深势科技孙伟杰：跟AI配合起来，每个人都可以变成科学家



 

　　中国国际服务贸易交易会-2025中国AIGC创新应用论坛于2025年9月12日在北京举行。主题为“从大模型到智能体，驱动AI新生态”。深势科技创始人、CEO孙伟杰出席并演讲。

　　以下为演讲实录：

　　非常荣幸能够在服贸会AIGC的论坛上跟大家分享我们在AI for Science方面的进展。刚才听了很多报告，AI已经可以帮我们处理各种各样的任务，并且在文案写作、视频生成，包括营销方面都可以成为我们非常得力的助手。

　　大家有没有想过，AI也可以帮我们做科学研究，帮助我们进行科学发现，在座的每一位都可以跟AI配合起来，每个人都可以变成科学家，这就是我们在做的事情。

　　为什么要运用AI帮大家做科学发现呢？首先咱们国家的经济已经越来越多的进入到了由研发和创新驱动的阶段，越来越摆脱过去靠价格、规模取胜的增长的阶段了。而全球每年在研发上的投入差不多是2.8万亿美金，中国每年的研发投入3.6万亿人民币。

　　我们投入了海量的研发的费用，但是我们所得到的真正的科学产出却是非常有限的，据不完全统计，我们在人类过去几百年间真正发现的创新型的药物只有几千款，人类真正做出的创新型材料只有1万款左右，是说人类的需求、行业的需求不够吗？其实也不是的，我们追求更美好的生活、追求更强大的行业的发展，它对新的分子、新的材料，其实可以说是无穷无尽的需求。

　　是我们客观世界的限制没有那么大的空间可以挖掘吗？其实也不是，从物理或者化学来讲，潜在的可以成为药物的分子，就是小分子药物的化学分子，有超过1065这么多，潜在可以成为新材料的晶体结构，差不多超过10100。潜在的可以成为一款蛋白质药物的，成为一款抗体差不多也有10130次方以上。

　　客观的规律、我们的需求和海量的投入，都在驱动着科学发现和科学的发展，但为什么我们获得的科学发现极其有限呢？核心的原因是科学生产力严重不足，一方面的，工具相对来说比较低效，另外一方面，科学研究里面最核心的生产要素就是人，人的大脑和智慧是很难去复制、放大和升级的。这就给我们的科学研究带来了很大的限制。

　　毫无疑问，随着AI和智能体时代的到来，科学研究它底层也有了新的变化，模型的推理能力、记忆能力和调用能力提升，我们可以把它充分的用到科学发现上面，让AI来发现新的科学成果。这个就是我们的产品Demo，可以看AI如何帮助我们快速的进行科学文献的调研、信息的整合，提出科学的假设，进一步的进行计算模拟，我们自动的进行电解液配方的研发，生成一个电解液配方之后，进一步的展示电解液配方生成的报告，它会指挥自动的把电池的电解液配置出来，自动化的进行实验，直到我们收取到了一款创新性的电解液，它又把数据收集回来，再跟大模型闭环，再去进一步的迭代。

　　其实科学研究最基本的三项工作就是读、算、做，当前AI智能体已经在全学科上都达到了博士后级别研发的能力，我们预计明年到后年，2-3年的时间，AI智能体在科学研究方面，应该普遍会超过10年以上研发经验的科学家。我们预测未来5年之内，可能80%以上的科学成果是AI发现的，至少是AI深度的参与到科学发现和创作中来。

　　所以说想要打造AI for Science的终极愿景就是打造AI科学家，让AI帮助我们去整合知识、生成假设、探索未知、闭环迭代，它必须得读、算、做的能力。所以这里面最基本的两步，第一步，过去读、算、做的工具必须进行AI化的改造。过去我们做科研，大家都知道，会去查很多文献，有很多文献和专利的数据库，在AI时代我们把它变成一个智能化的科学导航，让我们查询知识库，整合人类已有的知识，做文献综述，发现过去研究的空白点、矛盾点，更加的方便。

　　也就是说AI有思维链，能够帮助我们整理全人类的认知链，让我们把所有思想的科学脉络能够很快地梳理出来。第二，所有的科学研究和工业研发走向成熟最重要的标志就是我们在电脑里面能算了，比如说我们现在去做装修，肯定是先要生成一系列的渲染图，在电脑里面把装修都设计好之后才能够实际的去施工执行。所有的科研也是的，我们肯定要在电脑里面先算这一款分子好不好？这一款蛋白好不好？这个汽车这么设计好不好？当AI帮我们计算之后，我们整体的研发效率就能够得到极大的提升，非常大的AI for Science的突破，大家都知道AlphaFold，AlphaFold已经拿了诺贝尔奖了，其实在AI做计算的这个领域，还有大量的类似于AlphaFold这样的诺贝尔奖级别的创新机会。

　　我们刚才看到云深处的机器人非常的酷炫，未来所有的实验一定是AI和机器人来帮我们做的。我之前学化学的时候，专业课里面有一门实验课，每个学期要上40个学时，但是零学分，必须得学，不学不能毕业，但是学了之后又（不）算学分。所以就非常痛苦，因为我们每一天做一个色谱柱分离的实验，一个实验下来要几个小时，人就得在那里盯着，一天过两到三根柱子就已经非常非常累了，现在机器人帮我们去过柱子，非常快，一天过100多根柱子也不会累，而且误差要比人小很多。

　　当我们把所有的科研工具都变成AI化之后，第二步就是把所有的科研工具都要变成MCP，让AI Agent可以非常好的调用，基于这样的Agent我们进一步打造一个个细分垂直领域的科学家，比如说AI药学家、AI生物学家和AI材料学家。

　　为什么我们过去文献阅读的工具要进行很好的改造呢？我这里举出了一个很鲜明的例子，大家看这两张图，我们现在的科研人员查询文献的方式，当然很多时候我们在电脑和Ipad上去看文献，我们获取信息的方式和19世纪没有什么区别，这就束缚了我们的生产效率，而且更可怕的事实是，过去几十年间人类的文献增长了4千倍。但是人的阅读速度只提升了不到 2倍，也就意味着不仅是全人类的文献不可能一个人都读，细分领域的、我自己学科的文献可能自己都读不过来，而现在我们有了一系列的科学导航，比如说在我们的产品上来问量子计算的发展方向是什么？AI理解这个问题之后，会在全球所有的文献库里面进行详细的调研，并且把调研报告迅速的给到我们，同时定位出最关键的文献是什么，我们可以非常方便的聚焦到最精华的几十篇文献进行更深入的问答和探讨。

　　科研的多智能体平台SciMaster也是，它会把一个科学问题拆解成多个子内容，然后调度一个科学家团队，共同的每一个问题分别的进行研究，给我们一个明确的结论。当然了SciMaster不仅可以读文献，还可以帮助我们去做计划和试验。

　　在这里面，我问了一个关于航空高温合金耐蠕变性能主要机理差异的分析，这个其实是一个非常专业的科学问题了。通常得有博士后，甚至有5-10年研发经验的科学家才能够很好的回答这个问题，我们可以看一下，在制定研究计划之后，把这一个问题拆解成了5个子课题，每一个课题由不同的Agent来分别进行研究，它在10分钟的时间内，读了超过几百篇的网页和文献，并且给出了非常深度的调研报告。由于时间原因，这个报告可能没有办法展示，扫描二维码，可以定位到刚才的这个问题，并且可以下载这个报告来查看。

　　当然了，大家也可以拍照，我们的定位是每个人身边的AI科学家朋友，所以说大家在生活里面还是自己的兴趣，有一些科普的问题想要问，或者说有很多时候大家在工作中遇到了一些研发方面的问题，都可以随时来问我们的科学家朋友，问我们的玻尔，或者问SciMaster。

　　第二步，为什么做计算很重要。我刚才举了装修的例子。这是莱特兄弟早期发明飞机的时候，大家在整个互联网上都找不到莱特兄弟自己开飞机的照片，大家可以想想是因为什么？他们都是拿着帽子在地上跑，他们的助手开飞机，因为那个时候发明飞机的主要范式还是重复性的实验，所以危险系数非常高，而这个领域研发成熟的标志是我们可以在电脑里面算了。所以说，最著名的工业软件厂商达索系统，他们的口号就是我们让飞机先在电脑里飞起来，然后让飞机在现实世界飞起来。

　　这么多年过去了，我们在原子、分子，比如说生物医药、化工材料的研发和爱迪生发明灯丝的时候似乎没有任何区别，还是大规模的试错，所以说做材料的人经常自嘲，说我们做材料的人就是炒菜，做药物的人经常自嘲，说我们做药物的人就是炼丹。我们有没有更好的方法让药物和材料在电脑里先有效，然后让它在人体上，在现实世界里再有效。这个就是我们材料研发的平台，可以在电脑里面非常快捷地对材料的微观结构进行建模，对材料的性质进行模拟。

　　当然底层基于一系列的全球领先科学计算大模型体系，我们打造的原子、分子和基因大模型都是全球首发，并且有领先地位的，Follow AlphaFold非常好的进展，我们也是国内第一个复现出AlphaFold，并且开源产生很大影响力的团队。

　　当然了我们也可以进行汽车飞机流体的仿真，我们给智能体输入了一张汽车的图片，它自动的给汽车进行建模，建模之后进行分组系数、降低风燥的计算的仿真，可以看到我们输入一张图片之后，自动的AI智能体就能够生成一个模型，自动进行网格的切分，并且进行计算。

　　最后就是AI怎么帮我们去做实验？实验的效率低下，也是我们科研效率低的重要原因，大家可以看，左半张图是1833年李比希化学实验室，右半张图是一个现代化化学实验室。但是大家可以看到，200多年过去了，这两个实验室好像没有什么差别，它的导台、实验室的器皿，试剂的摆放，甚至说人和实验室环境交互的方式，和200年前没有任何的区别。

　　但是在AI时代，现在的实验是这么做的，这是我们真实的合作伙伴的实验室，可以看到把我们的实验需求输入给智能体，智能体会自动的把实验需求拆解成实验步骤，第一步到第八步，然后确认是否需要修改。人类说确认正确，AI会自动的生成实验的机器工作的工作流，并且帮我们把实验参数都自动的配制好。自配制时间参数，然后我们提交实验，它就自己开始做实验了。收集完数据之后，就呈现在界面上，跟大模型又产生进一步的迭代，进一步的训练这个模型，再进一步提出潜在靠谱的分子，进一步合成再去做实验。

　　靠着这样的范式，我们也打造了一套电解液配方发现的平台。当我们有一个电解液研发的需求。比如说高压电解液研发的需求，AI会帮我们自动的去读文献，找到一些潜在的方向，它会自动化的生成一些配方，它自动化的把电解液合成出来，自己去做测试、做实验，最后把研究的报告写好之后反馈给人类，人类在过程中和它去协同，监督、纠正它的错误，或者监督它的进行就可以了。

　　现在，研发智能化升级是作为企业都面临着的一个巨大机会和必然的趋势。当然，我们上一代大家做数字化升级的时候，每一家企业也不可能把Office、Oracle这些基础设施都做了。深势科技提供的能力是，提供一个智能化的研发平台的底座，刚才我们所展示的读、算、做相关的能力都有七八十分共性的基础设施了。我们的合作伙伴可以基于我们的能力在上面进一步的开发属于自己专属的平台，我们的分子大模型是可以对所有的分子都进行预测，如果大家想要进行药物研发的话，可以在我们的模型基础上进行二次微调训练和后训练，变成自己专属的模型。

　　我们帮客户算了一笔账，使用了我们的智能化研发平台之后，可以把文献调研的效率提升100倍以上，整体研发过程中的实验成本可以降低76%，整体实验室的利用率和测试的通量可以提升10倍。

　　最后引用一下Sam Altman在6月11日的这篇发言。因为打造AI科学家，让AI解决科学发现的问题，可以说是AI的终极使命，如果AI能够帮助人类进行科学发现，那就意味着人类所有底层的创新到落地的闭环都可以由AI来完成，其实这个可以说是AI最核心的一个任务。所以他也预测今年能够完成复杂脑力工作的AI智能体将重塑软件行业，大家现在也已经看到了，AI写代码确实已经很厉害了。第二，他觉得到明年能发现全新科学见解的系统可能会出现，我们奔向这个共同的目标。

　　深势科技是AI for Science领域的开拓者和引领者，我们是在2018年在全球率先提出AI for Science的概念，并且第一个系统性布局的这样一家公司，也是期待在AI研发方面能够和大家合作，因为我们是每一个企业的首席AI研发顾问，也是每一个人的AI科学家朋友。

　　多谢大家！



　　新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。