科理新序获近5000万首轮融资：英诺科创基金领投，押注AI4S基模×物理AI

近日，科理新序（Scinetics）宣布完成首轮近5000万元人民币融资，由英诺科创基金领投，沂景资本、小苗朗程、麟阁创投跟投，光源资本担任战略孵化方及独家财务顾问。本轮资金将主要用于AI4S科学基座模型的迭代、自动化实验平台的规模化部署，以及核心团队的扩充。
科理新序是一家面向科学发现的AI4S公司，致力于构建能够跨模态理解DNA、RNA、蛋白质结构、组学矩阵和实验数据的科学基座模型，打通“认知—设计—实验—反馈—再学习”的干湿闭环。公司创始人、CEO兼CTO张载熙于今年7月加入香港科技大学担任助理教授，获化学与生物工程系、计算机科学与工程系、医学院三系同聘。

从单点模型到基座模型：AI4S的路径演进

张载熙的AI4S之路开始得很早。2019年，本科理论与应用力学毕业的他选择AI for Science作为博士方向。沿着“找到一个科学问题，设计一套算法，训练一个模型，解决任务”的清晰路径，他做了一系列代表性工作：分子筛选模型MGSSL、药物分子生成模型FLAG、蛋白质口袋设计模型PocketGen、RNA药物设计模型RNAGenesis。相关工作在多个垂直细分方向上都取得了领先表现。
但做完这些之后，一个问题越来越清晰：单点能力再强，也不等于科学发现能力。一次完整的蛋白药物设计，往往要协调二十多个工具、反复迭代。AlphaFold也只解决了其中一步。“单块板加高，桶里的水不会变多。”
于是团队进入第二个阶段——科学智能体。团队开发了STELLA（Self-Evolving LLM Agent for Biomedical Research）、BioClaw等科学智能体，把分散的模型、数据库和实验工具串联起来，覆盖更完整的科研流程。BioClaw社群已聚集1200多人，收到500多份共创者申请，并与美国生物科技上市公司Ginkgo Bioworks建立了合作。STELLA系统已服务超过1000位科研用户，其中国内用户覆盖国家重点实验室及高校研究机构，国际用户中70%来自斯坦福、普林斯顿、哈佛、MIT等顶尖学府。
但智能体仍然没有解决最根本的问题。今天的大多数科学智能体，仍然主要依赖语言模型调度外部工具。它可以调用蛋白质结构模型，却未必真正理解三维空间；可以读取组学分析结果，却难以直接推理庞大的稀疏矩阵。不同模态的数据在文本、代码和工具之间反复转换，信息不断损失。
“专用模型解决一个点，智能体连接很多点，但中间还缺少一个真正理解科学世界的模型。”

Scientific Token：让模型在科学空间里思考

这是科理新序正在做的事——从language token走向scientific token。
序列、结构、图像、组学矩阵、实验读数，科学数据原本使用不同的“语言”彼此割裂。科理新序的科学基座模型，要把这些多模态科学数据转换成模型能够统一理解和处理的基本单元，让模型直接在科学空间里做推理，而不是反复在不同格式之间转换、传递信息。
团队用四句话概括这个目标：从language token走向scientific token，从工具使用走向科学发现，从离线预测走向实验验证，从静态模型走向自我进化。
公司正在构建的AI4S基座模型，第一个版本将聚焦生命科学的中心法则：DNA到RNA到蛋白质，再到功能和表型。
张载熙给这件事定了个具体的标尺。抗体设计是行业里的标杆难题，现在行业最好的水平，十条设计序列往往只有一两条能成。“我希望基模在这个任务上能做到80%-90%，就像AlphaFold那样的变革，从过去大概率失败，到现在大概率成功。”

一个案例：AI 如何拓展科学发现的假设边界

一个最近的案例，说明了这套思路的价值。
一家免疫方向的全国重点实验室，深耕急性髓系白血病研究近二十年。这种血液肿瘤复发率高达70%-80%，可用的靶点极其有限，他们想找新的突破口。
团队用STELLA帮他们找靶点。私有化部署后十分钟，STELLA交回一份候选列表。排在首位的靶点此前缺乏直接文献报道和相关实验验证。实验室随后在多个细胞系中完成了验证，获得了初步的正向结果。
如果由研究人员手动完成同等规模的文献检索、数据库比对和候选靶点初筛，通常需要数天到数周。更值得注意的是，STELLA给出的最高优先级候选，不在那个深耕该疾病近二十年的团队此前重点探索的方向中。
AI开始帮助科学家拓展假设的边界了。

最难的一环在实验台上

模型和数据准备得再好，科研闭环最终还有一半要发生在实验台上。
“不是没有设备。问题在于现有自动化设备主要面向高通量、高度固定的流程，一旦改实验方案，重新配置的成本就很高。而探索性的、定制化的实验，恰恰是科研里最有价值的部分。”
科理新序正在搭建一个包含200多种实验仪器的沙盒环境，训练了Agentic-VLA（视觉-语言-行动）系列模型，让智能体直接控制机械臂，能对复杂实验流程进行任务拆解、实时监控实验执行，并在实验失败时自主纠错与恢复。这套系统已在英伟达GTC大会和CES等活动上展示。
同时，团队在解决另一个被长期忽略的问题：失败数据和中间数据的回收。论文发表出来的是最终结果，但合成产率、反应速度、中间图像，这些数据往往没有被系统整理并转化为模型可利用的反馈。团队在和一家国内合成生物学公司的合作中，部署了专门采集中间数据的设备，用来提前判断优化的方向。

顶配团队与长期主义

张载熙的履历在AI4S领域堪称稀缺。1998年出生，中科大少年班学院理论与应用力学本科，中科大计算机科学博士（师从刘淇教授），哈佛医学院联培（师从Marinka Zitnik教授），普林斯顿大学AI实验室博士后（师从王梦迪教授）。腾讯量子实验室、微软亚洲研究院、百图生科均有研究经历。
博士毕业后，他手握十多所海内外顶尖高校的教职offer，包括宾夕法尼亚大学、密歇根大学、清华大学、香港科技大学等。其中一所美国Top20高校开出了约300万美元的startup package，是该校向新任助理教授开出的最高之一。同时，他也收到国内大厂和前沿实验室的千万年薪邀请。他最终选择了香港科技大学——既因为港科大给予年轻PI更大的学术空间，也因为这里有着从高校科研走向产业的传统。
核心团队成员同样来自普林斯顿、剑桥、中科大等高校，以及Google DeepMind、微软、腾讯、华为等科技公司。未来，科理新序的目标是构建一个能够理解科学、主动假设、自主实验、持续进化的AI Scientist系统。在张载熙看来，AI for Science不是AI单向改造科学，而是一个双向循环——先用AI加速科学发现，再让新的实验和发现反过来训练更强的AI，两者在同一个闭环中共同演进。公司从生命科学出发，未来将逐步拓展至材料科学、量子物理、航空航天和芯片设计等更广泛的科学领域。