近日，科理新序（Scinetics）宣布完成首轮近 5000 万元人民币融资，由英诺科创基金领投，沂景资本、小苗朗程、麟阁创投跟投，光源资本担任战略孵化方和独家财务顾问。这笔钱主要花在三件事上，AI4S 科学基座模型的迭代，自动化实验平台的规模化部署，以及核心团队的扩充。
公司创始人兼 CEO、CTO 张载熙今年 7 月加入香港科技大学担任助理教授，化学与生物工程系、计算机科学与工程系、医学院三系同聘。他的 AI4S 路线起步很早，2019 年本科理论与应用力学毕业后，就把 AI for Science 定成了博士方向。
从单点模型走到科学基座模型
沿着「找一个科学问题，设计一套算法，训练一个模型，解决任务」的路径，张载熙做过一批代表性工作，包括分子筛选模型 MGSSL、药物分子生成模型 FLAG、蛋白质口袋设计模型 PocketGen 和 RNA 药物设计模型 RNAGenesis，在多个垂直细分方向上都有领先表现。
但问题很快浮出来，单点能力再强也不等于科学发现能力。一次完整的蛋白药物设计往往要协调二十多个工具、反复迭代，AlphaFold 也只解决了其中一步。用他自己的话说是，「单块板加高，桶里的水不会变多」。
于是团队进入第二个阶段，做科学智能体。他们开发了 STELLA 和 BioClaw，把分散的模型、数据库和实验工具串起来，覆盖更完整的科研流程。BioClaw 社群已经聚起 1200 多人，收到 500 多份共创者申请，还和美国生物科技上市公司 Ginkgo Bioworks 建立了合作。STELLA 服务超过 1000 位科研用户，国内覆盖国家重点实验室和高校研究机构，国际用户里有七成来自斯坦福、普林斯顿、哈佛、MIT 这些学校。
不过智能体也没解决最根本的问题。今天大多数科学智能体主要靠语言模型调度外部工具，它能调用蛋白质结构模型，却未必真正理解三维空间，能读取组学分析结果，却难以直接推理庞大的稀疏矩阵。不同模态的数据在文本、代码和工具之间反复转换，信息一路在损失。
科理新序要做的事，是把 language token 换成 scientific token。序列、结构、图像、组学矩阵、实验读数，科学数据原本用不同的「语言」彼此割裂。团队要把这些多模态数据转成模型能统一理解和处理的基本单元，让模型直接在科学空间里推理，而不是反复在不同格式之间搬运信息。四个目标被总结成四句话，从 language token 走向 scientific token，从工具使用走向科学发现，从离线预测走向实验验证，从静态模型走向自我进化。第一个版本的基座模型聚焦生命科学的中心法则，也就是 DNA 到 RNA 到蛋白质，再到功能和表型。
张载熙给这件事定了个标尺。抗体设计是行业里的标杆难题，现在全国最好的水平是十条设计序列里只有一两条能成，他希望基模在这个任务上做到 80% 到 90%，像 AlphaFold 那样把「大概率失败」翻成「大概率成功」。
实验室那一半，靠机械臂和中间数据补上
模型和数据准备得再好，科研闭环还有一半发生在实验台上。团队遇到的现实是，现有的自动化设备主要面向高通量、高度固定的流程，一旦改实验方案，重新配置的成本就很高，而探索性、定制化的实验恰恰是科研里最有价值的部分。
科理新序正在搭一个包含 200 多种实验仪器的沙盒环境，训练了 Agentic-VLA 系列模型，让智能体直接控制机械臂，能对复杂流程做任务拆解，实时监控执行过程，实验失败时自主纠错和恢复。这套系统已经在英伟达 GTC 大会和 CES 上展示过。
另一个被长期忽略的问题是失败数据和中间数据的回收。论文里发表出来的是最终结果，但合成产率、反应速度、中间图像这些数据往往没有被系统整理，也就没法变成模型能利用的反馈。团队在和一家国内合成生物学公司合作，部署专门采集中间数据的设备，用来提前判断优化的方向。
一个已经落地的案例来自某免疫方向的全国重点实验室。这家实验室深耕急性髓系白血病将近二十年，这种血液肿瘤复发率高达 70% 到 80%，可用靶点极其有限。团队用 STELLA 帮他们找靶点，私有化部署后十分钟就交回一份候选列表，排在首位的靶点此前没有直接文献报道，也没有相关实验验证。实验室随后在多个细胞系里完成了验证，拿到了初步的正向结果。同样的文献检索、数据库比对和候选初筛，人工做通常要几天到几周。更值得注意的是，STELLA 给出的最高优先级候选，并不在这支深耕该疾病近二十年的团队此前重点探索的方向里。
团队构成上，张载熙 1998 年出生，中科大少年班学院理论与应用力学本科，中科大计算机科学博士，哈佛医学院联合培养，普林斯顿大学 AI 实验室博士后，在腾讯量子实验室、微软亚洲研究院、百图生科都有研究经历。核心成员来自普林斯顿、剑桥、中科大等高校，以及 Google DeepMind、微软、腾讯、华为等公司。公司从生命科学出发，之后打算逐步拓展到材料科学、量子物理、航空航天和芯片设计这些领域。
对做科研工具的人来说，这类基座模型的进展值得持续盯着，AI4S 正在从发论文的阶段走到真要接管实验台。想先摸摸 AI 在科研场景里能干什么，可以从 AI工具排行榜 顺着往下翻，或者看 AI工具 里偏效率类的产品目录。
