AI化学合成已接近十年经验化学家，但白盒才是商业前提
AI 化学合成能力已接近十年经验化学家，能给出五到六种路线，但严肃科学软件必须白盒化才能建立信任；AI for Science 渗透率不足千分之一，趋势必然。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
严肃科学软件不能只靠黑盒
黑盒模型会不定期出现幻觉或 bug，后果严重且不可解释，最大的问题是不可调教——你改了 A，BCD 会莫名其妙跟着变，却不知道 BCD 是谁。白盒模型让系统可解释、可验证、可调教，客户才能建立信任。在智化科技的系统里，所有大模型或黑盒模型的结论，都必须经过白盒模型的解释、验证和约束，才能去掉幻觉。
— 夏宁AI 合成能力已达十年经验化学家水平
智化科技内部和外部测评显示，现在的 AI 化学合成能力大致相当于十年工作经验的化学家。化学家想到的路线 AI 都能想到，而且 AI 平均能想到五到六种不同策略，人一般只有一到两种。在较难的工艺路线设计上，AI 也基本实现了人能想到的它都能想到。客户拿真实案例测试，花一两个月设计的路线，AI 五分钟就能跑出来，还能给出其他备选。
— 夏宁DMTA 循环的瓶颈在合成环节
新药研发本质是多个 DMTA 循环（设计-合成-测试-分析），一般做药要七八轮。设计阶段一天可以设计成百上千甚至几万个分子，测试阶段有高通量可以一次测几百个，但合成阶段卡住了——一个化学家一个月大约合成三到五个分子。整个研发效率就卡在合成这一段。只有把合成效率提高两倍三倍甚至十倍二十倍，整个新药和新材料研发的通量才能成倍上升。
— 夏宁纯 AI 背景创业者最大的坎是行业 know-how
纯 AI 背景的人合作时，最大的问题是对行业问题不理解，甚至理解错误，却不说出来，在错误的路上一直做，最后结果不好还归咎于数据。在垂直领域，不懂行业就定义不清楚问题，更不用说那些无法用语言明确表达的事情。他们根本搭建不起可信的白盒系统。行业 know-how 是 AI for Science 创业的核心壁垒。
— 夏宁AI for Science 的数据量比互联网少几个量级
大模型靠的是积累四十多年的全网公开文本数据，而任何一个科研领域，即使把全部论文都加上，也比这个少很多个量级，有的领域只有几百几千个数据。所以 AI for Science 最缺的是数据量。对于逆合成问题，目前贡献最大的是公开文献专利数据，因为它学到的是逆合成思路，而不是高通量实验能解决的。
— 夏宁智能体调用要智能调度，省钱是工程刚需
AI 与以往软件最大的差别是每次交互和调用都有成本，客户非常重视这一点。智化科技有很大的工程性工作要做：帮助客户省钱，不能随意调基础模型，只在必要时调合适的模型，用最小成本去调。内部会对问题分类，简单问题用小模型或本地部署模型解决，关键问题才调用高级模型，把最贵资源留给最核心的问题。
— 夏宁中国生物医药可能成为世界医药工厂
中国生物医药的供给端在快速成长，License-out 推动研发效率竞争，需求端在国外，供给端在国内，很像当年精密制造阶段的果链。未来几年不排除像制造业一样，形成占绝大部分的「世界医药工厂」模式。但印度增长也很快，智化科技今年在印度增加了三十多家客户，增速不比中国慢。
— 夏宁投资人最容易误解的两点
第一，投资人觉得一定要做创新药或新材料市场空间才够大，但夏宁认为那是结果不是原因——先解决工具效率问题，才能在药物材料研发中产生倍数优势，否则就是讲故事。第二，投资人看到的是过去工具软件市场不大，难以想象智能体模式把整个工作流做完后变成整体交付结果，市场空间被低估。
— 夏宁原话 · 已逐字校验
现在的化学合成的 这个AI的能力 大致相当于十年工作经验的化学家的水平
现在的化学合成的 AI 能力，大致相当于十年工作经验的化学家的水平。
夏宁37:29
AI能够一般能平均想到五到六种不同的策略 这个是超过人的 人一般就是一到两种策略
AI 能够一般能平均想到五到六种不同的策略，这个是超过人的，人一般就是一到两种策略。
夏宁38:18
一个化学家 在一个月的时间 大概合成三到五个分子 这是行业内普遍的一个效率
一个化学家在一个月的时间大概合成三到五个分子，这是行业内普遍的一个效率。
夏宁41:19
我不能说就是随意的调这个基础模型 我只有在必要的时候调合适的模型 用最小的成本去调
我不能说就是随意地调这个基础模型，我只有在必要的时候调合适的模型，用最小的成本去调。
夏宁52:28
AI for Science 还在非常早期 它的行业渗透率 甚至不到千分之一 但我觉得它的趋势 是几乎是必然的
AI for Science 还在非常早期，它的行业渗透率甚至不到千分之一，但我觉得它的趋势几乎是必然的。
夏宁1:12:43
数字与实体
| AI 化学合成能力相当于化学家工作年限 | 十年 | 37:29 |
| AI 平均能想到的合成策略数量 | 五到六种 | 38:18 |
| 化学家平均能想到的合成策略数量 | 一到两种 | 38:18 |
| 化学家每月合成分子数 | 三到五个 | 41:19 |
| AI for Science 行业渗透率 | 不到千分之一 | 1:12:43 |
| 智化科技在印度新增客户数 | 三十多家 | 1:01:40 |
术语
- DMTA 循环设计-合成-测试-分析循环
- 新药研发的核心流程：Design（设计）、Make（合成）、Test（测试）、Analyze（分析），循环迭代。
- 白盒模型白盒模型
- 可解释、可验证、可调教的模型，与黑盒相对，用于建立客户信任。
- 逆合成逆合成分析
- 从目标分子倒推合成路线的方法，AI 可快速给出多种可行路线。
收听指南
AI for Science 创业者、生物医药研发管理者、关注 AI 落地的投资人，以及想了解化学合成智能化现状的工程师。
开头个人成长经历（0:00-6:25）可跳过，不影响核心判断。