中科大少年班95後造“AI科學家”，融資近5000萬

作者 | 陳駿達 編輯 | 雲鵬 9月17日報道，今天，上海AI4S（科學智能）創企科理新序宣佈，已於近日完成首輪近5000萬元融資。該公司的本輪融資由英諾科創基金領投，沂景資本、小苗朗程、麟閣創投跟投，光源資本擔任戰略孵化方及獨家財務顧問，所獲資金將主要用於AI4S科學基座模型的迭代、自動化實驗平臺的規模部署，以及團隊的擴充。科理新序成立於2026年，希望打造能夠跨模態理解DNA、RNA、蛋白質結構、組學矩陣和實驗數據的科學基座模型，同時也在訓練可操縱機械臂完成溼實驗室科學實驗的Agentic-VLA（視覺-語言-行動）系列模型，最終實現“認知—設計—實驗—反饋—再學習”的乾溼閉環。

目前，科理新序的模型主要聚焦生命科學領域，未來則會逐步拓展至材料科學、量子物理、航空航天和芯片設計等科學領域，其目標是構建一個能夠理解科學、主動假設、自主實驗、持續進化的AI Scientist系統。一、創始人系中科大少年班校友，曾拒絕大廠千萬年薪邀請 科理新序創始人、CEO兼CTO張載熙出生於1998年，本科就讀於中科大少年班學院理論與應用力學專業，後在中科大取得計算機科學博士學位（師從劉淇教授），並曾在哈佛醫學院接受聯合培養（師從Marinka Zitnik教授），在普林斯頓大學AI實驗室從事博士後研究（師從王夢迪教授）。此外，他還曾在騰訊量子實驗室、微軟亞洲研究院和百圖生科從事研究工作。

在AI4S領域，張載熙擁有一系列代表性工作，包括分子篩選模型MGSSL、藥物分子生成模型FLAG、蛋白質口袋設計模型PocketGen、RNA藥物設計模型RNAGenesis。據悉，張載熙博士畢業後曾拿到十多所海內外頂尖高校的教職offer，其中一所美國Top20高校開出了約300萬美元的startup package。他還收到國內大廠和前沿實驗室的千萬年薪邀請。最終，他選擇於今年7月加入香港科技大學擔任助理教授，獲化學與生物工程系、計算機科學與工程系、醫學院三系同聘。科理新序的其他核心成員來自普林斯頓、劍橋、中科大等高校，以及Google DeepMind、微軟、騰訊、華為等科技公司。

在研究過程中，張載熙及團隊逐步發現，模型單點能力再強，也不等於科學發現能力。一次完整的蛋白藥物設計，往往要協調二十多個工具、反覆迭代。像是AlphaFold這樣的成果，其實也只解決了其中一步。之後，該研究團隊開始探索科學智能體，開發了STELLA（Self-Evolving LLM Agent for Biomedical Research）、BioClaw等科學智能體，把分散的模型、數據庫和實驗工具串聯起來，覆蓋更完整的科研流程。

在與一家深耕急性髓系白血病研究近二十年的免疫方向全國重點實驗室的合作中，團隊將STELLA私有化部署，十分鐘內返回候選靶點列表，其中最高優先級靶點此前缺乏直接文獻報道和實驗驗證，實驗室隨後在多個細胞系中完成驗證，獲得初步正向結果。同等規模的文獻檢索、數據庫比對和靶點初篩若由研究人員手動完成，通常需要數天至數週，且該靶點不在實驗室此前重點探索的方向中。二、把多模態數據融入統一科學空間，探索乾溼閉環實驗室 但智能體仍然沒有解決最根本的問題。現有科學智能體仍主要依賴語言模型調度外部工具：可以調用蛋白質結構模型，卻未必真正理解三維空間，不同模態的數據在文本、代碼和工具之間反覆轉換，信息不斷損失。

科理新序稱，專用模型解決單點問題，智能體連接多個點，但中間仍缺少一個真正理解科學世界的模型。基於此，科理新序提出從language token走向scientific token，即把序列、結構、圖像、組學矩陣、實驗讀數等多模態科學數據，轉換為模型能夠統一理解和處理的基本單元，使模型直接在科學空間裡推理，而非在不同格式之間反覆轉換。研究團隊將這一目標概括為四句話：從language token走向scientific token，從工具使用走向科學發現，從離線預測走向實驗驗證，從靜態模型走向自我進化。

科理新序正在構建的AI4S基座模型，首個版本將聚焦生命科學的中心法則：DNA到RNA到蛋白質，再到功能和表型。張載熙為基座模型設定的標尺是抗體設計。當前行業最好水平下，十條設計序列往往只有一兩條能成功，他希望基座模型在該任務上能做到80%-90%。乾溼閉環也是AI4S的一大難點。科理新序認為，現有溼實驗室自動化設備主要面向高通量、高度固定的流程，改動實驗方案時重新配置成本高，而探索性、定製化實驗恰恰是科研中價值較高的部分。

科理新序正在搭建包含200多種實驗儀器的沙盒環境，訓練Agentic-VLA（視覺-語言-行動）系列模型，使智能體直接控制機械臂，完成複雜實驗流程的任務拆解、實時監控，並在實驗失敗時自主糾錯與恢復。該系統已在英偉達GTC大會和CES等活動上展示。此外，科理新序還關注失敗數據與中間數據的回收。論文發表的通常是最終結果，而合成產率、反應速度、中間圖像等數據往往未被系統整理並轉化為模型反饋。團隊在與一家國內合成生物學公司的合作中，部署了專門採集中間數據的設備，用於提前判斷優化方向。結語：AI科學家，已成現實可能 AI4S賽道正迎來全新的發展機遇。

如今，AI已經可以更為端到端地完成科學發現任務，而不僅僅是承接科學發現的部分環節，這也使得打造“AI科學家”成為一個可行的思路。不過，目前“AI科學家”更多仍然停留在假設與思路的提出階段，而實際的溼實驗室驗證仍然需要人工完成，這在某種程度上限制了其加速科學發現的能力。像科理新序這樣同時探索AI4S基模與物理AI的企業，有望給行業帶來新的解題思路。