AI4S实践：从算法突破到干湿闭环的系统性创新

事件概述

上海科学智能研究院（SAIL）的青年科学家徐丽成（化学背景）与安俊逸（物理/计算机背景）共同主导开发了“Golab物质科学智能研发工厂”。该系统旨在解决物质科学研究中计算模拟与湿实验脱节的痛点，通过整合底层大模型、Agent调度系统与自动化实验室，实现了科研流程的无人化闭环运行。

核心技术与模型突破

1. 燧人（Suiren）系列基座模型

• 通用表征：安俊逸团队致力于构建分子领域的通用基座模型，探索Scaling Law在微观结构中的应用。
• 宏观-微观连接难题攻克：针对微观表征难以直接映射宏观性质（玻尔兹曼分布）的行业难题，团队引入Diffusion算法进行渐进式构象压缩，显著提升了模型在宏观任务上的表现，使其优于竞品。

2. 关键功能模块

• 反应预测模型：徐丽成团队开发了面向反应的预训练策略，摒弃传统的Next Token Prediction，转而基于有机反应本质规律（化学键形成与断裂），实现了产率、选择性及合成路线的精准预测。成果发表于《Nature Machine Intelligence》封面。
• 过渡态生成（UniTS）：结合高阶等变图神经网络与扩散降噪模型，解决了传统方法极度依赖专家知识且优化困难的过渡态搜索问题。用户仅需输入2D结构即可端到端生成3D过渡态。成果以UniTS为名发表于《Nature Communications》，并应用于实战。

系统集成与自动化平台

1. 浑天绫（Huntianling）科研Skills平台

• 架构设计：采用“高内聚、低耦合”策略。安俊逸负责Agent底层框架与代码，徐丽成负责上层化学工具封装及干湿实验集成。
• 自然语言交互：将复杂的LC-MS谱图解析等脚本合并进工作流，使非计算背景的研究者可通过自然语言描述需求调用资源。
• 容错机制：建立经验累积机制，沉淀历史错误以纠正后续Agent执行；在大模型不确定时引入人机交互确认。

2. Golab 自驱动实验室

• 核心能力：打通了药物发现长链路中的“后处理”瓶颈，即合成后的分离提纯环节，解决了传统自动化设备难以复制人工过柱经验的难题。
• 布局规划：一期实验室位于上海漕河泾，覆盖有机小分子合成、偶联反应及电解质制备；二期计划于青浦建设，补充生物实验能力。

“百题马拉松”实战检验

2026年7月7日至11日，团队进行了连续5天的“百题马拉松”直播测试，共完成135道课题。

• 配体推荐：模型推荐的配体成功提升了4个反应的平均产率。针对第四个反应的阴性数据，团队将其反馈至模型，切换推荐目标后，第二轮验证找到了结构差异显著的新配体，证明了系统的自我迭代能力。
• 药物发现：作为长链路、易出错的任务类型，药物发现题目达到了前所未有的任务成功率。仅有一例因分子对接工具的单点报错导致误判退出，其余均顺利完成。
• 机理探索：UniTS模型在5项反应机理探索任务中，均成功生成了正确的过渡态初始结构。

行业洞察与反思

• 认知边界：AI在Science领域并非万能，而是遵循物理定律的“超级算盘”。研究者需明确AI的能力边界，避免过度预期。
• 人才壁垒：相比计算机科学，Science领域存在深厚的内部传承体系（如祖传代码、学术判断），这是开源AI工具难以替代的核心壁垒。
• 算法审美：优秀的AI4S算法应追求优雅与精妙，而非简单的堆砌。坚持物理先验与数学原理的结合（如高阶等变性），才能触及领域研究的顶点。