在2026码荟上，源码早期被投企业、深势科技创始人孙伟杰围绕“AI for Science()”做了一场主题分享。从成立之初就系统性开启相关基础设施的布局，到2025年AI for Science成为中、美、欧的国策级共识，深势科技一直在做一件难而正确的事——为全球的科学研究和科学发现，搭建一个共性的科学基座。
以下是孙伟杰分享的精选内容，有删减：
非常感谢码荟的邀请，每次参加都特别自豪、特别温暖。深势科技()是源码早期就投资的项目，我们核心做的事情，就是 AI for Science。
AI for Science 的终极目标，是创造全面超越人类的 AI 科学家。就像今年或明年，AI 在写代码方面可能就全面超过人类了一样——它要解决的核心问题，如今已经得到全球的充分共识。
从“最早提出”到“全球共识”
深势科技成立于2018年，是 AI for Science 领域的开拓者。我们在成立之初就系统性开启了相关基础设施的布局。行业早期的探索之路异常艰难，也正因如此，我们格外感谢源码在早期的持续支持与一路陪伴。直到 2025 年，AI for Science 终于迎来了全球性的行业共识。
2025年，中国、美国、欧洲均出台了国策级别的政策：中国7月发布的“人工智能+行动计划”，将 AI for Science 列为重点发展方向第一位；欧洲8月发布的地平线计划，将其列为战略第二位；11月，美国发布的创世纪计划()，直接将其提升至国家基本国策的战略高度。
要知道，美国历史上仅推出过两个同等层级的基础科学顶级计划：第一个是助力研发原子弹的曼哈顿计划，第二个是帮助美国赢得冷战科技优势的阿波罗计划。第三个就是创世纪计划，战略意图已经十分清晰。
为什么 AI for Science 会拥有如此高的战略地位？简单说，它是未来全人类获取科学知识、开展科研工作的核心入口，是各行各业科技创新的底层引擎，更是大国之间科技竞争的关键筹码。值得一提的是，美国创世纪计划划定的六大布局维度，与我们2022年提出的 AI for Science“四梁N柱”基础设施布局，思路基本完全一致。
传统科研的困境，与 AI 科学家的答案
那么，AI for Science 到底要解决一个怎样的底层问题？我们的答案是：不只是解决一两个细分领域里 AI 如何突破的问题，而是要给全球的科学研究和科学发现，创造一个共性的科学基座。
一直以来，人类传统科研模式的投入产出比极低，远低于工厂、IDC、互联网平台等领域。从数据看，全球每年科研投入约2.8万亿美元，仅中国每年就达3.6万亿人民币，占 GDP 比重约2.7%。但人类巨额投入换来的科研成果却十分有限。
根本原因，是传统科研范式存在底层缺陷。传统科研以人类科学家为核心，依托工具探索世界，核心工具无非“读、算、做”——读文献、做计算、做实验。这里有两大痛点：
其一，工具陈旧低效。时至今日，我们阅读文献的范式，和17世纪学者翻阅纸质论文没有本质区别，科研软件、实验仪器也未能充分承接历次科技革命的生产力升级。
其二，人才无法复制。作为科研主体的人类，自身的科研智慧无法复制、放大、叠加，直接导致顶尖人才严重短缺。全球一线科研从业者约6000万至8000万人，但真正能在新药、新材料、基础科研上实现核心突破的顶尖科学家，统计不足200万人。
AI for Science 将彻底改变这一现状。一方面，它能对传统科研工具进行智能化升级与替代；另一方面，AI 智能体已经可以模拟人类，独立承接科研任务、完整实现闭环。这也是深势科技的核心愿景：打造全面超越人类的 AI 科学家，彻底解决全球顶尖科研人才短缺的痛点。
结合技术迭代趋势与内部积累，我们判断，能够全面超越人类科学家的 AI 智能体，很有可能在两、三年内正式成型。而当下同样确定的机遇，是传统科研基础设施的智能化升级——在升级的同时，也为 AI 科学家配齐知识、算力与实验能力。
单纯提升算力与执行力，无法解决复杂的科学问题，必须依托成熟的“读、算、做”工具体系。围绕这一目标，我们构建了以科研智能体为核心、“读算做”一体化的科研闭环——这四要素缺少任何一个，AI 科学家都无法实现。
目前，我们已在多个细分领域，打造出具备5~8年资深科研经验的 AI 科学家，比如与苏州材料实验室联合打造的 AI 材料学家 MatMaster。这类 AI 科学家，依托我们底层通用的科学智能基座 SciMaster() 搭建。内部测试显示，SciMaster 在全学科领域均达到博士后级别水平，在文献研读、科学计算、实验操作、文稿撰写等核心环节，能力已超越人类博士后。
读、算、做：三大基础设施与商业落地
围绕“读算做”，我们对三大科研基础设施进行了系统重构。
知识系统（读）。我们将全球海量高质量文献、专利、数据完成全量结构化梳理，AI 智能体可检索全部科研知识资源，输出溯源精准、低幻觉的文献综述。它10分钟输出的深度调研报告，等同于核心研发人员一个月的工作量，效率提升10倍。难点在数据清洗：单篇 PDF 的人工清洗标注成本高昂，全球数亿量级文献根本无法纯靠人工处理。我们通过人机协同标注，把成本压缩至近千分之一。自玻尔·科学导航上线以来，注册量、访问量稳居行业第一，目前全球已有435万名科研工作者在用我们的产品。
计算系统（算）。算力工具是科研迭代的核心基础。我们将开源社区、公共平台的各类科研计算工具全部完成智能化适配与 MCP 改造，目前平台已部署超5万类科学计算软件与工具。针对公共工具无法高精度计算的领域，我们自研专属科学大模型，例如覆盖多模态科学文献的大模型Uni-SMART，表征大模型Uni-AIMS，蛋白大模型Uni-Fold，基因大模型Uni-RNA，原子大模型DPA和分子构象大模型Uni-MOL，满足材料、化学、生物等领域的高精度计算。值得注意的是，2026年5月，深势作为核心贡献者，与合作伙伴联合推出的新一代模型架构 DPA4()，在材料发现领域国际权威榜单 Matbench Discovery 上，以综合性能指标 CPS 位列世界第一，成为最新 SOTA 模型。同时，在分子领域的权威基准 SPICE-MACE-OFF 上，DPA4 以更低的参数量取得了新的 SOTA 成绩，力压此前的领先模型 eSEN，位列第一。
实验系统（做）。所有前沿发现，最终都要通过实验室合成、测试、验证。当前的核心痛点，是智能体与实验室物理硬件无法高效联动，缺少统一的底层操作系统。我们率先切入这一赛道，自研 UniLab OS 智能实验室操作系统，已完成150余大类、近2000种实验仪器设备的接入与标准化管理，真正实现 AI 接管实验室、自主开展实验。
这套体系的效率优势十分显著。在高分子材料研发上，过去一名博士生整理 100组试剂、调试设备需要一个上午，而我们的智能系统单日产能可等同数十名博士生的全天工作。在上海，仅多肽药物分子智能发现平台，产能可媲美500～800名化学家昼夜不间断的效率；在宜宾的电解液与固态电解质智能研发系统，产能相当于近百名专业人员。
搭好基础设施后，如何实现商业闭环？我们的能力均可封装为标准化软件服务客户；针对大型企业、科研机构，则提供定制化研发解决方案。这里重点介绍 FDE（前线部署工程师）模式，它在科研领域适配性极强，源于三大行业痛点：
第一，研发需求极度碎片化、长尾化。我们对接的正极材料客户，全流程梳理出160余个研发环节，单点工具无法覆盖；但每个环节节省 30%—40%时长，全流程叠加后是颠覆性的效率提升。
第二，行业存在 AI 技术、科学领域、工程落地的三重壁垒。懂算法的不懂材料化学，懂专业的又缺 AI 认知，难以单纯靠产品解决。
第三，研发数据是企业核心机密，企业绝不会对外共享，依赖获取客户数据迭代的模式无法长久。
基于这三点，最优商业模式是：以70%—80%的标准化平台能力为基础，搭配20%—30%的定制化开发，深度适配企业研发流程。为此，我们组建了“三合一 FDE 特种部队”——成员兼具领域科学家、AI 算法专家、产品交付专家三重属性，可精准把客户需求转化为 AI 可落地的问题，快速交付。
总结深势科技的核心优势，可用三个关键词概括：最早、最深、最快。我们是全球最早定义 AI for Science、系统性布局科研基础设施的企业；深耕底层核心基础设施，通用性、基础性极强；行业覆盖与商业落地速度稳居行业前列。目前，全球数百万名科研工作者、国内超百所高校正在使用我们的平台，生命科学、物质科学等领域已有数百家头部企业与我们深度合作。
未来五年与 2040：一场颠覆性变革
科研领域的发展方向，完全契合国家“十五五”、“十六五”战略。我国的核心目标是2030年实现基本科技自立自强、解决”卡脖子”问题，2035年达成高水平科技自立自强，向全球输出中国科研基础设施与理念。在这一进程中，AI for Science 将承担核心支撑作用。
未来五年，全球将迎来 AI for Science 基础设施建设浪潮，数据、算力、实验三大基础设施全面迭代升级。传统科研文献数据库、科研软件将被 AI 智能体全面替代；科学仪器不会消失，但将全面升级为 AI 原生智能设备。行业已形成共识：五年之内，生物医药、新材料、化学化工等所有研发型企业，必将全面转型为 AI 驱动企业，否则研发效率将彻底落后。
更长远看，2040年前，我们有望见证科研行业的颠覆性变革：科学发现将像使用搜索引擎一样简单，形成标准化工业流水线范式；人类长期探索的终极科学难题有望突破；科研门槛大幅降低，高中生水平即可提炼、定义科学问题，可参与科学发现的人群有望从今天的2.45亿，扩展到2040年的5亿以上；传统科学价值分配逻辑迎来重构。
而中国高水平科技自立自强的目标，将在我们这一代科研从业者手中实现。我们的核心愿景是创造超越人类的 AI 科学家，解决全球科研人才短缺难题——打造科研领域的 Anthropic。
