从兴趣出发：化学与编程的双重基因
丰瑞资本合伙人李峰在本期《产业观察》中引入了当前一级市场最热门的方向之一——AI for Science。这一趋势不仅源于产业实践的推进，更在政策层面得到确认：2023年7月底中央政治局经济工作会议明确将“推动基础研究发展”列为重要议题，为AI赋能科研提供了顶层设计支持。在此背景下，如何将人工智能技术应用于生命科学、尤其是化学合成领域，成为资本与产业共同关注的焦点。
本期嘉宾夏宁是智化科技创始人，拥有有机化学博士学位，自小兼具对编程的热爱与化学竞赛全国奖的背景。他坦言：“计算机是一门技术，化学是一个专业”，因此选择先深耕化学领域；而凭借早年持续的编程实践（“白天做实验，晚上写代码”），他在博士阶段仍保持技术敏感度，并尝试用程序模拟人类推理过程——尽管当时尚未形成可落地的AI模型，但为后续创业埋下了技术伏笔。
“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。”
“所有选计算机的人，他最后再想交叉到化学，其实难度非常的大。”
从零搭建：十八年磨一剑的底层探索
2008年，夏宁在法国开启首次创业尝试——彼时AI for Science尚属无人区：既无成熟模型、也缺结构化数据，更乏资本关注（2008–2015年间几乎零融资）。团队从最基础的基础设施入手：尝试高通量人工实验生成数据、手动结构化博士论文信息，甚至开发电子实验记录本（ELN）推动高校数据共享——但受限于经费与商业可持续性，多数模式最终未能规模化。
这些早期探索虽未直接产出产品，却沉淀出关键能力：底层架构设计经验、跨领域问题拆解思维与工程化落地意识。最终该公司被法国最大CRO母公司收购，夏宁由此积累了行业信任与技术资产，并于2015年回国加入网化网，负责B2B电商平台的数据架构；同期重启“AI逆合成”商业化尝试，并全球最早注册Chemical.AI域名，成为该方向早期商业化的代表者之一。
“从零八年到一五年，那时候没有什么资本的助力，全凭个人的理想兴趣……真的是从零开始，一点一点想解决这个问题需要什么，我们就找什么。”
模式演进：SaaS→智能体，锚定产业真实需求
2018年智化科技正式成立后，团队持续聚焦“用AI/算法/数据为化学研发降本增效”的核心目标，但商业模式历经多次迭代：初期以SaaS软件服务为主；后尝试软硬一体的自动化解决方案，却因硬件成熟度低、迭代周期长而放弃；也曾涉足CIO服务，但受限于自动化程度不足，在行业内卷中未能持续。
当前已转向更轻量、高适配性的智能体（Agent）模式，客户认可度显著提升。这一转变恰逢中国生物医药产业迎来爆发期：2024年管线授权（license out）金额激增，药明康德2025年上半年财报印证行业复苏——中国已占全球授权总额近70%份额。值得一提的是，夏宁早年为药明康德提供的逆合成预测软件曾在公开评选中胜出，成为其技术能力的早期行业背书。
“从一二年还在法国的时候就已经有这个萌芽的技术了……只有回国之后，我们才在解决了数据的问题之后，才开始探索商业化这个事。”
从偶然演示到关键合作：AI for Science 的早期落地
回溯这段创业起点，其契机颇具偶然性——团队通过药明康德高管引荐，主动提出演示一套AI驱动的化学合成软件。抵达现场后发现座无虚席：药明康德高管与高层悉数到场，团队当场演示分子建模与反应预测效果显著。这一合作成为公司首个商业化落地案例，也标志着AI for Science在制药化学合成领域真正进入产业视野。
值得注意的是，彼时（约2017–2018年）尚无GPT或Transformer架构，主流技术仍以传统机器学习与化学信息学（Cheminformatics）为主。后者虽非大众熟知领域，却是专门研究如何将化学反应逻辑转化为可计算算法的关键学科。在当时技术条件下，该系统已展现出极强的实用性与前瞻性——不仅解决了“能否做”的问题，更首次向产业界证明了AI驱动合成路径规划的可行性。
“我们算是最早让他看到了，就是说这个事是可以去做的。”
“在那个时候，以这样的情况来给药明康德这么个巨无霸提供这种事儿，并且还有其他一些著名公司的也提供相同产品的竞争，并且那个时候还没有GPT……那顶多有点这个再往前的这个人工智能的事儿，就是这些什么卷积神经网络这些事儿。”
白盒优先：科学软件的信任基石与可迭代性
面对产业界对可靠性、安全性与合规性的严苛要求，团队在产品设计上高度依赖白盒模型（white-box model）而非黑箱大模型。所谓“白盒”，即系统内部嵌入大量已知化学规律、经验公式与人类专家知识，确保每一步推理可追溯、可验证；而黑盒模型虽训练高效，却存在不可解释性与幻觉风险——一旦出错后果严重且无法定向修正。
这种架构选择带来两大核心优势：一是客户可基于透明逻辑提出修改建议，团队能精准定位问题并快速迭代；二是系统在面对复杂真实场景时具备可调教性（tunability）——例如调整层数、参数或约束条件时，影响路径清晰可控。相比之下，黑盒模型的“多米诺效应”（改A牵动BCD）使其难以适配工业级闭环需求。
“最大的问题是它不可提升，对，它不能调教……你发现问题，但是你不知道问题出在哪，你怎么去改进？”
这一理念也延伸至后续产品演进：初期仅4个模块，如今已扩展为9个模块；从最初服务分子设计团队（关注“能否合成”），逐步渗透至药化部门（追求快速制备毫克级样品）、工艺开发团队（强调低成本与可放大性）等多环节。不同部门对同一工具的需求差异显著：设计端重可行性，药化端重速度，工艺端重经济性与安全性——这种分层需求倒逼系统持续模块化升级。
穿越周期：理想主义者的长期主义
2019–2021年是行业高光期：资本狂热涌入，公司亦获多家投资方青睐，并收到某全球顶级CRO的多次收购邀约（团队当时仅二十余人）。最终选择独立发展，源于对长期价值的坚守——技术落地需经历真实工业场景的反复打磨。
在与跨国药企的合作中，产品从初始60–70分起步，通过上千条客户反馈的持续迭代逐步完善。这一过程印证了核心观点：AI for Science的成功不依赖“一击即中的技术突破”，而在于与产业深度耦合的渐进式进化。即便在行业寒冬期（约2021–2024中），团队仍保持研发节奏，印证了“低谷期未必是效率最低的阶段”这一判断。
“我觉得很多时候它是靠这种迭代出来的。”
站在当下回望，化学研究者的角色正经历重构：AI可高效完成文献检索、路线初筛等基础性工作，但人类专家的价值转向更高阶任务——如跨场景需求转化、风险权衡与创造性分子设计。技术非替代者，而是赋能工具：它释放了研究者的带宽，使团队能同时推进更多创新项目。
在资本起伏中沉淀创业心性
回望过去五年，生物医药领域经历了从极高光到超长寒冬的剧烈波动：2018–2019年缓慢升温，2020年进入热潮；而随后则陷入长达三至三年半的低谷，直到2024年底才略有回暖。作为一位兼具科学家背景与创业者身份的创始人，作者坦言这段周期性震荡极大锤炼了其心性——从早期对管理、商业化等领域的不熟悉，到逐步学会聚焦核心能力、避免盲目扩张。尤其在经历人数快速扩张却涉足不擅长领域后，团队重新回归“专注最本质的事”，不再被资本市场风向牵着走。
这一转变的核心认知是：科学创业者的长期主义，必须建立在对行业真实逻辑的坚守之上。资本虽能提供资源与建议，但其视角往往脱离科研一线；若完全依附外部观点调整方向（例如追逐热点而偏离自身技术主线），最终将损害项目可持续性。正如作者所言：
‘坚持自己认为正确的想法，不要完全被资本的观点带着走。因为资本他其实很多时候并不太懂这个行业的真实情况……很可能到最后，真正我们这种科学出身创业者来说会带偏。’
‘你可能为了一件比如说资本市场很追捧的一件事，你去改变了你的方向，你做了一个可能自己都不认可的事情。我觉得最终结果是不好的，就是长期来看……’
AI高潮叠加医疗低谷催生新范式
2022年成为关键转折点：生物医药仍处寒冬，而GPT的诞生标志着AI能力跃升至接近人类逻辑推理水平——这为化学合成等专业领域带来前所未有的机会。作者指出，此前AI在垂直任务（如逆合成预测）上已具备专业能力；但真实实验室场景中大量存在的泛化性问题（如设备缺失、操作约束等）长期难以解决。而大模型的出现，恰好补足了这一短板：它不仅能处理专业问题，还能理解并应对非结构化、上下文依赖强的现实条件。
由此催生了公司产品架构的重大演进：从工具型软件（供化学家手动调用）转向智能体驱动的服务模式。具体而言，用户通过自然语言向智能体描述需求（含目标分子、限制条件等），由其动态调度底层专业算法模块，生成可执行的合成路径；随着交互加深，智能体还能积累经验、逐步“成长”为可独立执行任务的数字员工。
‘它可能不简简单是一个友好的交互，这个智能体它会逐渐熟悉……他最后可能就像你的公司的一个员工一样，就你教他几次之后，你不用每次都教他了……’
白盒可解释性：AI落地的商业基石
尽管大模型本身具备强泛化能力，但作者强调：在严肃科学场景中，“黑盒”AI无法赢得客户信任。因此，公司持续强化系统的可解释性——不仅保留原有白盒算法模块（如基于机理的反应规则库），更通过大模型对决策路径进行透明化呈现（如解释为何选择某条路线、排除某些条件）。这一特性直接服务于商业化落地：客户需要明确知道“为什么”，才能在研发决策中采纳AI建议。
测评数据进一步佐证了当前技术成熟度：现有化学合成AI能力已相当于十年经验化学家水平，不仅能复现人类设计的路线，还能平均生成5–6种替代策略（远超人的1–2种），并在复杂工艺路线设计上达到同等甚至更高水平。这与AlphaFold在结构预测领域的突破路径高度相似——从验证关键案例（如辉瑞晶型测试）起步，逐步建立行业共识。
‘客户做用我们产品之前，他都会测试……他可能花了一个月两个月设计出来路线，结果发现我们这边五分钟就能跑出来，而且还给出了一些他也尝试过但没选的路线。’
DMTA循环中的合成瓶颈
在AI for Science推动的新药与新材料研发中，DMTA（Design-Make-Test-Analyze）循环是核心工作流程：设计→合成→测试→分析→再改进。目前，各环节效率差异显著——AI辅助设计阶段已可实现日均生成数百至数万分子结构，高通量测试亦能快速评估大量候选物的活性或性能；但合成环节仍是严重瓶颈：一名化学家平均每月仅能完成3–5个分子的合成，即日均1–2个反应。正因如此，整个研发通量的提升高度依赖于合成效率的突破。
行业反馈明确指出，客户最关注的就是合成端的加速能力：若仅提升其他环节（如设计或测试），对整体研发周期影响有限；唯有将合成效率成倍提升（如2–3倍已属重大进步，10–20倍则将彻底重塑研发范式），才能真正释放AI for Science的潜力。正如一位资深从业者所言：
‘客户他是非常重视在合成这个端的效率，因为他整个的研发效率就卡在这一端。’
‘如果你能做到十倍、二十倍，那你就把整个的新药研发和新材料研发通量上升了十倍到二十倍。’
AI能否发现超越人类经验的合成路径？
当前AI在逆合成分析中已展现出独特优势：它并非凭空创造新反应（受限于训练数据，不会生成超出已有化学知识体系的新反应类型），但能高效挖掘隐藏在数十万篇文献中的已知反应组合。例如，一条依赖10步的经典路线可能因AI发现某冷门文献中的关键转化而缩短至3–4步，显著降低时间与成本。
这种能力源于AI对海量文献的超人级检索、关联与推理能力——人类专家受限于知识广度和记忆，而AI可系统性扫描并重构最优路径。实践中已有案例证实：AI能提出‘有经验化学家想不到，却又可行且更优美’的合成策略。这并非科幻场景，而是正在发生的产业现实。
值得注意的是，AI的创新仍建立在高质量数据基础上。正如行业观察所强调：
‘我们所有的AI都是基于已有的数据在做创新，那它不会在数据层面上找到一个偏离这些数据的点提供给你。’
AI背景创业者的行业认知挑战
从创业者构成看，两类路径并存：纯AI背景者（如算法专家）与‘Bio+AI’复合背景者（熟悉药物研发流程并掌握建模能力）。然而，纯AI背景团队常面临根本性障碍——缺乏对化学/生物领域的‘know-how’，导致问题定义错误、模型目标偏移。即便技术能力出众，若无法准确理解工业场景中的真实痛点（如反应失败的隐性因素、实验噪声特性），其模型往往难以落地。
这一挑战进一步延伸至数据策略：正向成功案例（如高收率反应）在当前阶段对模型训练贡献最大，因AI首要目标是达到人类专家水平；而负向失败数据虽重要（尤其在超越人类认知阶段），但现阶段优先级较低。一位从业者指出：‘达到十年经验化学家的判断水平，已足以支撑商业化；此时模型主要学习成功路径，而非预测失败。’
此外，成本控制成为产品落地的关键约束：基座模型调用的token消耗并非 negligible——尤其当客户内部已部署私有大模型时，系统需内置‘智能调度’机制，在保证性能前提下最小化计算开销。行业共识是：AI工具必须比人工更经济，否则难以规模化推广。
模型分层策略：降本增效的工程化路径
在AI for Science落地制药与化学合成场景的过程中，模型分层部署已成为工程化降本的核心策略。团队会将问题按复杂度分类：简单任务优先由本地部署的小模型（几十B参数级）处理，避免调用高成本的大模型；仅当问题涉及高度不确定性、多步推理或复杂约束时，才启用大模型。这种“小模型兜底、大模型攻坚”的混合架构，显著降低了整体token消耗与算力开销。值得注意的是，随着用户规模扩大、交互频次提升，终端客户（尤其是非头部企业）往往缺乏自建基座模型的能力与带宽资源，因此垂直领域的小型端侧/边缘模型将成为阶段性重要机会点。工程团队正持续优化推理路径，将“能用小模型解决的问题绝不上大模型”作为铁律——这不仅是技术选择，更是商业可持续性的关键。
那么这类问题就是说，简单的问题我们就用不花钱的模型，或者是这个自己部署的模型解决。然后真正到需要的时候，我们再调这些高级的模。
我们会在做工程的优化，相当于这是一个不断降本的一个过程。直到最后就是优化不了的，我们才用大模型。
SaaS向智能体服务演进：混合付费模式的必然性
从SaaS走向Agent化服务，并非简单的功能升级，而是商业模式的结构性重构。当前客户对成本高度敏感——当SaaS已能满足常规需求时，他们不会为冗余能力额外付费；而复杂任务若完全自建又成本过高、周期过长，此时智能体服务便成为最优解。因此，未来市场将长期呈现SaaS与Agent混合共存的格局：基础功能标准化订阅 + 高阶能力按调用付费。这种模式既保留了SaaS的普惠性，又赋予智能体灵活性与价值可量化性。从客户结构看，尽管国内新药企数量更多、增长迅猛（尤其在管线License-out驱动下），但当前付费总额仍以欧美跨国药企为主；而印度市场增速同样惊人（今年新增30+客户），其创新药研发投入正快速提升，不再局限于传统原料药/仿制药领域。这印证了全球生物医药研发正进入“供给集中于中国、印度，需求主导权仍在欧美”的阶段性格局。
它会长期存在mix，因为客户一定有一些问题，他是不愿意付更多的钱的。他觉得我用SaaS就能解决的很好了，我为什么要付钱？当然有一些问题SaaS解决不好……
技术边界拓展：从化学合成到生物制造的融合
AI在化学合成中的能力已延伸至有机小分子材料领域，覆盖OLED显示材料、电池添加剂、光刻胶等典型应用场景；同时，在生物合成方向，系统不仅能推荐含酶催化步骤的最优路径（包括具体酶种建议），更将酶催化视为化学反应的一种特殊形式——催化剂由传统金属配合物替换为高特异性生物酶。但需明确：当前能力聚焦于“已有反应路径的组合优化”，尚不支持从零设计需定向进化的非天然酶。这揭示了一个深层趋势：AI驱动的合成路线规划，正在模糊化学与生物制造的传统边界。随着中国生物医药产业从“国链代工”向自主创新跃迁（类比精密制造曾经历的阶段），对“多、快、好”的研发效率工具需求激增，AI正从辅助角色升级为倒逼管线扩张的核心基础设施。未来若能形成类似“世界工厂”的全球医药制造中心，AI for Science将不仅是工具，更是产业范式变革的底层引擎。
他本质上还是一个化学反应，它是把A变成了B，只是它的催化剂用的不是我们说的传统的这种小分子催化剂或者是一些这种金属配体催化剂，而是一个酶……
理解偏差一：工具效率优先于目标导向
在与投资人沟通时，我们发现一个普遍的认知偏差：很多人误以为必须以“做出创新药”或“开发新材料”作为AI for Science项目的直接目标，才能体现其市场价值。但事实上，这种结果导向的思路存在逻辑倒置——创新分子或材料本身是效率提升后的自然产出，而非前提条件。
我们的核心定位始终是：通过AI显著提升药物与材料研发中的DMT（Design-Make-Test-Analyze）循环效率。只有当整体研发流程获得数量级的加速与成本优化后，企业才真正具备在创新领域建立壁垒的能力；否则，若仅以“做药/材料”为出发点，很容易陷入与传统研发模式相似的效率水平，最终沦为概念包装而非真实的技术驱动型公司。
“我们做合成的、做这块AI的，目的是为了提高DMT的研发效率……产生一个优势，这时候你才能说我去做药、做材料，我有巨大的优势。”
“否则，如果是只是因为我要做一个药、做一个材料的话……可能就偏讲故事为主了。”
理解偏差二：市场空间的认知滞后
另一个关键分歧在于对“工具软件”未来形态的判断。许多观察者受限于过往经验，认为AI for Science仍只是传统科研软件的小幅升级，因此低估其市场潜力。
但我们认为：当AI从辅助工具演进为具备自主工作流执行能力的智能体（Agent），整个研发流程将从“模块化工具拼接”转向“端到端结果交付”，从而释放指数级增长空间。这种转变会带来显著的正向反馈机制——无论是用户规模扩大带来的模型优化，还是数据闭环增强后的系统能力跃升（即所谓的“马太效应”或飞轮效应），都将远超早期工具软件的线性改进路径。
“如果你在整个智能体全部用这种AI的模式去做的话，它的效率提升会更明显的体现出它的这个整体的交付结果的速度啊，包括成本上面去。”