AI for Science 下半场：谁在付钱，谁在犹豫｜AI4S Future Skills黑客松圆桌实录

当AI4S走出实验室，真正的竞争不再只是模型能力，而是谁能解决数据、验证和商业化这三道难题。

作者 /Oriana

-Intro-

一场AI黑客松，通常比的是谁的模型更快、Agent更聪明、Demo更炫。

但如果把题目换成AI for Science，游戏规则就完全不同了。

在材料、生物医药、地球科学等领域，一个惊艳的AI Demo，距离真正产生价值，中间可能还隔着很长的一段路：数据够不够？结果能不能验证？能不能进入真实科研和产业流程？最终，又有没有人愿意为它付钱？

这正是AI4S Future Skills黑客松试图回答的问题。

由新研智材主办、新物种Sinovum联合主办的这场黑客松，将参赛者带入材料研发、生物医药、地球科学等真实场景。相比单纯比拼模型能力，参赛者面对的是更加具体的问题：如何让AI理解科学问题，如何利用数据解决真实需求，以及如何让一个技术方案走向应用。

圆桌讨论由新研智材CTO南凯发起。在他看来，AI for Science正在经历一个重要转变：从“模型能做什么”，走向“AI究竟能不能解决真实科学问题”。

圆桌发起人、新研智材CTO南凯

2018年，熊坤加入腾讯Robotics X，成为前10号员工。实验室把技术分为移动能力、灵巧操作、智能决策三大块，他都有涉猎：移动方面，研发轮足切换的多模态机器狗；操作方面，做了绳驱七自由度机械臂，用耦合机构让两个电机的力叠加到一个关节上，扭矩翻倍；灵巧手也在此时起步，绳驱、直驱、连杆，各种方案轮着钻研。

围绕这一问题，圆桌邀请了来自不同领域的5位专家：

AI Agent专家罗睿，来自百度伐谋，关注Agent与AI基础设施如何走向真实应用；材料产业专家华佳明，上海合信资本合伙人、上海精珅新材料总工程师，长期站在材料研发与产业化的交界处；生物医药专家史蕴华，粤港澳大湾区国创中心国际总部生物医药负责人，关注AI进入生物医药后的产业机会；AI for地球科学专家丁家昕，上海交通大学计算机学院长聘副教授，从计算机与科学数据交叉角度研究AI如何理解真实世界；气候与地球科学专家冯杰，来自自然资源部第二海洋研究所，长期面对气候、海洋等领域的数据和模型问题。

从左到右依次为上述嘉宾

不同背景，让他们对AI for Science的未来有了不同判断。

有人认为，AI for Science真正的商业化，不是做出一个更强模型，而是进入真实工作流；有人指出，科学领域真正稀缺的不是数据数量，而是高质量、可验证的数据；还有人进一步追问，如果AI给出一个科学结论，我们凭什么相信它？

台上，参赛者在尝试用AI解决具体科学问题；台下，产业专家不断追问：这个东西能不能用？能不能验证？能不能进入生产流程？又能不能成为一门生意？

这或许才是AI4S黑客松真正要比的东西，比起关注谁做出了最酷的Demo，更聚焦谁能够让AI跨过从“能做”到“有用”，再到“有人愿意使用、愿意付费”的那道门槛。”

01.

谁在为AI for Science付钱？

南凯：我们今天聊的第一个主题是产业化。刚才很多选手展示了Skill，但从产业角度来看，往往需要经历从PPT，到实验室，再到产业化的过程。这里最大的问题是：什么才算真正的产业化？我们如何判断AI for Science已经走到一定阶段，可以进入市场，形成toB或者toC的商业模式？

罗睿：我觉得现在很多AI for Science相关工作，仍然停留在科研层面，甚至还没有真正走出高校。但真正进入落地工程化阶段，算法需要走出实验室，扎根于真实场景。

所以我觉得现在Agent值得关注的一点，就是工程化和商业化。工程化不一定意味着提出更多创新的东西。现在的大模型未必能够完成所有科学创新，但我们可以把一些复杂、耗时的工程流程简化，或者AI化。本质上，这是为了提升生产力，为后续商业化提供基础。

华佳明：如果把智能定义为依靠现有知识认知新的机理，或者用已有知识解决具体问题的能力，那么人工智能其实就是智能，本质上没有区别。

我们做材料，最终目的不是追求某一种技术形态，而是解决客户实际的问题。所以从这个角度看，AI就是一个可以进入真实工作环境，帮助我们完成具体任务，提高团队效率的工具。现在行业里大家都非常关注这一点。

我有一个朋友，他们公司做大幅面偏光片，中间需要用到胶黏材料。他们找了一位原来三星化学的专家，做了三年多。有一天，我朋友像玩ChatGPT一样问AI：“我这个应用应该怎么做？能不能给我一个配方？”结果这个配方在实验室测试时效果非常好。韩国专家看完配方，说了一句：“我是不是可以辞职了？”

当然，这个案例并不完全典型，因为这个产品本身已经产业化，ChatGPT的知识库里可能本来就存在相关信息。但它说明一个问题：现在大模型的知识储备，可能已经超过一个刚毕业博士的知识范围。

它真正缺的不是知识，而是具体工作场景里的约束条件：我要解决什么问题？我要做到什么程度？什么结果才算完成？比如今天有一个项目，就是读论文、看专利里的实施例，然后尝试复现。关键不是模型能不能找到信息，而是复现条件是否完整，最终能不能真正做出来。

我很喜欢一个逻辑：不管怎么样，最后逃不过实验。那么AI需要给我的，不只是一个答案，而是一套足够大、足够能够收敛的实验计划。所以我觉得，AI进入实业已经不是未来，而是在发生。只是现在我们使用AI的方式，还受到很多条件限制。

史蕴华：我觉得可以从政策、企业内部以及企业之间这三个层面来看AI在产业里的机会。

一是政策。比如现在行业在推动新的非动物性实验标准，政策往往会影响整个行业规范。在这个过程中，AI Agent可能会有机会。目前产业界还处在早期探索阶段，最终效果以及怎么跑出来，还没有明确答案。但可以确定的是，谁能够更早参与标准定义，并且真正符合标准，谁跑出来的概率可能更高。

二是企业内部。AI可能更多用于团队决策，尤其是跨部门沟通，以及不同专业背景的人之间如何更有效协作。但这里需要创业团队真正理解企业内部的卡点，以及ROI怎么计算，同时还需要相应资源。比如药物研发过程中，生产、运输、监管、研发之间存在大量沟通环节，这些过程都有AI应用空间，但目前我没有看到太多创业公司在做这件事。我的分析是，很多创业公司团队比较年轻，对工业的理解和企业经验相对不足。所以这类事情可能需要真正深入企业，无论是实习还是实际工作一两年，才能理解产业里的真实需求。

三是企业与企业之间。比如药企和Biotech之间的合作。无论一款药是AI设计出来的，还是企业利用AI工具研发出来的，只要最终成果满足市场需求，它就会产生价值，最终的定价逻辑，依然会回到药品本身的价值。

丁家昕：我来自学术界，从我的角度来看，所谓产业化其实很简单： 无论toB还是toC，最终有没有人愿意为这个东西买单。

比如我们现在做的方向，会把科技文献信息、大量PDF数据下载下来，梳理全球已有的科学数据，再整合成服务。大多数时候我们提供给科研工作者使用，它可以成为科研搜索工具，也可以进一步提取文献中的专业知识。但科研工作者背后的主体通常是学校，他们并不会为这样的服务付费。所以从产业化角度看，这类能力其实比较弱。

如果我们把这些数据面向具体需求，就会出现另一种可能。最近有一个岗位很火，叫FDE（Forward Deployed Engineer），它某种程度上结合了产品经理和程序员的职责，核心是理解用户需求，把企业的问题梳理出来，然后设计一套完整工作流，再通过Agent系统部署到企业端。

未来可能会越来越多出现这样的角色。真正不可替代的，不一定是写代码，而是理解人、理解企业需求，把需求凝练成工作流，再把工作流变成智能体系统。这可能就是未来AI for Science领域的一类产品。

比如我们自己，也会面向地质所、勘探单位等具体需求，把他们的问题转化成工作流程，再根据数据、安全等要求，调用开源模型、API，或者针对性训练模型，把整个流程跑通。

冯杰：我来自自然资源部的研究所，最近的政策导向更多的提倡成果的应用转化。我们平时做的虽然更多是科学研究，比如预测台风等自然现象，但现在也要求真正落地。

怎么落地？首先，模型不能只是科研人员自己使用。如果要产业化，它不能只有硕士、博士才能运行，而应该变成普通用户、尤其是政策制定者可以使用的产品，比如可视化、简单、按键式。

刚才有几个同学做的模型，其实已经很接近这样的方向，但还需要进一步提升可信度，让用户真正相信模型结果。因为科学研究中，一个结果需要经过大量验证，论文也需要经过Review。你不能直接告诉别人“明天台风来了，大家赶紧撤离”，真正应用时，需要更多辅助机制，让结果更简单、更可信。我觉得这就是AI for Science走向产业化的重要方向。

02.

数据不够，杂质太多

南凯：刚才大家谈了很多AI for Science到底如何产业化，但无论是AI for Bio、AI for Material，还是气象预测，背后其实都有一个共同问题：数据。路演时评委提问最多的也是数据，包括数据来源、置信度、质量以及安全。不同领域关注的数据问题也不同，有的数据难在提取，有的难在质量，还有的涉及安全。在你们所在领域，最关注的数据问题是什么？

冯杰：数据对我们地球科学领域来说非常重要。我们现在主要面的是数据少的问题。

我们这个领域AI介入得比较晚，很大程度上就是因为数据不足。比如气象领域，可能是地球科学里面数据相对丰富的方向。但最早的连续观测也就是工业革命之后，100多年时间，即使每天观测一次，一年365天，也只有几万个数据点。对于AI训练来说，这个规模其实远远不够，所以现在一个重要方向，就是如何把少量数据更有效地利用起来。

最近比较流行的是小数据人工智能。比如加入物理约束，像PINN，让模型不是完全从数据中学习，而是在已有规律约束下训练，或者把传统数值模型和AI结合，形成混合模型，也可以减少数据需求。

我们曾经发现，因为数据不足，有些研究会加入模拟数据。但模拟数据来自已有模型，并不是真实观测，误差可能很大。一旦加入训练集，模型误差反而会上升。

所以如果未来要产业化，可信度非常重要。数据进入模型之前，可能需要先筛选，否则低质量数据会污染整个训练过程。

丁家昕：我是做计算机的，所以我们讨论数据的时候，经常会说“大数据”。但我们的应用领域主要是地球科学，每次跟地球科学专家交流，他们都会说：“我们没有大数据，我们的数据很少。”

这其实形成了一个很有意思的矛盾。一方面，现在的数据确实非常多，论文、新闻、各种科学记录，都在不断产生；但另一方面，不同领域的数据规模完全不同，比如我们研究海洋含氧量，收集了60亿条数据，听起来很多，但如果放到100年的时间尺度，再分到1200个月，以及全球空间网格里，其实并不算多。

所以“大数据”和“小数据”，很多时候是不同尺度下的问题。

现在真正的问题是：数据很多，但真正能够被大模型利用的数据并不多，核心原因是数据异质性。大模型最原生理解的是文本，但现实中的科学数据包括PDF、图片、表格，以及各种非结构化数据。

如何把这些异质数据转化成大模型可以理解的数据，是目前非常关键的问题。所以现在其实既是大数据，也是小数据，核心是如何把数据变成大模型真正能够读懂、搜索和利用的数据。比如我们观测到海洋含氧量，它可能和含硫量、含磷量等数据相关，如果能够把这些相关信息整合起来，也许可以补充原本稀缺的数据。

未来如果大量科学数据都变成大模型可利用的数据，很多问题可能只是搜索效率的问题。但现在，大部分数据还没有达到这个状态，所以我们正在做的重要工作，就是把PDF以及各种数据中的信息提取出来。

史蕴华：我觉得数据问题可以从三个层面来看。

第一，越靠近最终产品场景的数据，价值越高。因为整个研发周期比较长，而且越靠后的环节失败率越高，所以越接近产业后端的数据越稀缺，也越有价值，但现在的问题是这些数据很难获得。同时，产业后端的数据，无论评分标准，还是Feature描述，都还比较粗糙。比如大家可能只知道“我要针对某个疾病做药物研发”，或者“我要针对某个合成场景做开发”，但具体应用场景中的约束条件、评价指标，并没有被充分描述。所以未来一个核心问题，就是对产业下游的数据进行更加精细、多维度的描述。

第二个问题是负样本。现在很多数据都是报告成功案例，但失败的数据、负样本数据非常少。没有足够的负样本，模型就容易过拟合。

第三个问题是数据采集成本。越靠近产业后端，一个数据点需要描述的维度越多，但采集成本也越高。所以未来需要一些更智能的方法，降低数据获取和整理成本，才能系统解决这个问题。

华佳明：从最宏观的层面看，工业界很多数据其实是拿不到的。

举一个例子。去年5月份，苏州国家实验室有一个做光刻胶树脂的团队，他们自己训练了一个大模型。当时他们说，三个月时间，为这个模型整理了4万多篇文献、28000份专利、12000多份论文。

但他们遇到最大的困难是：2012年以后，真正有价值的公开文献越来越少。这很好理解。早期理论建设阶段，很多知识在学术界讨论，相对开放。但一旦进入工业界，情况完全不同。医药行业可能还好，因为有专利体系保护。

但在工业领域，知识产权保护方式更加复杂，除了专利，还有防御性出版，有些企业会在一些并不知名的海外期刊上发表文章，因为未来如果有人试图通过专利来限制它，可以证明这个知识以前已经公开过。所以很多真正有价值的数据，并不会自然流向公开渠道。

第二个问题，就是数据越来越靠近应用端以后，会变得越来越碎片化。工业界很多产品，都是针对某一个具体场景开发出来的。比如硅胶带按照国标或者ASTM标准测试，可能是在钢板上，但如果换成玻璃、硅基片，结果可能完全不同。

所以拿到一个数据，如果不知道它背后的应用条件，这个数据本身没有意义。很多工业数据的问题就在这里，不是数据不存在，而是缺少完整的上下文。所以我觉得，大模型首先要解决的问题，不是“给我更多数据”，而是“告诉我到底需要什么样的数据”，这也是AI进入工业界最大的卡点之一。

罗睿：我从医疗应用角度补充一下。我觉得大模型时代，我们关注数据主要有两个维度：数量和质量。

医疗领域一个非常典型的问题是长尾分布。比如罕见疾病的数据量，远远低于常见疾病。这种情况下，模型很容易过拟合，很难做出可靠判断。

另一个问题是数据质量。医疗高度依赖医生判断，而医生判断背后又依赖大量先验知识。我们有很多医疗数据，但并不一定有对应标签。所以当我们做小样本、少样本AI分析时，一个核心问题是：它的可信度和置信度到底够不够？进一步进入产业和法规层面，如果AI判断出现问题，责任应该由谁承担？医生？AI？还是整个系统？

这些都是AI进入医疗领域必须面对的问题。另外，现在大模型很大程度上还是建立在文本数据基础上。但医疗场景里，医生很多时候依靠的是图像，比如CT、MR这些已经非常成熟的医学影像。

未来需要解决的问题，就是如何把大模型的推理能力和医学影像能力真正结合起来。无论是多模态融合，还是其他方式，这里面还有很大的发展空间。这也是为什么AI for医疗还没有完全进入所有商业化场景。

03.

AI4S的终极形态，和它留下的日常

南凯：刚才大家谈了很多现实中的困难，无论是数据、算法，还是产业化。那在你们的设想中，未来AI在这个行业里最理想的状态是什么？大概还需要多久才能实现？

罗睿：我觉得最理想的状态，是AI帮助人类完成新的科学探索。我自己做科研相关工作，所以我认为最重要的一点，是发现新的规律。

最近大家可能也看到，AI加mRNA设计领域出现了一些突破（Moderna），这验证了AI确实可以进入医药，甚至更多科学领域。但这个周期确实很长，我没有办法准确判断什么时候实现。比如我们做组合优化，分子设计、蛋白质设计，本质上也是一种排列组合问题。那么能不能利用AI在有限空间里探索无限可能的能力，找到新的方案？我觉得这是非常理想的状态，但具体什么时候实现，还需要时间验证。

华佳明：我觉得可以先看现在。AI已经开始在我的团队里发挥作用，比如专利知识收集、简单实验方案制定、实验结果收敛、研发路径迭代，现在都已经开始使用。

某种程度上，它已经产生价值。但未来要考虑的可能是：我花在AI上的钱，和投入一个人力的成本相比，它能不能等待，甚至超越？我认为，Agent完全替代真人产品开发工程师，可能不会发生，因为很多事情，包括观察、信息收集、交流和交互，依然需要人完成。

最终完整形态是什么，我不知道。也有可能会结合具身智能？这还需要继续探索。

史蕴华：生物医药本质上解决的是生命问题。而生命问题本身没有边界，也没有所谓终点。所以我觉得，AI在生物医药领域可能也不存在一个所谓“终极状态”。

它更可能和生命科学形成相互促进的关系：AI推动生物医药发展，而新的生命科学问题，又推动下一代AI发展。按照现在的发展路径，AI可能首先帮助匹配专家经验。随着AI在生物医药领域产生更大影响，它会带来新的政策、新的治疗方案，也会产生更多数据和需求。

这些又会推动下一代AI的发展。所以这个过程可能没有终点，关键是我们是否能持续保持探索生命科学的热情。

丁家昕：从个人角度来看，现在大家都在做推理模型。为什么数学领域更容易被AI突破？因为数学相对比较“干净”。它只需要几个假设，之后每一步都可以验证，所以数学是目前大模型比较擅长的领域，只要给它足够长的推理时间，它有时候真的可以产生一些人没有想到的结果。

但其他科学领域，比如地球科学、生物医疗，就复杂很多。我们通常是基于观测，推断背后的机理，再基于机理继续推理。但这里每一步都会存在不确定性：观测准不准？背后的机理对不对？基于机理推导出的下一步是否可靠？

所以未来大模型非常重要的一点，不只是推理能力，而是证据能力。它需要知道：自己知道什么，也知道自己不知道什么。它能够明确告诉你：这个问题，我有多大把握；这个结论，依据是什么；这个边界在哪里无法判断。

未来真正可靠的AI，不是永远给答案，而是知道什么时候应该说“不知道”。

冯杰：我感觉自从有了AI以后，学术界和产业界的联系越来越紧密。以前我读博的时候，很少看到企业进入气候领域。后来有了AI，我第一次看到华为盘古模型做全球气象预测，当时大家都很震惊。后来越来越多公司进入这个领域，包括英伟达、谷歌等，也都开始做气候和地球科学模型。这说明企业已经看到了它的价值。

但另一方面，真正商业化仍然有距离。比如一些模型在论文里效果很好，但到了实际应用场景，还需要验证。企业希望推广产品，但用户仍然会考虑：它真的比现有方法好吗？值不值得购买？这就是产业化过程中必须面对的问题。

未来我觉得AI会越来越简单化。用户不需要理解模型本身，只需要告诉它我需要解决什么问题，然后模型帮助完成分析。最终真正重要的是：让做决策的人能够快速做出正确决定。比如面对天气风险，决策者可能不关心具体风速是多少、降雨量是多少，而更关心哪里危险、哪里需要撤离。模型应该把复杂过程转化成简单决策。这可能就是AI for Science最终服务普通人的方式。

南凯：最后一个问题，你们觉得AI for Science未来会如何影响普通人？

罗睿：我觉得AI for Science最大的价值，可能是推动可持续发展。Science本身就是一个持续探索的过程，AI只是加速这个过程，并不会结束这个过程。未来无论是生活品质，还是科学普及程度，都可能因此得到提升。Science也是国家长期发展的重要方向，我相信未来会产生很多从0到1的突破。

华佳明：我觉得AI for Science未来最大的价值，是突破人的能力边界。它会极大增强个人能力，也会提高整个社会创造物质价值的能力。

史蕴华：我认为AI for Science会让更多人有能力去做长期价值更高、难度更大的事情。

丁家昕：我觉得未来AI for Science非常重要的一点，是问题本身。AI能力的上限，很大程度取决于每个人的品味。你给它一个好的问题，比如黎曼猜想，它可能能给你证明60%；你给它说1+1，它只能告诉你等于2。所以未来科研方向、产品定位，本身会成为决定上限的重要因素，AI会帮助人实现接近自身能力上限的事情。

冯杰：我觉得AI for Science最大的影响，是降低探索门槛。过去很多领域需要大量基础知识和训练才能进入，但未来AI可以帮助人处理很多复杂工作。这样更多人可以进入自己感兴趣的领域，花更多时间探索真正重要的问题。而节省下来的时间，也可能带来更多新的成果。

- End -

超四千亿市值敲钟，宇树走通了波士顿动力没走通的路