本周AI项目推荐｜津渡生科、临界航天、无尽方舟……AI4S再次站上潮头

作者｜李楠
微信｜tqkm1510

不久前在北京一南一北，前后脚有两场科技大会开幕。南边是亦庄的世界机器人大会，北边是海淀的科学智能大会。虽然很多人没听说过后者，但它实实在在关乎AI的前沿进展，其今年主题为：人工智能变革科研范式。

中国科学院院士鄂维南在大会上的报告指出，AI正在重塑知识获取、理论计算和实验工具，让解决科研中“细枝末节”工作的门槛大幅降低，而新的生产能力会催生新的生产关系——今后每个有想法、有能力的个人和团队都能参与科技创新，包括“民间科学家”和初创企业都可能成为科研主力；同时，要以产业的视角构建新的科研体系，打通人才、创新、市场和资金各个环节。

我们到了大会现场，发现2200个座位的主会场坐满了听众，两侧过道也都挤满了人。这或许看作新一股AI4S浪潮兴起的缩影，而本周的项目推荐也围绕AI4S展开。

眼下一大批AI4S创业公司正密集涌现。它们不仅在推进科研上的新发现，还让AI参与完整的科学与工程流程；模型不仅要回答问题，还要连接实验设备、工业产线和工程验证系统。

以下是我们在大会上了解到的五个项目。它们切入不同领域。有的将AI设计、多物理场仿真和火箭发动机试验纳入同一个研发链条，有的则尝试用智能体重构传统CRO的知识和交付流程。

虽然相比一般的AI应用，这些项目离我们的日常更远。但AI4S这股大潮，必然深刻改变我们的生活。

1

津渡生科

一句话定位：津渡生科是一家以多组学模型GeneLLM为底座，通过BioFord及BioFord Agent连接生命科学模型、科研工具和实验设备的AI4S公司，希望建立覆盖生命科学研究与生物制造的智能基础设施。

产品概述

生命科学AI已经可以处理基因序列、蛋白质结构、病理图像和组学数据，但这些能力通常分散在不同模型和软件中。科研人员仍需手动完成文献检索、数据清洗、模型选择、实验设计、设备操作和结果分析。单个模型即使在某项任务中表现良好，也很难改变完整的科研流程。

津渡生科的产品路线分为三个层次。最底层是多组学模型GeneLLM，用于处理基因组、转录组等生命数据；中间是BioFord平台，将不同生物模型和分析工具整合到统一环境；再向上则是BioFord Agent，希望通过智能体理解研究目标、拆解任务并连接实验设备。

GeneLLM已经产生了可以公开核查的研究成果。2025年发表于《npj Digital Medicine》的一项研究，津渡生科等单位参与，利用GeneLLM整合cfDNA和cfRNA测序数据构建早产风险预测模型。2026年发表于《Nature Communications》的另一项研究，则让GeneLLM直接分析比对到人类基因组后的血浆cfRNA reads，用于多癌种的分类识别。

在模型之外，BioFord Agent试图将文献整理、课题设计、科学建模、实验流程拆解、设备调度和数据分析连接起来。据公司披露，该平台已接入高通量测序设备、液体处理工作站、生化分析仪器、质谱仪等30余台主流实验设备，并已在国内多所高校和科研院所开展落地实践。

总的来看，津渡生科希望建立的是一套生命科学科研操作系统：模型负责理解数据，智能体负责任务编排，实验设备提供现实反馈，实验结果再回流到数据和模型层，形成“假设—实验—验证—新假设”的循环。

团队背景

津渡生科由四位有牛津背景的联合创始人共同创办。创始人兼CEO金泳成具有牛津大学生物医学工程博士背景，兼任深圳清华研究院医学智能中心主任；联合创始人兼CSO沙磊现任北京航空航天大学人工智能学院教授、博士生导师，曾于2020年至2022年在牛津大学智能系统组担任Research Associate；联合创始人兼CTO邓司伟具有牛津大学计算生物学博士背景；联合创始人兼COO周天尧负责产品落地与产业合作。团队专业背景覆盖生物医学工程、人工智能、计算生物学和产品产业化。

融资方面，公司在2025年先后引入红杉中国种子基金、创东方、南山战新投等机构，并获得深圳市政府千万级专项支持；2026年又完成由高特佳投资领投的近亿元A轮融资。公司表示，资金主要用于其所称“物理AI”底层架构的研发、BioFord Agent迭代及市场拓展。

为什么值得关注

津渡生科代表了AI4S中的全栈基础设施路线。与只解决单项预测任务的生命科学AI公司不同，它同时布局底层模型、科研工具、智能体和实验设备连接，希望让AI从数据分析软件变成组织科研流程的系统。如果BioFord Agent能够在具体场景中证明设备调度和实验闭环的稳定性，生命科学研究可能从分别操作大量模型与仪器，转向通过统一系统调用数据、计算和实验资源。

官网地址：https://www.oxtium.com/zh

1

临界航天

一句话定位：临界航天是一家以燃烧反应流仿真和科研智能体为基础，尝试打通火箭发动机AI设计、多物理场计算、增材制造与地面试验的航天科技公司。

产品概述

液体火箭发动机是一个高度耦合的复杂工程系统。燃烧、流体、传热、结构和材料相互影响，设计人员需要在推力、比冲、重量、稳定性和可靠性之间反复权衡。大量方案必须经过仿真和试验才能排除，而发动机热试车成本高、周期长，每一次失败都可能带来显著损失。

传统计算流体力学已经是发动机研发的重要工具，但高精度燃烧模拟需要求解复杂的化学反应和流体方程，计算成本较高。仿真流程还包含网格处理、参数设置、运行诊断和结果分析等大量人工环节，设计、制造和试验之间也往往彼此割裂。

临界航天的技术基础之一是DeepFlame。该项目于2022年2月底启动，同年6月在DeepModeling社区发布首个开源版本，将OpenFOAM、Cantera与PyTorch结合，用机器学习和异构计算加速燃烧反应流模拟。2026年3月的中关村论坛上，临界航天联合北京科学智能研究院（AISI）发布“Prime一行”火箭发动机研发智能体平台，打通AI设计、多物理场仿真、金属增材制造以及冷热试车。据公司披露，该平台已完成首次从AI辅助设计、仿真评价到冷态／热态试验的闭环验证。

2026年7月，临界航天与广东江门新会区签署战略合作框架协议，项目规划分三期建设专业化火箭试车基地，建成后将形成十吨级、百吨级及多机并联的静态点火试验能力。据大会项目资料，公司还在推进一款2.5吨推力液体火箭发动机的3D打印试制。

团队背景

临界航天成立于2026年初，由北京大学助理教授、研究员、博士生导师陈帜与其指导的首位博士毕业生毛润泽共同创立。

陈帜1991年生，获剑桥大学工程学博士学位，随后在剑桥大学从事博士后研究，并担任罗宾逊学院高级研究员、独立PI，此后全职回国加入北京大学。他长期从事燃烧反应流、科学计算和AI4S研究，也是DeepFlame项目的发起者。公司的特点是从已有的学术开源项目向航天工程延伸，而不是在成立火箭公司后再补充AI能力。

2026年7月，临界航天完成2亿元天使轮融资，由绿洲资本、源码律动、尚势资本、清流资本和东方富海联合投资，高鹄资本担任独家财务顾问。资金将用于多款不同推力发动机的定型与地面及热态试车、“Prime一行”平台升级，以及产业链配套与规模化试验生产体系建设。

为什么值得关注

临界航天代表了AI4S向复杂工程系统延伸的路线。DeepFlame的开源代码、论文和持续迭代，为公司提供了可以检查的科学计算基础；“Prime一行”则试图把这种能力扩展到发动机全流程研发。不过火箭发动机最终必须接受热试车和重复可靠性验证，因此公司接下来最重要的节点，是发动机能否达到设计目标，以及AI究竟减少了多少仿真、设计和物理试验迭代。

1

摩湃分子

一句话定位：摩湃分子是一家面向药企和科研团队开发AI科研智能体的早期公司，希望把分子模拟、机器学习模型、专家经验和企业内部数据组织进同一套研发系统，辅助科学家完成从提出假设、分子设计到实验反馈和迭代优化的全过程。

产品概述

药物研发不是一个单点预测任务。一个候选分子从靶点发现走向临床前研究，需要经历文献分析、机制判断、分子设计、性质预测、实验验证和多轮优化。现有AI工具已经能够完成其中一些任务，但不同模型、计算软件和实验数据往往彼此分散，仍然需要专业人员手动衔接。

摩湃分子的判断是，AI制药的下一步不只需要性能更好的模型，还需要能够理解完整研发项目、调用不同工具并记住历史决策的科研智能体。公司希望把科学家的经验、药企内部数据和实验反馈沉淀为可复用的研发能力，使AI不只给出一次预测结果，还能根据实验结果调整下一轮设计。

公司最初公布的产品体系由三部分组成：Molplus-CCA负责调用分子模拟和自由能计算等专业工具；Molplus-Model提供覆盖小分子、抗体、多肽、酶和mRNA等药物形态的算法模块；Molplus-Sci则用于连接文献研究、实验设计和研发决策。后推出科研智能体平台Mova，面向生命科学团队组织科研项目，将治疗假设、科研背景资料、计算任务和分析结果放在同一环境中，并支持结构引导的任务规划、小分子与蛋白设计相关的高性能计算，以及分子文件、计算报告和运行日志的预览。

据项目方介绍，公司过往案例包括STAT6从头设计至命中用时3天、纳米抗体亲和力成熟用时6小时——这里的意义是，传统药物发现中的先导分子筛选通常需要数月，抗体亲和力优化也往往以周计；如果上述时间包含了相近程度的实验验证，意味着研发周期可能得到大幅压缩。

团队背景

MolPlus AI于2025年12月正式对外亮相，2026年3月在杭州成立公司。联合创始人兼CEO王俊毅曾创办小分子AI制药平台，并参与JAK1等药物管线研发及药企合作；联合创始人兼CTO赵成成具有计算化学、分子动力学和机器学习背景，曾任职于Silicon Therapeutics和朗睿生物。团队成员来自中科院、北京大学、哈佛大学等机构，研究背景横跨化学工程、生物工程与AI药物设计。

据2026科学智能大会项目手册，公司已获得国内双币VC融资，目前与4家国内药企开展合作，并在推进一家跨国药企的概念验证项目。

为什么值得关注

摩湃分子代表了AI4S中的科研工作流改造机会。当前药物研发已经拥有大量结构预测、分子生成和性质评估工具，真正困难的是让这些工具在企业内部协同工作，并把科学家的判断、历史项目数据和实验结果持续积累下来。如果其科研智能体平台能够根据不同项目调用模型、组织计算和实验，并在反馈中调整研发策略，它可能成为药企内部的研发决策系统，而不只是一个算法工具箱。

官网地址：https://www.molplusai.com/

1

无尽方舟

一句话定位：无尽方舟是一家利用跨物种、跨器官和单细胞数据构建长寿基础模型的AI生物科技公司，希望从动物与人类共有的衰老机制中发现可转化的药物靶点，并建立从模型到实验验证的研发闭环。

产品概述

抗衰老药物开发长期面临一个基础问题：在模式动物身上有效的干预，未必能够迁移到人类。线虫、小鼠、犬和人的寿命、代谢及基因调控机制存在明显差异，同一条通路在不同物种中可能产生完全不同的效果。

无尽方舟希望把跨物种转化问题提前到数据和模型阶段。公司的核心思路是学习不同物种、器官和细胞中的衰老数据，寻找在演化过程中相对保守的基因表达特征及调控节点。相比只分析一个物种，跨物种模型试图先判断哪些衰老机制具有更强的迁移可能，再据此选择干预靶点。

公司将其平台称为Longevity Foundation Model。根据公开资料，系统从跨物种、跨器官的单细胞及多组学数据中学习衰老特征，定位可以干预的基因网络节点，再将模型结果送回实验验证，形成“湿—干—湿”的迭代循环。

公司还披露了一套名为H2P（Human-to-Pet）的跨物种迁移学习模型，通过域自适应神经网络对齐人类和宠物的单细胞转录组数据，筛掉物种间差异过大的基因，保留跨物种保守且与衰老显著相关的靶点。

在实验和商业路径上，无尽方舟从宠物和兽药切入，先在犬、猫身上建立衰老干预药效模型，通过线虫、小鼠和犬等不同层次的实验积累跨物种数据，再探索向人类药物迁移。公司同时将精准健康作为早期商业入口，通过甲基化等检测评估生物年龄、遗传风险和健康状态。

团队背景

无尽方舟成立于2026年。创始人兼CEO赵思邈本科就读于爱丁堡大学人工智能专业，硕士和博士均在牛津大学，长期关注跨物种衰老和长寿药物；联合创始人兼CTO曾京昆为加州大学伯克利分校博士后，师从诺贝尔奖得主Jennifer Doudna，2026年6月以第一作者在《Nature》发表CRISPR治疗策略论文。

2026年，无尽方舟在一个月内连续完成种子轮和种子+轮融资，累计融资接近1亿元。种子轮由Monolith砺思资本领投，九合创投、博裕资本、未来光锥参与；种子+轮由九合创投升级领投，Monolith砺思资本、博裕资本持续加注，星连资本新晋加入。资金主要用于管线研发、AI系统建设和团队扩充。

为什么值得关注

无尽方舟将AI制药中最棘手的跨物种转化问题放在模型中心。如果系统能够利用不同物种的实验结果，提前找到更可能迁移至人类的保守机制和药物靶点，就可能提高后续研发决策的质量。这条路线的关键不在于“长寿”概念本身，而在于能否建立连续、可验证的跨物种数据链。接下来需要观察H2P相对传统方法的增量、候选靶点的实验验证结果，以及宠物和精准健康业务产生的数据能否真正回流药物研发。

官网地址：https://eonark.ai/

1

素源矩阵

一句话定位：素源矩阵是一家面向水泥、化工、冶金等材料工业开发AI决策与控制系统的创业公司，希望通过融合材料机理、工艺经验和实时生产数据，让AI直接参与连续工业过程的配料、质量与能耗优化。

产品概述

材料工业长期存在一个结构性难题：工厂积累了大量生产数据，却很难把这些数据转化为稳定的实时决策。水泥、化工和冶金生产涉及原料成分、设备状态、温度、压力、能耗及质量指标等大量变量，原料和工况还会持续波动。传统自动化系统通常依赖固定规则，老师傅则依靠多年经验判断，一旦原料或设备状态超出既有范围，原有控制策略就容易失效。

此前，普通机器学习可以预测某个质量或能耗指标，但预测结果并不等于生产决策。真正进入产线的系统还需要理解工艺约束、判断数据是否异常、给出可执行的控制建议，并在质量结果滞后出现的情况下持续调整。

素源矩阵从这一环节切入。公司将其系统定位为面向材料工业的原生AI Agent，通过结合材料机理、历史生产数据和现场工艺经验，参与配料、工艺与质量优化。首款产品被称为“小泥智能体”，据称已在头部水泥产线落地，让单条产线每年降本超1200万元、减排二氧化碳1万至2万吨。

如果这套系统能够适应不同工厂、不同设备和不同原料条件，产线数据就可能形成一个持续积累的反馈循环——系统根据工况提出建议，生产结果验证建议是否有效，新结果再被用于调整模型。对材料工业而言，这种闭环有机会把原本依赖个人经验的生产知识转化为可以复制的软件能力。

团队背景

联合创始人那荣钰有布朗大学与罗德岛设计学院双学历，参与过多款亚马逊产品从0到1的落地，长期关注工业决策与人机协同；联合创始人韩家乐毕业于加州大学伯克利分校（本科）与宾夕法尼亚大学（研究生），曾在劳伦斯伯克利国家实验室参与前沿材料研究。两人的组合对应了工业AI的两项关键能力：一端是材料和工艺理解，另一端是将复杂技术转化为现场可以使用的产品。

为什么值得关注

素源矩阵代表了AI4S从研发环节向生产环节延伸的路线。过去谈AI与材料科学，重点通常是寻找新材料或者预测材料性质；素源矩阵关注的则是材料如何在真实生产过程中被稳定、低成本地制造出来。对于水泥、化工和冶金企业而言，生产过程中的小幅优化乘以长期产量，便能带来可观的经济价值。

1

上一股AI4S的热潮始于2020年。AlphaFold2在CASP14中把蛋白质结构预测推进到接近实验方法的精度，AI由此被证明能够处理长期受制于实验成本和搜索空间的科学难题。

眼下AI4S的边界进一步拓展。AI不仅可以帮科研工作者完成更多任务，还让研究者可以快速进入陌生领域，调用过去需要长期训练才能掌握的计算和分析工具，拿到跨越原有学科分工的成果。这也是“科研平权化”的一种体现。

北京协和医院住院医师金山木的经历便是一个例子。他因研究经颅超声而自学矩阵分析，接触到数学上悬而未决二十余年的Crouzeix猜想，并借助AI给出了证明，其中关键结果来自一次约16小时的AI自主运行。

当然，这不意味着科研从此变得轻而易举。这位医生仍需发现问题、理解结果并将其整理为能够接受专业检验的证明，最终判断也仍然依赖数学家的审查。但这样的故事足以说明，AI大大拓展了科研自由的可能性。

回到上边五个项目，它们的探索又向前走了一步。在这些项目中，AI4S从数字世界走入物理世界，大家面对的不只是屏幕里的公式和数据，还有实验室里的分子、试车台上的发动机和工厂里不断变化的生产线。

而由此带来的成果，不再只属于科学家，还会化作药物、材料等种种形式，更快地来到普通人身边。

点个“爱心”，再走 吧