AI for Science的中國機會｜對談Deep Principle深度原理創始人賈皓鈞

來源：財經媒體人 於超

AI for Science（AI驅動科學發現），正在改寫科學發現的底層邏輯，逐步改變人類探索世界的方式。當 AlphaFold 團隊摘得 2024 年諾貝爾化學獎，AI 首次以“發現者”的角色進入基礎科研核心，標誌着 AI for Science 的時代性拐點真正到來。

AI開始深度介入科學探索全過程，從加速實驗、輔助建模，到參與提出假設、反饋驗證——AI 與物理、生命等基礎科學的融合，已不再是工具升級，而是科研範式的重構。

什麼是 AI for Science （AI4S）？它不僅是用 AI 來加速實驗，更是推動科學從“靠經驗試錯”邁向“由智能主導”的全新範式。理想形態下，它應當像科學家一樣：提出假設、規劃實驗、分析數據，並通過反饋持續修正、迭代模型，完成閉環優化。 正如深度原理Deep Principle創始人賈皓鈞所說：“AI不是要取代科學家，而是讓更多人站在巨人的肩膀上，用更少的時間，推動更大的發現”

本期對談中，賈皓鈞這位 MIT 出身、投身 AI4S 創業的科學家型創始人，系統聊了聊 AI for Science 的三階段演進邏輯，AI for Science的“ DeepSeek 時刻”的前提條件，講述爲什麼這場科研革命在中國更具落地優勢，也分享 了AI 創業中最被低估但最關鍵的創始人能力。

當 AI scientist、自動化實驗與科研生態的飛輪真正啓動，我們距離下一個重大科學發現，或許比想象中更近。

01．AI 正在成爲新一代科研“引擎”

Michelle於超：現在越來越多地聽到“AI正在重塑科學研究”的討論。而深度原理Deep Principle，正是一家專注在 AI for Science（AI4S）方向的創新公司。能不能具體聊一聊，目前深度原理Deep Principle的技術方向是怎樣的？產品形態發展到了哪一步？在整個科研鏈條中，你們主要聚焦在哪些問題、解決什麼樣的科學難題？作爲這一波“AI + 科學”創業浪潮中走在前面的團隊，你們的路徑有什麼特別之處？

賈皓鈞：好的，先說一下我們公司的歷程。我們是在 2024 年 6 月從美國回到中國發展的，目前團隊主要在杭州。其實最初這個項目是從 MIT 孵化出來的，我們最早在 2022 年就萌生了這個想法，之後也得到了很多來自 MIT 社區的支持和資源。但最終，我們還是決定把主戰場放在中國。

我們在做的事情，其實是用人工智能去解鎖一些全新的化學反應路徑，主要聚焦在化學材料和反應機制這塊。具體一點說，就是 AI for Chemistry & Materials，像 carbon capture（碳捕捉）和功能材料發現這樣的方向，是我們重點在做的。

這兩年，尤其是到了 2024 年，隨着生成式 AI 的爆發，整個行業對“AI + 科學”的關注度明顯提升了，美國和歐洲很多創業者和學者都看到了這個領域的潛力和機會，紛紛出來創業。我們也是其中一員。但在國內，我們應該算是最早、也是目前唯一一傢俱備從頭到尾全鏈路能力、專注在化學與材料領域的 AI 科創公司。

02．AI for Science 發展路徑三階段

Michelle於超：在您看來，AI for Science 當前的發展路徑是否已經形成一個清晰的技術分層？從數據建模、假設生成到自動化實驗，不同階段的AI介入方式分別有什麼樣的典型代表和挑戰？

賈皓鈞：在化學和材料領域，AI for Science其實這些年發生了很大的變化。就是AI for Science這個到底是什麼樣的定義。

我們一般也認爲AI for science有三個階段。

第一個階段是 AI 作爲科學數據分析工具的階段 （AI Assistant）。我們知道任何的科學研究都會產生一些的數據。那這些數據是怎麼個分析呢？尤其是這裡面可能數據的維度很高，有一堆X和一大堆Y，我們想知道某一、兩個Y跟哪些X是有相關作用。因爲我們可能想定向優化某些性能，所以這裡面其實有個非常高維度的問題。所以能不能通過一些簡單的機器學習模型來做一些數據的分析，降維來幫助我們比人腦更好的來理解這些數學，或者說是一些數據背後所隱含的一些含義。這就是AI for science的第一階段作爲AI Assistant。

簡單來說，AI 在這一階段的作用是輔助我們理解已有數據中蘊含的科學意義，這是 AI for Science 的起點，也是在各類科研場景中已經得到廣泛驗證和應用的部分。

第二階段的話，就會更加智能一點，進入了 AI 深度參與科研過程的階段 （AI Scientist）。大家做科研就一定要做實驗，而實驗通常分爲兩大部分，或者說科學發現分成兩大部分。

第一部分就叫做hypothesis generation（科學假設生成），就是生成一些科學性的假設。這部分過去往往只有頂尖科學家能完成，例如牛頓、愛因斯坦、薛定諤等，他們屬於極少數能從複雜現象中提出突破性理論的人。但現在，AI 已經開始在這一環節提供強有力的輔助——它能夠從大規模文獻、數據中總結規律，輔助科學家提出可能性的理論方向。

第二部分就叫做experimental validation（實驗驗證），也就是在已有假設的基礎上，通過不斷試驗去驗證是否成立。這個是絕大多數科學家一直在乾的。就是很牛的人可能花一天提出一個偉大的idea，剩下的人花了十年把它來驗證。

所以這兩部分其實AI都可以參與到。例如我們做實驗的時候，我們的數據能不能及時被得到驗證以及迭代，來指導我們下一步來做這個實驗。就例如我們想做一些純粹的“autonomous lab”（自主實驗室） ，就是純自動化的實驗室。這一方向近年來已有不少突破性的成果，預計在未來一到兩年內，將對科研效率帶來實質性的提升。

第三階段其實就像我們有點像AGI了，接近 AGI 的能力邊界 （AI Innovator）。我們設想是否能出現一種完全自動化的科學系統，由 AI 獨立完成從提出問題、構建模型、設計算法，到發現新的科學規律的全過程。它不再只是輔助人類做科學，而是像科學家一樣主動提出問題並解答問題。

比如，它是否能夠自動推導出某些新的公式，甚至發現類似牛頓三大定律這樣具有劃時代意義的自然法則？這就是我們常說的AI Innovator。

我認爲，這個階段的實現可能比真正的通用人工智能（AGI）略晚一步，但不會相差太遠。

至於 AGI 究竟什麼時候會真正出現，這個問題其實討論了很很久，不同人對 AGI 的定義也有很大差異，至今沒有明確的結論。我一般也不喜歡對未來做預測，我個人的觀點也是“The best way to predict the future is to create it”。但可以確定的是——無論是否真正達到 AGI，AI 在科學研究上的角色已經在快速演化，將在未來持續帶來重大突破。

03．AI for Science 的“DeepSeek 時刻”

Michelle於超：大家都在關注 AI for Science 會不會出現類似 DeepSeek 這樣的突破時刻，也就是一個真正打破現有科研範式、引發飛躍式變革的臨界點。在您看來，推動這個時刻到來的核心支撐因素有哪些？是模型本身的通用能力？是垂直領域的數據質量與規模？還是科研場景中對可解釋性、嚴謹性、工程化能力的高度要求？目前來看，距離這樣的臨界點，我們還缺哪一塊拼圖？

賈皓鈞：首先，我確實認爲，任何一個行業其實都期待出現像 DeepSeek 這樣的“突破時刻”。因爲這通常意味着，行業內部發生了結構性的變化，並且這個變化能對整個社會產生真正的價值。所以 AI for Science 領域，也同樣在期待這樣一個拐點。

科學問題本身就非常重要。人類一直在通過做實驗，試圖理解這個物質世界的運行規律。我們希望能找到更好的定律，發現新的材料、新的藥物，從而改善我們的生活。但傳統科學探索依賴大量的“試錯”（trial and error）方法，在今天這個時代，其效率已經越來越難以滿足現實需求。特別是在新材料、藥物等高價值領域，需求越來越多、越來越緊迫，而傳統方法的效率瓶頸也越發明顯。

在這個背景下，AI 成爲了一個非常重要的變量。它能參與科研流程中的多個階段，從前面說的高維數據分析，到輔助做實驗，甚至進一步提出新的假設。AI 不只是一個加速器，它可能是重新定義科研範式的方式和方法。

如果要推動 AI for Science 進入“DeepSeek 時刻”，我認爲需要幾個關鍵前提條件的配合。

第一、是模型本身的能力

我們談到的通用大模型（foundation model），它的模型的通用性其實是非常關鍵，或者說它的模型性能本身是最關鍵的。它的泛化能力非常關鍵。比如，一個大語言模型，可能既能幫助記者生成採訪提綱，也能幫科學家做文獻總結，甚至輔助我們進行論文寫作、論文 review 等等。不同領域的用戶會提出完全不同的任務需求，因此模型需要足夠通用、理解力足夠強。所以它需要非常強的泛化能力來幫助他們完成這個事情。

第二、垂直領域的數據質量與專業性

而在 AI for Science 這個垂直領域，尤其是像材料、化學反應這類方向，模型所使用的數據質量反而更關鍵。我們普遍認爲，模型性能由兩個因素決定：一是模型架構本身，二是數據的量與質。在垂直領域裡，高質量、結構化、專業的數據，可能比模型架構本身還更重要。

因爲科學問題要求極高的準確性。你不能說這個結果是 80%、90% 準確的——這在科學研究中是完全不能接受的，必須嚴謹。因此，大模型要想在這個領域發揮作用，就必須以高質量的專業數據爲基礎。

其實，我們回頭看一下 AI 的整體演進路徑，從 2021 年之後，生成式模型的爆發可以說是由兩股技術路徑推動的：一是 NLP 領域的 transformer-based 大語言模型，二是 CV 領域的 diffusion 模型。這兩類模型是生成式 AI 的兩個主流技術路線。

我們有時也會說，大語言模型更像是“文科生”。它的訓練數據主要來自公開網站、語料庫、文字信息，對語言理解、知識總結特別強。但你讓它解高等數學，它可能也能做一點，但並不是最擅長。

而 diffusion 模型更像是“理科生”。它最初是處理圖像的，每個圖像可以看作由大量 pixel 組成的矩陣，數學結構非常清晰。而科學問題的本質，最終也都需要能被數學表達。一個科學問題如果不能形式化、不能用數學語言表達，那它可能就不夠“科學”。所以 diffusion 模型在理解科學結構、模擬實驗數據方面可能會更有優勢。

從這個角度看，我們可以做一個分工的類比：

大語言模型擅長 hypothesis generation（假設生成），因爲它可以站在“巨人的肩膀上”——利用已有知識資料去提出推測；

而 diffusion 模型或具備數理結構的模型，更適合 validation（實驗驗證），例如材料配方優化、材料結構探索等。

第三、工具生態與交互方式的革新

再進一步，我們談到 AI Agent 的角色時，也可以結合這兩者。因爲科研過程使用的工具往往很複雜，很多工程師或科研人員並沒有編程背景，比如工廠裡的老師傅、材料車間裡的工程師，他們習慣於在 Excel 表裡操作，而不是寫代碼。這時候，AI Agent 就可以成爲一箇中介——你只需要告訴它你要什麼，它就能調動一系列複雜工具、完成虛擬實驗、給出結果甚至下一步建議。

Agent 的意義在於：降低科研門檻，提高交互自由度，讓 AI 真正服務於每一位科研一線人員。

04．爲什麼從 MIT 回國創業？中美AI for Science生態對比

Michelle於超：從MIT spin-off startup，再回國創業。爲什麼選擇落地在中國推進 AI for Science？在您看來，中美在技術創新和產業化路徑上有哪些結構性的差異？尤其是在新材料、新能源、化工這類深科技領域，中國有更大的機會窗口？

賈皓鈞：首先，美國在科學研究、科技進展、商業化落地這幾個維度上，其實早在很多年前就已經處於全球領先的位置了。尤其是西海岸的硅谷，它代表的是軟件、AI這一塊的最前沿；而東海岸，比如波士頓這一帶，就偏硬件方向更多一點。你像現在很多機械狗、機器人、3D打印等等，幾乎都是從 MIT 這樣的機構裡 spin-off 出來的。所以你能看到，美國是雙核結構：西岸偏軟件，東岸偏硬件，還有一個非常大的板塊就是生物醫療，東海岸那邊做得也很深。

中國這邊，其實從改革開放以來一直是處於一個持續追趕的過程。但我個人感受很深的一點是：這個技術的 gap，真的越來越小了。

特別是，中國的製造能力這個事，我覺得現在已經沒啥爭議了，大家基本都認同，中國製造是全球最強的，而且還會越來越強。所以，如果我們在前端能做好科學發現和技術轉化，那後端的工業能力，再疊加十幾億人口的市場——不光是中國自己，周邊還有東南亞、中東、非洲這些國家——這個市場的體量是巨大的。

我們現在在做的 AI for Science，其實本質上是用 AI 去做一些新的 scientific discovery。那這些 discovery 最終都得走向工業應用，比如說材料、能源、化工，這些領域最終都要落到“怎麼生產、怎麼投產、怎麼用”上。

所以，我們把主戰場放在國內，其實是一個很自然的決定。

像我們深度原理Deep Principle它不僅是一個技術驅動的公司，我們其實也非常關注應用場景的選擇，因爲這個場景的規模，決定了我們未來業務的空間。而在中美之間對比來說，中國市場的應用場景，確實對我們更友好，也更大。

我們現在聚焦的領域，基本就三個方向：新材料、新能源、精細化工。這三個領域有一個共同點，就是都特別需要源頭創新能力——需要你對化學反應、材料機理非常懂，而這個恰好是我們擅長的。

其實你回看國內的情況，不點名說，很多企業在這些方向上其實已經很成熟了。美國當然也有，比如杜邦、殼牌、陶氏、霍尼韋爾這些，他們都是非常有積澱的大型化學材料企業。

但你也知道，美國的工業已經經歷過一次大規模的“去工業化”浪潮。比如說，波音外包之後的質量問題，其實是大家都在討論的。最早的一批去工業化，其實就從化工、材料這些行業開始。當時杜邦的特氟龍泄漏事件是一個標誌性節點，引發了全社會對環境污染、健康風險的強烈關注。

因爲美國社會那時候比較富有，積累也夠了，所以他們就把污染性行業移出本土，轉移到中國、東南亞、南美這些地方。所以現在你去看，全球最大的化工、新能源、材料生產基地，其實就在中國。

所以我們做這些事情，其實是很順理成章地把落地場景放在國內。如果你還在美國做，你可以給那些大廠的研發團隊提供 AI 工具，做“技術層支撐”。這當然也可以，但對我們來說，這不是我們想做的事。

我們希望能真正影響生產、影響工業體系，而不是僅僅給別人當“外腦工具包”。所以我們看明白了，想清楚了，選擇回國發展，其實就非常自然。

05．AI for Science創業融資現狀

Michelle於超：過去兩年創業融資並不容易，選擇在這樣一個時間節點創業，當時是如何判斷這個窗口期的？您怎麼看 AI 創業者目前面臨的挑戰和轉機？

賈皓鈞：從 2023 年開始，中國的資本市場環境其實是極差的。我們24年剛回國的時候剛見了一個來自香港的 LP，他說得很直白，2024 年整體的美元資金比前一年少了 90% 以上，人民幣資金也少了 50% 以上，這個“以上”到底是多少，很難說得清，但就是非常難。

所以我們在 2023、2024 這個階段出來創業，其實是很不容易的。包括我們這代創業者，現在有一些信心回升，某種程度上也是因爲 AI Agent、AI 應用，特別是今年春節 DeepSeek 的發佈，讓大家突然意識到——原來 AI 真的是可以用的，不是隻有 hype，它真的能帶來效率、價值和變現。

這才讓大家的信心開始恢復，但這個過程真的挺難的。

06．AI 時代的創業者最重要的特質

Michelle於超：現在其實可以明顯感受到，海外資金對中國科技資產的情緒正在回暖，很多海外 VC 又開始回來聊 deal。一直以來我們都在講，時代變了，創始人的畫像也在變。尤其是在 AI 時代，創始人面臨的環境更不確定，需要的特質也不同。在您看來，AI 時代真正需要什麼樣的創業者？能夠完成從 0 到 1，乃至更重要的從 1 到 100 這樣非線性增長路徑的人，他身上最核心的特質會是什麼？應該不會再是“技術好”等一些單一維度的能力。

賈皓鈞：這是個很好問題。當然我覺得可能不同的人理解都會不太一樣。可能偏技術出身的人，可能覺得技術最重要。如果你是連續創業者，那可能會更強調“創業者精神”、資源調動和判斷力；但如果你來自大企業的高層管理背景，可能又會覺得執行效率、團隊治理、流程操盤這些更關鍵。所以不同人站的位置不同，看到的那個“創始人畫像”也會不一樣。

但我自己有一個很強烈的體會，甚至說是信念吧——小時候我特別喜歡看金庸，比如《倚天屠龍記》、《天龍八部》，當時印象最深的一句話就是：“天下武功，唯快不破。”

我覺得這句話完全可以套用在今天的 AI 創業上。今天我們所處的環境，技術迭代的速度極快，外部環境變化也極其劇烈，而這兩個變量其實都是我們無法控制的。

創業者唯一能掌控的，可能就是自己的速度——你能不能更快地試錯、更快地融資、更快地應用落地、更快地調整方向。哪怕你技術不是最強，但你的反應速度、執行速度、調整速度夠快，這本身就可能是你最大的護城河。

換句話說，在這個時代，速度可能是唯一確定性的競爭優勢。

轉自：市場資訊