精华速览
清析智研联合创始人、首席科学家王欢在Y-Talk直播中提出,大模型已充分掌握人类已有知识,但AI for Science(AI4S)的下一阶段突破在于进入物理世界创造新知识。他认为,AI4S的下一次Scaling需要构建模型、AI原生仪器、AI原生实验室与产线协同的物理闭环,核心稀缺资产是持续产生新数据的能力。清析智研以仪器智能和自动化实验室改造为切入点,分三层推进商业化:提供技术服务、构建AI原生实验室方案、最终掌握新材料IP。王欢判断中国AI4S产业与美国差距不大,凭借庞大工业基础有望处于全球前沿,未来行业将容纳多家百亿估值公司。
要点透视
- 王欢是清华大学工学博士、全球前2%科学家,长期关注多模态大模型、复杂科学系统智能化与AI赋能材料研发,现任清析智研联合创始人、首席科学家。
- 王欢指出,当前大模型能力主要来自数字空间,已充分掌握人类已有知识,但对人类尚未总结发现的领域仍有很长路要走,而AI4S恰恰需要创造新知识。
- 清析智研提出AI Science Superfactory(AI超级研发工厂)概念,以AI原生科学仪器与实验室解决方案为切入点,串联计算化学、制备工艺、工艺优化到量产。
- 商业化分三层:第一层提供技术服务方案,第二层构建AI原生仪器与自主实验室,第三层掌握自有材料IP并批量产出新材料、新配方。
- 王欢认为湿实验产生的真实制备与表征数据比干实验理论计算数据重要得多,理论计算数据与实验真实数据仍有很大gap。
- 王欢判断中国AI4S产业与美国差距并不特别大,国内材料、化工、生物医药的庞大工业基础是优势,中国在全球竞争中处于前沿甚至Top级别。
- 王欢预计AI4S公司收入规模将从当前技术服务阶段逐步走向指数级增长,材料领域数万亿市场可容纳多家百亿估值公司。
- 王欢明确表示纯AI背景团队做不了AI4S赛道,需要产业方深度参与,理解材料、生物医药等领域的行业know-how。
文章拆解
王欢的判断建立在一条清晰的逻辑链上:这一轮AI能力跃升的燃料是人类在数字空间积累的文本、代码和视频,但科学发现面对的是尚未被数字化的物理世界。大模型可以润色论文、查找资料,却难以直接完成新材料发现、实验制备和新物质探索。因此,AI4S的瓶颈不在模型参数规模,而在高价值数据的获取方式——真实物理实验产生的数据。
这一逻辑解释了清析智研为何选择从仪器和实验室切入。王欢认为,当前实验室自动化水平远低于工业端,科学仪器仍是离散的“手工作坊”状态。若能把仪器改造为AI原生设备,让模型接入实验与产线,形成“假设—实验—验证—学习”的闭环,就能持续产生新数据,推动模型与实验策略共同进化。这本质上是在物理世界复制数字时代的数据飞轮。
对行业而言,这一路径意味着AI4S公司的竞争力将取决于连接物理世界入口的数量、成本和通量。谁能以更低成本、更高通量完成闭环,谁就能更快把未知转化为知识。但风险同样明显:AI原生仪器尚无统一定义,实验室柔性场景比工业标准化流程更难自动化,客户对设备范式变革的接受度也需要时间验证。王欢提出的三层商业化路径中,前两层仍处于早期,第三层掌握材料IP的规模化产出尚待确认。
对中国产业而言,王欢认为国内庞大的材料、化工、生物医药工业基础是AI4S落地的土壤,这与美国创业公司融资额更高但工业场景相对分散形成对比。不过,融资差距可能影响长期算力与人才投入,国内AI4S公司能否把工业基础优势转化为数据与IP优势,仍需观察。另一个变量是纯AI团队与产业背景团队的竞争:王欢直言纯AI团队做不了AI4S,这暗示未来行业整合可能围绕“AI能力+行业know-how”展开,缺乏产业深度的一方或被淘汰。

暂无评论。