🔥会议主题：求是AI圆桌第24期AI4S

一、嘉宾分享1：张昊天 / Odin Zhang（ODesign，生物分子设计）

张昊天分享了 ODesign 在全模态生物分子相互作用设计上的工作。核心问题是：传统蛋白设计、小分子设计、核酸设计往往各自建模，但真实生命体系中 DNA、RNA、蛋白、小分子之间的相互作用本质上都来自原子/电子层面的物理化学规律，因此可以尝试构建统一的 molecular world model，做 all-to-all biomolecular interaction design。

ODesign 的技术思路包括：统一结构预测与设计任务。把 prediction 和 design 放在同一框架下训练；采用全原子表示，而不是只看蛋白 C-alpha 或粗粒度结构；支持从头设计、局部编辑、motif / hotspot / epitope 约束设计等不同控制粒度；把不同分子模态拆成更底层的化学生物单元，如氨基酸、核苷酸、小分子原子，再通过共享的原子级表示实现跨模态迁移。其背后的判断是：蛋白-蛋白相互作用数据相对丰富，RNA/小分子/核酸相关数据更少，如果能把不同模态统一进一个框架，丰富模态的数据可以帮助稀缺模态提升设计能力。

主要应用场景包括： 蛋白 binder 设计、小分子结合设计、环肽/多肽设计、核酸/RNA 相关设计、靶点结合蛋白设计等。模型输入可以是靶点三维结构或靶点序列/结构信息，目标是生成具备较高结合亲和力或特定空间作用关系的分子。团队也做了湿实验验证，围绕若干挑战靶点进行设计、合成和结合测试，在成本受限的情况下通过基因合成、高通量测试等方式压低实验验证成本。

互动环节中，围绕亲和力预测、物理作用力、模型是否真正理解机制、如何统一不同分子模态、是否考虑翻译后修饰/非天然氨基酸等问题进行了讨论。张昊天强调，从物理上看各种相互作用最终都可归结到电子相互作用，但工程上不可能显式计算所有高阶项，因此模型更多是在有限尺度上学习有效表示；多模态统一的关键在于把不同分子拆到可共享的原子级/骨架级表示；对于修饰、非天然氨基酸等问题，可以视作小分子与多肽结构的组合来处理。团队选择开源代码和模型，希望通过开放换取用户反馈、生态支持和实际应用场景。

二、嘉宾分享2：朱新星（华盖医疗长三角基金，AI 制药与投资/产业视角）

朱新星从产业和投资角度分享了 AI 制药的现实路径。他认为，AI 毫无疑问是新药研发中的强大生产力工具，但需要放在药物研发真实链条中理解。新药研发链条很长，从靶点发现、靶点验证、疾病机制理解，到小分子、抗体、核酸药物、细胞治疗等不同 modality 的选择，再到分子设计、ADMET、可合成性评估、实验验证、动物实验、临床前、IND 和临床试验，每一环节的瓶颈都不同。

他引入了 Single-Model Illusion（单模型幻觉）这一讨论议题，供大家思考 AI 制药落地中的边界问题：单一模型或单一平台是否足以把候选分子从计算设计一路推进到真实临床转化。围绕这一问题，现场讨论了模型能力与真实研发链条之间的距离：AI 能在若干环节显著提效，但药物研发仍涉及细胞、动物、临床、生产和监管等多层验证，不同环节的关键瓶颈并不相同。

朱新星认为，药物研发最大的不确定性和成本往往不只在早期分子发现，而在生物学复杂性、临床验证和真实患者差异。AI 会带来巨大进步，但更现实的路径是提高研发效率、扩大探索空间、降低部分试错成本，而不是短期内替代医药研发的全部体系。

案例讨论中，他提到新一代 AI 制药公司的团队结构变化：仅有 AI 技术背景不够，真正有竞争力的团队往往需要药企研发经验、疾病领域 know-how、化学/生物/计算复合能力、商业化和产业资源。未来更重要的是“新药 + AI”还是“AI + 新药”的定位问题：在当前阶段，更稳妥的判断是 AI 嵌入新药研发体系，成为研发组织的能力放大器，而不是脱离药物研发规律单独重构行业。

三、嘉宾分享3：耿煜宇（浙大光电，生成式光学智能体）

耿煜宇分享了 AI 在光学系统设计中的应用。光学设计是一个相对小众但工程壁垒高的领域，长期依赖资深设计师经验，设计周期长、效率低，并且必须满足复杂的数学、物理和可制造约束。一个镜头或成像系统不仅要设计出光路参数，还要考虑像差、MTF、焦距、曲率、镜片间距、加工制造、装调误差等工程条件。

团队的方案是构建面向光学设计的生成式光学智能体。首先基于自动镜头设计方法构建百万级光学镜头库，并对数据进行治理，不只是保留低级参数，还补充设计用途、适用场景、加工难度、性能指标等高级语义。然后通过结构化指令注入和领域微调，使大语言模型具备更强的数学物理推理和光学参数生成能力。

产品流程大致是：用户输入光学设计需求，系统先通过检索找到相似设计，再调用光学优化软件进行参数优化，最终输出结构化结果。模型输出可以转成 Markdown 或结构化格式，并进一步输入到光学设计软件中执行。相比未经训练的通用大模型，专项模型在镜片间距、焦距、光线半径、参数合理性等指标上表现更好，更接近工程可用标准。演讲材料中也提到通过强化学习和 Zemax API 等工具调用，让模型在格式、物理约束和像质等维度上获得自动化反馈。

耿煜宇认为，AI4S 产品不能绑定在单一模型厂商上，而应利用基础模型快速进步，同时把壁垒建立在领域数据治理、仿真工具、工程反馈和场景闭环上。光学设计只是光学产业前端环节，后续更大的价值还在加工制造、装调、误差控制等环节。未来需要把原本为人类设计师服务的仿真/优化工具改造成更适合 AI 自我评估、自我迭代的工具链，让模型能在物理约束下更快试错和优化。

四、核心观点与共识

1.AI4S 的核心不是单点模型，而是工程闭环。无论是生物分子设计、AI 制药还是光学设计，真正可落地的系统都需要“大模型 + 领域数据 + 仿真/实验验证 + 工具调用 + 人类专家经验”的组合。

2.数据壁垒来自治理和反馈，不只是数量。张昊天强调跨模态数据迁移，朱新星强调实验和临床数据闭环，耿煜宇强调光学设计数据的高级语义标注。共同点是：原始数据本身不够，关键在于清洗、结构化、标注、验证和持续反馈。3.AI 更适合有明确评价指标的科学工程任务。结合亲和力、ADMT、实验结果、MTF、像差、焦距、可制造性等指标都能为模型提供反馈，使 AI 能够迭代优化。结果可测、可仿真、可实验验证的领域更容易率先落地。

4.关于单一模型能否覆盖复杂研发链条，现场围绕 Single-Model Illusion（单模型幻觉）形成了开放讨论。较稳妥的判断是，短期内 AI 更可能以多模型、多工具、多环节协同的方式嵌入研发流程，而不是由一个模型独立完成药物研发全链条。

5.跨学科团队成为必要条件。AI4S 项目需要计算、物理、化学、生物、工程、产业和商业化能力协同。只有技术团队或只有行业团队都不够，真正有壁垒的组织往往是复合型团队。

五、会议总结：

本次 AI4S 主题交流通过三位嘉宾的分享，覆盖了生物分子设计、AI 制药产业化和光学系统设计三个方向。整体共识是：AI 正在从“模型展示”进入“场景闭环”阶段，真正的价值不在于泛泛地使用大模型，而在于把模型接入科学问题的评价体系、实验体系和工程工具链中。

张昊天展示了生物分子设计从单一模态走向统一分子世界模型的可能性；朱新星从产业角度提醒 AI 制药必须尊重药物研发长周期、强验证和多环节协同的现实，并引入“单模型幻觉”作为讨论议题；耿煜宇则展示了光学设计中通过数据、RAG、微调、强化学习和工具调用形成工程可用系统的路径。下一步值得持续关注的方向包括：AI 与自动化实验平台结合、跨模态科学模型、可验证的行业 benchmark、领域数据闭环建设，以及科研团队、产业公司和资本之间的协同落地。

求是AI联盟（ZAI）由藕舫天使倡议、浙江大学校友共同发起，致力于构建一个“连接、共享、共创”的浙大校友AI生态圈。我们聚焦通用人工智能（AGI）领域的技术交流、创新资源共享与跨界协作，汇聚全球浙大 AI 人才，推动前沿 AI 与 AGI 的研究落地，打造一个开放、互助、专业的智能联盟网络。

官方网站：ZJU.AI