編者按

當 AI 正在重構科研與產業的底層邏輯，AI for Science 早已不是紙上概念。4月28日，未來光錐聯合北京中關村學院AI商學院，共同推出「AI for Science 創變者說：學界 × 產業先鋒對話系列沙龍」。首期活動邀請了3 位一線嘉賓。智源深瀾創始人兼CEO王承志分享了團隊在自動化蛋白質連續定向進化平臺研發上的硬核實踐和對AI4S現在和未來的思考。

AI正在改寫科學研究的底層邏輯——從幫科學家分析數據的“輔助工具”，到能自主設計、執行、迭代實驗的“科研智能體”，AI for Science的3.0時代，已經從概念走進現實。

AI4S的三個階段：從“顯微鏡插件”到“自主科研智能體”

在王承志看來，AI4S的演進可分為三個階段：

1.0階段：輔助工具，AI只是科學家手里的“顯微鏡增強插件”，核心做實驗數據后處理、濕實驗分析，只幫復盤，不幫設計。

2.0階段：導航式設計引擎，生成式AI入場后，AI從“后視鏡”變成“導航儀”——實驗結果能反饋給模型更新參數，形成干濕閉環，這也是當下行業的主流階段。

3.0階段：自主科研，AI自主完成“設計實驗→執行實驗→分析結果→迭代優化”全閉環，人類只需定方向、提問題，剩下的全交給AI智能體。

智源深瀾從創立之初，瞄準的就是真正釋放生產力的3.0目標。

硬核落地：把蛋白質進化做成全自動工作流

要實現AI4S 3.0，團隊選擇從蛋白質這個生物分子的核心對象切入，目標是：讓蛋白質連續定向進化，變成完全無需人工干預的自主工作流。

王承志團隊打造的自動化平臺，核心是一個“物理世界的AI智能體”（而非數字世界的聊天機器人）：

• 每輪實驗數據出來后，系統自動分析結果、設計下一輪實驗；

• 把實驗設計轉化為機器人可執行的指令，驅動設備完成實驗；

• 連續運行1個月無人工干預，自動完成培養、傳代、檢測、篩選；

• 防污染設計拉滿（HEPA過濾、UV滅菌等），全程無交叉污染；

• 能動態調整實驗策略，自動處理設備故障、生長異常等問題。

自主實驗室實現從設計、執行到反饋的全流程

這套平臺被《Nature Chemical Engineering》評價為令人震撼，不僅登上封面，還配發專題評論，定義為“全球首個工業級、可編程、自動化的蛋白質連續定向進化平臺”。

Shen et al. Nature Chem Engineering 2025

案例1：用“生物邏輯門”篩選精準轉運的蛋白變體

多重耐藥外排泵LmrA是個難題——它會無差別轉運底物，既轉目標物質，也轉非目標物質。要篩選出“只轉目標、不轉非目標”的變體，需要二維篩選：A=1（轉目標）且B=0（不轉非目標）。

團隊設計了NIMPLY生物邏輯門遺傳線路，結合自動化平臺連續運行1個月，成功進化出符合要求的LmrA變體——原本看似無解的多目標篩選，被自動化+AI的組合高效攻克。

團隊設計的生物邏輯門電路

案例2：融合出5倍活性的mRNA疫苗關鍵酶

mRNA疫苗生產有個痛點：成本高、損耗大，原因之一是工藝要分兩步走：先靠T7 RNA聚合酶轉錄RNA，再用另一個加帽酶給RNA加上 5' 端的帽子，中間還要純化，損耗非常嚴重。

客戶提出的需求是：把兩個酶融合成一個兼具雙活性的新酶。聽上去合理，但難點在于，簡單融合會讓兩個酶的活性全消失，只能從零進化。

團隊把這個挑戰交給自動化平臺，挑戰非常成功：

• 連續運行1個多月無污染；

• 自主記錄、分析、迭代實驗；

• 幾乎沒有人參與；

• 最終進化出CapT7融合酶，不僅兼具雙活性，轉錄活性還比原始T7酶提升5倍！

短期內AI4S還不是“客戶云端點鼠標就能做實驗”的狀態——需要大量工程師維護復雜的自動化設施，AI4S公司更像“工程+科學”的混合體。

但隨著自動化實驗通量越來越大，整套體系會越來越復雜，我們的長期目標是把科研環節變成可交易的token——科學家設計新分子，能馬上拿到測試結果。

我們離AI4S 3.0還有多遠

雖然我們的長期目標是要實現“自主科研”的，可自我迭代的AI4S 3.0系統，但當前還有很多問題需要解決。一些典型的問題例如：

為什么AI模型在科學領域的幻覺比通用大模型更隱蔽、更危險？

AI模型在通用領域，通常靠常識就能看穿。但在科學領域卻完全不同，因為它不但看起來是對的，而且看起來很專業，通常都帶著令人信服的置信指標。最危險的是，科學AI的幻覺往往位于"合理但錯誤"的 sweet spot——不是胡說八道，而是那種"差一點點就完美了"的精致錯誤。

這類錯誤常如果被下游研究者當作起點，會污染整個研究鏈路，造成錯誤的級聯放大。對于自主實驗室來說，因為更少人為介入，幻覺會更容易在錯誤的道路上浪費大量資源甚至造成嚴重后果。

為什么AI預測很快，實驗驗證卻排隊排到“下輩子”？

AI的產出是指數級增長的，實驗的產能是線性甚至恒定的。AlphaFold在幾分鐘鐘內預測出蛋白質結構，但實驗的驗證常常需要數月甚至數年。因此生成式AI和當前的實驗范式構成了行業的根本矛盾。

我們在上面的案例中，通過一些生物學體系的設計，極大降低了實驗通量的需求，例如自主進化體系可以把起始樣本減少數萬倍，這本質上是用生物體系的自動化來替代物理實驗的自動化。

另一方面，較少人工干預的自動化實驗室能在一定程度上減輕實驗的壓力。因為自主系統可擴展性極強，不依賴于有經驗的實驗人員。在數據成為AI時代最重要的資產時，未來誰擁有最大化的自動化實驗產能，誰就能掌握行業主導權。

為什么絕大多數開源科學代碼只能被閱讀，卻永遠無法直接運行？

學術界的開源代碼在很多時候并不會考慮工程化的問題，很多代碼環境依賴死鎖、無測試無文檔、不關心異常處理、日志、模塊化等等。這和工業界的可穩定復現的要求完全不同。

這三個問題本質上指向同一個命題：AI在科學領域不是加速了發現，而是加速了"猜測"的產出。它生產假說的速度遠超人類驗證假說的能力。當猜測的庫存積壓到實驗驗證無法消化的程度，整個系統的瓶頸就不再是想象力，而是物理世界的執行帶寬。只有當物理世界的執行帶寬和AI的生成能力對齊時，AI4S 3.0才能真正到來。

當AI自主做科研，我們該警惕什么？

AI自主科研帶來科學發現爆炸式增長的同時，也有三個值得深思的問題：

理論膨脹成新瓶頸

AI 具備強大的算力與學習能力，可以無限地生成新的科學理論與假設。但理論再先進，最終都需要物理實驗來驗證；實驗受限于時間周期、特殊材料制備、能源消耗等現實條件。這兩者之間的差距，會催生一個新現象——理論膨脹。

這種“理論膨脹”不僅是研究效率的錯位，更可能引發一場科學界的“選擇困境”。當 AI 在一個下午就能推演出數以萬計具有邏輯自洽性的新材料結構或亞原子粒子模型時，人類科學家將面臨前所未有的篩選壓力：在資源有限的現實世界中，究竟哪一個假說才值得耗費十年的時間和數十億的經費去建造對撞機或實驗室？

科學探索的重心正在從“如何發現”轉向“如何篩選”，若驗證速度跟不上推演速度，人類的知識庫將充斥著大量處于“量子疊加態”的待定理論——它們在數學上完美無瑕，在現實中卻遲遲無法落地。

科研勞動的商品化

當AI能完成科研全鏈條，科研會從“精英智力活動”變成“可量化、可交易的商品”——就像云計算一樣，變成一種可批量購買的計算服務。普通人也能低成本做科研（比如有人用Claude做基因測序、自己設計mRNA疫苗治寵物）。

再往前推，做科研可能不再是 scientist 這個群體的專屬，而是變成 token、變成商品。這種轉變可能會導致傳統的學術職業路徑發生根本性萎縮——我們將不得不重新思考科研人員的角色定位。

科研加速的不均等性

AI自主科研高度依賴算力、數據、自主實驗室——擁有這些資源的機構/國家，會在科學競爭中占據絕對主導，小國家、獨立研究者可能被邊緣化，形成“發現壟斷”。這會加劇全球科研領域的不平等。

未來科學發現的競爭，可能不再屬于最聰明的人，而是取決于誰有最大算力、誰有最多自主實驗室、誰有最完整的數據飛輪。

現在的AI已經能自主通關游戲。它會自己嘗試、自己失敗、最后用人類完全理解不了的方式通關。當年 Google 之所以以 4 億美元收購 DeepMind，就是因為看到他們能用 AI 把游戲玩得非常好。后來DeepMind的表現完全證實了這一點，當AI能從自主嘗試中學會一切，人類的經驗將逐漸被邊緣化。

那么，以后 AI 自主發現科學的路徑，會不會也用我們這些科學家完全無法理解的方式去重新發現科學？

AI4S的3.0時代，已經在路上。當機器能自主做科研，科學的邊界，又會被推向哪里？

作者簡介

王承志，智源深瀾創始人兼CEO，曾任鎂伽科技首席科學家，于2024年創立智源深瀾，專注于數據驅動的生物分子設計與制造。公司打造了全球首個工業級、可編程的自動化蛋白質連續定向進化平臺，實現了科研全流程的 AI 自主閉環，相關成果登上《Nature Chemical Engineering》封面，推動AI for Science從2.0“導航式設計引擎”向3.0“科學智能自主平臺”演進。

想要了解更多AI for Science創業項目？有BP想要投送？或者想來分享你的真知灼見？添加果殼硬科技企業微信，私信溝通。

本文經授權轉載自未來光錐ID：lightcone2050），如需二次轉載請聯系原作者。歡迎轉發到朋友圈。

點個“小愛心”吧