李翔
大家好，我是峰瑞资本的合伙人李翔。这次我们聊的是“产业观察”。最近这个行业里，在我们这个方向上，或者在一级市场里，最热的方向之一就是 AI for Science，也就是在中国倡导的“人工智能+”。
从 7 月底的中央政治局经济工作会议中，大家也能看到，推动基础研究的发展被专门提到，并在新闻通稿中进行了突出。这两件事叠加起来，就变成了如何把 AI 用在包括生命科学在内的各种研究上，提高效率、转化能力，以及预测和筛选的效率。
所以今天，我们就 AI for Science 这个话题，请到了一位我们的被投企业 CEO 夏宁。他做的事情，正好就在 AI for Science，或者说 AI for 化学合成及相关合成的领域中，已经探索了几年，也取得了不错的商业、工业和研究成果。
我们先请夏总做个简单的自我介绍。
夏宁
大家好，我是智化科技的创始人夏宁。简单来说，我一直学化学，读到了有机化学博士。后来在法国博士毕业之后，我选择了一个交叉领域。
我从小就很喜欢编程，后来又在化学竞赛中获得了全国性的奖项，所以当时就想，能不能找一个工作，让计算机来解决化学问题。我认为这件事一定能实现，因为科学研究很多时候是靠人的双手去做，通量有限；而计算机从一开始就是可以复制的。
从 2008 年开始创业，到现在已经接近 18 年了。在这个领域里，我也看过各种不同的公司和商业模式，但我们一直坚持在 AI 和化学结合的领域探索。现在也自认为取得了一点点成绩。
1. 跨越化学与计算机
李翔
其实很有意思。我们一直有关注这个方向。从 2015 年基金成立开始，交叉学科就是我们比较关注的领域，其中计算机和生物制药、化学的结合，也是我们关注比较多的方向。当然，之前这个领域已经出现过一些上市公司，比如我们投过的晶泰、剂泰等。
这个行业从过去 10 年，或者说 10 多年的发展来看，我们有一条自己的经验积累：这个行业比较难找的，是一个正好“脚踩两只船”的人。他的能力要横跨两个行业，而且这两个学科方向本身是不交叉的，比如计算机和化学。
当然，脚踩两只船之后，最后哪一只船更重要，我们放在第二个话题讨论。我们先来看脚踩两只船的第一步：怎么能够兼具两个行业的能力？
从夏博士的成长经历来看，怎么能够在那么小的时候，把化学和计算机这两门小时候看起来不太相关的学科连在一起？这个能力是怎么建设出来的？
夏宁
其实当时就是自己的兴趣。编程是一门逻辑思维非常强的学科，化学需要很多记忆，也包含了对大自然的好奇。我觉得自己正好具备了这两种好奇心。
后来也是机缘巧合，当时两个竞赛都获得了奖。到了选择专业的时候，我很犹豫，到底选计算机还是化学。后来招生老师跟我说了一句话：“计算机是一门技术，化学是一个专业。你要先学一个专业，这个技术你已经具备了。”
当时我就觉得，还是选择化学。后来证明这个选择也是正确的。所有选计算机的人，最后如果想再交叉到化学，难度其实非常大。
李翔
那你在学化学的时候，计算机方面原来积累的这些素质、能力和潜力，怎么能够保持不掉下去？或者说，怎么能够在上学期间持续积累？
夏宁
那时候出于兴趣，我每天都在写代码。白天做实验，晚上写代码。
李翔
你这是什么变态的兴趣？那你那个时候写的程序主要跟什么相关？
夏宁
说实话，也跟人工智能相关。那时候我就开始研究一个问题：人的大脑的思维方式，是不是能够用程序来模拟。
当时我做了很多这方面的探索，但肯定没有太成功。要是成功了，我现在可能就做别的事情了。
李翔
要成功的话，你现在就是第三次成功创业了。
那在当时去国外念博士，或者在国外学习的时候，这两方面的能力怎么才能同时进步？还是说给博士做研究、做实验的同时，晚上也得继续写代码？
夏宁
确实是。不过我做的和我的化学研究还不太一样，纯粹是计算机方面的程序。当时我试图在一些领域做出模拟人工智能的技术，应用可能是在游戏、下棋之类的场景中，模拟人的判断。
所以特别可惜，没有做出一个 AlphaGo。
李翔
从博士毕业时，在选择留在国外还是回国的时候，当时有没有挣扎，或者不同的取舍？
2. 从零搭建数据基础
夏宁
博士毕业的时候，国外的发展还不错，欧洲还没有到现在这个样子，所以当时我还是选择在国外继续创业。
当时我想找一家创业公司，能够用到我的计算机技术，同时解决化学问题。这样的岗位其实非常少。后来有幸找到了一家初创公司，当时它的网页刚刚做出来，公司甚至还没有正式成立，地点是在法国的斯特拉斯堡。
我去那边跟老板聊了一下，觉得非常契合。他们也想用数据解决化学预测的问题。这就是你说的 18 年前创业的开始。
李翔
那第一段在国外的创业经历，持续了多长时间？
夏宁
我们做了 7 年。那时候这个领域完全不热，根本没有什么投资人关注。从 2008 年到 2015 年，没有资本助力，全凭个人的理想和兴趣。
而且我们要从头搭建所有基础设施。当时没有现在这些底层的 AI 技术，数据也没有，所以真的是从零开始：想解决这个问题需要什么，我们就找什么、研发什么技术。
那些年可以说把整个领域探索了一遍，找到了一些方向，但都不是现在这样可以看得非常清晰的方向。
李翔
不过，当时找到的方向，从化学和计算机的结合来看，最后也是落脚在用计算机加数据，解决化学合成中的路径探索问题吗？
夏宁
还不是。那时候第一件事是先找数据，因为我们连数据都没有。
我们做了多种尝试。其中一种是用类似高通量实验的方式产生数据。那时候没有自动化设备，但人工投几百个、上千个实验还是可以做到的。后来发现这个数据量还是不够。
我们还尝试从博士论文中让人把中间数据结构化。后来发现成本太高，效率也太低。之后我们又做了电子实验记录本，希望提供给高校使用。高校老师使用记录本之后，可以把数据共享给我们。
这种模式也在推进，但后来遇到了一些商业困境。老师一般没什么钱，所以我们需要融资，才能一直推进这个方向。
李翔
那这个创业公司后来怎么办了？当时既不受待见，又难做，没有合适的 AI 模型，数据获取也很困难，最后这种多头受阻的情况是怎么收场的？
夏宁
最后被它的母公司收购了。它的母公司现在是法国最大的 CRO 公司。
那时候我们积累了大量底层技术。现在我们的底层架构，很多也是那个时候积累起来的。
这件事结束应该是在 2015 年。之后我就回国了。
李翔
回国之后，先有一段帮同学或者朋友创业的经历？
3. 化学 AI 开始商业化
夏宁
对，我跟朋友一起创业。当时上海网化的老板把我叫回去，正好那时候中国资本非常热，化学品 B2B 电商平台很火。
网化当时也融了不少钱。我们一开始搭建这个平台，包括底层的数据架构和搜索逻辑，都是我来负责。
后来我们就想，能不能把我之前想做但没做成的一个方向——AI 逆合成——做起来。那时候我们在全球最早申请了 Chemical.AI 这个域名，然后开始做这件事情，也算是最早把它商业化。
李翔
2015 年我们成立峰瑞的时候，电商相关的垂直模式确实比较热，包括这些 B2B 交易平台。
那后来到今天这段创业经历，从做化学逆合成的路径探索或预测开始，具体是从哪一年开始的？
夏宁
其实从 2012 年还在法国的时候，就已经有这个技术的萌芽了。当时我们探索了一些底层技术，但没有把产品推进到商业化。回国之后，解决了数据问题，才开始探索商业化。
李翔
我们也有幸在那个时候遇到夏博士，并参与了智化科技的多轮融资。
从 2018 年底成立自己的智化公司开始，到今天已经经历了 7 年多的业务探索。能不能给大家描述一下，今天的智化是什么样子？提供什么产品、服务和模式？
4. 从 SaaS 走向智能体
夏宁
从方向上看，我们从创业开始到现在，始终都是同一个方向：用 AI，或者说算法和数据，提供化学模型解决方案，帮助研发降本增效。
最早期我们的模式是软件模式，用 SaaS 的方式提供给客户。后来逐渐演化出了几种不同的模式。
我们尝试过把自动化解决方案和软件结合起来，提供整套解决方案，但后来遇到了一些困难。在探索中我们发现，硬件还不够成熟，而且硬件的迭代速度比软件慢得多。
李翔
我稍微打断一下。你说的硬件，是指整个化学实验流程的自动化和数据化吗？
夏宁
对。一个是硬件本身的成熟度，第二个是它的迭代速度，都达不到预期。所以后来我们更加选择从软件层面切入。
中间我们还做过一些 CRO 服务。但由于自动化硬件没有实现大幅度的降本增效，CRO 其实陷入了内卷。加上前几年正好是竞争非常激烈的市场环境，所以那块业务也没有继续推进。
但现在从 SaaS 模式转向智能体模式，我觉得市场越来越大，客户的认可度也越来越高。
5. 中国医药重回高光
李翔
正好这两天有一个跟二级市场有关的事件。前几天药明康德发布了半年报，应该算是非常亮眼的半年报，股价也突破了几年的新高。
中国生物医疗和生物医药行业经历过 2020 到 2021 年的高光时刻。因为疫情，出现了很多和疫情相关的治疗、诊断等研究。之后从 2022 年开始，到 2025 年年中，整个生物医药行业进入了一个非常低迷的阶段。
从 2024 年年内开始，以康方生物为代表，中国生物医疗行业又经历了一次过去几年非常巨大的变化。所有这些生物管线、医药管线类的研发公司，从那一年开始，爆发性地增长了对外授权研发管线的商业模式，也就是 license-out。
但 license-out 在 2024 年快速发展之后，又经历了几次跌宕起伏，比如美国生物安全法案等相关法律可能禁止或阻止中国生物医药企业与美国生物医药企业合作，所以算是一波好几折。
自从药明康德发布半年报之后，这算是给了一个非常明确、巨大的信号：中国的生物医药产业链已经非常蓬勃地发展起来了。7 月份也有数据说，中国生物医药企业今年上半年的对外授权金额达到 1100 亿美元。
这个数字我们在宏观漫谈里讲过好几次。2024 年，中国只有全球年度授权总金额 30% 多的市场份额，刚刚超过 30%，不到三分之一。到了 2025 年，已经达到全球总授权金额的一半。
如果今年全球授权金额还是 300 亿美元，按这个数字来看，中国今年全年也许至少能超过三分之二，甚至接近 70%。这是一个难以想象的事情。
6. 药明康德验证技术
讲到药明康德，还有一个小故事。当年我们最早接触夏博士、下定决心投资他的时候，还有一件非常出乎意料的事情。这可能也和他小时候一直保持、培养并积极写代码的习惯有关。
他们当时还在网化的时候，做了一套关于化学合成的软件，预测如何从 A 合成到 B。因为我是学化学的，这真是一个不容易的事情。
也就是探索从 A 化合物合成到 B 化合物的过程中，到底使用什么条件，经过多少中间步骤，最后大概能得到什么样的合成结果，甚至在一定程度上预测合成产率。
当时药明康德向全球征集解决方案。因为药明康德原来的主营业务就是化学合成 CRO，所以他们想找公司帮助做化学合成路径预测。当时有若干家公司参选，夏博士那时还没有成立公司，是以个人身份提供了当时研究出来的化学合成智能软件，最后好像还得了第一名。
回头看，这是怎么一个奇妙的经历，促成了这样一个少见的结果？
夏宁
当时确实挺巧。我们跟药明的一些高管有联系，我就提出，我们有这样一套软件，你们要不要试一试？
他说好，给我约了一个时间，让我过去。到了之后我发现来了很多人，药明当时一屋子都是他们的高管，还有一些高层。
我就在现场给他们演示，把各种分子放上去运行，看结果。最后效果确实非常好，后来最早和他们有了商业化合作。
我觉得，第一，这说明产业当时非常重视这件事情；第二，技术确实到了第一个临界点。以前这件事根本没有软件能够做好，我们算是最早让他们看到，这件事是可以做的。
到了今天，化学合成已经成为一个非常通用的工具。回头看，这个过程大概已经走了 6、7 年。
李翔
当时你以个人身份给药明康德这样的巨无霸提供服务，而且还有其他著名公司提供类似产品参与竞争。那时候还没有 GPT，我猜你也没用到 Transformer 架构，顶多是更早一代的人工智能技术，比如卷积神经网络。
回过头来看，在那个阶段，那个产品有多 AI？
夏宁
那个时候的 AI 和现在的 AI 概念不完全一样。AI 也经历了几个层次的变化：最早是机器学习，后来有了深度神经网络和 Transformer，之后又变成大模型，一直在演变。
但从通用的角度看，我觉得只要是基于数据做预测，本质上都是 AI 的一种模式。那时候更偏传统机器学习，加上很多化学信息学。
化学信息学可能是很多人不太了解的一个概念，它专门研究如何把化学反应的逻辑写成算法。我觉得这些其实很重要，但现阶段可能被很多人忽略了。
7. 白盒模型赢得信任
李翔
我们也投了虚拟细胞。包括最近几年最热的这些方向，其实都有一个我们经常探索的问题：到底是黑盒还是白盒？
今天自动驾驶也碰到这个问题。有非常端到端的方案，也有像原来的华为、现在的华为智驾这样，在里面加入很多白盒的东西。
所谓白盒，就是里面有很多已知的人类经验、规律或者公式的总结。黑盒则是把数据输入进去，中间经过一串计算，再把结果输出出来。
从今天回头看，当时能够在药明康德的需求上，胜过那些著名公司和大公司的模型或软件，其中有多少是黑盒，多少是白盒？
夏宁
我们当时白盒所占的比重非常大。现在回头思考，在这种严肃的科学软件里，或者像自动驾驶一样，如果是一个黑盒，很难建立客户信任。
李翔
因为它会不定期出现幻觉或者 bug，但造成的后果非常严重，而且不可解释。
夏宁
最大的问题是不可提升。你不能调教它。你发现了问题，却不知道问题出在哪里，也不知道怎么改进。
李翔
换个角度看，黑盒所谓不能调教，是因为你在里面随便改变一些东西，不管是层数、参数，还是其他设置，结果都会发生变化。你不知道那个跷跷板上有多少块板，改了 A 之后，里面可能同时改变了相关的 B、C、D，但你没有办法抑制 B、C、D 往不好的方向变化。
而且你也不知道 B、C、D 分别是什么，这就是黑盒带来的问题。
我们先把中间过程跳过，直接聊到今天的结论。我们看过很多材料和化学相关的 AI for Science 公司，包括我们投过的企业。
生物相对好一点，因为底下有基因组学作为基础约束。2023 年底我和陈明光老师做的那期播客里也讲过，基因组学的信息更像语言的搭建方式和语法规则，提供了一种约束，同时又包含非常强的隐含逻辑关系。
虽然今天基因组学还没有被完全解读，但至少我们可以看到基因为什么这样排列，以及其中的一些顺序。
化学方面，我虽然离开化学已经很远了，但我在国内、国外读的都是化学。先问第一个问题：今天化学的可解释性达到了什么程度？类比基因组学提供的信息，它现在是什么水平？
夏宁
在我们的系统中，可解释性是非常强的。所有大模型或者黑盒模型给出的结论，都必须在我们的白盒模型中得到解释、验证和约束。
这样一来，我可以把幻觉去掉，也能够知道它给出的一些模棱两可的结论，到底哪个是对的，哪个是错的。这在科学领域非常重要。
李翔
从结构上说，它是先经过一层纯计算的黑盒，然后再进入包含已知信息和规律约束的白盒，还是黑盒和白盒融合在一起？
夏宁
两者有比较强的融合，是同时进行的。
8. 产品进入全球药企
李翔
回到公司进展的下一步。从获得药明康德的正向激励、再到公司成立之后，我印象中第一个巨大的里程碑，是给一个全世界最著名的跨国大型药企提供了第一笔金额不小的软件服务，让他们采用和使用这套产品。
这是当时第一个最重要的里程碑吗？
夏宁
确实是。当时非常感谢药明康德，他们把我们介绍给了一个大客户。正好这个客户在做一套 AI 制药系统，其中 AI 逆合成的部分完全交给我们来做。
当时合作金额是一百多万美元，难度其实也不小。通过那次合作，我们把产品真正产品化，做到能够满足大型客户对安全性、速度和质量等方面的要求。
所以对我们来说，这是一个非常重要的起点。
李翔
它不光是产品化，还有了商业化。
这也是很多科学家创业者会遇到的问题，尤其是在 AI for Science 领域：我们做出了一个很好用的科研结果，但真正进入实体工作、进入工业闭环时，客户可能觉得不可用、不好用，或者有一定抵触。如果使用的人不对，也会影响落地。
当时你们第一次在一家全球著名药企实施这个项目时，一定遇到了这些问题。你们是怎么克服的？
夏宁
一定会有这些问题。产品刚出来时，不可能是 90 分，可能只有 60 分、70 分。但我们确实经历了大量和客户之间的反馈、迭代和优化。
这也是我刚才提到白盒为什么重要的原因。如果是黑盒，客户不断提出意见，但你又改不动，他就会绝望。
我们一直在改进，让客户看到产品不断进步。直到现在，我们还在不停改进。我看过我们的 request list，客户提的各种意见可能已经有上千条，每一条背后都是大量工作，需要不断提升和修正。
我觉得这个过程非常重要，但现在很多投资人和行业人士可能会忽略这一点。他们会觉得，只要模型好、技术好，就可以一下子做到全球最好。但很多时候，产品是靠这样的迭代做出来的。
李翔
就拿这个单一客户举例。在他应用的前 3 年，比如从 2019 年到 2021 年，先不谈医药行业的低潮。在这几年的过程中，对同一个客户来说，他使用产品的范围，以及使用产品的部门和人员，是固定不变，或者相对更少的人在用，还是会越来越多地跨部门、跨层级、覆盖更多产业链环节？
夏宁
这个是越来越多的。客户在应用过程中会产生很多想法，会说：“这个功能这样做是不是更好？”“那个功能如果帮我串起来，是不是更好？”
所以他会不断给我们提需求。有些需求帮助我们改进产品，有些则给了我们新的想法。这样我们就了解了客户真实的应用场景，发现它和我们原来的想象其实有差别。
这也很重要，可以帮助我们理解产业真正是怎么工作的，客户的需求在哪里，以及他想用产品解决什么问题。
通过这个过程，我们的产品不断增加模块。最开始和他们合作时是 4 个模块，现在已经有 9 个模块。
李翔
在一家企业内部使用时，使用者更偏向于原来指导化学实验、做合成的人，还是更多是不同背景、不同环节的人？
夏宁
几个环节都会用。
首先，在医药研发领域，做分子设计的人需要使用。他们的合成能力其实偏弱，更偏 CADD 或 AIDD。但他们在设计分子的过程中，必须考虑这个分子能不能合成、好不好合成、能不能做出来。
如果做不出来，最后就会把它交给药化同事合成。药化同事可能会说：“这个我根本不想做，我觉得没法做。”所以在这个阶段，他们需要工具告诉他，这个分子能不能做、好不好做。
到了药化部门，就可以用它快速设计路线。但药化部门的需求是快速拿到分子，比如几毫克就够了，不太考虑成本。
到了后面的临床工艺放大阶段，路线就不一样了。这个时候需要的是成本最低、能够放大的反应，不能太危险，不能一放大就有爆炸风险。
李翔
这样的话，3 个环节对于同一个产品的使用目的并不完全一样。
夏宁
不一样，而且中间还有各种场景。
比如药化部门可能说，我要设计 30 个分子，但不想一个个合成。可以先合成一个通用的母核，再去连接各种步骤，让整体步骤最少，这是他的需求。
到了工艺阶段，需求又反过来了。工艺部门说，我只做这一个分子，不要给我最容易的反应，而要找成本最低的反应。
成本最低的反应本身可能风险很大，或者很奇怪，可能是酶催化，甚至可能是看上去不太好做的反应。但只要能降本，他们就愿意使用。
李翔
我曾经被化学专业折磨过，也读过研究生，天天探索各种走不通的合成路线，所以很好奇。
往前回到 20 多年前，我读研究生时，导师经常会给一个要求：从 A 到 B 试一下。中间的事情不管了，自己查文献、猜条件、做组合，反复面对各种失败。
假定那时候有你们这样的工具，它能解决一个学生、一个研究生多少问题？
夏宁
从学生层面来说，现在 AI 可能已经能够完成你大部分工作。AI 最先替代的，可能就是这种初级的智力劳动。现在看，大概率都能替代掉。
李翔
这听起来，化学专业的研究生岂不是和今天做编程的人一样，要被技术进步逐渐替代？或者说，他们可以去做更有创造性的事情，比如分子设计？
夏宁
我觉得有一点类似。当然，我们更乐观地看待这件事。
化学领域的任务可能更多，因为还有太多创新材料需要去做，空间足够大。即使人的工作比例减少了，我们仍然可以做更多项目。
李翔
相当于每个人的带宽增加了。
9. 穿越生物医药寒冬
到了 2020 到 2021 年，所有领域，包括 CADD、我们投的晶泰、剂泰，也包括智化，当然还有整个生物医药领域，都进入了当时的最高光时刻，融资和资本市场最受追捧。
那时候智化也获得了不同资金方的注入和市场追逐。但当时还有另一个诱惑：在那个相对火热的市场时期，某家著名、规模最大的 CRO 公司也不止一次向我们发出收购邀约，希望把当时还很小、只有十几二十个人的产品和团队收入囊中。
最后的结果大家也知道，夏博士今天坐在这里，显然没有接受这个邀约。今天回头看 2020 到 2021 年生物医药产业融资的高光，以及当时的收购邀约，你有没有后悔过，觉得当时还不如卖掉？
夏宁
倒没有。我的个人性格还是偏理想化的创业者。我觉得只要事情能够往前推进，就是一种成功。
行业有起起伏伏，有周期，但这并不影响我在高光周期思考：这些资金是不是真的帮助我把项目或理想往前推进了？如果没有，那这些资金可能也没有那么大的作用。
即使在行业低谷、融资环境比较差的时候，如果我的进展还比较快，我也觉得这是一个好的结果。
李翔
你的心态已经比较像一个成熟的创业者了，确实经历过高和低两个阶段。高光经历了一年半，低谷经历了比较长的时间，差不多 3 年甚至 3 年半，可能一直到 2024 年底，生物医药才算稍微好一点。
回头看这 5 年的急速变化，有极高光，也有超级长的寒冬。你在公司管理、个人经历、心情和心性上，有什么感受和变化？
夏宁
对我来说，更多的是学习和成长。我算是科学家创业的模式，对管理、公司治理和商业化，最早都不是那么擅长。
在这个过程中经历了很多。我们也有过人数扩张，去做一些不太擅长的领域，后来发现，最终还是应该专注在自己最擅长的事情上，不要太分散，要更加聚焦。
这是我学到的比较重要的一点：核心想做的事情一定要抓住，抓住这件事情最本质的部分，不要被高光和低谷影响。
有时候外部影响会把人带偏。比如资本市场追捧一件事情，你为了它去改变自己的方向，做了一件可能自己都不认可的事情，我觉得最终结果不会好。长期来看，尤其如此。
李翔
今天的 AI 毫无疑问处于高光时刻。当然，AI 技术会持续进展，但肯定也会有资本市场退潮的时候。
就像你们从 2018 年开始，2019 年慢慢变热，2020 年变得很热，整个生物医疗行业，包括当时的 CADD，都随着第一波 AI 制药变得很热。
对于今天刚刚开始经历 AI 创业、进入一个肯定处于高光时刻的科学相关领域的创始人，你有什么自己的经验和教训？
夏宁
我只能提自己的经验教训：坚持自己认为正确的想法，不要完全被资本的观点带着走。
资本很多时候并不太懂这个行业的真实情况。但它站在外部投资的角度，会认为某个方向好，并给出很多想法和建议。
如果完全按照这些建议去做，对科学出身的创业者来说，很可能会被带偏。这是我个人的观点。
10. GPT 重塑化学工作流
李翔
接下来到了 2022 年。虽然生物医疗开始进入低潮，但 2022 年迎来了 AI 高潮的起点，2022 年底出现了 GPT。
过去这 3 年，正好经历了生物医疗的低潮，也经历了 AI 相关技术演进的高潮。这两件事叠加起来，从 2022 年，或者从 2023 年开始，对你现在的公司、产品、模式和能力，带来了什么变化、挑战和应对？
夏宁
这是我看到的一个非常大的机会。GPT 出现之后，我相信所有人都发现，这件事在过去几乎不可能想象，但现在它已经非常接近人的逻辑推理能力，甚至在一些领域已经部分超过人。
这对我们来说是非常大的利好。我们在垂直领域可以解决很多专业问题，但在真实工作场景中，还有大量泛化问题。
比如实验室里可能没有某一个反应器，所以这个反应做不了。这不是专业问题，但如果要用 AI 解决，过去几乎不可能。以我们之前的积累，解决不了这类泛化问题。
但现在 GPT 这类大模型的出现，可以很好地解决泛化问题。泛化问题加上专业问题，几乎就是化学家工作的绝大部分内容。
换句话说，在这个场景中，我们具备了使用智能体加专业工具，解决整个工作流程的能力。
李翔
从公司的产品架构来看，从整套计算软件的架构来看，有了 AI 之后，底层计算产品架构发生了大的迁移、改变或者结构调整吗？
夏宁
垂直领域的算法并没有直接受到影响。但从最终交付给客户的商业模式或产品形态上，会有非常大的变化。
以前我们的技术是以工具的形式呈现给化学家，由化学家使用工具解决问题。未来很可能是通过 API 接入智能体，再由智能体完成整个工作。
李翔
换句话说，针对任何和化学合成有关的潜在需求，用户可以把需求表达出来，同时提出一些特殊条件、工况或其他要求，然后通过友好、智能的交互面对智能体。
智能体再把这些需求翻译成你们积累多年、并且有大量成功经验的垂直领域计算软件和 AI 软件，生成用户想要的路径和结果，再通过智能体呈现回来。大概可以这样理解吗？
夏宁
它可能不只是一个友好的交互。这个智能体会逐渐熟悉用户，有记忆，也可能不断学习，最后可能像公司的一个员工一样。
你教它几次之后，就不用每次都重新教，只要给它任务，它就可以去完成。
李翔
这就等于是智能体在和你的软件系统、计算系统交互。它既和用户层交互，也和实验室整体条件、软件系统交互。
如果对智能体原来的化学逆合成软件，也就是预测软件和计算软件而言，它会对软件层提出哪些整体调整或变化要求？
夏宁
第一，我们软件的所有功能都可以以 API 的形式暴露出来，不需要用户界面。
第二，在软件中原先需要人来做决策、进行选择的部分，可以交给智能体来选择和决策。
李翔
但如果让智能体做选择和决策，使用者会不会觉得可能错过或漏掉了一些能够进入循环的关键节点？他会不会有一种错失感？
夏宁
早期一定会有。但随着交付质量越来越高，甚至效率和质量超过人，人就不会再在意这个事情了。
李翔
回到当年最早的客户。那个世界级大药企现在还在持续使用这个产品，并且已经进入智能体阶段了吗？
夏宁
还在持续使用。现在我们也在探讨智能体方面的合作。
李翔
所以他们还没有全面开始使用重新演变出来的智能体？
夏宁
智能体还处在非常早期。现在我们接触的大部分 MNC 都还没有正式使用，但都在尝试和探索，也都因为担心错过 AI，而在看怎么更全面地使用 AI。
李翔
我们把 AI 这件事再翻到技术层面，问一个小问题。今天回头看，在整个后端体系和结构里，当时黑盒和白盒的结构、比例有变化吗？
夏宁
目前看没有变化，而是白盒越来越多了。
李翔
因为现在大语言模型出现，它具有非常强的可解释性？
夏宁
对，它做出的决策都会解释为什么做这个决策。
李翔
和 7、8 年前相比，今天客户拓展了，我们自己的能力也拓展了，数据来源可能比以前丰富。刨除模型能力之外，白盒部分在化学合成这个问题上的进展，有多少和模型迭代有关，有多少和过去几年的行业积累有关，又有多少和你们自己以及客户提供的数据有关？
夏宁
我觉得最核心的，还是这些年和客户不断交互、迭代过程中得到的信息。
在严肃的科学场景下，如果不具备可解释性，商业推广非常困难。客户需要知道为什么得出这些结论。
所以我们的产品要越来越好，就必须越来越白盒化。客户提出的所有问题，我们都必须给出明确解释。
李翔
这可能是真正 AI 落地的一个商业要求。如果做不到白盒，就很难在商业上推广。
我们稍微泛化一下。现在中国正好倡导“人工智能+”，同时要求各个行业大力开展基础研究，所以出现了很多不同方向、不同学科的 AI for Science 探索和公司。
你觉得这些 AI for Science 的探索，最终可能都会遇到、经历相同或相似的过程吗？
夏宁
我只能站在我们的角度说。如果做的是辅助研发的工具或技术，那么和它交互的人必须建立信任。这个过程中，需要非常强的可解释性。
如果直接交付产品，我觉得中间可能还不能把人的因素拿掉。只要有人参与，我认为可解释性就是必要的。
李翔
这样说的话，它和自动驾驶在进一步发展时遇到的机会和挑战，确实有一点相似。
我们再换个角度。化学还没有完全达到像基因组学那样、建立起生物模型之后的预测成功率。无论是 AlphaFold，还是今天出现的预测靶点、预测结构构型等能力，生物领域都出现了比较早的突破。
比如 AlphaFold 经过几次迭代，把结构构型的预测成功率从比较随机的 20% 到 30%，提高到了 70% 到 80%。当然，大家对训练集的描述各不相同，有的说是有偏的数据集，有的说是偏窄的数据集。
如果拿生物做一个基础比较，你觉得在结合今天的 AI 能力和现有基础数据的情况下，化学大概达到了生物的百分之多少？
夏宁
您说的是把化学和 AlphaFold 相比吗？
李翔
对，和 AlphaFold 相比，或者和基于基因组学的一些生物应用相比，主要还是和 AlphaFold 比较。
我们先不考虑过于复杂、过于刁难的化学合成。比如上学时，涉及超过 5 个条件、超过 10 步的合成，就已经比较难了；超过 20 步就更加困难。
在一个正常的化学合成过程中，几个条件、多步反应，现在 AI 能做到什么程度？
夏宁
我们内部和外部都做过测评，现在大致的结论是：化学合成 AI 的能力，大致相当于一个有 10 年工作经验的化学家。
基本上化学家能够想到的合成路线，AI 都能够想到，而且 AI 通常平均能够想到 5 到 6 种不同策略，这一点超过人。人一般只能想到 1 到 2 种策略。
在一些比较难的工艺路线设计上，现在 AI 也基本能够做到人能想到的，它都能想到。
李翔
这对客户来说是非常大的满意点。客户使用产品之前都会测试，会拿真实案例来测试。
他可能花了 1 个月、2 个月设计出来一条路线，结果发现我们 5 分钟就能跑出来，而且还能给出其他路线，其中有些可能是他也尝试过、但最终没有选择的路线。
夏宁
对，已经达到这个程度了。
李翔
这很像晶泰在 2016 年感恩节期间在辉瑞的测试结果。那时候整个波士顿和制药界都不相信，计算机能够计算出一个此前没有出现过的化学分子的晶体结构。
后来辉瑞拿了 3 个还是 4 个从未发布过晶型的分子进行测试，其中有 2 个还是 3 个已经知道结果。测试之后，发现它们和辉瑞已经预测出来的结果一致。
你认为化学合成也已经差不多到了或者超过这个阶段？
夏宁
对。化学合成还有很多其他用途，也可以应用在材料领域。当然，在整个生物医药链条里，尤其是面向小分子的生物医药链条中，它是更重要的环节。这也是药明康德这类公司的起家业务。
李翔
从整个生物医药管线研发来看，我们先把大分子、细胞治疗和基因治疗放在一边，只看和小分子有关的整个生物医药链条。
你们做的这部分，包括预测、逆合成、路径、条件和量产，在小分子相关的生物医药研发全链条中，大概处于什么位置？
夏宁
今天整个行业都多多少少受到 AI 的影响，包括 AI 制药、AI 材料发现等。但研发本质上不是简单的分子设计，而是多个 DMTA 循环。
D 是 design，也就是设计；M 是 make，也就是合成；T 是 test，也就是测试；A 是 analyze，也就是分析。分析之后再改进方案，重新进入这个循环。
一般做一个药，可能要进行 7 到 8 轮这样的循环；做一个材料，也需要多轮循环。
这个循环中，每个步骤的效率和速度并不一样。现在在设计阶段，一天设计几百、几千，甚至几万个分子都很轻松，因为有 AI 工具或者 CADD 工具。
但到了合成阶段就会卡住。一个化学家一个月大概只能合成 3 到 5 个分子，这是行业普遍的效率，也就是一个人一天做 2 到 3 个反应。
到了后面的测试阶段，效率又变得很高。现在有高通量测试，比如药物可以一下测试几百个分子和靶点的 affinity；材料也可以同时测试很多分子。
所以真正要把 DMTA 循环成倍加速，需要把合成效率成倍提高。其他环节相对来说影响较弱。
我们在这个行业做了很多年，从客户那里得到的反馈是，客户非常重视合成端的效率，因为整个研发效率就卡在这一端。
我们认为，把合成效率大幅度提高，比如提高 2 倍、3 倍，已经非常了不起。如果能做到 10 倍、20 倍，就能让整个新药研发和新材料研发的通量提高 10 倍甚至 20 倍。
李翔
我刚才忘了一个技术问题。别人拿你们做测试，发现你们能预测出一些他们已经知道、但比较复杂和有难度的合成路径。
在这个基础上，软件或算法能不能预测出 novel 的东西？也就是有经验的化学家想不到，但又可行、更加优美的合成路径或合成方式？
夏宁
可以，但有一个限制前提：它不会创造新的反应。
首先，我们所有的 AI 都是基于已有数据做创新。它不会在数据层面找到一个偏离这些数据的点提供给你。
但这个问题在合成领域影响不大，因为合成路线的创新基本上都使用已知反应。只是这个已知反应可能藏在几十万篇文献中的某个角落里。
如果你看不到它，路线可能要 10 步；如果看到了，路线可能就变成 3 步、4 步。
AI 有这个能力。它能够比人接受更多知识，检索更多内容，速度也更快，所以有能力找到平时看不到的反应，让整条路线变得非常优美，或者成本非常低。
这一点我们已经验证出来了。
李翔
我们再换一个角度，考虑今天这件事的意义和价值。
刨除你刚才讲的 DMTA 循环，假设拿生物医药或者材料管线来举例，整个药物或材料最终走向商业化，一定要经过多次 DMTA 循环，并且最终实现效率和成本上的大规模优化。
我们先不讨论这个问题。今天科技创业者做这件事，需要努力让 AI 白盒化，以便将来可以调教、解释，能够和用户交互，并在一定程度上实现定制化。这是一部分和创业积累有关的能力。
另一部分，假设今天一个非常 AI 背景的人进入这个领域。我们在 2016 到 2020 年之间投资上一轮 AI 制药时就遇到过两类创业者：一类非常 AI，觉得 AI 用到生物上是一个好方向，于是进来创业；另一类偏 bio 一些，原来就在生物制药流程、企业或产业链环节中，同时具备 AI 能力，或者像你一样，从小就有两种能力的共同积累。
从你的角度看，假定一个很 AI 背景的人进来做你们今天的事情，他遇到的最大挑战和需要克服的阶段分别是什么？
夏宁
我们确实和一些纯 AI 背景的人合作过，包括一些高校老师。但最后发现，最大的问题是他不理解行业问题，或者理解是错误的。
他可能没有和我们沟通，就一直沿着错误的方向做，做到最后结果不好了，我们跟他说结果偏差太大，他可能会说是数据的问题。
如果他不懂这个垂直领域，就根本定义不清楚问题。既然问题都定义不清楚，解决起来就更难。更不用说，有些无法用语言非常明确表达出来的事情，他也不知道，而这些事情对模型可能非常重要。
我觉得这是一个非常大的障碍。不是说他的能力不行，而是如果没有行业 know-how，他根本搭建不起一个可信的系统，也没有真正搞清楚问题在哪里。
李翔
回到刚才模型结构、软件层级结构的问题。对他来说，更大的挑战是怎么搭建白盒，对吗？
从另一个角度，假定他是很 AI 背景的人。15 年前大数据热潮时，大家讲 garbage in, garbage out。模型当然会有这个问题，容易被训练偏。
我的理解是，假定一个偏 AI 的人来做这件事，他潜在遇到的挑战是：在选择数据源、数据类型、数据有效性，以及结果有效性之间做关键判断和分类时，可能因为不了解行业、需求和行业特征，对数据的使用以及对输出结果的分析出现偏离。
过去 8、9 年积累了各种类型的数据。今天的 AI 肯定可以更好地阅读文献，科学文献是一类数据，真实工业场景中的正负反馈是另一类数据。我知道你们也在内部做一些小规模的闭环实验，加快数据循环和验证过程中的正负反馈积累。
所有这些数据，过去、现在和未来，对模型效率和能力的贡献，各自大概有多大？
夏宁
这个问题要分开来看。每个问题需要的数据不一样，所以很难说哪一类数据的贡献最大。
如果针对逆合成问题，我们认为目前可能还是大量公开文献、专利数据的贡献最大。因为它主要学习的是实际合成思路，而不是说用高通量实验就能解决逆合成问题。这是两个完全不同的问题。
AI 背景的人有一方面能力可能比较强：当数据量足够大的时候，他们能够在训练效率上提出一些不错的见解，帮助模型进步。
但这恰恰是 AI for Science 领域最缺的东西，因为我们的数据量并不大。
李翔
对。你会发现，很多领域连从 B 到 C，甚至到 E 的数据都很少，有些领域只有几百、几千个数据。
我把你这句话翻译一下：今天大模型最大的来源，是积累了 40 多年的全世界公开互联网数据和公开文本数据集。但在任何一个科研领域，即使把全部论文加起来，也至少比这个数据量少很多个数量级。
夏宁
对。
李翔
晶泰毕竟是我们投过的公司，我们稍微了解一些。他们内部也做了比较多的闭环实验。
我们当时问过他们一个问题：他们 3 个人是学物理、量子物理的，也不算典型的化学背景。他们在闭环实验和模型进步探索过程中，数据的贡献率大概是什么样？
他们认为，正数据和负数据，也就是预测一个过程最后发现有问题的错误数据，贡献大概差不多，各自能对模型进步和效率起到一半作用。
从你的角度看，会有这种差别吗？公开数据、论文上的内容，更多是方法论和正确结果，前提是没有编论文或者篡改论文。
夏宁
我的观点稍微不同。我认为成功数据，也就是正数据，在现阶段非常重要；失败数据在未来非常重要。
现阶段的智能体或 AI 模型，只要达到人的判断能力、达到人的水平，就已经可以大规模商业化了。在这个过程中，学习更多的是人的正向数据。
如果一个人做实验失败了，大概率说明什么？说明他在做实验之前，并不认为这个实验会失败。
李翔
也就是说，当模型达到人的判断水平时，不需要知道这个实验会失败，已经足够了。
夏宁
对。达到一个有 10 年工作经验的人的水平，就是在这个基础上有更好的成功率预判，不需要预测出那些判断错误的东西。
但未来如果要超过一个有 10 年工作经验的人的认知，能够判断出他觉得可行的反应其实不可行，那时候负数据才重要。
李翔
所以在下一阶段，负数据或错误结果的负反馈，理论上对黑盒模型更重要。
夏宁
对。虽然不知道为什么会失败，但知道它大概率会失败，也可以把这件事呈现为结果。
但现在的问题是，模型还没有达到人的水平。在达到人的水平之前，可能不需要解释那些无法解释的失败。
11. AI 化学进入产业化
李翔
好，我们来问一些和今天时髦话题有关的问题。
像你们现在的应用场景，需要调用后端的基座模型、大模型，或者云端 token 的使用量吗？
夏宁
我们正在做的智能体会用，另外一些数据处理工作也会用。
李翔
你的智能体更多是解决交互问题、理解用户需求，或者说翻译用户需求？
夏宁
不只是这个问题，也包括一些专业问题。现在的基座大模型在一些科学问题上也能做到 60 分、70 分，已经很不错了。
李翔
我刚才问这个问题有一个潜在含义。用户只使用你们的产品、购买你们的产品，当然现在也许可以按结果交付。但之前大家肯定是像你讲的那样，买一个软件或者 SaaS，不管是私有版还是公有版。
现在就会涉及一个问题：后端除了维护软件本身，还要和基座模型交互、调用 token。也就是说，除了软件成本，还会有模型调用成本。
夏宁
对于大型客户，他们内部都部署了基座模型，可以直接使用他们内部的模型。
李翔
即使不是你们消耗，而是客户消耗，假定今天能够替代和解决的能力，相当于一个化学专业本科或研究生毕业、并且有 10 年相关工作经验的人。
在中国的 CRO 里，这样的人大概是什么薪酬水平？
夏宁
两万到三万月薪。
李翔
大概就是 20 多万到 30 万年薪。
我问这个年薪，是因为假定替代过程除去用户购买成本之外，后端还有基座模型的 token 消耗成本，最终大家也要算账：这个替代过程到底是省了钱，还是没有省太多钱？
从现在的客户反馈来看，他们怎么看这个问题？
夏宁
客户非常重视这件事。他们知道基座模型能做很多工作，但如果太贵，就不愿意使用。
所以我们有很多工程工作要做，帮助客户省钱。不能随意调用几种模型，而是在必要的时候调用合适的模型，用最小成本完成调用。
李翔
这在你们的系统内部，就完成了智能调度？
夏宁
对，这由我们负责完成。如果费用太高，客户也不愿意接受。
李翔
我觉得这非常重要。今天大部分人还没有特别关注的一个问题，是 AI 和以往的软件、系统最大的差别：每一次交互和调用都有一定成本。
原来的软件和数据库交互，成本几乎为零，但 AI 完全不同。
我们内部有一位二级市场的同事，简单分析了成本变化。他看了美国某个号称技术能力最好的模型，发现它最近几个在不同领域应用的模型中，输入占比，也就是输入消耗的 token 占比显著更高，当然这会使成本变得更高。
所以等大家关注成本问题之后，企业会非常重视。后端消耗不一样，而且是有成本的，最终这会变成一个具有大范围影响力的问题。
AI 最容易落地的应用方向，很可能是替代具有一定价值的场景，而不是普遍意义上的第一阶段场景。换句话说，它要替代的人，必须有一定的单价。
从你和客户的交互来看，这个趋势会体现在你刚才讲的工程努力和用户需求中吗？
夏宁
我相对乐观一点。我认为模型价格会不断下降。
长期来看，它最终可能变得像电力一样，是一个很低成本的东西，到时候人们就不会那么在意了。
李翔
那是很长期的事情。
夏宁
对，是很长期。中期来看，可能更多依赖智能体层面的优化。
不是所有问题都需要参数量很大的模型，可能用一个几十 B 的小模型，本地部署就可以解决。
简单的问题用不花钱的模型，或者自己部署的模型解决；真正需要的时候，再调用高级模型。
李翔
所以本地模型肯定也是基础约束之下，至少阶段性比较大的机会。
从你们的角度，假定用户越来越广泛、越来越多，和智能体交互越来越多，但用户不一定是大型企业内部，也不一定有自己的基座模型调用能力和带宽。往后看，你们会不会做一个小的、垂直的端侧模型或基座模型？
夏宁
会。我们内部会给问题分类。有些问题我认为小模型可以解决得很好，有些问题则必须调用最大的模型。
我们会把最贵、最好的资源留给核心、关键的问题，最终减少整体 token 消耗。这是工程化必须做的一件事。
李翔
你们正在做的，其实就是模型落到应用层面之后会发生的事情：大部分需求想办法收敛到中小模型、端侧模型或垂直模型来解决，少量复杂问题再调用大模型。
在这个过程中，从客户角度看，将来他们从购买私有版软件或 SaaS 服务，转向购买智能体服务时，相关压力更多会体现在客户身上，还是体现在你们身上？因为付费模式可能会有一些变化。
夏宁
早期大家还没有那么重视这个问题，因为还在研发阶段。一旦到了应用阶段，我们肯定会想，哪些调用其实不需要大模型，用小模型就可以解决。
我们会做工程优化，这是一个不断降本的过程。直到最后优化不了，才使用大模型。
时间会逐渐把压力和动力传导给我们去降本。因为客户付的钱可能是一样的，但我们的成本中有很大一部分是 token 成本。
李翔
这就是关键问题。
这也涉及国外从去年开始广泛讨论、国内最近也开始讨论的一个问题：SaaS 最后会变成什么样？
未来你希望客户更多转向智能体，因为这样可以更广泛、更易用、更友好，交付结果和能力也更强。
从过去、现在和将来看，你们不只是 SaaS。假定只看 SaaS 用户，使用 SaaS 的一般是中小客户；像超大型药企，肯定不会只使用 SaaS 模式。
从 SaaS 转向 Agent，会经历什么变化？
夏宁
我觉得在一段时间内会是 mix 模式，也就是既有 SaaS，又有一些高级智能体功能，按照调用量付费。
这两种模式会长期共存。客户一定有一些问题不愿意支付更多费用，他觉得用 SaaS 已经能很好解决，为什么还要额外付费？
但有些问题 SaaS 解决不好，靠自己的人解决又很贵，他才会使用智能体模式。
所以我的观点是，这两种模式会长期共存。
李翔
现在你的客户基础中，跨国公司和国内企业大概是什么情况？
夏宁
从数量上来说，国内客户更多。但从整体付费总金额来看，国外现在超过国内。
以后国外市场我觉得会越来越大。
李翔
你不觉得国内市场也会越来越大？
夏宁
国内也在变大，但中国毕竟是一个国家。生物医药这个行业，美国还是大头，也包括欧洲、印度等市场。
李翔
我从投资角度纯粹好奇一下。
我们曾经画过一张图，解释中国各个产业的变迁。拿今天的生物制药做类比，大概像 2012 年之前到 2008 年之间的精密制造，也就是中国世界级手机品牌主要在 2014 到 2017 年间批量诞生之前。
在小米、华为、vivo、OPPO 等品牌批量诞生之前，中国在产业链上做的环节，就像所谓的“果链”企业：把最难的精密制造——刨除芯片之外的精密制造、精密组装等——放在中国。
这个类比虽然不完全恰当，但有一点像。今天中国生物医药的管线类企业都开始积极 license-out，把管线权益的海外部分卖出去，获得授权金额，这也是中国授权金额占全球比例快速增长的原因。
这会倒逼做医药管线的企业，竭尽全力增加管线研发的速度、宽度和效率，既要多、又要快、还要好。
他们会竭尽全力想办法使用能够促进研发又多、又快、又好的方法和工具。这是一个倒推和倒逼的过程，至少理论上正在发生。
你们作为效率工具、放大工具和成本节约工具，已经感受到来自管线研发类药企，或者管线研发倒逼 CRO 所产生的需求了吗？还是刚刚开始？
夏宁
已经能感受到一些了。现在国内新药研发的速度和效率，其实已经比欧美有比较大的优势。
李翔
但刚才你说，国外客户的付费总额还更多，是因为你们现在主要以大型客户为主，而中国大型需求端的 MNC 还比较少？
夏宁
对。不得不说，中国大型需求端的 MNC 还比较少。
李翔
我插一句。MNC 就相当于我们所说的小米、华为、vivo、OPPO，代表现在还在升级到精密制造这一阶段。
虽然主要利润大头被 MNC 赚走，类似当年大家诟病的情况：包括台湾地区在内，中国在“果链”中占比接近一半，但中国占有的利润总额，在一台苹果手机的利润中只占很少一部分，还是低个位数。
今天医药有点类似这个状况。
夏宁
对，是这个状况。需求端在国外，供给端在国内，而且供给端的增量这些年非常明显。
从效率工具来看，需求端和供给端都在使用。整体上基本差不多，国外有很强需求，国内也有很强需求。
但未来我觉得国内会进入快速增长过程。未来几年不排除像制造业一样，最后形成一个占据绝大部分份额的“世界医药工厂”。
李翔
这确实有可能。就像中国在 14 年前，工业机器人需求端成为全世界最大的市场。
当时精密制造很卷，大家都想争取进入“果链”，就只能竭尽全力提高生产制造效率和产能，既要降成本，又要加产能，还要提高效率。
所以中国的工业机器人需求突然成为全球最大的应用市场。
夏宁
但我还有一个观察：印度增长也很快。
李翔
你说的是原料药层面，还是也包括研发层面？
夏宁
我们的客户在印度今年增加了 30 多家，这个增速其实不比中国慢，所以我判断印度也有这个机会。
李翔
我对印度市场不太了解，所以好奇一下。原来大家传统上认为，印度更偏原料药生产，或者更偏仿制药生产，因为它在创新药管线和知识产权方面没有那么多积累。
从你们的应用企业来看，他们也开始进入创新药管线的新药研发了吗？
夏宁
也有 CRO、CDMO，也有一些做药的，但我不太确定他们做的是不是创新药。
李翔
还有一个和你们相关的应用话题，就是正在蓬勃发展的材料体系。
在我们看过的 AI for Science 里，材料体系有一定挑战，也有一定机会。它的应用领域通常比较垂直，比如金属相关材料、多种金属混合材料的改性和性能提升，甚至加入少量催化剂进行优化。
从你的角度看，这也是化学合成的一部分。你们现在的能力和功能能覆盖材料领域吗？在这个领域的泛化性能能不能变得更好？
夏宁
我们能覆盖有机小分子材料领域。比如光电材料、OLED 显示材料，以及新能源电池的一些添加剂，还有光刻胶，这些都属于有机小分子。
材料大体上可以分为有机和无机。有机材料也很多，包括聚合物，而聚合物聚合之前的单体也是有机材料。这部分都可以使用我们的 AI 技术。
李翔
中国未来科技中肯定还有生物制造。生物制造会替代一部分化工，也会替代一部分有机分子合成，尤其是在天然产物和一些医药中间体上，很多公司会用菌来合成，这方面我们也投了一大堆。
这会进入一部分原来的化学合成，尤其是有机化学合成领域。你怎么看这个问题和发展？
夏宁
生物合成主要指的是酶催化，或者通过发酵的方式在活体内进行催化。
本质上它还是一个化学反应，也是把 A 变成 B。只是它使用的催化剂不是传统的小分子催化剂，或者金属配合物催化剂，而是酶。
酶的特异性更强，可能选择性也更高。对我们来说，这部分其实包含在我们的数据里。我们做合成时并不是不能使用酶催化，推荐的路线可以包含酶催化，也可以提出酶的种类建议。
李翔
所以在酶催化这个问题上，以你们现有的产品能力，能够覆盖吗？
夏宁
我们现有的产品能力可以推荐一条最优路线。这条最优路线中，可能有一步甚至多步使用酶催化完成。
但我们不具备的能力是，如果这个酶不是一个现存的酶，需要通过定向进化得到，我们还不能完成。
李翔
也就是说，你们还是基于已经存在、能够找到的反应路径，在不同逻辑和方式之间进行组合和优化，产生最优或最低成本的路径？
夏宁
对。
李翔
明白了。
我们展望一下之后的事情。今天我们谈的是 AI for Science，因为各种原因，也有中国特定的原因，它变得非常热。
现在已经有一些大模型公司，包括国外的一些基座模型公司，慢慢进入 AI for Science 应用。未来几年，你怎么看自己的发展过程、机会和挑战？
夏宁
首先是机会。刚才我讲过，大模型能力增强，对我们来说是非常互补的能力，能够让我们把整个流程做出来。我觉得这是行业变革中的一个大机会。
其次，大模型公司要下场做垂直模型，我觉得很难。他们很难深入企业的具体场景，一点点做服务，更多还是做通用模型。
很多人问，通用模型最后能不能直接把垂直能力做出来，甚至做得更好。我觉得这也非常难。
第一，我们内部做过大量测试，看到的是，垂直模型在一个领域里可以很快做到 50 分、60 分，但再往上做非常难，基本达不到可用程度。
主要原因是底层数据量。大模型更多是一种文本数据，而我们做的垂直模型更像多模态数据。
李翔
这个“多模态数据”的角度很有意思。
夏宁
你可能不能用一个大语言模型生成图片，然后比一个专门做图片的模型做得更好，我觉得逻辑是一样的。
第二，大语言模型太通用了。如果要做一个垂直领域，可能还是要搭建一个小团队，像我们这样的创业公司一样去做。
但它作为创业公司的优势其实也没有那么大。它能用大模型，我们也能用大模型。所以从这个角度来说，积累就更重要，包括对客户场景的理解，以及和客户深度、持续的合作。
李翔
你觉得挑战会是什么？
夏宁
挑战更多是，我们要逐渐加深自己的壁垒。这可能是一个长期过程。
我们说的脏活、累活，就是不断投入资源，把地基打得更深。最后和大模型形成相互合作：他们把他们的问题解决得更好，我们把我们的问题解决得更好，双方结合起来，把整个问题解决得更好。
可以说是相互依赖。这可能是模型应用落地过程中必然要经历的阶段。
李翔
今天因为 AI for Science 变得比较热，你最近也交流过不少投资人。
对于你们的模式、企业壁垒、竞争力和应用场景范围，现在这些因为 AI for Science 对你感兴趣的投资人，最容易误解的部分是什么？或者说，和你希望他们理解的方向、定位有差异的地方是什么？
夏宁
我觉得可能有两点。
第一，他们不太理解，觉得一定要做创新药或者新材料，市场空间才足够大。
但在我看来，这些是结果，不是原因。我们做合成领域 AI 的目的，是提高 DMTA 的研发效率；提高研发效率的目的，是让新药、新材料研发获得倍数级的效率提升，形成优势。
这时候你才有能力去做药、做材料，并拥有巨大的优势。
如果只是因为我要做一个药、做一个材料，那可能会陷入和传统模式没有太大区别的效率中。这个时候可能就更偏向讲故事，但实际上并不一定是真正的 AI 制药公司。
这是我和他们理解上的第一个不同：我认为应该先解决工具效率问题，再把最终目标调整到做完全创新的材料分子或药物分子。
第二，是对市场空间的理解。过去工具软件的市场可能没有那么大，但他们不容易想象，未来工具软件和大模型、智能体结合之后，能不能把整个工作流做完，变成整体交付结果的模式。
他们容易受到过去的影响，认为市场空间不够大。这是我和他们的第二个分歧。
李翔
假定从原来的模式转成更智能体的模式，会不会出现一定程度的马太效应？使用的人越多，产品越好用，模型或者基础能力越强。
这种飞轮效应、正循环，或者小范围的马太效应，在智能体模式下会比原来的软件模式更明显，还是差不多？
夏宁
我觉得会更明显。
之前底层工具不断创新，对整体效率的影响没有那么大。但如果整个智能体都用 AI 的模式去做，效率提升会更明显地体现在整体交付结果的速度和成本上。
用户能够感受到的变化会更明显。
李翔
从你今天最希望客户理解和接受你的程度来看，肯定已经有一部分客户被你们转化和教育了，也有一部分客户因为不了解，或者对你们的认知和真实定位、能力不一样，还没有被转化。
对于这些潜在用户，他们应该怎样理解和接受你们，才能更容易判断是否适合自己？
夏宁
现在大部分客户，不管接触过还是没有接触过，对 AI 都持比较积极的态度。从这个角度看，已经比 10 年前、5、6 年前好很多了。
其次，市场上公司和技术眼花缭乱，客户并不知道哪个好、哪个不好，所以都需要逐一测试。
但从客户角度看，人员改变习惯、接受新产品，本身都有阻力。所以我更希望客户的高层能够认识到，现在时代正在发生一个大的转变。
如果不积极提升效率、不接受这种转变，未来某个时间点很可能会被整个行业淘汰。
李翔
所以这多少有一点博弈或者囚徒困境：不上车的人会落伍，上车的人短期有优势，长期来看，如果其他人都上车了，优势又会变小。
夏宁
对，其实就是这种模式。
李翔
这算是进入 AI 时代了。
假定现在有一个和你背景一样的人，在 2026 年上半年进来做一模一样的事情。你做了 8 年之后回头看，先不说给建议，你觉得对于这样的挑战者和竞争者来说，过去 8 年积累的东西和优势主要在哪里？
夏宁
我觉得有几点。
第一，整个技术体系经过了 8 年打磨。这是非常漫长、需要投入大量精力和资源的事情。对一个新进入者来说，追赶这个时间是省不了的。
第二，从客户和市场角度看，如果现在再创业做这件事，市场可能已经没有了。
这些大客户已经使用了我们这样的产品，也建立了非常好的合作关系，再想替代几乎不可能。我们之前做电子实验记录本时就看到过这一点：客户一旦用了产品，并做了很多定制，就几乎不可能再让他更换。
所以我倒觉得，创业做这件事的时机可能已经过去了。
李翔
这个答案比我的问题还要残酷一些。
最后作为节目的收尾，你还有什么想和大家分享的？可以是建议、思考，或者对公司的一些说明和解释。
夏宁
我觉得 AI for Science 是一个很好的时代和机遇。还是希望有更多资本方愿意投入。
当然，现在很多人还在观望，因为看不清楚。但在我们看来，AI for Science 还处于非常早期，行业渗透率甚至不到千分之一。
我觉得它的趋势几乎是必然的。我们说 10 年之后，人还会不会做现在这些事情？我觉得大概率会做得很少，主要会由 AI 来完成。
这也是一个非常确定的中国机会。从各个角度看科学研发效率，多少有点像我们 13 年前开始电动车战略的时候。
中国经常讲弯道超车。但那个弯道不是你造出来的，而是正好出现了行业整体转向的机会。只不过你综合了各种优势，在这条路上率先跑起来。
李翔
今天的 AI for Science，广义上是在解决各种创造和研发效率突破的问题，也就是把数字化工具或者 AI 模型用在各种垂直领域，提升发现和突破的效率。
我经常打一个比方：这有点像显微镜发明之后，人们能够看到细菌和细胞，进而导致生物医学领域的科学进展出现广义上快速、大面积的突破。
大概就像现在这个阶段。如果显微镜算是一个弯道，那这就是通过弯道实现超车。
非常感谢夏博士和我们分享他在 AI for Science 具体领域，以及商业化和过去 8 年创业过程中的不同感受和经历。你也经历了资本市场的高光和低潮，现在可能迎来了同一个概念在模型演化之后，第二轮热潮的早期阶段。
我们也希望夏博士的公司和夏博士本人，能够在 AI for Science 的新方向上取得更好的结果和成就。
夏宁
谢谢。
李翔
谢谢大家。
夏宁
谢谢大家。