Y-Talk|对话清析智研王欢:大模型学完了人类知识,下一步去哪儿?

作者|Vinco

编辑|李小天

当大模型把人类已经生产出来的论文、书籍和互联网信息学得越来越多,一个更尖锐的问题随之出现:AI能不能不只“掌握已有知识”,而是进入真实世界,创造新知识?

这正是霞光社 X-Hub 旗下Y-Talk(一档面向新一代行业决策者的直播栏目)近期对话清析智研联合创始人、首席科学家王欢时,讨论的核心。王欢是清华大学工学博士、全球前2%科学家,长期关注多模态大模型、复杂科学系统智能化与AI赋能材料研发。

我们认为,AI for Science(以下简称AI4S)的下一次突破将发生在物理世界。以 AI 原生科学设备为入口,从真实物理实验结果中持续学习,进而创造新材料、新物质,是 AI4S 最核心的突破方向。

——王欢,清析智研联合创始人、首席科学家

“现在大模型的能力,都是在数字空间或者说虚拟空间所获得的。它主要的能力,就是AI已经充分地掌握了人类已有的知识。”王欢说。但“已有”恰恰也是边界:”对于人类还没有总结、还没有发现的领域,大模型还有很长的路要走。而AI4S恰恰是一个需要创造新知识、新领域的学科。”

图片源自清析智研

那么,下一次Scaling怎么迁移到物理世界?王欢提出需把模型逐步接入科研仪器、实验与产线设备,并推动科学仪器向 AI 原生设备演进,使其能够在实验与生产过程中持续获取真实反馈、产生新数据。

图片源自清析智研

整场下来,王欢给出了5个核心判断:

  • AI4S的下一次Scaling,在于构建模型、AI 原生仪器、AI 原生实验室与产线协同运行的物理闭环。
  • 而它的稀缺资产,是持续产生新数据的能力。仪器与设备,正好构成 AI 理解物理世界的感官与双手。
  • 最终,模型能力将决定科学探索的边界,科学仪器将拓展AI 的感知与行动范围,真实实验闭环持续产生高质量数据,推动模型与实验策略共同进化。
  • 未来,谁能连接更多物理世界入口,以更低成本、更高通量完成“假设—实验—验证—学习”闭环,谁就能更快地把未知转化为知识,把知识转化为产业价值。
  • AI4S的终局竞争,就是在物理世界中规模化创造新知识的能力。

以下为王欢与Y-Talk及直播间观众们的问答梳理,经编辑整理:

注:为了尽可能完整地挖掘嘉宾和企业的深度内容,同时也为了让参与者不只听到观点,更能获得一线经验,Y-Talk在每期分享后都会开放观众Q&A环节,让不同视角的问题都能被回应,也让到场的人更有收获。

Y-Talk:很多人会认为科研与创业是两种完全不同的职业路径,前者追求科学问题的突破,后者追求商业价值的实现。作为一名从科研领域走出来的创业者,是什么让你最终决定投身创业浪潮的?

王欢:之前科研和创业其实是两种完全不一样的职业路径,随着近几年的发展,科研和创业逐步地达成了一个共识,或者说最终都走向了同一条路。为什么?因为相比于移动互联网时代,当时的创业更多的是渠道、流程上面的变革,加速整个社会运作的效率。

近几年创业环境或者方向逐渐转变成硬科技的创业,慢慢地演变成科学家的创业。这其中面临到的事情都是一致的,越来越多的科学家投身创业,同时也不会妨碍他进一步去探索新的科学问题的突破。从科学的探索到创业的价值实现,走向了同一条路。

当然在思考问题的方式上是有很大区别的。在高校里面,我们管理和运作团队更多地是以科学目标的实现和科学价值的实现为核心;在公司里面,更多的是想办法把开创的科学技术、科学能力转变成可以商业化的产品或者解决方案。我觉得创业现在慢慢地变成:既可以去思考对新的科学问题的探索和实现,同时也可以去思考这些科学问题如何转换成真实能够促进整个社会、整个行业效率与价值提升的东西——这一块赋予我个人非常大的价值实现。

Y-Talk:在过去两年,AI 在编程和内容生成等领域已经展现出非常强的能力,但AI4S 好像还在产业爆发的早期阶段。你认为 AI4S真正的突破口在哪里?这个突破过程会对未来的科研范式带来哪些影响?

王欢:今年以来,AI 的突破其实有一个非常大的进展。前几年 AI 更多停留在对话文本层面,今年不管是编程、内容生成还是视频生成,包括在下游应用上已经展现出非常颠覆性的能力和效果。

就Science 来说,现在 AI 的能力还是有限的,核心问题还是在于:编程、内容生成、视频这些领域,模型已经慢慢学习和总结了数字空间里所有的知识和能力,所以能展现出高度智能的能力。在 Science 这块,偏向虚拟空间的部分——比如帮助写论文、润色论文、找资料——AI 已经干得非常好了。但越往实际的物理世界走,比如帮助新材料发现、实验制备、新物质探索,这一块还是处于偏早期。

提到突破口在哪,我个人觉得突破口还是在于高价值数据的积累和高价值底层数据的构建。这一波 AI 浪潮,核心取决于数据层面的爆发。过去几十年,我们在互联网时代、移动互联网时代积累了大量由人类创造的文本、视频和代码,基于这些实现了模型能力的大幅飞跃。

未来 AI4S的突破,同样是源于人类在 Science 领域高质量价值数据的积累和实践,逐渐把人类对物理世界构建的经验和发现,变成模型能理解、能学习的方式,慢慢让模型参与整个科研过程,形成非常好的突破口,加速科研和研究的过程。

关于 AI 究竟能把科研效率提升到什么程度,我们构想的未来范式大概是这样:会有一个「AI Scientist」的大脑,可能以某一个大模型为核心,基于现在的现象和情况,构建出下一步的实验方案、优化方案、工艺制备方案;再由物理世界 AI 结合自主实验室——可以理解成面向科学场景、实验室场景的「自动驾驶」解决方案——基于大模型提出的方案和细节,自动实现实验、表征分析和优化,串联成一套全自动、无人的实验室。

图为清析智研AI模式的四大产品线

未来科研范式的变化,有点像现在的半导体工业场景,生产制造高度集成、高度自动化。未来人类更多是提出更 high level 维度的需求,然后由模型和物理世界 AI、由设备自动去完成和实现。

Y-Talk:你在刚才的演讲中提到,清析智研提出了 AI Science Superfactory(AI 超级研发工厂)这个概念,希望把科学模型、智能仪器、自动化实验和产业研发连接起来。这个愿景听起来很宏大,落地起来肯定有挑战。认为当前面临的最大技术瓶颈和商业化障碍是什么?

王欢:AI 超级研发工厂这个概念,源于我们在设备仪器、AI、材料化工、研发以及工业化场景等的积累。基于之前在科学仪器和产业端的积累,我们觉得 AI4S 或者 AI for 材料这个领域,最终还是要打造一个闭环的研发框架和架构,把从计算化学、制备工艺、工艺优化到最终量产串联起来,才能打通产业链,实现快速的、新材料新工艺的产出和知识的产出。

图为清析智研提出的AI Super Factory概念

我们的一个特殊切入点,是围绕仪器智能或者说自动化实验室的构建和改造来逐步搭建流程。基于创始人在半导体产业和产业端的经验,我们认为现在实验室的自动化水平、仪器设备的自动化水平,远远低于工业端或产业端。

所以构建超级研发工厂,首先要从仪器设备端、实验室端入手,打造 AI-native 的实验室和仪器,构建 AI 原生科学仪器与实验室解决方案;在解决方案之上,再构建全流程 AI 赋能的软件层面方案——不管是科学计算还是实验工艺优化——才能实现 AI 超级研发工厂的构建。这是我们的切入点,也是我们的优势。

技术瓶颈主要涉及两方面:首先,对于科研领域里AI 原生仪器的定义和思考到底是什么;其次,如何基于之前在半导体或其他产业端积累的经验和行业know-how,充分改造当前场景下的科学仪器和实验室,这是我们需要思考和尝试的。

商业化也分为几个层级。第一个层级,现在 AI 的能力更多是作为工具来加速研发——用 AI 加速计算、加速实验方案、加速表征分析,把 AI 作为工具构建相应解决方案,解决客户当前研发中面临的问题。这是第一层商业模式:提供技术服务方案,比如帮产业、高校客户解决工艺或计算方面的问题。

再上一层,是对 AI 原生仪器、AI 自主实验室的思考,如何构建一套能够变革整个 Science 或者实验室流程和架构范式的设备方案与能力。

再往上走,是 AI 超级研发工厂最终的价值实现——我们会逐渐掌握自有的材料 IP,最终实现批量产出新材料、新配方、新物质的能力。

在每个层级上都有商业化的障碍。第一层级,核心在于如何提升自有平台和模型的泛化性与解决问题的能力。设备环节,则是如何变革实验室设备的范式和架构,让用户更好地理解、接受——把现在那种离散的、分散的实验设备和实验室布置,也就是「手工作坊」,变成高度集成自动化的实验室解决方案。

再往上,做出新材料、新配方的价值,达到这一层级,基本商业化是没有什么障碍的。

Y-Talk:AI4S本身就是一个全球竞争的赛道,顶尖的科研机构、科技公司和创业团队都在布局,每天也会看到大量新闻。你如何看待中国 AI4S产业在全球竞争中的位置?

王欢:中国 AI4S产业在全球这一块,我个人觉得跟美国的差距并不是特别大。美国的几家创业公司,融资额度远超国内同行,但我觉得我们目前做到的一些事情,并不输于他们现在做的。

同时,在国内做 AI4S有一个非常大的优势:不管怎么做,最终都要跟产业端、工业端衔接上,不能只做科研而没有落地场景。国内在材料、化工、生物、医药上有非常庞大的工业基础,围绕工业基础再去做前沿研发和探索,就有非常好的土壤和基础去支撑 AI 能力建设。我个人认为,中国在整个AI4S领域的全球竞争位置是比较前沿的,甚至是Top级别的位置。

观众:在商业模式探索上,AI4S公司是应该只做AI研发干湿流程,还是应该继续深入参与到产业端,亲自下场运作?

王欢:在商业化这一块,对于材料领域,我个人觉得应该要深入产业端,能够将研究进行产业化,但不一定要亲自下场做产业化的运作。

因为对于材料这个领域,你就算在实验室做出来一些新东西,最终到小试、中试、量产还有非常大的壁垒,有非常多的问题需要被解决。不解决,那只是停留在实验室,产生出的新材料或新知识是没有价值的。

观众:现在,AI4S目前企业整体收入规模都不大,这个行业的商业化还有什么障碍?

王欢:目前整体收入规模都不大,主要缘由在于现阶段A4S公司都还处于早期阶段,在商业化上更多处于我刚才说的三个层级里的第一个层级——面向高校客户或产业端客户提供解决方案或满足其技术服务类需求,收入规模包括增长趋势不会有太大增长。

从最开始提供基础的技术服务,到最终新材料、新物质的发现和产生,未来AI4S公司的收入规模会慢慢有一个指数级的增长和爆发。

观众:AI4S企业后面是会以垂类为主还是可以快速进行垂类行业的泛化,垂类行业之间的泛化难度如何?

王欢:快速垂类泛化这一块,我个人觉得还是以模型的泛化能力为核心。现阶段模型能力和数据积累的泛化能力都还是有限的,所以当前做材料体系会以大类材料体系为主,比如金属材料体系、电池材料体系,或者有机无机材料体系,先做材料体系内部的泛化,快速获取大量有价值的新材料 IP 或新能力。

随着数据和能力的积累,我期待能做到全行业的泛化,最终才能充分展现出我们在模型、在研究范式上的变革能力。

观众:如何看待干湿闭环实验室在AI4S中的作用?

王欢:现在大家做AI4S都在强调干湿闭环,强调让 AI 深入到物理世界——我觉得还存在一个问题:如何让干湿闭环快速跑起来,尽可能减少人的干预,提高实验效率,这是需要思考的。

既要从AI角度思考如何把AI更好地用到各个行业的干湿闭环,也要从如何构建更 AI 原生的科学仪器或实验室去思考。未来干湿闭环的实验室里,AI 肯定是一个非常核心的中枢,只有 AI 才能把整个实验、整个范式跑起来。

我刚才拿工业举例,因为工业端已经形成高度集成化、自动化的生产和制造方案。但实验室、科研这块没办法像工业那样直接构建非常标准化的流程,因为工业每一个节拍、每一道工序都是固定的,可以据此高度集成地构建自动化闭环。在 Science 这边,它其实是离散的,可以类比成它是柔性的,这个柔性过程中更需要AI来参与各个环节的决策。

观众:纯AI团队在AI4S领域是否有优势?AI4S要形成有效的闭环迭代是否最好有产业需求方的深度参与?

王欢:我个人觉得,纯AI背景的团队是做不了AI4S赛道的。因为纯AI团队没法理解比如材料领域、生物医药领域的行业know-how,或者行业真正关心、需要解决的问题。如果单纯从模型角度、从AI 角度想办法去解决问题,往往可能得不偿失,费了很大劲并没有解决到用户的痛点。这也是下面那个问题的答案——AI4S要形成闭环,肯定需要产业方、需求方的深度参与,这个是必须的。

观众:目前,AI4S效率提升及客户续费意愿情况是什么样?

王欢:这个我觉得 case by case,因为在不同需求和不同场景中,AI解决问题的能力还是不一样的。在一些AI 能解决得非常好、以及我们的平台能解决得非常好的场景下,客户的付费意愿或续费意愿还是挺强的,当然这也要取决于我们持续的能力迭代。

观众:如果 AI 能完成部分科学发现,那么科学家的核心价值会发生什么变化?未来的科研人员需要哪些新能力?

王欢:类比 Coding,其实AI现在基本上已经能够帮助人类完成百分之七八十的 Coding工作量,有些时候甚至更多。对于编程人员、IT 技术人员,大家更多的要求是他有非常充分的经验,能够理解 AI 在做什么,能够管控好 AI,这是非常需要的能力。

再到科学发现这一块,未来两三年模型在 Science 领域出现一些突破之后,对科学家核心价值的要求,是如何从更 high level 的角度去思考:我们应该构建什么样的科学任务、我们的需求是什么,并管控好科学 AI 所执行的各个步骤和产出。

观众:AI计算端生成数据,跟干实验、湿实验数据的真实数据反馈闭环,目前哪个更重要?干湿实验反馈相对缓慢,前端数据生成端相对更快,如何解决两者的gap?

王欢:干实验和湿实验的数据获取难易程度不一样。干实验通过理论计算可以快速计算海量数据,但这些理论计算数据和实验真实数据还有非常大的 gap。湿实验数据要借助实验室才能完成制备,数据价值高,但产生速率相对缓慢很多。

在我的理解上,湿实验的数据——真实的制备数据、表征数据——是更加重要的,比干实验的数据重要得多得多。因为不管是干实验还是理论计算,最终都要用实验去验证,才能证明理论计算是 ok 的。单纯用理论计算数据训练出的模型,是没办法保证价值的,最终还是需要真实实验数据去优化和迭代。

观众:如何看待部分AI4M(M即Materials,材料)的公司亲自下场做材料?

王欢:这也是我刚才提到的,AI for材料这个场景,最终的价值释放肯定是新的材料、新的分子或者新的高价值配方。在价值示范上,也是新材料才是最有价值的最终产出。

尤其是对于AI4S这个行业——我们总说这个行业到底最终谁能跑出百亿甚至千亿价值的公司,对于材料领域,如果我们真的能够掌握一些高价值的材料IP,单独一个材料IP就可能创造出新的一个百亿价值的公司。AI for材料的公司必须亲自下场,至于是否由AI4S的公司主体来做材料,这就是商业架构上的考量。

观众:AI4S会是几家巨头垄断大部分行业还是说各自垂类行业都会有细分巨头?

王欢:AI4S或者AI for 材料这个领域非常大,大到可以容纳非常多家的百亿估值公司。为什么?因为材料领域是一个非常大的市场,是数万亿级别的市场,而且在材料领域也没有形成非常大的巨头能够把所有材料都垄断。所以,我个人觉得未来还是多家百亿估值公司共同存在的状态。

Y-Talk:因为Y-Talk 主张「正经行业,歪着看」,所以在节目的最后也请王欢老师用「歪着看」的方式,给屏幕前那些正在犹豫要不要下场创业的年轻人一句建议。

王欢:要不要创业这个事,我觉得这是机缘巧合,或者说时机成熟了自然而然的事情。因为创业讲求一个天时地利人和。大家了解过整个行业的发展、创业、一级市场的变化可以发现,每个时期一级市场关注的领域、行业都不一样,之前可能更多关注 AI 改造组织架构、加速效率,最近可能更多关注硬科技的各个行业。所以我觉得,你要不要创业,还是要符合整个行业大的趋势。

我们所掌握的技术、能力是否符合整个大的行业发展趋势和变化趋势,是非常重要的考量点,需要仔细思考是否符合未来几年甚至十年的发展趋势。另外,我们的团队、积累的各方面的能力、经验、资源是否足够,也需要考量。所以我建议大家需要充分做好准备、深入做好思考,才去做这样的一个决定。

我本科2016 年毕业的时候,正好是“大众创新、万众创业”的时期,我也稍微尝试了一下创业,发现还是有一些(不成熟),后面又回来继续读硕读博,进一步深造。到今天这个时间,我觉得时机成熟了,才进一步出来做这样的事情。我建议大家一方面思考行业发展的大的趋势,另外一方面思考我们对职业、对未来发展的一些准备和思考,谨慎地去对待这个事情(创业)。

正经行业,歪着看。You Talk, We Listen.

Y-Talk第二期,听零一创投副总裁邹洋讲具身智能的下一个赛点,提前扫码锁定!