AI4S最冷门时入局，他想建科学原生基座模型

过去两年，AI for Science 正经历明显转向。自 AlphaFold 获诺贝尔奖、AlphaFold 3 和 ESM3 等模型问世后，AI 在生命科学中的角色已不再局限于预测蛋白结构或生成序列，而是开始直接接管“提出科学假设”这一核心环节。

2025 年，斯坦福大学加里·佩尔茨团队做过一次对比测试：请谷歌科研智能体 AI co-scientist 为肝纤维化筛选“老药新用”候选药物。AI 推荐三种，佩尔茨凭经验另选两种。五种药物在实验室培养的肝脏类器官中一同测试，结果 AI 推荐的两种表现出显著抗纤维化活性，佩尔茨选的两种均未见效。

当 AI 能在几分钟内给出超越人类直觉的假设，科研瓶颈便迅速转移到物理世界。计算机推演可无限加速，但现实验证仍受制于细胞培养和动物实验的客观周期，跑完一轮少则数周，多则数月。

张载熙谈到的一项合作正卡在这里。一家研究急性髓系白血病十余年的国家重点实验室，早年曾尝试寻找新靶点，后因验证成本过高放弃：人工整理出一个候选靶点后，还要走完细胞培养、基因编辑和敲除实验等流程，验证单个靶点往往需一个月以上，探索十个靶点通常耗费一名学生一年多时间。

部署张载熙参与开发的科研智能体 STELLA 后，该实验室在极短时间内拿到 40 个此前未见文献的候选靶点。实验团队起初将信将疑，加上每次验证耗时近两个月，只挑了排名第一的靶点，在四个细胞系中做基因敲除。结果实验效果明显且高度一致，目前团队已围绕该靶点开展抗体药物设计。剩下 39 个候选靶点大多还躺在名单上。张载熙认为，从分析链路看它们同样各有依据，只是实验速度跟不上。

这也是对话中反复谈到的核心矛盾：AI 提出候选的速度已远超实验验证速度；同时，计算结果与真实实验结果之间仍横亘着相当大的鸿沟。

谈及技术落地，张载熙给出的数字相当克制。团队此前做的核酸设计模型已是领域内最好水平，但设计出的一百条序列中，真正能在湿实验里产生预期活性的只有一成左右；另一项代表作 PocketGen 将实验端抗体设计成功率从 10% 左右提高到 20%，但继续往上走已不是靠改进单一工具模型能解决的。

如何跨过计算与实验之间的鸿沟，正成为全球 AI4S 领域争夺的下一个焦点。在美国，资本开始大举流向实验一端，Lila Sciences、Periodic Labs 等初创公司各拿下数亿美元融资，试图建设由 AI 调度的自动化实验室，用机器通量追赶算法通量。

张载熙生于 1998 年，本科就读于中国科学技术大学少年班学院理论与应用力学专业。2019 年开始读博时选择 AI for Science，当时该方向相当冷门，标志性的 AlphaFold2 要到第二年年底才问世。此后数年，他先后做出蛋白质口袋、核酸等领域的设计模型，随后赴普林斯顿大学王梦迪课题组从事博士后研究，并与斯坦福大学团队合作开发 STELLA、LabOS 等科研智能体。今年 7 月，他加入香港科技大学，由化学与生物工程系、计算机科学与工程系和医学院联合聘任为助理教授，同时创立科理新序（Scinetics），9 月完成首轮近 5,000 万元融资。

科理新序试图从“模型”和“实验”两端同时入手，缩小计算与现实之间的差距。模型端，针对单点模型“只见树木不见森林”的局限，公司正在训练多模态科学基座模型，通过自定义 scientific token 将蛋白质结构、组学矩阵、基因序列、分子动力学等科学模态统一起来，让模型直接在科学空间中推理。团队在近期技术报告中为下一阶段设定“SSI（科学超级智能）”标准：模型不仅要在垂直任务上超过所有最好的专用模型，还要在跨模态科学推理上超过同等体量下最好的通用模型。实验端，团队选择先在虚拟仿真沙盒中训练驱动机械臂的模型，计划明年建设自己的自动化实验室，跑通“干湿闭环”。他和联合创始人早在 2025 年身处美国时已开始筹划创业，最终决定回国落地，理由与实验验证直接相关：在美国完成同样的实验验证，整体效率“比国内要慢好多倍”。

10 月 29 日，张载熙在 2026 腾讯全球数字生态大会智慧教育专场做主题分享《以科学 token 为载体，走向科学超级智能》。腾讯云联合各科研实验室共建大衍 AI4S 社区，科研人员可在社区发布真实科学问题、寻找合作者，社区通过 Demo Day、大衍 Talk、联合案例发布等活动展示科研成果，并提供科研 Skills 和工具索引，以及腾讯云 TI-ONE 平台、TEFS 科学计算平台和算力等。