上海跑出一家「AI科学家」公司,98年中科大少年班博士、港科大助理教授拿下近5000万

AlphaFold 已经把蛋白质结构预测变成了“大概率成功”的事，但一次真实的科研从来没有这么干净。

一条候选靶点从模型输出走到细胞实验，中间隔着文献检索、数据库比对、工具串联和反复试错。模型可以算出候选，实验台不会自己动起来；而科学数据在文本、代码和工具之间每多转译一次，就损耗一次。这是AI4S行业公开的难处：单点能力很强，完整链路接不通。

上海的科理新序（Scinetics）把公司押在这个缺口上。2026年8月，这家注册于徐汇的公司由张载熙创立，成立一个多月后官宣完成由英诺科创基金领投的近5000万元首轮融资，沂景资本、小苗朗程、麟阁创投跟投，光源资本担任战略孵化方及独家财务顾问。

先看一个已经跑完的案例。国内一家深耕急性髓系白血病近二十年的全国重点实验室，想把靶点挖掘的效率提上来——这类血液肿瘤复发率高，可用靶点极其有限，靠人工把文献和数据库筛一遍，通常以天和周计。团队把科研智能体 STELLA 私有化部署后，十分钟拿到一份候选靶点列表，排在首位的候选此前缺乏直接文献报道；实验室随后在多个细胞系中完成验证，获得了初步正向结果。

需要说明，以上进展来自团队披露。但案例背后的产品逻辑是清晰的：STELLA（Self-Evolving LLM Agent for Biomedical Research）在科理新序成立之前就已上线，据公司披露已服务超过1000位科研用户，国际用户中七成来自斯坦福、普林斯顿、哈佛、MIT等高校；开源社区 BioClaw 聚集了1200多人，收到500多份共创申请。

在团队的叙述里，智能体只是过渡。真正的难处有三个：模型要看懂分子、序列、组学矩阵这些不是文本的科学数据；要能把一次药物设计要协调的二十多个工具串成完整流程；最后还要落到实验台上——现有自动化设备面向高通量固定流程，改一次方案成本很高，而探索性实验恰恰是科研里最有价值的部分。

AI 做科研要依次跨过的三道关：看懂数据、串起流程、落到实验台（制图：科技创新先锋）

张载熙把这条路分成了三步。第一步是单点模型：分子筛选模型 MGSSL、药物分子生成模型 FLAG、蛋白质口袋设计模型 PocketGen（发表于 Nature Machine Intelligence），以及与百图生科、斯坦福、普林斯顿团队联合的 RNA 设计模型 RNAGenesis。这些工作在各自细分方向都做到了领先，但他的判断是“单块板加高，桶里的水不会变多”。

第二步是智能体。STELLA 把分散的模型、数据库和实验工具串起来，让 Manager、Dev、Critic 等多个角色在同一条流程里协作，覆盖从文献检索到分析报告的完整科研链路。

STELLA 系统架构：多智能体协同，调用外部工具完成完整科研流程（图源：STELLA 论文）

第三步回到模型本身。团队的方向是让模型从 language token 走向 scientific token：把序列、结构、组学矩阵、实验读数统一成模型可以直接推理的基本单元，而不是在文本和工具之间反复转译。“专用模型解决一个点，智能体连接很多点，但中间还缺少一个真正理解科学世界的模型。”张载熙说。

团队对 scientific token 的定义：与 LLM token 的差别及可覆盖的科学对象（图源：科理新序）

科学基座模型的第一个版本将聚焦生命科学的中心法则——DNA 到 RNA 到蛋白质，再到功能和表型。张载熙给了一个具体标尺：抗体设计目前行业最好的水平，是十条设计序列里成一两条；他希望基座模型把这个比例做到80%到90%。需要划清边界的是，这是团队对未来的目标设定，目前没有公开的实测数据。

张载熙1998年出生，中科大少年班学院理论与应用力学本科，中科大计算机科学博士（师从刘淇教授），哈佛医学院联合培养（师从 Marinka Zitnik 教授），普林斯顿大学 AI 实验室博士后（师从王梦迪教授），求学期间在腾讯量子实验室、微软亚洲研究院、百图生科都留下过研究记录。

博士毕业时，他手里有十多所海内外高校的教职 offer，包括宾夕法尼亚大学、密歇根大学、清华大学；其中一所美国 Top20 高校开出约300万美元科研启动经费，是该校面向新任助理教授开出的最高额度之一。他同时收到国内大厂和前沿实验室的千万年薪邀请，最终选择香港科技大学任助理教授，获化学与生物工程系、计算机科学与工程系、医学院三系同聘。“我去香港科大，本来也是想创业的。”

团队的构成同样对应这条路线的门槛：核心成员来自普林斯顿、剑桥、中科大等高校，以及 Google DeepMind、微软、腾讯、华为等科技公司，学术判断力和工程落地能力被放在了同一家公司里。

科理新序创始人张载熙，摄于哈佛医学院联合培养期间（图源：受访者）

本轮融资将用于三件事：AI4S 科学基座模型的迭代、自动化实验平台的规模化部署，以及核心团队扩充。前两件事分别对应“认知”和“实验”，也就是公司反复强调的干湿闭环。

实验这一侧，团队正在搭建一个包含200多种实验仪器的沙盒环境，训练 Agentic-VLA（视觉-语言-行动）模型直接控制机械臂：拆解实验流程、实时监控执行，失败了自主排查纠错。这套系统已经在英伟达 GTC 大会和 CES 上展示。团队同时在与一家国内合成生物学公司合作部署中间数据采集设备——合成产率、反应速度、中间图像，这些通常不会被写进论文的数据，正是训练下一轮模型最缺的反馈。

领投方英诺科创基金给出的判断是，这套“自进化 AI 科学家＋干湿闭环实验室”体系切中了 AI4S 的核心痛点：通用大模型在实验学科缺乏物理世界验证。张载熙的说法更直接：“Science is the next coding。”

商业化路径目前以科研机构和产业伙伴的试点为主，基座模型还需要长期投入。对一家成立一个月出头就完成首轮融资的公司，更大的考验不在拿钱的速度，而在下一轮融资时，沙盒里训练的智能体能不能在真实实验室里稳定跑完一整段实验。

科理新序的总部注册在上海徐汇，招聘启事里同时写着“港科大博士／博士后直推，优秀实习生导师直送”。两地分工在公开信息里并不含糊：上海承担公司注册、团队组建和产业化落地，香港承担源头研究——创始人在港科大的实验室，就是这条链路的人才与课题上游。

“教授＋创业者”的组合在港科大有过成熟先例，张载熙也提到过李泽湘和大疆的路径；光源资本作为战略孵化方从公司创立起深度介入，把融资和产业资源压进了公司最初的几个月。徐汇一侧，AI 与生命科学交叉的产业密度，让一家 AI4S 公司可以就近对接实验室客户与合作方。