摘要

智化科技创始人夏宁给出的核心能力标定：AI 化学合成已达到“十年工作经验化学家”的水平。 基本上化学家能想到的路线 AI 都能想到，且“AI 能平均想到五到六种不同的策略，人一般就是一到两种”；客户拿真实案例实测，“花了一两个月设计出来的路线，我们这边五分钟就能跑出来”——类比晶泰 2016 年辉瑞晶型测试，这个临界点已经到达甚至越过。
最硬的投资论点：DMTA 循环的真瓶颈在合成端，把合成提速十到二十倍，才可能把整个新药、新材料研发通量提十到二十倍。 设计端一天可出成百上千甚至几万个分子、测试端有高通量，唯独“一个化学家一个月大概合成三到五个分子、一天做两三个反应”。
严肃科学场景的落地铁律：黑盒“不可调教”，做不到白盒就很难在商业上推广。 黑盒模型给出的结论必须在白盒中得到解释、验证和约束，以去除幻觉；夏宁还表示，大模型时代白盒反而越来越多。可解释性提升最核心的来源，是多年客户迭代而非单纯模型升级：request list 上千条、模块从 4 个做到 9 个。
GPT 补上的是“泛化问题”，商业形态从 SaaS 转向智能体且将长期 mix。 泛化加专业“几乎就是我们化学家工作的绝大部分内容”；智能体可能有记忆、不断学习，最后像有员工一样工作；按调用付费与 SaaS 长期共存。token 成本是关键约束，智化靠智能调度和几十 B 的本地小模型帮客户省钱，把最贵的资源留给核心问题。
基座模型公司难以下场做垂直：夏宁称内部测试中，垂直模型在一个领域里很快能做到五六十分，再往上非常难，基本达不到可用程度。 根因包括 AI for Science 数据量小、数据“更像多模态数据”；有些领域只有几百、几千个数据。结局是垂直玩家与大模型公司相互合作、依赖，壁垒是“长期的脏活累活，不断把地基打得更深”。
宏观信号强烈：药明康德亮眼半年报叠加中国 license-out 今年上半年 1100 亿美元。 2024 年中国占全球授权总额 30% 出头、2025 年达到一半，李翔测算今年“也许能接近 70%，这是个难以想象的事情”；license-out 倒逼管线企业“又要多又要快又要好”，但夏宁提醒印度今年给智化增加了 30 多家客户，“增速其实不比中国慢”。
对后来者的残酷判断：“创业做这块儿的时机可能已经过去了。” 八年技术体系打磨的时间省不了，大客户已经使用并深度定制，再想替代“几乎不可能”；而对行业整体，AI for Science“渗透率甚至不到千分之一”、趋势几乎必然——夏宁类比电动车战略带来的行业转向，李翔则以显微镜之于生物医学作比。
给科学家创业者的教训与投资人的两大误解。 “坚持自己认为正确的想法，不要完全被资本的观点带着走——资本很多时候并不太懂这个行业的真实情况”；投资人误以为必须自己做药、做材料市场才够大，夏宁反驳“这是一个结果而不是一个原因”，也认为投资人低估了智能体把整个工作流做完、整体交付结果所打开的空间。

精读

1. 政策与产业共振，AI for Science 成为一级市场最热方向之一

主持人李翔（峰瑞资本合伙人）开场定调：七月底中央政治局经济工作会议通稿专门突出“推动基础研究的发展”，叠加“人工智能+”，把 AI 用在包括生命科学在内的研究上，提高效率、转化能力以及预测和筛选效率，成为一级市场最热的方向之一。
嘉宾夏宁，智化科技创始人：有机化学博士，从小编程、在化学竞赛中获得全国性奖项，入行的初心是“能不能找一个工作让计算机来解决化学的问题”——科学研究靠人的双手做，通量有限；“计算机从一开始就是可以复制的”。从 2008 年创业算起已近 18 年。

2. 脚踩两只船的能力从何而来：“计算机是一门技术，化学是一个专业”

李翔的行业观察：这个赛道最难找的是“脚踩两只船”的人——能力横跨计算机和化学两个学科方向本身不交叉的领域；哪只船更重要是第二个问题。
夏宁的专业选择来自招生老师一句话：“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。”“后来证明也是正确的——所有选计算机的人，最后再想交叉到化学难度非常大。”
能力保持靠李翔戏称的“变态兴趣”：白天做实验、晚上写代码，博士期间还尝试做模拟人工智能的程序，应用可能在游戏、下棋等场景，模拟人的判断，“特别可惜没有做出个 AlphaGo”。

3. 法国七年从零探索：没资本、没数据、没基础设施

2008 年夏宁找到斯特拉斯堡一家“网页刚刚做出来、公司还没有正式成立”的初创公司，用数据解决化学预测问题。“从 08 年到 15 年没有资本助力，全凭个人的理想和兴趣”，需要什么就自己研发什么，“把整个领域探索了一遍”。
数据从零攒起的三条路都受阻：人工投几百、上千个实验，数据量仍不够；让人把博士论文数据结构化，成本太高、效率太低；做电子实验记录本给高校使用，换取数据共享，但“老师一般没什么钱”，商业推进需要融资。
公司最终被母公司收购，母公司现在是法国最大的 CRO 公司；很多底层架构沿用至今。2015 年夏宁回国，赶上化学品 B2B 电商热潮，在网化负责数据架构与搜索逻辑；期间“在全球最早申请了 Chemical.AI 这个域名”，开始把 AI 逆合成商业化。相关技术萌芽实际可追溯到 2012 年还在法国的时候。

4. 药明康德一役：一屋子高管面前当场跑分子，最后“好像”拿了第一

药明康德（主营化学合成 CRO）全球征集合成路径预测软件，夏宁以尚未成立公司的个人身份参选：“药明当时一屋子都是他们的高管……各种分子上去跑，结果效果非常好”。按他的回忆，最后“好像”获得了第一名，并达成最早的商业化合作。
夏宁读出的两个信号：产业对这件事非常重视；“技术确实到了第一个临界点——以前这件事根本没有软件能做好”。彼时没有 GPT，也没有 Transformer，主要靠传统机器学习加化学信息学——“专门研究化学反应的逻辑如何写成算法”，他认为这些内容很重要，但可能被很多人忽略。

5. 宏观呼应：license-out 突飞猛进，中国份额或接近 70%

李翔梳理产业曲线：2020—2021 年疫情相关研究带来高光，2022 年起到 2025 年年中进入低潮；2024 年年内开始，以康方生物为代表，license-out 爆发性增长，中间又经历美国生物安全法案等相关法律带来的跌宕起伏。前几天药明康德发布了“非常亮眼”的半年报，股价也突破几年新高，给出一个“非常明确、巨大的信号”。
数字账：中国生物医药企业今年上半年对外授权金额达到 1100 亿美元；2024 年中国占全球授权总额 30% 出头，2025 年达到一半。李翔说，如果今年全球授权金额仍是 300 亿美元，中国全年“也许能接近 70%”，这是一个难以想象的事情。

6. 黑盒不可调教，白盒才能建立信任

当年胜过一些著名公司模型或软件的产品，“白盒占的比重非常大”。夏宁的核心论断：严肃的科学软件如果是黑盒，“很难建立客户的信任”——可能不定期出现幻觉或 bug，后果严重且不可解释；“最大的问题是它不可提升”“不能调教，你发现问题但不知道问题出在哪儿”。
李翔的翻译：黑盒里改了 A，可能同时改变相关的 B、C、D，却不知道这些部分分别是什么，也无法抑制它们往不好的方向变化。智化的结构答案是：所有大模型或黑盒模型给出的结论，“必须要在我们的白盒模型中得到一个解释、验证和约束”，去掉幻觉、分辨模棱两可，且黑白两层有较强融合、同时进行。

7. 第一个 MNC 客户：一百多万美元起点与上千条 request 的迭代

药明康德把智化介绍给一个大型跨国药企客户。该客户正在建设一套 AI 制药系统，AI 逆合成模块完全交给智化，“一百多万美元”的合作金额倒逼产品真正产品化，满足大客户对安全性、速度和质量的要求，“是一个非常重要的起点”。
产品出来“肯定不是 90 分的产品，可能是 60 分、70 分的产品”，靠迭代补齐：客户 request list 累计上千条，模块从 4 个做到 9 个。“很多投资人和行业人士会觉得，只要模型好、技术好，就可以一下子做到全球最好，但很多时候产品是靠这样的迭代做出来的。”白盒在此关键——如果是黑盒，“客户不断提出意见，但你又改不动，他就会绝望”。

8. 同一个产品、三个部门、三种不同目的

分子设计端（CADD/AIDD）合成能力偏弱，需要知道分子“能不能做、好不好做”——否则交给药化同事，可能得到“这个我根本就不想做”的反馈；药化要的是快速拿到几毫克，不太考虑成本；到后面的临床工艺放大阶段，又要成本最低、能够放大，不能太危险。
场景再细分，需求会分裂：药化设计 30 个分子时，可以先合成通用母核再连接各种步骤，让整体步骤最少；工艺阶段反过来只做一个分子，不一定要最容易的反应，而要成本最低的反应，即使看上去不好做，甚至使用酶催化，只要能降本也愿意采用。
客户越用，涉及的环节越多，不断提出“这个功能这样做是不是更好”“那个功能如果帮我串起来是不是更好”等需求。“真实应用的场景和我们原来的想象其实有差别”，这些反馈帮助智化理解客户需求并增加产品模块。

9. 研究生的大部分初级智力劳动可能被 AI 替代；高光期拒绝 CRO 巨头收购

李翔以自己被合成路线“折磨”的研究生经历发问：假定当年有这个工具，能解决多少问题？夏宁认为，从学生层面看，AI 现在“可能已经能够完成你大部分工作”，这类初级智力劳动大概率会最先被替代；但他更乐观：化学领域还有大量创新材料任务，工作比例减少后仍能做更多项目，相当于每个人的带宽增加。
2020—2021 年高光期，一家著名且规模很大的 CRO 公司不止一次发出收购邀约，当时智化团队只有十几、二十人。夏宁最终拒绝且没有后悔：“只要这个事情能够往前推进，我觉得就是一种成功”；高光时也要问“这些资金是不是真的帮助我把项目或理想往前推进了”。
给当下 AI 热潮中科学背景创业者的教训是：“坚持自己认为正确的想法，不要完全被资本的观点带着走，因为资本很多时候并不太懂这个行业的真实情况”；还要聚焦，“抓住这件事情最本质的部分，不要被高光和低谷影响”，否则为资本追捧改变方向，长期结果可能不好。

10. GPT 补上的是“泛化问题”：泛化加专业约等于化学家工作的绝大部分

夏宁把 GPT 视为“非常大的机会”而非威胁：垂直系统解决专业问题，但真实工作充满泛化问题——例如“实验室里可能没有某一个反应器，所以这个反应做不了”，这不是专业问题，“以我们之前的积累，解决不了这类泛化问题”。大模型正好补上这一点：“泛化问题加上专业问题，几乎就是化学家工作的绝大部分内容了”，由此具备了用智能体加专业工具解决整个工作流程的能力。
架构影响：垂直领域算法没有直接受到影响，但交付形态会改变——从化学家使用的工具，变成“通过 API 接入智能体，再由智能体完成整个工作”。

11. 智能体不只是友好交互：可能有记忆、像员工，MNC 都在探索

夏宁补充，智能体可能会逐渐熟悉用户，有记忆并不断学习，最后“可能像公司的一个员工”；用户教它几次之后，不必每次重新教，只要给任务就可以执行。原先需要人做决策、选择的部分，也可以交给智能体。
李翔进一步概括，智能体将同时与用户层、实验室整体条件和软件系统交互。早期人可能会担心错过关键节点，但夏宁认为，随着交付效率和质量超过人，“人就不会再在意这个事情”。
最早那家 MNC 还在持续使用产品，并探讨智能体合作；但夏宁说，目前接触的大部分 MNC 还没有正式使用智能体，都在尝试和探索，也因为担心错过 AI 而考虑更全面地使用 AI。

12. 反直觉：大模型时代白盒反而更多，可解释性是商业硬要求

被问到黑白盒比例是否变化，夏宁回答“白盒越来越多了”。在李翔追问大语言模型是否具有较强可解释性后，夏宁表示，模型会解释为什么作出相应决策。
白盒能力提升最核心的来源，是“这些年和客户不断交互、迭代过程中得到的信息”。在严肃科学场景下，客户必须知道结论为什么成立，因此产品要越来越白盒化，并对客户提出的问题给出明确解释。
推及 AI for Science 公司，夏宁认为，如果做的是辅助研发工具，交互者必须建立信任；只要交付中还保留人的因素，可解释性就是必要的。李翔认为，这与自动驾驶继续发展时遇到的机会和挑战有相似之处。

13. 能力标定：十年经验化学家、五到六种策略、五分钟对一两个月

内外部测评的结论是：“现在的化学合成 AI 的能力大致相当于一个有 10 年工作经验的化学家。”基本上化学家能够想到的合成路线，AI 都能够想到；AI 平均能想到 5 到 6 种不同策略，人一般只能想到 1 到 2 种。较难的工艺路线设计上，AI 也基本能做到人能想到的程度。
客户实测的震撼时刻是：“他可能花了一个月、两个月设计出来一条路线，结果发现我们 5 分钟就能跑出来”，还会给出一些客户尝试过但最终没有选择的路线。李翔类比晶泰 2016 年感恩节期间在辉瑞的测试：辉瑞拿 3 个还是 4 个此前没有发布晶型的分子测试，其中 2 个还是 3 个已经知道结果，测试结果与辉瑞预测的一致。夏宁确认，化学合成也已经接近或超过这个阶段。

14. DMTA 循环的真瓶颈在合成端；AI 能找到人想不到的路线，但不创造新反应

研发本质上是 Design-Make-Test-Analyze 的多轮循环，做一个药可能要进行 7 到 8 轮。设计端一天设计几百、几千甚至几万个分子都很轻松，测试端有高通量，唯独合成卡住：“一个化学家一个月大概只能合成 3 到 5 个分子，一天做 2 到 3 个反应，这是行业普遍的效率。”
核心论断是，真正让 DMTA 循环成倍加速，需要把合成效率成倍提高；提高 2 倍、3 倍已经很了不起，做到 10 倍、20 倍，就可能让整个新药和新材料研发通量提高 10 倍甚至 20 倍。客户反馈显示，整个研发效率就卡在合成端。
Novel 路线的边界是：AI 能给出有经验化学家也想不到、可行且更优美的路线，“但是它不会创造新的反应”。合成领域的路线创新基本使用已知反应，只是这些反应可能藏在几十万篇文献中的某个角落：看不到时路线可能要 10 步，看到了可能变成 3 步、4 步。

15. 纯 AI 背景创业者的主要障碍：问题定义不清，难以搭建可信系统

夏宁与一些纯 AI 背景合作者（包括高校老师）的经验是：他们可能不理解行业问题，或理解错误，却没有及时沟通，沿着错误方向一直做，最后结果不好就归因于数据。“不是说他的能力不行”，但没有行业 know-how，就无法定义清楚问题，也难以搭建可信的系统，更不知道哪些无法用语言明确表达的行业信息对模型很重要。
李翔进一步指出，偏 AI 的人可能在数据源选择、数据类型和结果有效性的判断上，因为不了解行业需求而出现偏离。夏宁随后补充，针对逆合成问题，目前贡献最大的可能仍是大量公开文献和专利数据，因为模型学习的是实际合成思路，高通量实验不能解决同一个问题。
AI 背景的人在数据量足够大时，可能擅长提升训练效率；但这恰恰是 AI for Science 最缺的部分，因为数据量并不大。有些领域只有几百、几千个数据，和训练通用大模型所依赖的 40 多年公开互联网和文本数据相比，至少少很多个数量级。

16. 正数据现在重要，负数据未来重要——与晶泰的“五五开”观点不同

李翔转述晶泰内部闭环实验的看法：正数据和负数据对模型进步的贡献大致各占一半。夏宁给出不同判断：“正数据，也就是成功的数据，在现阶段非常重要；失败数据在未来非常重要。”
现阶段只要达到人的判断水平，就可以大规模商业化；“人如果做了一个实验失败了，大概率说明他在做实验之前并不认为这个实验会失败”。因此达到人的水平时，“不需要知道这个实验会失败，已经够了”。
下一步才轮到负数据：如果要超过一个有 10 年经验者的认知，判断出他认为可行的反应其实不可行，负数据才关键。李翔据此提出，负反馈理论上对黑盒模型更重要，夏宁表示认同，但认为模型尚未达到人的水平前，可能不必先解释那些无法解释的失败。

17. Token 经济学：每次调用都有成本，智能调度是必修的工程课

李翔提出一个容易被忽视的差别：“今天的 AI 跟以往的软件和系统最大的差别是，它的每一次交互和调用都有一定成本，原来的软件和数据库交互几乎成本为零。”他还提到一位二级市场同事对美国某模型的分析：输入 token 占比显著偏高，会推升成本。由此，AI 更容易先落地到替代“有一定单价”的工作，比如国内 CRO 中有 10 年经验的化学家约为月薪 2 万至 3 万元、年薪 20 多万至 30 万元。
客户“非常重视”成本问题，太贵就不愿使用。智化的工程答案是帮助客户省钱：不能随意调用多种模型，而要“在必要的时候调用合适的模型，用最小的成本去调”。简单问题可以用低成本或自行部署的模型，复杂问题才调用更大的模型，把最贵、最好的资源留给核心问题。大型客户内部已经部署了基座模型，可以直接使用内部模型。
夏宁的判断是，长期看模型价格会不断下降，最终可能像电力一样成为低成本资源，但“那是很长期”的事；中期更多依赖智能体层面的优化。客户付费可能相对固定，而 token 成本会成为智化成本的重要部分，因此需要持续工程降本。

18. SaaS 与智能体长期 mix；需求在国外、供给在国内，印度是变量

商业模式判断是“两种模式会长期共存”：有些问题客户认为 SaaS 已经解决得很好，不愿额外付费；有些问题 SaaS 解决不好、靠自己的人又很贵，才会使用按调用量付费的智能体。夏宁还认为，智能体模式的马太效应或飞轮会更明显，因为整体交付结果的速度和成本变化更容易被用户感知。
客户结构上，国内客户数量更多，但国外整体付费金额已经超过国内。夏宁认为，美国仍是生物医药大头，也包括欧洲、印度等市场。李翔将中国生物医药类比为 2008—2012 年前后的精密制造和“果链”阶段：利润大头由 MNC 获得，license-out 倒逼管线企业“又要多又要快又要好”，如同当年精密制造竞争推动工业机器人需求增长。夏宁认为，未来几年中国不排除像制造业一样形成“世界医药工厂”。
夏宁还观察到印度也在快跑：智化今年增加了 30 多家印度客户，“这个增速其实不比中国慢”；客户包括 CRO、CDMO 和一些做药的企业，但他不确定是否属于创新药研发。
能力边界上，材料领域目前覆盖有机小分子材料，例如 OLED 光电材料、新能源电池添加剂、光刻胶，以及聚合物聚合前的单体。生物合成本质上仍是化学反应，推荐路线中可以包含酶催化步骤并提出酶的种类建议；但如果需要通过定向进化得到一个并不存在的酶，智化目前还不能完成。

19. 基座模型下场难、投资人两大误解、“时机已经过去”的残酷答案

基座模型公司做垂直很难：夏宁称内部测试显示，垂直模型在一个领域里可以很快做到 50 分、60 分，但再往上“非常难”，基本达不到可用程度。原因包括底层数据量有限，以及垂直模型更像多模态数据而非单纯文本；他用图片模型举例，认为“可能不能用一个大语言模型生成图片，然后比一个专门做图片的模型做得更好”。大模型公司若要深入具体垂直场景，可能仍需搭建小团队，且相较创业公司优势并没有那么大。
双方最终可能形成合作甚至相互依赖：大模型公司解决通用问题，智化持续投入“脏活、累活”，把垂直领域的地基打得更深。
投资人的两个误解。其一，认为必须自己做创新药或新材料，市场空间才够大——“这在我看来是一个结果而不是一个原因”。应先解决工具效率问题，再让药物和材料研发获得倍数级效率优势；否则可能更偏向讲故事，“不一定是真正的 AI 制药公司”。其二，用过去工具软件的市场空间想象未来，不容易想象工具软件结合大模型和智能体后，能够把整个工作流做完，变成整体交付结果的模式。
客户侧则是一个囚徒困境式的采用逻辑：不上的人会落伍，上车的人短期有优势，但其他人都上车后优势会变小。夏宁希望客户高层认识到“时代正在发生一个大的转变”，不积极提升效率、接受这种转变，未来可能被行业淘汰。
对 2026 年上半年、同背景挑战者的判断毫不留情：八年技术体系打磨的时间省不了；大客户已使用并深度定制，再想替代“几乎不可能”。因此，“创业做这件事的时机可能已经过去了”。李翔评价：“这答案比我的问题还要残酷一些。”
收尾展望中，夏宁认为 AI for Science 的行业渗透率“甚至不到千分之一”，趋势几乎必然，十年后人可能很少再做现在这些事情，主要由 AI 完成；他把这一机会类比为 13 年前中国开始电动车战略时出现的行业整体转向。李翔最后以显微镜之于生物医学作比：显微镜让人看到细菌和细胞，推动生物医学出现广泛突破，AI for Science 也可能成为提升垂直领域发现和研发效率的工具。

SpaceX以600亿美元收购Cursor，Anthropic首次盈利 E249｜Token经济转点：OpenClaw、Hermes到本地自研的Agent进化之路