AI4S青年志① | 搖瓶子的手與調參數的腦：兩個95後和一場物質科學的化學反應

在AI4S，AI出身的人是在等AI出奇跡，而Science出身的人是在給AI立規矩。作者丨周蕾 編輯丨岑峰 【編者按】這是AI科技評論“AI4S青年志”系列專訪的第一篇。當所有人都在談論AI4S，我們想聽真正在做的人怎麼說。本系列與這個領域的青年人對談，記錄他們如何走向兩個學科的交界，在難題與彎路中走到今天。2026年7月7日，上海科學智能研究院“百題馬拉松”超級科研工廠直播開啟，連續5天不間斷跑完135道課題。或許徐麗成和安俊逸自己入行時也沒想到，做科研還要“三班倒”盯一場120小時的乾溼閉環直播。直播是“一次性的藝術”，沒有多少試錯空間。徐麗成最緊張的，是配體推薦環節。

配體是催化劑的核心組成部分，直接決定反應的效率和選擇性。他其實並不確定模型推薦的配體是否能夠成功提升反應產率，而直播裡不能額外驗證——一旦失敗，他們來不及再買新的藥品。“非常幸運，它確實提升了4個反應的平均產率，我之前也不知道這個實驗結果。”徐麗成回憶起當時的情景，仍然感到十分慶幸。安俊逸負責Agent系統開發，他最擔心的是藥物發現題目的執行。藥物發現主打長鏈路，調用工具多，單個任務一跑就是5小時、甚至10小時。這種長鏈路執行會有誤差積累，工具的運行也存在不穩定因素，Agent極有可能在後續步驟中連環出錯，最終中途崩潰——這也是大部分Agent的通病。

“直播的時候，藥物發現達到了從未有過的任務成功率。”這是最讓安俊逸提心吊膽的一類題目，這個結果讓他意外。兩人回憶起這場“百題馬拉松”時，辦公室窗外剛經歷了一場盛夏午後的雷陣雨，剛剛放晴。上智院的辦公室位於上海西岸，這裡也是眾多科研機構和科技企業的駐點。黃浦江穿城而過，有波瀾壯闊的歷史，也有新的船駛向遠方。徐麗成和安俊逸這兩位“95後”，是上智院物質科學方向的青年科學家，也是上智院重點孵化企業“格物智研”的算法專家，一個從化學走向AI，一個從物理走向計算機再走向AI4S。他們與這個研創一體的團隊一起，搭建了國內首個無人介入的物質科學乾溼實驗全閉環系統——Golab物質科學智能研發工廠。

徐麗成安俊逸藉著這個機會，與兩位年輕的科學家聊了聊，他們在來到上智院後，是如何在兩個AI和Science的交界處，完成一場“化學反應”的。01活化“化學還有太多未知，但繼續卷績點好像已經沒有什麼挑戰了。”徐麗成本科在華東理工大學讀應用化學，成績名列前茅。大二那年AlphaGo正火，他開始上網課自學Python，試圖轉向AI，但始終不得其門而入，直到大四保研去浙江大學闖進了洪鑫教授的計算化學課題組，方向是當時還很異類的“機器學習for化學”。大多數學生怕計算機難，竟無一人聯繫。“大家都挺怵的，但我決定去試試。” 徐麗成當了那個“吃螃蟹”的人。他的第一個科研任務，就是從文獻中收集溼實驗反應數據。

一年半的時間，他從數百篇文獻收集了上萬條烯烴不對稱氫化的反應數據，“一個一年級學生去指揮高年級學生，很有挑戰。”他後來回憶。趕上疫情，居家兩三個月又收了幾千條。這個數據集，至今仍是規模最大的結構化不對稱催化反應數據集，發表在化學頂刊《德國應用化學》上，也讓徐麗成拿到了AI4S世界的入場券。隨後，徐麗成經歷了短暫的字節實習，在2023年底參加了復旦大學和上智院主辦的世界科學智能大賽，帶著反應數據集和AI的歷練，走進了上海西岸那棟樓。幾乎同一時間，安俊逸博士畢業，從南京來到了上海。相較於徐麗成的化學背景，安俊逸其實在計算機領域實踐更久，但一開始，他其實是懷著對物理的濃厚興趣進入到南京大學物理系的。

在南京大學，物理系是一個盛產“神人”的地方：那裡匯聚了全國各省最高分的一群頭腦，也承載著相當宏大、甚至有些孤傲的雄心。但物理這門學科極其殘酷，低垂的果實早已被前人摘盡，剩下的都是足以消磨掉大多數天才志氣的硬骨頭。到了選專業的節骨點，他真實地感受到了，一種物理式的無情打擊。當興趣在晦澀的理論深淵中逐漸攤薄，他做出了南大數理大類學生近年來最常見的選擇：跨越那道並不算高的門檻，轉向更具生機的計算機賽道。2016年，何愷明的ResNet開啟了深度學習新時代，安俊逸應潮流轉至南大計算機系，師從申富饒教授。

申教授極其欣賞安俊逸身上那股物理系的“執念”，引導他將物理學中的能量最小原理、Hopfield網絡模型融入神經網絡。博士期間，他先從圖像做起，工作集中在分類、分割、檢測的神經網絡架構設計上，但他始終說服不了自己：“把數據相關機理融入到網絡設計上能對下游應用有什麼確定的影響嗎？感覺很虛。”直到他做3D點雲，那些雜亂無章的離散點，在點雲處理的旋轉等變性公式下，在他面前第一次展現出了讓物理學家痴迷的“對稱之美”。“一切變得有跡可循”。安俊逸終於找到了那個錨點。沿著這種“實”的思路，他做了幾篇點雲配準的工作，拿了ICCV競賽一等獎。2023年，安俊逸偶然認識瞭如今在上智院擔任AI科學家的屈超。

當時屈超正在復旦大學特聘教授、上智院院長漆遠教授的團隊做底層技術，他告訴安俊逸，分子、原子某種程度上也是三維空間中的點雲，而且比激光雷達的點更“聽話”，沒有噪聲，信息是固定的，需要引入的物理先驗遠比點雲複雜、也確定得多。安俊逸意識到，自己這種“改模型”的能力放到微觀的分子、原子表徵裡，或許就是開天闢地的巨斧。通過屈超，他又認識了上智院物質科學智能方向首席科學家曹風雷。曹風雷給他描繪了3D化學空間表徵模型的藍圖，也讓他看到了上智院的平臺潛力。“大語言模型已經展現了通用基座模型的超強邊界，這一點在分子原子領域同樣適用，我想在這裡做很多事。”安俊逸回憶。

博士畢業那年，他決定加入上智院，曹風雷後來也成為了他的直接leader。02發酵2024年初，徐麗成和安俊逸前後腳加入上智院。當時他們還沒有什麼交集——徐麗成想做一套調用化學模型的Agent系統，安俊逸接到的是做化學空間通用表徵模型的任務。入職後的第一次院內會議上，徐麗成提出了Agent的想法，不過漆遠聽完後沒有同意，認為團隊當前缺少模型積累，最好還是做一個有技術門檻的模型。徐麗成也意識到，Agent之下的東西都是別人開發的，含金量有限。他開始轉向開發通用的反應預測模型：既能預測產率和選擇性，又能做合成路線規劃。

這項工作後來發在了Nature Machine Intelligence（NMI）上，登上了期刊的封面。核心創新是一套面向反應的預訓練策略：告訴模型，化學鍵如何形成和斷裂，即有機反應的本質規律。當時有同學甚至審稿人建議他用NLP裡常見的next token prediction策略，但他堅持了自己的方案。反應預測模型的成功，給了徐麗成底氣。他緊接著啟動了過渡態預測——這是他從洪鑫組時期就想做的工作。化學反應裡，分子碰撞需要越過一個能壘，像翻過“小土包”，它決定了反應能不能發生、有多快。

以前搜索極難：優化算法通常讓能量往最低處走，但過渡態恰恰要“往上走”，需要化學家搭出非常接近真實的初始結構，極度依賴專家知識。徐麗成希望做到端到端：在畫板上畫一個2D過渡態結構，直接生成3D過渡態。然而這個“土包”，他翻了八個月都沒翻過去，模型生成的結構始終是一團亂麻。“如果來上智院第一個工作就是過渡態生成，經歷八個多月的失敗，我肯定扛不住。但好在第一個工作非常順利，至少證明了自己。”徐麗成回憶。直到2024年秋天，他突然想到：能不能把高階等變圖神經網絡引入擴散降噪模型？這是安俊逸反覆在組會上提到的詞。

安俊逸此前在燧人模型的核心模塊EST（等變球面變換器，Equivariant Spherical Transformer）中就用到了這一技術——在保證分子空間物理約束不變的前提下，提升模型的expressive poser，即表達能力。“這個詞頻繁出現在我的耳邊。”徐麗成笑稱。他做了簡單嘗試，效果出奇地好，結構基本有序了。他沿著這個思路繼續升高階數，最終完成了核心模塊。作為燧人物質科學系列模型的功能模塊之一，這項工作以UniTS為名於8月底發表在Nature Communications，並用在了超級科研工廠的實戰中。而在徐麗成過渡態工作“卡殼”期間，安俊逸也遭遇了自己那座“土包”。

曹風雷給他的任務是，做化學空間中的通用表徵模型。當時大模型的湧現能力已經非常明顯，安俊逸想，分子領域做表徵模型，會不會也有這種湧現？這成為了後來“燧人”系列模型基座層的起點。他帶著思考大綱，找到了漆遠、曹風雷和徐麗成一起討論。“Scaling law在分子領域有沒有表現？”漆遠問。團隊一起列了幾個影響因素，從參數量到計算量，逐一討論。安俊逸原本不太敢動手——大模型訓一次成本很高，怕試錯成本打水漂。但那次討論後，他心裡明確了：找到了理論上、直覺上都好的路線，就往前推進，不再糾結於剩下的選項。針對微觀結構的基座模型訓練過程沒有反覆失敗，路走得比較順。

但到了測評和應用階段，燧人卻始終和競品拉不開身位，而且大量的化學和物理下游任務都是分子宏觀行為決定的。“微觀的模型表徵怎麼能夠用於理解宏觀表現”，即如何有效建模玻爾茲曼分佈，這是一個橫亙在全世界大部分科研工作者前的難題，鮮有人解決，如果不能解決它，燧人分子基座模型的應用就一定會受到限制。安俊逸為此苦惱了很長時間，他嘗試過用各種模型結構把微觀結構壓縮到宏觀分子的表徵中，但效果都非常糟糕，直到2025年底，他突然開竅：“如果微觀表徵很難一步壓縮進宏觀表徵，是不是可以用diffusion算法做漸進式的構象壓縮？

沒錯，宏觀表徵可以做diffusion的條件，我之前一直都只把diffusion當一個生成模型。”他立馬把這個算法引入實現，2026年初再測評時，發現模型不僅能夠直接解決宏觀任務，而且表現比競品有了跨度式的提升。“那天晚上我三四點才睡著覺，純興奮。”儘管後續工作也有波折，算法的效果也沒有想象中的好，但那個瞬間讓他篤定：“這條路是對的，再有什麼困難也不怕了。”兩個人的“土包”都翻過去了，但他們很快發現，各自的能力需要更大的容器——燧人模型需要調用反應預測和過渡態生成，乾溼實驗需要Agent來串聯，而Agent又需要實驗室來驗證。

2025年底，渾天綾科研Skills平臺啟動，徐麗成和安俊逸的研究工作，也有了更深刻的交集。03結晶不同學科的人湊在一起，往往會陷入各自的巴別塔——說同一種語言，卻聽不懂彼此在說什麼。需求傳著傳著就變形，最後只能推倒重來。但徐麗成和安俊逸沒有這種體驗。兩個人對彼此工作的理解，在“渾天綾”啟動就已經成形。徐麗成說，安俊逸做的是“基座”：分子和原子是構成物質世界的微觀單元，把它們的表徵和內在機理學清楚，才能支撐更高層面的應用。安俊逸說，徐麗成做的是“橋樑”：他負責理解分子能幹什麼，但分子在物理世界裡能不能得到、怎麼得到、遵循什麼反應機理，“必須依賴麗成的有機合成催化工作”。

安俊逸更在乎算法設計，徐麗成更在乎物理化學機理是否正確、是否可解釋。安俊逸可以讓算法儘量往物理化學靠，徐麗成也可以讓機理裡包含可學習的模塊。他們用“高內聚、低耦合”來描述這種協作方式：把每個人當成一個獨立模塊，定義好輸入輸出，串起來就行。但安俊逸說，實際操作中他們會“往上多瞭解一層”——不只是知道對方要什麼，還知道對方為什麼要。這種習慣，讓他們很少返工。“渾天綾”是曹風雷的建議，團隊開發了不少模型和工具，但讓不太懂計算化學的人直接用，門檻太高。Agent是能讓人輕鬆上手科研工具、串起科研流程的好載體。最終“渾天綾”只定了電池、藥物、反應、材料幾條工作流，把跑得通的工具放進去。

平臺的分工也很清楚：安俊逸寫Agent底層代碼，搭智能體框架；徐麗成負責上層化學工具的封裝和乾溼實驗模塊的集成。LC-MS譜圖解析是個典型例子——徐麗成在化學家指導下寫腳本，從譜圖裡讀出反應的轉化率；安俊逸把腳本合併進工作流，讓實驗結果能和自然語言對上。整個平臺的運行還會依賴其它的很多功能模塊，這離不開團隊其它人的貢獻。但幹實驗不是終點，物質科學最終要把虛擬方案落到物理世界，實驗室平臺自此登場，串起乾溼閉環。2026年3月，“Golab物質科學智能研發工廠”的自驅動實驗室正式立項。建設初期，安俊逸負責打通最難的鏈路：藥物發現。“花了小半個月才跑通。

在那之前每天都很焦慮……它也許永遠不成功，也許明天就成功了。”跑通那一瞬間，他覺得後面的路都通了。後處理是核心難點。國內大部分自動化實驗室都能做反應，但合成後的分離提純，這一點鮮少有人做好。傳統方法依賴人工過柱和肉眼觀察點板來判斷流出組分時序，自動化設備難以複製這種基於經驗的實時判別。一期實驗室的核心能力，正是把這道“卡脖子”環節納入了閉環。AI科技評論瞭解到，位於上海漕河涇的一期實驗室目前主要覆蓋有機小分子合成、偶聯反應、電解質製備；生物實驗能力尚屬欠缺，計劃於今年年底至明年年初在青浦建設的二期實驗室，將補足這一板塊。

徐麗成對外解釋工廠的價值時，將其分為兩個面向：對計算化學研究者，平臺封裝了大量工具，用戶以自然語言描述需求即可調用相關計算資源；對實驗科學家，平臺可針對目標分子設計合成方案並交由自動化實驗室執行。安俊逸補充了更簡潔的兩個字：“好用。”在他看來，“好用”的底層是幹實驗側的工具調度能力——計算化學、計算物理工具並非一行命令即可運行，需要編寫很長的配置文件，涉及體系大小、鏈長、溫度等複雜參數。Agent自動化執行時，理解偏差或配置錯誤相當常見。團隊為此設計了經驗累積機制，將歷史任務中的錯誤經驗沉澱下來用於糾正後續過程；當大模型實在不確定時，會選擇與人交互討論。

2026年7月的“百題馬拉松”直播，成為了這座超級科研工廠的首次公開檢驗。這些題目是團隊從與合作伙伴的共創中整理得出的具體科研問題，歸屬於反應優化、藥物分子設計等大類。配環境、寫文件，還要守著反應等十個小時，真人去做確實不難，但極其枯燥繁瑣。“直播彈幕里老有人問，怎麼又在搖瓶子？加料其實只用5到10分鐘，但反應環節可能要搖半天。”徐麗成解釋道。預演時原定100道題、5天完成，安俊逸對Agent工具進行了大幅性能優化，引入了大量並行計算，致使任務提前完成，團隊臨時增補了30餘道，最終形成135道題目的規模。正如文章開頭提到的那樣，安俊逸最擔心的仍是藥物發現題。

最終135道題裡，唯一未能完成的，也正是這類藥物發現題：分子對接工具處理十萬個分子時，因為單個分子報錯，模型誤判為整體工具失效，經兩輪循環後，直接觸發了保護性退出。徐麗成印象最深的，還是配體推薦。直播中，四個反應的平均產率提升了約百分之十幾，但第四個反應無論使用何種配體均未能達到預期。團隊沒有棄置這組“陰性數據”，而是將其反饋至模型，切換推薦目標後，模型識別出原有配體類別在第四反應上的侷限性，進而推薦了一類結構差異顯著的新配體；經第二輪溼實驗驗證，該配體在第四反應上表現良好。直播中，他的過渡態生成模型UniTS還接受了5項反應機理探索任務的檢驗，均成功生成了正確的過渡態初始結構。

“物理世界發生的事不能算錯，只是沒達到預期。”徐麗成說。工廠的能力邊界十分清晰：其產出定位於實驗室級別的小試成果，而非量產級的中試或規模化生產。據團隊透露，他們將在秋季釋放約100個試用名額，以收集更廣泛的用戶反饋。04沉澱“百題馬拉松”的135道題跑完，工廠繼續迭代，但這些工作的成功並非終點，更像是一種反饋，告訴他們，之前的選擇和堅持是對的，也讓他們更清楚自己站在哪裡、要往哪裡走。對這兩位95後而言，真正的沉澱在於他們對AI4S這條“逆行之路”的重新審視。首先被重構的是“預期”。徐麗成發現，AI4S和圖像處理、自然語言處理截然不同。

在這些領域，AI幾乎是全能的，但在Science領域，算法和平臺有極強的物理邊界。“有些純做實驗的老師聽了宣傳，興高采烈找來，發現並不完全適配，就會失望——問題往往在於對方不太懂AI，不知道能力邊界在哪裡。”這種失望，其實源自認知差異：外界總把AI看作能點石成金的魔杖，但在科學家眼裡，AI只能是在遵循物理定律前提下的“超級算盤”。不懂AI的人，不知道邊界在哪裡；而懂AI但不感悟Science的人，則根本找不到進場的路。談到AI4S的人才壁壘，徐麗成的觀察有點反常識。

在他看來，計算機界有著開源的習俗，所以Science背景的人去結合 AI 技能，門檻不高，如今有了大語言模型和一些開箱即用的科研基礎設施，領域科學家使用AI的門檻進一步降低。相比之下，無論是課題組和師門內的“祖傳流程”“祖傳代碼”，還是學術判斷和技能經驗，Science領域更自成一套內部傳承體系。這恰恰是AI工具天然無法補全的部分。如同作家學會用打字機，可作品的厚度依然取決於作家對人性的理解。在AI4S的語境下，這種“理解”便是對學科底層邏輯的嗅覺。更大的困難是：計算機科學出身的人做AI4S，很難定義什麼問題是重要的。“Science”背後的領域太廣，不是每個問題都值得研究。

安俊逸也有同感，他所接觸的純AI背景的同學，拿到問題還是用堆數據、堆算力的思路去做，“和AI4S不match，用數據堆的AI4S模型可能有階段性成果，但走不到頂點。”“這種技術思路是在等AI大力出奇跡。”安俊逸觀察到。“而Science出身的人可以給AI立規矩，讓AI更懂科學，同時定位領域研究方向。”在這種互動中，兩位年輕科學家打磨出了一套近乎苛刻的算法審美：要精妙，不要堆砌。安俊逸在燧人模型中堅持的“高階等變”，源自圖神經網絡表達能力上限的數學原理。儘管很多接觸該類模型的人覺得理論晦澀，但他認為值。

同樣，徐麗成在設計反應預測策略時，也斷然拒絕了NLP領域的通配方案，轉而尋找更契合化學本質的原創邏輯。行業裡不少工作像“縫合怪”，把很多模型硬拼在一起；但他們希望自己的作品，動機和目標能完美契合。他們共同欣賞的是何愷明那樣的風格：用一個從未有人想到的公式說明一切，大道至簡。在AI4S的交叉點上，好算法的標準是一致的：要優雅，要經得起細看，要能讓人產生“居然還能這樣做”的驚喜。這些判斷來自他們各自的來路，也定義了他們對自己的期待。回到那個盛夏午後的雷陣雨。雨停之後，西岸的空氣裡有一種被洗過的清透。

徐麗成和安俊逸還要繼續盯著工廠的迭代，百題馬拉松的135道題，只是這座“物質科學工廠”第一次公開交出的答卷。黃浦江上，新的船正在駛向遠方。而在江邊的這棟樓裡，兩個“95後”科學家，一個從化學走向AI，一個從物理走向計算機再走向AI4S，他們站在兩個學科的交界處，完成了一場屬於自己的“化學反應”，彼此活化、發酵，最終結晶。這場反應，才剛剛開始