中国AI科研热潮卖的是速度,不是发现
NextFin News — 资本已经认定,科学是大模型证明自身价值的下一个领域。在中国,AI-for-science 初创公司在今年前十个月记录了超过 80 轮融资,披露金额超过 200 亿元人民币。生命科学和材料领域的公司主导了投资条款。大型科技集团增加了阶段演示:在屏幕上设计分子,然后交给自动化实验台进行合成和测试。
这个卖点很容易理解。药物和材料项目在死胡同里耗费数年时间和大量资金。任何能缩小早期漏斗的东西看起来都很有价值。更难的问题是,实际出售的到底是什么。
实验室仍然在重要但缺乏洞察力的工作上花费巨大精力——梳理文献、对候选物进行排序、在专用程序之间来回搬运文件、重复标准化检测。将这些步骤串联起来的软件,以及通宵运行这些步骤的硬件,能够以客户可衡量的方式缩短日历时间。
这才是正在结清账单的业务。一些供应商向学术实验室提供免费访问,并向企业收取更深层次使用的费用。另一些则从制药和生物技术公司承接明确的发现任务,并按项目计费。两种模式都将吞吐量和组织能力变现。两者都不要求系统在没有提示的情况下决定下一个值得解决的科问题是什么。
提出结构正变得廉价。证明它们有效则不然。团队可以在一天内抛出数千个候选物;合成和检测能力无法以同样的速度扩展。商业优势越来越属于那些提高命中率、从而用一份短名单取代一仓库失败的人——而不是那些打印最长名单的人。
判断仍然是瓶颈。模型总结文献已经支持的内容。它们在将异常结果视为线索而非噪声方面不太可靠。在数轮中报告“改进”的设计代理仍然需要人工审核;三维化学并不总能经受住翻译成通用模型用于规划的语言的考验。公共数据集在不同实验室之间杂乱无章;专有实验反馈——即能够改进下一轮的信号——稀缺且昂贵。
在这些差距缩小之前,自主发现仍是一个研究远景。方向、资源分配以及追逐哪个异常的决定权仍掌握在人手中。
并非每个领域都会催生独立的AI-for-science公司。制药企业已经在购买软件并将早期研究的部分环节外包,因此外部AI供应商有一条熟悉的采购路径——而且在几轮投资浪潮之后竞争激烈。材料领域看起来有吸引力,因为与临床项目相比,其性能可以用更清晰的指标和更短的周期来评分。光学等重仿真领域出于同样的原因也出现在投资者的名单上。
在其他领域,数据、工作流程和人才都掌握在现有企业手中。芯片设计以及与国家级设施相关的项目更可能将AI作为内部能力吸收,而不是创建一个大型独立供应商类别。
投资者想要的股权故事超越了服务利润率:专有候选药物、知识产权,以及带有生物技术式里程碑的许可。只有当工业合作伙伴将产出视为资产,而不仅仅是更快的内部报告时,这个故事才能兑现。资助者对等待多久存在分歧。一些人在收入出现之前就支持团队和数据管道。另一些人则希望在一年内看到商业证明,尤其是在材料领域。共同的筛选标准是混合的科学与工程技能、获取独家数据的途径,以及会回头的客户。
通用模型公司仍然将大部分预算花在广泛能力上。只要这种情况持续,专业实验室工具就享有窗口期。如果同一批集团认真关注科学垂直领域,这个窗口就会缩小。
AlphaFold表明,一个专注的系统可以改变一个领域。中国当前的AI-for-science浪潮则不同。它正在将研究管道的中段工业化——搜索、排序、起草、运行、记录——而管道的两端,即问题和经过验证的主张,仍然由人完成。
目前,资金追逐的是节省的月份和避免的实验。更大的奖赏,即拥有市场愿意购买的发现,有待更好的选择、更紧密的实验循环,以及足够干净的数据,使下一个模型值得训练。在那之前,实验室中的AI是一门披着突破性科学语言外衣的生产力业务。