2025年12月26日，【想象·2025极新AIGC峰会】在上海浦东浦软大厦成功召开。极新创始人姜稳、深势科技生命科学高级业务架构师孟月、Zilliz出海业务负责人乔丹、新研智材联合创始人&CTO南凯在会上进行了题为《智慧科研，AI赋能》的圆桌讨论。四位来自技术服务商、科研机构、企业等不同赛道的大咖重点讨论了AIGC对于科研领域的助益与挑战，运用现实案例深入浅出地分析了AIGC介入科研流程的固有优势与可挖掘的潜力，为现场嘉宾带来满满的干货。
对话 当中重点提到以下几点：
"若将AI视为一轮技术变革，其影响力会持续很久，但商业层面，现在能跑出来的玩家已经在场。"
"材料作为实验科学，数据是最大的缺少的点，如何将专家经验提取出来，让AI理解物理世界，像专家一样去思考，会成为最终的方式。"
"AI不是要替代科学家，而是帮助科学家解放重复劳动，聚焦更核心的问题。"
以下内容为圆桌会议原文，经极新整理：
**姜稳：**大家看了很多好的应用，也看了很多AI案例，到底AI案例是怎么做出来的？我们希望通过科研圆桌，让大家理解AI到底能不能赚钱。如果各位作为投资人，AI要不要投？我们先对这个行业有一个判断，再输出观点。请三位各自介绍一下专业背景或履历。
**孟月：**大家好，我是孟月，目前在深势科技生命科学事业部担任业务架构师。我毕业于中国农业大学计算化学专业。自加入公司以来，我的核心角色就是致力于推动"AI for Science"这一新范式在生物医药等领域的产业化落地。具体来说，我的工作是桥梁，专注于将我们前沿的AI算法平台与工具，与生命科学研发中的具体场景和实际痛点深度结合，并设计、交付能真正解决问题的定制化解决方案。
**乔丹：**我叫乔丹，来自zilliz商业化团队，我在Zilliz见证并参与了这家公司，从商业化0到1的过程。
南凯： 我叫南凯，是新研智材的联合创始人兼CTO，博士专业是应用物理。2022 年开始做AI4Biotech。我一直认为AI+生物医药已发展得相当成熟。AI+材料可借鉴AI+生物医药的路线，无论是商业逻辑，还是公司发展的组织架构等。目前在我看来，去年是AI+材料的好节点，今年也看到很多友商加入。赛道热闹，说明我们都认同AI能助力人类进步，毕竟材料科学在很大程度上是诸多领域的基础。
01
AI 科研的核 心难点在哪？
姜稳： 刚才讲了向量数据库，科研要进步，离不开数据，数据需存储在数据库中，有了底层技术，才能用AI科研工具做生命健康、生物化学或材料相关研究。今天我们力争还原，中国乃至世界，科研与AI结合的路上正发生什么从历史角度看，在AI科研领域，底层技术目前发展到了什么阶段？
**乔丹：**回忆AI 爆火之初的2022年，我当时在微软工作，作为Open AI的主要合作方，发现公司有这样的"杀手锏"时，我们非常兴奋。回忆到现在差不多刚经历三年完整周期。对比移动互联网12年的发展历程，若以10年为维度，AI领域还非常早；但从商业化早期视角看，所有发展都是指数级增速，未来10年的发展，如今可能已到中场。中场的界定，比如去年AI相关的数字规模，在移动互联网阶段难以想象，包括Open AI万亿级的体量。
我的观点是：若将AI视为一轮技术变革，其影响力会持续很久，但商业层面，现在能跑出来的玩家 可能 **已经在场。**接下来会持续挖掘其在估值市场和应用场景的创造力，行业将度过从无概念到建立概念的第一阶段。移动互联网初期，市场人才储备不足，而现在AI领域人才充足。下一个阶段，会看到像豆包这样的尝试，包括豆包手机的出现，各家厂商也在布局垂类产品，说明C端已产生巨大流量；还有营销端像GEO这样的范式出现，给营销产品带来很多想象力。各个场景的创新正在不断涌现。
南凯： 首先，材料是个非常宽泛的范畴，科研本身就涵盖生物、材料等多个领域，材料又包括催化材料、合成材料、复合材料等，生活中常见的可降解材料、电池材料都属于这一范畴。目前，行业仍处于 尝试各种 强大算法的阶段，大家尝试用更先进的AI算法解决实际应用问题，但材料是实验科学，参数过多，只能具体问题具体分析，每个细分领域可能会诞生一种范式。
整体来看，我们提出将AI4Materials划分为四个等级，分别是L1，传统由工程师主导的研发模型，L2，AI部分辅助研发，L3，智能体主导研发方向阶段，以及L4，软硬件结合的AI全自动研发模型。目前我们公司做到了L3阶段，正在朝L4阶段进步。
从AI+垂域这个角度来看，我们依然被困在"如何提取垂域数据培育的'know-how'"这一困局中。AI需要遵循诸多规则，在垂直领域上又面临数据短缺的问题，材料是传统行业，数据是最大短板，只能依靠专家经验。让AI 能够像行业专家一样思考去 理解物理世界，可能是最终方向，但目前 大家都 仍在尝试用不同AI模型解决这一问题。
我们目前在半导体领域的垂域提取方法已实现闭环，能提取专家know how经验。我们计划明年用这套方法论对其他垂直领域进行延展。这个问题的核心在于，专家的know-how是其对一类事情的思考方式，如何让AI学习这种思考方式？比如我刚入职时可能不懂向量数据库，请教乔总后，若问题太宽泛，只能一知半解，后续还会有无数具体问题，依然学不到精髓。所以，精准获取know-how，可能会成为未来AI科研的范式，希望我们明年能将这种方式推广出去。
**孟月：**我从两个方面来分享。首先，关于我们的定位。深势科技是 "AI for Science" 新范式的引领者，致力于构建下一代 "科学发现智能引擎" 。我们通过深度融合AI与科学模型，为从早期药物发现到临床前开发的全流程提供智能化的基础设施，在此基础上，我们正持续推动这些能力向临床研究及更广阔的产业化应用延伸，目标是为药物研发提供贯穿全周期的智能化解决方案。
其次，关于我们的实践。我们以 "玻尔·科研空间站" 为核心平台，其中 "Hermite®药物计算设计平台" 等工具，正在业内积极推动 "计算引导实验、实验优化计算" 的研发新范式。这套体系的实效已获得了产业界的广泛认可，深度赋能了众多生命科学领域的领先企业及其关键管线，能够帮助合作伙伴显著降低湿实验的投入与周期。
02
长周期VS快迭代，AI科研如何破局未来？
**姜稳：**互联网和今天的AI有很多相似点，接下来我们聊聊发展挑战，还是从底层设施说起。底层设施至关重要，本月摩尔线程和木樨上市，木樨就在上海浦东软件园，大家之所以兴奋，是因为英伟达5万亿的市值印证了"底层基础设施决定上层建筑"，就像人的底层认知决定生活方式、解决问题的能力和驱动资源的方式。从底层来看，向量数据库领域，接下来会遇到哪些挑战？
乔丹： Zilliz将进一步获益于 非结构化数据 （如图片、音视频等多模态） 的持续增长，并 致力于 **保持领先优势。**从目前态势看，我们既然选择AI行业，就坚信技术变革会发生。
我们始终：第一，以非结构化数据处理为核心 ，专注。让客户不必担忧数据安全或强制捆绑；第二，开源 ，欢迎大家使用我们的开源产品、交流反馈，为行业提供核心价值；**第三，坚持云原生概念，支持公有云、私有云、混合云等多种架构。**挑战主要源于自身，但目前克服得不错。
南凯： 这个问题很关键，毕竟AI的核心是数据。从材料科学来看，我们希望国内的材料能 够快速发展，早日实现关键材料的国产化 **。**刚才提到的高通量数据库，很大程度上依赖文献数据或模拟计算数据，但材料是实验科学，这类数据库与实际数据差异很大。
若想在材料领域实现国产替代，首先要建立高质量数据库，这也是我们公司的计划，预计明年建立AI4S协会，邀请企业贡献数据，推动数据库标准化。材料科学的数据非常宝贵，这也是材料行业没有CRO的原因，但企业往往只重视成功数据，忽略了大量有价值的失败数据。
我们号召客户参与数据库创建，"人人贡献一点，整个行业都会更好"，最终大家都会受益。其次，从国内行业发展来看，需要耐住性子。AI 要求及时反馈、追求"大新闻"，但材料科学、生物医药等科研领域具有长周期属性。如何平衡"AI的短期热度"与"科研的长期踏实"，是关键所在，所有从业者需要真正专注科研，而非画大饼。
孟月： 这个问题非常契合深势的核心战略。我们最初的愿景是成为"微观世界的达索系统"。基于对科研需求的深入洞察，我们进一步聚焦于构建AI4S的 "四梁"平台系统，即基于基本原理与数据驱动的算法模型和软件系统，高效率且高精度的实验表征系统，作为文献替代的数据库与知识库，以及高度整合的计算平台，并以此支撑 "读、算、做" 的完整能力闭环。在此之上，如何将这些平台与AI科学家联系起来，成为我们今年的核心战略目标：打造"AI科 学 家"。 这并非强调AI替代科学家，而是让AI帮助科学家解放重复劳动，聚焦更核心的 技术创新 问题。
这一愿景已取得实质性进展。我们（联合上交等）推出了通用科学智能体 "SciMaster" 。在垂直领域，我们于2025年11月正式发布了AI药化助手 "PharmMaster" ，它能够将药化学家在靶点立项阶段的核心调研周期从平均3周大幅压缩至3天。未来，我们将紧密围绕产业真实需求，持续优化"AI科学家"的能力与场景契合度，目标是将它打造成赋能千行百业的基础创新力量。