AI for Science中美进展全景复盘：同一起跑线上的暗涌

完整版回放已上线【微解药APP】

欢迎扫码观看

一份报告看懂中美AI4S产业全景

从科学模型到物理AI自主发现

金泳成以企业实践展示了从"AI辅助研究"走向"物理AI驱动的自主发现"的路径。他认为，美国优势在算力、基础算法和平台生态，中国优势则在全球最大的应用场景、最完整的CRO产业链和最强的工程交付能力。

他指出当前科研的结构性痛点：工具越来越多，但科研过程并未变得更连贯。科学数据远非自然语言能描述——一个人的基因组文件可能高达30GB。用户需要的不是把复杂数据粘贴到对话框里，而是让系统理解数据、理解研究意图。他提出一种范式变革：从"人提出假设、开展实验"的线性流程，走向"AI主导计算+自动化实验+专家协同"的闭环模式。

津渡生科已构建完整技术体系：GeneLLM多组学预训练大模型作为认知底座（覆盖DNA/RNA/蛋白/代谢跨模态数据，主力版本230亿测试序列、3.5万亿检验数据）；BioFold Agent多智能体框架（含文献检索、科学建模、实验设计等六大智能体）；以及开发中的BioTide物理世界框架。实验调度智能体已接入多家品牌、多个设备终端，覆盖十余个通用生物实验环节。

金泳成还提出了"Vibe Research"概念——未来研究者可像"氛围编程"一样用自然语言表达目标，智能体组织文献、数据、模型和实验。但科学结论必须回到物理世界验证，Vibe Research必须与Physical AI结合，才能从"生成答案"走向"被发现的事实"。

圆桌讨论分为三轮，分别围绕中美格局分野、应用场景与商业模式、数据监管与跨境协作展开。五位嘉宾从投资、学界、创业等不同视角出发，交锋与共识并存。

一、中美差距的真相：同一起跑线，还是难以逾越的壁垒？

主持人张蕊引用报告中的判断——美国是"基础设施支撑、大药企验证、垂直平台创新"，中国是"产业需求牵引、工程交付验证"——抛出了第一个灵魂拷问：这些先发优势在多大程度上构成了难以逾越的壁垒？

张瑜伽教授从欧洲学术界的视角回应了这个问题。他高度认可中国AI for Science的发展速度——"全世界都有高度认可"，中国创新药在国际市场竞争力明确，在细分赛道上各有优势，差距并不大。但他指出中国有两个有待提高的方面：

第一是产学研合作的直接性。在欧洲，高校课题组与药企有非常直接的合作——药企发布具体的funding call，研究者可以申请并获得强有力支持，这种合作有多年积累；中国在这方面还不够成熟。

第二是AI科技人才的培养体系。AI是全新领域，如何用新工具做AI for Science开发需要新型科技人才。欧美已有专门的学生培养体系，毕业生更容易直接进入顶尖药企做前沿研究，中国在这方面还有讨论空间。

赵思邈从海外经历回到国内创业的切身体验出发，将中美差异归结为两个结构性因素。他认为AI时代最需要的是人才、算力、数据三样东西。中国基础教育能力并不弱（菲尔兹奖获得者就是例证），但很多人才最终去了美国，根本原因在于美国在学术上的"定义权"——顶级期刊和会议的主办方都在美国，文章署名的大牛也在美国，这形成了学术基础研究的领先性，进而产生人才聚集效应。第二个因素是美国金融能力强，有足够资金和优秀科技公司去孵化世界级领导力和科技壁垒。中国的优势则在数据——不是一手公开数据，而是用户使用后的反馈数据，这些能给模型feedback的数据是未来应用场景上的真正优势。赵思邈的核心结论是：未来是人才的竞争，人才是优先事项。

金泳成的观点更为技术化。他认为中美差距已不再单纯是模型参数或跑分——新模型类型出现后，中国能在2到3个月内追到85至88分（美国90分），单模型性能咬得很紧。真正的代差在两处：一是高质量数据供给，美国在高质量开源生态、AI预测对接自动化实验室方面跑得很快（如Emerald Lab、Recursion等完成近70至80亿美元估值融资）；二是物理实验的闭环能力。中国的优势在于产业链完整、上游自动化设备和具身硬件高度发达且成本可控，能够以较低成本较快弥补差距。关键是要把场景数据清洗好、建立高质量数据流水线，形成可复用的数据资产和工程能力。

金泳成还从资源角度补充了一个深层判断：美国资源更充沛，可以容忍一定程度的盲目投入，会持续冒出全新模型品类；中国资源相对有限，所以创业公司更多聚焦工程能力和交付能力，更早在特定场景跑通闭环、产生现金流。这反而是一条更短路径——成本更低、速度更快。"正因为资源有限，所以更要尽早实现流程闭环。"

二、投融资环境：国资主导是过渡还是常态？

在讨论中美差距时，投融资环境的差异自然成为焦点。金泳成提到"中国的资源比较有限"，赵思邈也指出美国金融能力强是核心差异之一。作为本土投资方代表，孙佳林的回应颇有分量。

三、量变还是质变：科学领域的"GPT时刻"还有多远？

一个更本质的问题被提了出来：AI在生命科学领域带来的改变，究竟是量变还是质变？

张瑜伽教授的判断较为审慎。他认为AI目前发展才三四年，仍处于非常迅速的发展阶段。量变是无可置疑的——它极大简化了数据分析处理和实验过程，作为工具方便人们解决问题。但能否实现质变，取决于关键科研问题和要解决的具体目标，需要人才、商业化环境、临床验证等多因素交织。总体判断：量变确定，质变有待观察。

金泳成则更为乐观。以2023年初为基准，他认为AI for Science还没有到达质变阶段，仍在"GPT moment"之前。但根据他的行业判断，科学领域的GPT时刻不会太远，可能在未来1到3年之间。质变的关键在于把软件和硬件打通——科学领域需要物理实体验证，当科学智能（智能体加模型）从虚拟世界释放到物理世界，代替双手、双眼和大脑在真实世界执行验证工作时，就会迎来类似Vibe Coding改变软件工程师行业的快速变革。

他描绘了一个令人期待的画面：

未来三年，我们希望在生物、化学、材料实验室里，不再看到戴着蓝色手套的实验员。我们希望看到更多搭载智慧大脑的双臂具身智能和自动化设备，帮助人类去做新的技术、新的知识。

在追问AI更擅长高效探索已知问题还是发现未知机制时，金泳成给出了冷静的分析。他认为主流判断仍然是：大模型目前是一个巨大的"复读机"，其高效检索和信息整合能力远大于推理能力。在科学领域有三个具体挑战：第一，科学数据（如多组学数据）不会被训到基模里，只能由基模调用特定科学模型再逐步拼接结果；第二，生物学找的往往是相关性而非因果性——靶点发现、信号通路只能看到"A出现时B出现"的关联，因果关系需要更多深入验证；第三，科学领域基本没有失败数据——所有公开信息都是成功的，导致基于不完整逻辑训练的模型推理能力过度乐观。未来大量负反馈闭环是提升模型推理能力的重要数据来源。

四、世界模型：必要路径，还是概念泡沫？

金泳成在报告中提到了"物理世界模型"，这引发了关于世界模型必要性的讨论。赵思邈给出了一个结构清晰的分析框架。

他首先指出，世界模型这个概念目前尚未converge，学界没有统一定义。他将讨论分为宏观和微观两个层面：

宏观世界模型（具身智能用）：学界已达成一致——必须把更多物理法则信息输入模型，让它理解物理世界运转规律。只有图像和文字数据，模型很难对精准场景做出预测。赵思邈坦言，"这也是我们因为失败了，所以得出来的经验。"

微观世界模型（生命科学用）：存在两派争论。拆分组合派（如DeepMind）主张将复杂问题拆解，分别建模再组合；通用大模型派（如Arc Institute，以及国内做虚拟细胞的公司）则主张用一个通用的能理解微观生命的大模型，模拟各物种、器官、细胞亚型的变化过程。

赵思邈透露，无尽方舟当前的业务聚焦在长寿领域建立虚拟细胞模型，发现物种间保守的逆转衰老基因，进行调控和干预。他坦诚目前尚未完成0到1的闭环，但这个事情也快了。

五、应用场景落地：谁在买单，为怎样的能力买单？

报告梳理了九大应用场景，但真正的问题是：什么样的价值兑现，才会让药企和资本真正买单？

赵思邈从客户B端视角给出了更简洁的判断：要么差异化（模型水平比别人更牛），要么价格更低。他再次强调核心是人才竞争，DeepSeek等公司已经对人才保护采取了很多方法和限制。

在被问及为何选择长寿赛道时，赵思邈的回答出乎意料地感性：

想健康、想长寿，是每个人心底的需求，对我个人而言尤其强烈。我非常希望能够让家里人、让我的朋友也让我自己，能够活到可以选择死亡的时候。我的名字来源于中国药王孙思邈，从小就有健康长寿的初心。从数学建模到统计学时代再到人工智能，方法换了无数次，但人类要解决的核心问题始终是生存和繁衍。

六、数据监管与跨境协作：红线、陷阱与机遇

最后一个话题绕不开敏感问题：在中美两套不同的体系下，数据监管和跨境协作如何影响中国企业的机会与陷阱？

金泳成分享了一线实战经验。津渡生科目前大头收入来自海外，是高度面向全球的公司。他们的核心原则非常清晰：数据完全不跨境。海外业务数据服务器在海外，中国内地数据和服务器在中国内地，确保两套体系完全独立。用于训练模型的数据同样需要严格切割，确保海外模型不涉及任何中国人数据。

金泳成划了一条明确的红线：与人相关的临床敏感数据绝对不能出境。非人的、分子层面的数据目前相对宽松，但工程面仍需谨慎处理。在市场层面，他对美国市场环境持乐观态度——美国对非美企业卖AI应用和产品非常欢迎（苹果App排行榜头部AI应用背后很多是中国团队），未受任何限制。但AI for Science涉及生物敏感数据会更复杂，他建议出海公司在数据合规和规则合规层面"非常小心"。

赵思邈面对"数据可用性还是数据可及性"的极限二选一，毫不犹豫地选择了数据可用性。他解释说，机器学习领域数据噪声影响极大，生物领域更甚——测序深度或数据质量提升10倍，所需数据量可能减少100倍以上。带noise的数据不仅无益，反而影响模型效果。

他进一步区分了两个概念的可解性：可及性是监管或流程问题，可以通过人力解决；可用性得通过治理解决，是从源头上就存在的问题。"可及性其实不算一个问题，可用性才是真正比较稀缺的。"

张瑜伽教授从欧洲视角补充了国际框架的现实：欧洲在数据管理方面非常严格，且只会越来越严格。当前国际合作主要基于共享的公开数据库和open source资源，需要建立双方共同认可的共享框架——这本身很有挑战性，需要研究者、企业和法律层面的协作。但他也给出了一个积极的判断：挑战越大，机遇也越大。监管落后于AI发展速度是常态，企业和研究机构需要提前布局、防范风险。

02

结语：从应用红利走向能力壁垒

主持人张蕊用四个关键词总结了全场讨论：范式转变（从经验驱动走向工程化）、闭环能力（高质量反馈数据和智能闭环决定长期价值）、场景兑现（"在哪些场景能持续产生可量化价值"才是竞争核心）、中美分野（美国底层领先，中国工程化与产业链优势显著）。

未来1到3年是中国AI for Science企业的关键窗口期，核心命题是三个转变：从应用红利走向能力壁垒，从项目收入走向平台价值，从中国场景走向全球验证。

完整版回放已上线，更多精彩欢迎观看～