AI化學合成已接近十年經驗化學家，但白盒才是商業前提
AI 化學合成能力已接近十年經驗化學家，能給出五到六種路線，但嚴肅科學軟件必須白盒化才能建立信任；AI for Science 滲透率不足千分之一，趨勢必然。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
嚴肅科學軟件不能只靠黑盒
黑盒模型會不定期出現幻覺或 bug，後果嚴重且不可解釋，最大的問題是不可調教——你改了 A，BCD 會莫名其妙跟著變，卻不知道 BCD 是誰。白盒模型讓系統可解釋、可驗證、可調教，客戶才能建立信任。在智化科技的系統裡，所有大模型或黑盒模型的結論，都必須經過白盒模型的解釋、驗證和約束，才能去掉幻覺。
— 夏寧AI 合成能力已達十年經驗化學家水平
智化科技內部和外部測評顯示，現在的 AI 化學合成能力大致相當於十年工作經驗的化學家。化學家想到的路線 AI 都能想到，而且 AI 平均能想到五到六種不同策略，人一般只有一到兩種。在較難的工藝路線設計上，AI 也基本實現了人能想到的它都能想到。客戶拿真實案例測試，花一兩個月設計的路線，AI 五分鐘就能跑出來，還能給出其他備選。
— 夏寧DMTA 循環的瓶頸在合成環節
新藥研發本質是多個 DMTA 循環（設計-合成-測試-分析），一般做藥要七八輪。設計階段一天可以設計成百上千甚至幾萬個分子，測試階段有高通量可以一次測幾百個，但合成階段卡住了——一個化學家一個月大約合成三到五個分子。整個研發效率就卡在合成這一段。只有把合成效率提高兩倍三倍甚至十倍二十倍，整個新藥和新材料研發的通量才能成倍上升。
— 夏寧純 AI 背景創業者最大的坎是行業 know-how
純 AI 背景的人合作時，最大的問題是對行業問題不理解，甚至理解錯誤，卻不說出來，在錯誤的路上一直做，最後結果不好還歸咎於數據。在垂直領域，不懂行業就定義不清楚問題，更不用說那些無法用語言明確表達的事情。他們根本搭建不起可信的白盒系統。行業 know-how 是 AI for Science 創業的核心壁壘。
— 夏寧AI for Science 的數據量比互聯網少幾個量級
大模型靠的是積累四十多年的全網公開文本數據，而任何一個科研領域，即使把全部論文都加上，也比這個少很多個量級，有的領域只有幾百幾千個數據。所以 AI for Science 最缺的是數據量。對於逆合成問題，目前貢獻最大的是公開文獻專利數據，因為它學到的是逆合成思路，而不是高通量實驗能解決的。
— 夏寧智能體調用要智能調度，省錢是工程剛需
AI 與以往軟件最大的差別是每次交互和調用都有成本，客戶非常重視這一點。智化科技有很大的工程性工作要做：幫助客戶省錢，不能隨意調基礎模型，只在必要時調合適的模型，用最小成本去調。內部會對問題分類，簡單問題用小模型或本地部署模型解決，關鍵問題才調用高級模型，把最貴資源留給最核心的問題。
— 夏寧中國生物醫藥可能成為世界醫藥工廠
中國生物醫藥的供給端在快速成長，License-out 推動研發效率競爭，需求端在國外，供給端在國內，很像當年精密製造階段的果鏈。未來幾年不排除像製造業一樣，形成佔絕大部分的「世界醫藥工廠」模式。但印度增長也很快，智化科技今年在印度增加了三十多家客戶，增速不比中國慢。
— 夏寧投資人最容易誤解的兩點
第一，投資人覺得一定要做創新藥或新材料市場空間才夠大，但夏寧認為那是結果不是原因——先解決工具效率問題，才能在藥物材料研發中產生倍數優勢，否則就是講故事。第二，投資人看到的是過去工具軟件市場不大，難以想像智能體模式把整個工作流做完後變成整體交付結果，市場空間被低估。
— 夏寧原話 · 已逐字校驗
現在的化學合成的 這個AI的能力 大致相當於十年工作經驗的化學家的水平
現在的化學合成的 AI 能力，大致相當於十年工作經驗的化學家的水平。
夏寧37:29
AI能夠一般能平均想到五到六種不同的策略 這個是超過人的 人一般就是一到兩種策略
AI 能夠一般能平均想到五到六種不同的策略，這個是超過人的，人一般就是一到兩種策略。
夏寧38:18
一個化學家 在一個月的時間 大概合成三到五個分子 這是行業內普遍的一個效率
一個化學家在一個月的時間大概合成三到五個分子，這是行業內普遍的一個效率。
夏寧41:19
我不能說就是隨意的調這個基礎模型 我只有在必要的時候調合適的模型 用最小的成本去調
我不能說就是隨意地調這個基礎模型，我只有在必要的時候調合適的模型，用最小的成本去調。
夏寧52:28
AI for Science 還在非常早期 它的行業滲透率 甚至不到千分之一 但我覺得它的趨勢 是幾乎是必然的
AI for Science 還在非常早期，它的行業滲透率甚至不到千分之一，但我覺得它的趨勢幾乎是必然的。
夏寧1:12:43
數字與實體
| AI 化學合成能力相當於化學家工作年限 | 十年 | 37:29 |
| AI 平均能想到的合成策略數量 | 五到六種 | 38:18 |
| 化學家平均能想到的合成策略數量 | 一到兩種 | 38:18 |
| 化學家每月合成分子數 | 三到五個 | 41:19 |
| AI for Science 行業滲透率 | 不到千分之一 | 1:12:43 |
| 智化科技在印度新增客戶數 | 三十多家 | 1:01:40 |
術語
- DMTA 循環設計-合成-測試-分析循環
- 新藥研發的核心流程：Design（設計）、Make（合成）、Test（測試）、Analyze（分析），循環迭代。
- 白盒模型白盒模型
- 可解釋、可驗證、可調教的模型，與黑盒相對，用於建立客戶信任。
- 逆合成逆合成分析
- 從目標分子倒推合成路線的方法，AI 可快速給出多種可行路線。
收聽指南
AI for Science 創業者、生物醫藥研發管理者、關注 AI 落地的投資人，以及想了解化學合成智能化現狀的工程師。
開頭個人成長經歷（0:00-6:25）可跳過，不影響核心判斷。