AI4S产业落地的机遇与挑战：听一线创业者和投资人讲述他们的故事|ai|science|人工智能|科学|算法

科学智能的产业落地是一个持续的发展过程。罗马不是一天建成的，科学智能，作为一个新兴范式，需要从打地基开始向上逐渐发展。目前，“AI for Science”（以下简称AI4S）正处于大规模“基础设施”的建设期。AI4S产业化落地的机遇与挑战分论坛，正是围绕当前AI4S所需要建设的基础设施展开讨论，各嘉宾结合各自企业/机构的实践经历，带来了广泛的分享。

以往的AI需要大量数据作为应用的前提，但由于数据稀疏、标准化程度低、同分布性差，AI在很多工业领域的应用面临巨大的瓶颈。如今AI4S范式的发展为很多缺少数据的工业领域带来了全新机遇。只要一件事物背后的科学原理是明确的，我们就可以先用AI去学习底层的科学原理，再进一步去求解这个科学原理所映射的实际问题，因此AI4S已经在很多场景展现出极强的生命力。

从药物到材料，基础设施建设场景导向性强

分论坛嘉宾均来自具体的场景领域，从药物到材料，各个领域的数据情况非常异质，因此，在这个阶段，AI4S基础设施的建设有很强的场景导向性。创材深造创始人兼CEO王轩泽先生指出：在创材深造所在的金属材料学中，产业关注的是宏观的结果，但是决定其性能的是微观的结构。因此，需要AI4S算法基础设施去有效的连接微观和宏观尺度。

剂泰医药联合创始人兼CEO赖才达博士表示：药物的本质是火箭（递送/制剂）+卫星（药物分子、RNA等）送达靶向的器官/组织。创新药的设计中，需要从蛋白表达的需求去搜索表达最好的RNA，以及相应的mRNA。mRNA分子很大，人来设计很难；此外，LNP的设计空间很大，难以搜索。在这个过程中，湿实验缓慢；而干实验对于制剂这种需要了解人体尺度的代谢来说并不能如牛顿力学那样比较容易地进行计算。因此，如何建立干湿结合的自动化实验设施，实现build-test循环，而实现高通量，是行业最大的瓶颈，此外，赖博士也提出中国有独特的政策环境优势，才使得剂泰能实现每周千个高质量动物数据的收集。

样本稀疏，高质量数据基础设施成发展关键

高质量数据基础设施，是科学智能领域发展的必要条件之一。科学智能中的AI算法需要大量高质量的领域数据作为机器学习的基础。宇道生物联合创始人兼首席技术官郁征天博士指出：在变构药物领域，数据非常少，因此需要前期大量“人工+机器”配合的工作，对大量文献、专利等非结构化数据进行挖掘。最大程度站在巨人的肩膀上而不重复造轮子。

智化科技创始人、董事长兼CEO夏宁同样提到：在智化科技所属的化学合成路径设计领域，市场上存在大量可用的商业中间品数据，从传统理论出发可能不会关注到这些数据，但是AI可以高效地对市场数据，以及电子实验记录本等非传统信息源进行检索，帮助发现化学合成路径中的捷径。

北京协和医院临床医学研究中心副主任、教授黄超兰博士则进一步指出：不止需要大量的高质量数据，还需要在AI训练过程中检测确保真正让AI有效吸收利用这些数据中的信息，做到深度覆盖，这样才能提高成果的临床意义，避免纸上谈兵。

为了处理科研中产生的海量数据以及提供AI训练所需的计算力，云计算作为算力基础设施在论坛中被数位嘉宾提及。郁征天博士指出：相比传统的本地硬件，云计算有“按需扩容，传输效率高，多硬件类型（更好的软硬件匹配），更好的性价比”等优势，并强调“实现我们的想法依赖很多问题的工程化处理，没有云之前这个工作很难做”。

AI4S产业化落地：新的商业发展逻辑

科学智能的产业化，需要依靠于产业的需求和商业的需要，与传统的纯科研导向发展不同。其中，郁征天博士指出：产业落地需要很早就开始关注量产的可能性，通过AI算法可以对特定设计进行规模化潜力的预测，对相应制造工艺从前期就开始优化，这样大大加快科学智能创新到商业成果的转化速度。源码科技合伙人黄云刚先生则针对科学智能的商业模式创新，指出：AI4S+产业结合有3类可行的商业模式：