，有了底層技術，才能用AI科研工具做生命健康、生物化學或材料相關研究。今天我們力爭還原，中國乃至世界，科研與AI結合的路上正發生什么從歷史角度看，在AI科研領域，底層技術目前發展到了什么階段？

喬丹：回憶AI 爆火之初的2022年，我當時在微軟工作，作為Open AI的主要合作方，發現公司有這樣的“殺手锏”時，我們非常興奮。回憶到現在差不多剛經歷三年完整周期。對比移動互聯網12年的發展歷程，若以10年為維度，AI領域還非常早；但從商業化早期視角看，所有發展都是指數級增速，未來10年的發展，如今可能已到中場。中場的界定，比如去年AI相關的數字規模，在移動互聯網階段難以想象，包括Open AI萬億級的體量。

我的觀點是：若將AI視為一輪技術變革，其影響力會持續很久，但商業層面，現在能跑出來的玩家可能已經在場。接下來會持續挖掘其在估值市場和應用場景的創造力，行業將度過從無概念到建立概念的第一階段。移動互聯網初期，市場人才儲備不足，而現在AI領域人才充足。下一個階段，會看到像豆包這樣的嘗試，包括豆包手機的出現，各家廠商也在布局垂類產品，說明C端已產生巨大流量；還有營銷端像GEO這樣的范式出現，給營銷產品帶來很多想象力。各個場景的創新正在不斷涌現。

南凱：首先，材料是個非常寬泛的范疇，科研本身就涵蓋生物、材料等多個領域，材料又包括催化材料、合成材料、復合材料等，生活中常見的可降解材料、電池材料都屬于這一范疇。目前，行業仍處于嘗試各種強大算法的階段，大家嘗試用更先進的AI算法解決實際應用問題，但材料是實驗科學，參數過多，只能具體問題具體分析，每個細分領域可能會誕生一種范式。

整體來看，我們提出將AI4Materials劃分為四個等級，分別是L1，傳統由工程師主導的研發模型，L2，AI部分輔助研發，L3，智能體主導研發方向階段，以及L4，軟硬件結合的AI全自動研發模型。目前我們公司做到了L3階段，正在朝L4階段進步。

從AI+垂域這個角度來看，我們依然被困在“如何提取垂域數據培育的‘know-how’”這一困局中。AI需要遵循諸多規則，在垂直領域上又面臨數據短缺的問題，材料是傳統行業，數據是最大短板，只能依靠專家經驗。讓AI能夠像行業專家一樣思考去理解物理世界，可能是最終方向，但目前大家都仍在嘗試用不同AI模型解決這一問題。

我們目前在半導體領域的垂域提取方法已實現閉環，能提取專家know how經驗。我們計劃明年用這套方法論對其他垂直領域進行延展。這個問題的核心在于，專家的know-how是其對一類事情的思考方式，如何讓AI學習這種思考方式？比如我剛入職時可能不懂向量數據庫，請教喬總后，若問題太寬泛，只能一知半解，后續還會有無數具體問題，依然學不到精髓。所以，精準獲取know-how，可能會成為未來AI科研的范式，希望我們明年能將這種方式推廣出去。

孟月：我從兩個方面來分享。首先，關于我們的定位。深勢科技是 “AI for Science” 新范式的引領者，致力于構建下一代 “科學發現智能引擎” 。我們通過深度融合AI與科學模型，為從早期藥物發現到臨床前開發的全流程提供智能化的基礎設施，在此基礎上，我們正持續推動這些能力向臨床研究及更廣闊的產業化應用延伸，目標是為藥物研發提供貫穿全周期的智能化解決方案。

其次，關于我們的實踐。我們以 “玻爾·科研空間站” 為核心平臺，其中 “Hermite?藥物計算設計平臺” 等工具，正在業內積極推動 “計算引導實驗、實驗優化計算” 的研發新范式。這套體系的實效已獲得了產業界的廣泛認可，深度賦能了眾多生命科學領域的領先企業及其關鍵管線，能夠幫助合作伙伴顯著降低濕實驗的投入與周期。

02

長周期VS快迭代，AI科研如何破局未來？

姜穩：互聯網和今天的AI有很多相似點，接下來我們聊聊發展挑戰，還是從底層設施說起。底層設施至關重要，本月摩爾線程和木樨上市，木樨就在上海浦東軟件園，大家之所以興奮，是因為英偉達5萬億的市值印證了“底層基礎設施決定上層建筑”，就像人的底層認知決定生活方式、解決問題的能力和驅動資源的方式。從底層來看，向量數據庫領域，接下來會遇到哪些挑戰？

喬丹：Zilliz將進一步獲益于非結構化數據（如圖片、音視頻等多模態）的持續增長，并致力于保持領先優勢。從目前態勢看，我們既然選擇AI行業，就堅信技術變革會發生。

我們始終：第一，以非結構化數據處理為核心，專注。讓客戶不必擔憂數據安全或強制捆綁；第二，開源，歡迎大家使用我們的開源產品、交流反饋，為行業提供核心價值；第三，堅持云原生概念，支持公有云、私有云、混合云等多種架構。挑戰主要源于自身，但目前克服得不錯。

南凱：這個問題很關鍵，畢竟AI的核心是數據。從材料科學來看，我們希望國內的材料能夠快速發展，早日實現關鍵材料的國產化。剛才提到的高通量數據庫，很大程度上依賴文獻數據或模擬計算數據，但材料是實驗科學，這類數據庫與實際數據差異很大。

若想在材料領域實現國產替代，首先要建立高質量數據庫，這也是我們公司的計劃，預計明年建立AI4S協會，邀請企業貢獻數據，推動數據庫標準化。材料科學的數據非常寶貴，這也是材料行業沒有CRO的原因，但企業往往只重視成功數據，忽略了大量有價值的失敗數據。

我們號召客戶參與數據庫創建，“人人貢獻一點，整個行業都會更好”，最終大家都會受益。其次，從國內行業發展來看，需要耐住性子。AI 要求及時反饋、追求“大新聞”，但材料科學、生物醫藥等科研領域具有長周期屬性。如何平衡“AI的短期熱度”與“科研的長期踏實”，是關鍵所在，所有從業者需要真正專注科研，而非畫大餅。

孟月：這個問題非常契合深勢的核心戰略。我們最初的愿景是成為“微觀世界的達索系統”。基于對科研需求的深入洞察，我們進一步聚焦于構建AI4S的 “四梁”平臺系統，即基于基本原理與數據驅動的算法模型和軟件系統，高效率且高精度的實驗表征系統，作為文獻替代的數據庫與知識庫，以及高度整合的計算平臺，并以此支撐 “讀、算、做” 的完整能力閉環。在此之上，如何將這些平臺與AI科學家聯系起來，成為我們今年的核心戰略目標：打造“AI科學家”。這并非強調AI替代科學家，而是讓AI幫助科學家解放重復勞動，聚焦更核心的技術創新問題。

這一愿景已取得實質性進展。我們（聯合上交等）推出了通用科學智能體 “SciMaster” 。在垂直領域，我們于2025年11月正式發布了AI藥化助手 “PharmMaster” ，它能夠將藥化學家在靶點立項階段的核心調研周期從平均3周大幅壓縮至3天。未來，我們將緊密圍繞產業真實需求，持續優化“AI科學家”的能力與場景契合度，目標是將它打造成賦能千行百業的基礎創新力量。

更多干貨分享敬請注我們的公眾號與視頻號~超多精彩對話內容等待您的解鎖！