文｜胡香赟
编辑｜海若镜
今年 5 月，28 岁的张载熙结束普林斯顿的博后研究，回到国内。在他面前，有几扇门同时打开：美国高校教职、AI 大厂首席科学家和千万年薪。最终，他选择进入香港科技大学担任助理教授，并挺进了创业窄门，创立 AI for Science 公司科理新序（Scinetics）。
暗涌 Waves 独家获悉，科理新序近日完成近 5000 万元人民币融资。本轮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。
这或许是他既往人生中，为数不多的岔路口。从中科大少年班、直博，到哈佛医学院联合培养，随后进入普林斯顿王梦迪团队做博后。研究 AI4S 的青年 PI，是当下创投市场最喜欢的创业者画像之一。
但创业的决策过程，他也曾纠结。
进入大厂，意味着更充足的算力、数据和人才配置；成为高校 PI 并创业，要比较独立地找人、找钱、找资源，技术和商业都有不确定性。
最终让张载熙下定决心做出选择的是 " 工作自主性 "，他想主导自己的研究方向，而不是被更大的公司组织约束。他更享受从零搭建一套体系的过程。
创业前，张载熙和团队曾经做出过科学智能体 Stella。去年，Stella 上线后，服务了上千名科研用户，其中七成以上来自斯坦福、普林斯顿等高校和顶级实验室。相比自训基座模型，智能体落地更快、更容易接入现有研发流程，实现商业化。
不过，这条轻巧的路线，目前仍有局限。以大语言模型作为推理引擎，科学智能体在遇到蛋白质结构、核酸序列等数据时，会先将问题翻译为 " 自然语言 "，再把文字指令交给模型执行。精细的三维结构和模态关系，在几次翻译转换中会出现 " 损耗 "，智能体几十次交互也无法绕开误差。
博士期间，张载熙曾开发分子筛选模型 MGSSL、药物分子生成模型 FLAG 等，在多个细分领域达到 SOTA。但他判断，单点能力仍是不够，未来 AI4S 行业会集体走向多模态。所以，科理新序的核心是做多模态长程推理基座模型。
他提出了 "Science Token" 概念，希望把小分子、核酸、蛋白质结构等科学数据，转化成模型统一的表征单元，不再经过人类语言的转译，让模型在原生科学模态中推理，完成科学任务。
短期，他们将聚焦商业化路径最清晰的生命科学，未来逐步拓展至材料、工程等科学领域。
谈起未来，张载熙认为AI4S 一定会出现 GPT 时刻、Coding 时刻，且这是一个可能超越 Coding 的市场；他也相信自己所带领的小小团队，有实力开发出 " 大一统 " 的科学底座模型，成为 AI4S 领域里对标 DeepSeek、Anthropic 的基座模型公司。
技术革命初期，路线没有收敛，创业者才有 " 以小博大 " 的机会。近日，我们和张载熙聊了聊，此时投入 AI4S 创业，他究竟想赌一个怎样的未来？
对话（经编辑）：
AI4S，媲美 Coding 的万亿市场
暗涌 Waves：2019 年，你 21 岁，选择了 AI for Science 作为博士研究方向，现在回头看很有先见之明。这个赛道从冷变热，你的体感是怎样的？
张载熙：确实比较幸运，职业生涯转型刚好踩中了行业风口。
我读博阶段，这是一个非共识赛道，行业认知是 "Science+AI"，AI 是提升业务效率的附加算法工具，项目必须深度绑定具体药物管线，比如聚焦多肽药物，或只做蛋白质垂直模型。
现在 AI4S 朝着通用方向演进，市场普遍认为这个方向会迎来属于自己的 "Coding 时刻 "。写代码赋予了人类在数字世界创造事物的能力；AI4S 则是在变革人类底层科学探索、发现新知识的能力 , 市场价值可以比肩甚至超越 Coding。
从 Alpha Fold 从 1 到 4 的迭代，可以清晰看到 AI 能力正迅速变强。需要被研究的科学问题没有巨变，但新算法让过去难以建模、难以预测的任务，具备了解决条件，更多科学模态的纳入，让模型能力更强。
暗涌 Waves：Science 其实是覆盖非常广的方向，现在创业投资的主流技术路线有哪些，技术路径上有收敛的趋势么？
张载熙：客观说，现阶段的 AI4S 赛道噪声不小，AI4S 从业者主要基于自己既往背景做布局，还没有在技术路线上形成共识，难以判定孰优孰劣。
首先是科学智能体，主要靠调用外部工具完成科学任务。优势是落地快、能迅速嵌入现有研发流程，商业验证周期短，因此诞生了不少初创公司。
大厂也都在做，如 Anthropic 的 Claude Science、OpenAI 的 GPT-Rosalind。不过，他们的主战场还是 Coding 等更 general 的方向，科学方向属于占位式布局、浅浅试探。
第二是虚拟细胞。受 Arc Institute 相关工作和论文影响，虚拟细胞从去年起热度暴涨。理论上，它在电脑里模拟细胞受药物、基因编辑后的变化，能提前批量筛掉无效候选，压缩研发时间和成本。行业期待很高，发展速度也比较快。
第三就是我们选择的 AI4S 基座模型方向。这是一种 " 自下而上 " 的路线，聚焦底层分子相互作用，从分子机制推导疾病、基因调控网络等上层现象。
暗涌 Waves：去年你们上线了科学智能体 Stella，据说反馈也不错，为什么没有选择这条更轻巧的路线？
张载熙：Stella 去年上线后，服务了上千名科研用户，七成以上来自斯坦福、普林斯顿等名校和顶级实验室，MIT 的张峰教授也使用过。
但我们发现，科学智能体范式有个根本性问题：
它本质上是把科学问题翻译成自然语言让模型理解，再翻译回结构指令让工具执行。很多精细的三维结构信息、多模态之间的微妙关联，会在翻译过程中丢失。
这是范式本身的天花板。你当然可以在智能体框架上不断加工具、加流程，但只要底层推理还基于文本完成，这个瓶颈就一直在。
暗涌 Waves：可以举一个智能体做不出来的例子么？
张载熙：比如蛋白质局部结构优化。要把某个侧链朝特定角度旋转 5 度，形成氢键或者其他分子相互作用，这高度依赖 3D 空间的精细推理设计。
如果用智能体做，就是让大语言模型输出文本指令，再调用 RF diffusion 这类结构扩散模型去执行。但结构模型本身没办法很好理解文本信息，工具输出结果又要转成字符串、截图，再反馈回大语言模型，智能体读得云里雾里，好像对，又好像不太对，只能继续迭代。
就这个步骤，我们尝试了很多智能体，反复交互过几十遍，浪费了大量 Token，结果是跑了一堆用不了的东西。根源就是，没有原生的科学模态推理能力。
小天才的大梦想：多模态科学底座模型
暗涌 Waves：所以你认为必须开发 AI4S 基座模型？有了基座模型，可以解决 " 跨模态翻译 " 问题？
张载熙：既然翻译会产生损耗，就不翻译了，让模型直接在原生科学模态空间内，做针对多模态科学数据的长程推理（Chain of Science Tokens）。这一基座模型，也是我们公司的核心产品。
我们针对组学、蛋白质结构、分子化学式、核酸序列等各类科学模态，开发了离散 Token 化方案，把各类科学信息转化为统一的 Science Token 输入模型，不再依赖人类自然语言做抽象中转，更贴近科学本质。
模型训练分预训练、mid-training、后训练三个阶段：其中，预训练建立多模态生命科学表征，mid-training 学习从序列到结构、功能和细胞表型的跨层规律，后训练重点增强长程推理能力。
暗涌 Waves：这种长程推理，跟既往垂直小模型解决单点任务，有什么不同？
张载熙：比如做酶设计，不再一步出结果，而是像人类科学家一样分步推理：先搭建酶的活性中心，它决定催化功能的核心区域；再搭建蛋白质支架，把活性中心撑起来；最后补充侧链、微调细节。
这套长链条推理能力，是传统垂直模型、工具调用智能体不具备的。
暗涌 Waves：把各类科学信息转换成 " 大一统 " 的 Science Token，听起来更性感，但小分子、核酸、蛋白质等数据结构差异很大，为什么你们团队可以做？
张载熙：Science Token 首先要解决的，是让模型读懂不同科学模态。
过去，围绕小分子、核酸、蛋白质、复合物和跨模态文本，我们分别做过相应的基座模型。从数据收集、模型搭建到训练，完整地走过。因此，团队知道每类科学数据应该怎样编码，不同模态之间又该如何对齐。
同时，做 Stella、BioClaw 等智能体时，我们积累了大量长链条推理数据，也摸索了通过后训练增强推理能力的方法。
另外，干湿闭环也很重要。Stella 除了计算和算法模块，也接入了自动化湿实验。我们在靶点发现、抗体优化、小核酸设计等任务中，跑通过干湿闭环案例。因此，也清楚 AI 应如何对接真实科研任务、连接自动化实验设备。
模型进化，需要主动获得大量高质量数据。干湿实验闭环，可以支撑我们持续获取训练数据、持续迭代。
暗涌 Waves：从目前的探索结果来看，这个基座模型的能力如何？
张载熙：在蛋白质结构预测、蛋白功能注释、RNA 二级结构预测、DNA 突变预测等单项任务上，已取得不错效果。
我们对这个结果不是很惊讶，毕竟科学系统本身就是复杂多模态体系，如果能把多模态信息全部纳入模型，从全局视角做设计搜索，自然更容易得到更优解。
目前，我们在探索下一代模型训练方式，比如尝试 AI for AI，Recursive 的训练范式，挖掘科学内在规律、拓展更多模态，或提升模型参数量，以此强化长程科学推理能力。我们期待沿着这个方向，能实现 AI4S 基座模型的 ChatGPT 时刻。
以 Science Token 为商业模式
暗涌 Waves：从定价和商业化上看，Science Token 会带来新的商业模式吗？
张载熙：是的。不过，Science Token 和文本 Token 的定价逻辑不一样，后者定价主要参考算力和电费成本，但 Science Token 除了考虑这些基础成本之外，还要衡量它背后的科学价值。有些领域，比如小核酸，数据非常稀缺，对应的 Token 价值自然更高，定价要体现实际的业务价值。
我们希望成为 AI4S 领域对标 DeepSeek、Anthropic 的基座模型公司，探索以 Science Token 作为计费单元的商业模式。
暗涌 Waves：用 Science Token 计费，理想的买方是谁、具体用在什么场景？
张载熙：比如药企。当模型能力足够强之后，我们不需要花大力气做 BD，绑定单条管线做交付。抗体管线、多肽管线、小核酸管线，各类任务都可以承接。
这时候计价单元就可以基于 " 消耗了多少 Science Token 解决这个药物设计问题 "。就像 Coding，不会按代码行数或模块来定价，客户信任模型能力，直接调用服务，消耗多少 Token 就付多少费用。这能省去大量 BD 个案的谈判工作。
暗涌 Waves：如果这个模式能实现，它也会成为 AI4S 基座模型企业通行的商业化路径吗？
张载熙：Science Token 还是我们提出的独有概念；至于衡量长链条科学推理数据质量的标准，及其计费标准，在全行业都没有成熟方案。我们和一些 AI 大厂交流时，他们也没太想清楚这件事。所以它还是一个非常早期的商业想法，需要行业共同推动形成共识。
暗涌 Waves：从一级市场视角，我们能看到不少投资机构和资金在涌入，但这个方向目前的融资声量跟大模型、具身相比，还差得很远。你觉得大家的分歧在哪里？
张载熙：市场上存在两种极端心态，都可能造成投资决策犹豫。
一部分投资人认可 AI4S 万亿市场，相信 AI 科学平权，希望每个人都能释放想象力参与科学探索，他们的怀疑点在于：现阶段的技术能力，能不能把这件事做成。另一部分人则把 AI4S 市场看得比较小，觉得客户只有高校师生和 PI，付费能力弱。
既往，市场对垂直模型具备清晰认知，但投资人对 " 大一统 " 的科学基座模型评判标准更严苛。因为他们觉得 Harness 加垂直领域小模型，足够解决科研需求。从用户端，很多科研人员虽向往更智能化的基座模型，但受惯性影响，习惯了调用工具化专项模型，这也是个矛盾点。
暗涌 Waves：怎样的投资机构更愿意押注于 AI4S 基座模型？
张载熙：一些投科技的市场化基金，及部分曾深耕过制药领域的投资人。他们理解现有研发体系里的 " 历史技术债 "，就像 " 屎山代码 " 一样：药企内部集成上百个小模型，每个环节信息传递都有损耗，维护成本极高。
因此，他们从系统工程的逻辑判断，AI 会是变革这些的最强力量。这类投资人更愿意押注基座模型路线。
投资人的共识性要求是：必须快速迭代模型，抢占领头羊位置。团队配置上，我们已经把过去学术界和部分工业界大厂做 AI4S 基模研发的核心人才聚过来了，技术积累比较扎实。我们本来希望在今、明两年能达成一些商业化订单，但投资人觉得，短期内不需要过度在意这点，优先把模型能力做出来更重要。
