28岁的张载熙站在人生重要节点上，今年5月，他结束在普林斯顿的博士后研究回到国内，面前摆着几个极具吸引力的选择：美国高校的教职、AI大厂首席科学家职位以及千万年薪的诱惑。然而，他最终选择进入香港科技大学担任助理教授，并毅然投身创业浪潮，创立了AI for Science公司科理新序（Scinetics）。近日，暗涌Waves独家获悉，科理新序已完成近5000万元人民币融资，本轮融资由英诺科创基金领投，沂景资本、小苗朗程、麟阁创投跟投。
张载熙的学术履历堪称辉煌，从中科大少年班起步，一路直博，还获得哈佛医学院联合培养机会，随后进入普林斯顿王梦迪团队做博士后研究。当下，研究AI4S的青年PI是创投市场极为青睐的创业者类型，但张载熙在创业决策过程中并非没有纠结。进入大厂，意味着能拥有更充足的算力、数据和人才配置；而选择成为高校PI并创业，则要独立承担找人、找钱、找资源的重任，技术和商业都充满不确定性。最终，“工作自主性”成为他做出选择的关键因素，他渴望主导自己的研究方向，享受从零搭建体系的过程。
创业前，张载熙和团队已取得一定成果，他们开发出科学智能体Stella。去年Stella上线后，迅速服务了上千名科研用户，其中七成以上来自斯坦福、普林斯顿等知名高校和顶级实验室。相比自训基座模型，Stella落地速度更快，更容易接入现有研发流程，实现商业化。不过，这条看似轻巧的路线存在局限。以大语言模型作为推理引擎的科学智能体，在处理蛋白质结构、核酸序列等数据时，需先将问题翻译为“自然语言”，再将文字指令交给模型执行。在这个过程中，精细的三维结构和模态关系会因多次翻译转换出现“损耗”，即便经过几十次交互也难以绕开误差。
博士期间，张载熙曾开发分子筛选模型MGSSL、药物分子生成模型FLAG等，在多个细分领域达到SOTA水平。但他意识到，单点能力远远不够，未来AI4S行业必然会走向多模态。于是，科理新序将核心业务聚焦于做多模态长程推理基座模型。他提出“Science Token”概念，旨在把小分子、核酸、蛋白质结构等科学数据，转化为模型统一的表征单元，避免经过人类语言的转译，让模型在原生科学模态中进行推理，完成科学任务。短期，团队将聚焦商业化路径最清晰的生命科学领域，未来逐步拓展至材料、工程等科学领域。
张载熙认为，AI4S正朝着通用方向演进，市场普遍预期这个方向会迎来属于自己的“Coding时刻”。写代码赋予人类在数字世界创造事物的能力，而AI4S则变革人类底层科学探索、发现新知识的能力，市场价值有望比肩甚至超越Coding。从Alpha Fold从1到4的迭代可以看出，AI能力正迅速增强，新算法让过去难以建模、难以预测的任务具备解决条件，更多科学模态的纳入使模型能力更强。
目前，AI4S赛道从业者主要基于自身既往背景布局，技术路线尚未形成共识。主流技术路线主要有三种：一是科学智能体，主要靠调用外部工具完成科学任务，优势是落地快、能迅速嵌入现有研发流程，商业验证周期短，诞生了不少初创公司，大厂如Anthropic的Claude Science、OpenAI的GPT - Rosalind也有布局，但主战场仍在Coding等更通用方向，科学方向只是占位式试探；二是虚拟细胞，受Arc Institute相关工作和论文影响，从去年起热度暴涨，理论上能在电脑里模拟细胞受药物、基因编辑后的变化，提前批量筛掉无效候选，压缩研发时间和成本，行业期待很高，发展速度较快；三是AI4S基座模型方向，这是一种“自下而上”的路线，聚焦底层分子相互作用，从分子机制推导疾病、基因调控网络等上层现象，这也是科理新序选择的路线。
对于为何不选择看似更轻巧的科学智能体路线，张载熙举例说明，在蛋白质局部结构优化任务中，要把某个侧链朝特定角度旋转5度，形成氢键或其他分子相互作用，这高度依赖3D空间的精细推理设计。若用智能体做，需让大语言模型输出文本指令，再调用RF diffusion这类结构扩散模型执行。但结构模型难以很好理解文本信息，工具输出结果又要转成字符串、截图反馈回大语言模型，智能体难以准确判断，只能不断迭代，浪费大量Token，却得不到可用结果，根源就在于缺乏原生的科学模态推理能力。
科理新序的AI4S基座模型，针对组学、蛋白质结构、分子化学式、核酸序列等各类科学模态，开发了离散Token化方案，将各类科学信息转化为统一的Science Token输入模型，不再依赖人类自然语言做抽象中转。模型训练分预训练、mid - training、后训练三个阶段，预训练建立多模态生命科学表征，mid - training学习从序列到结构、功能和细胞表型的跨层规律，后训练重点增强长程推理能力。这种长程推理与传统垂直小模型解决单点任务不同，以酶设计为例，传统模型可能一步出结果，而科理新序的模型会像人类科学家一样分步推理，先搭建酶的活性中心，再搭建蛋白质支架，最后补充侧链、微调细节。
将各类科学信息转换成“大一统”的Science Token并非易事，小分子、核酸、蛋白质等数据结构差异很大。但科理新序团队具备相关能力，过去围绕小分子、核酸、蛋白质、复合物和跨模态文本，他们分别做过相应的基座模型，完整走过数据收集、模型搭建到训练的过程，清楚每类科学数据的编码方式以及不同模态之间的对齐方法。同时，开发Stella、BioClaw等智能体时，团队积累了大量长链条推理数据，摸索出通过后训练增强推理能力的方法。Stella接入的自动化湿实验，让团队在靶点发现、抗体优化、小核酸设计等任务中跑通过干湿闭环案例，清楚AI如何对接真实科研任务、连接自动化实验设备，干湿实验闭环也为模型持续获取训练数据、持续迭代提供支撑。
从目前探索结果来看，科理新序的基座模型在蛋白质结构预测、蛋白功能注释、RNA二级结构预测、DNA突变预测等单项任务上已取得不错效果。团队还在探索下一代模型训练方式，如尝试AI for AI、Recursive的训练范式，挖掘科学内在规律、拓展更多模态，或提升模型参数量，以强化长程科学推理能力，期待实现AI4S基座模型的ChatGPT时刻。
在定价和商业化方面，Science Token将带来新的商业模式。与文本Token主要参考算力和电费成本定价不同，Science Token除考虑基础成本外，还要衡量背后的科学价值，如小核酸领域数据稀缺，对应Token价值更高，定价要体现实际业务价值。张载熙希望科理新序成为AI4S领域对标DeepSeek、Anthropic的基座模型公司，探索以Science Token作为计费单元的商业模式。理想状态下，当模型能力足够强，药企等客户无需花大力气做BD绑定单条管线交付，各类任务都可承接，计价单元基于“消耗多少Science Token解决药物设计问题”，类似Coding按消耗Token付费，可省去大量BD个案谈判工作。不过，Science Token是科理新序提出的独有概念，衡量长链条科学推理数据质量的标准及其计费标准在全行业都无成熟方案，还需行业共同推动形成共识。
从一级市场视角看，不少投资机构和资金涌入AI4S方向，但融资声量与大模型、具身智能相比仍有差距。市场上存在两种极端心态导致投资决策犹豫，一部分投资人认可AI4S万亿市场，相信AI科学平权，但怀疑现阶段技术能否做成；另一部分人则认为AI4S市场较小，客户只有高校师生和PI，付费能力弱。投资人对“大一统”科学基座模型评判标准更严苛，用户端科研人员也因惯性习惯调用工具化专项模型。一些投科技的市场化基金及部分曾深耕制药领域的投资人更愿意押注AI4S基座模型，他们理解现有研发体系中的“历史技术债”，从系统工程逻辑判断AI是变革的最强力量。这类投资人要求团队快速迭代模型，抢占领头羊位置，对科理新序而言，虽希望今明两年达成一些商业化订单，但投资人更看重短期内优先提升模型能力。
