华为大会连续亮相，十余位北大博士正在重写“AI4S x科学计算”产业版图

唐洛

2026-09-23 11:04:21

来源: 时代在线

真正难是让 AI 从“能用”走向“好用”，真正进入研发人员的日常工作流。

华为全联接大会2026上，一家此前保持低调的科学计算公司，连续三天出现在多个核心场景。

9月17日，在“深耕医药，让智能生根”论坛上，星使智算COO丁鹏程以《科学计算，重构AI药研》为题，介绍企业级AI研发平台 Asterfire Enterprise。18日，CEO陈振宇登上主题为“智变制造，创新破局”的制造全球峰会，参与行业解决方案发布，并在当晚的“制造与大企业伙伴之夜”代表公司领取“新锐伙伴合作奖”。19日，星使智算首席科学家夏义杰在Open Speech专场发表题为“SPONGE Mokda 下一代分子科学智能基建平台”演讲，在当天的“共筑数智根基，共建数智生态”现场，包括夏义杰在内的四十位鲲鹏昇腾开发者代表还共同完成了技术致敬仪式。

一家此前保持低调的科学计算公司，为什么会在华为大会上被反复放到台前？

事实上，星使智算团队此前已通过北京大学鲲鹏昇腾科教创新卓越中心，在自主算力适配、高性能计算软件等技术领域开展探索。如今，这些技术积累正进一步延伸至药物研发等行业场景，推动算力基础设施、科学计算算法与企业研发需求加速结合。

这一变化比一次大会亮相更值得关注：自主算力正在从基础设施适配走向真实研发应用，而科学计算软件与行业研发流程，正成为连接算力和企业研发效率的关键环节。

过去几年，AI for Science最受关注的是模型。大模型能不能理解科学问题，能不能做分子预测、材料筛选，能不能替代一部分科研工作，是行业讨论最多的问题。

但模型能力开始成为基础设施后，企业研发真正缺的东西变得更具体。一个研发团队不会因为有了一个聊天机器人，就改变自己的研发流程。它还需要企业内部数据，需要专业的科学计算软件，需要算力，需要调用不同工具，还需要把计算结果交给实验，再把实验结果反馈给模型。

真正难是让 AI 从“能用”走向“好用”，真正进入研发人员的日常工作流。

星使智算现在做的，就是把 AI 放到真实研发链路里。AsterFire Enterprise 面向企业研发组织，将科研智能体、科学计算软件、企业数据、专家知识和计算资源整合到一个平台中，覆盖科研信息调研、任务规划、计算筛选、实验反馈和模型迭代，让 AI 不只是回答问题，而是参与到研发任务的推进过程中。

SPONGE Mokda则是另一条线，更偏底层科学计算软件，聚焦分子计算与设计。两款产品看起来不同，但指向的是同一个问题：AI不只是回答一个科研问题，而是要真正参与一次研发任务。

这也说明，算力与基础设施要真正转化为企业研发效率，还需要科学计算软件以及对具体行业研发流程的深入理解。星使智算正是从这一技术环节切入，推动自主算力、科学计算方法与实际研发场景进一步结合。

AI进入研发流程

星使智算目前正从此前的商业模式验证阶段，转向商业化落地。公司主要面向生物医药、石油化工、能源材料等行业，提供AsterFire研发平台以及SPONGE Mokda等科学计算软件，商业模式包括平台订阅、软件授权和定制化交付。

但AI真正进入企业研发流程，并不是简单接入一个大模型。

在实际研发过程中，数据往往分散在历史实验记录、项目报告、文献专利以及专家经验中，不同数据的格式、权限和使用方式并不统一；与此同时，科研问题也很难被简单拆解成一个模型问答任务。研发人员需要调用不同的科学计算工具，结合企业自身数据和实验结果，反复进行计算、验证和调整。

星使智算的判断是，AI for Science的落地不能停留在模型回答问题这一层，而需要进一步进入企业真实的研发流程。其推出的AsterFire Enterprise，定位就是面向企业研发组织的AI for Science智能体平台，将科研智能体、科学计算软件、企业数据、专家知识和计算资源放到同一套研发体系中。

具体来看，AsterFire Enterprise并不是单纯增加一个AI问答入口，而是以研发项目为载体，把研发人员、计算专家和实验团队连接起来。研发人员可以通过自然语言提出任务，由智能体理解需求、拆解任务、匹配专业工具并编排计算流程；项目负责人则可以在统一项目空间中查看任务进展、研究依据和阶段成果。

这一设计背后，是星使对企业研发中“数据、知识和流程”三个环节的重新组织。一方面，企业过去积累的大量实验数据、项目报告、文献专利和专家经验，可以被纳入统一的数据和知识体系。星使通过Skills、知识库和Flow工作流，把专家的参数经验、研究方法以及结果检查要求进一步沉淀下来，使过去依赖个人经验的研发方法能够被检索、调用和复用。

另一方面，AsterFire Enterprise试图把计算和实验连接起来。围绕候选设计、计算筛选、实验验证和数据回流，平台可以结合企业授权数据进行模型训练、评估和更新。

AI突破人工经验上限

在问题边界明确、具备历史实验数据，且评价指标可以量化的具体研发任务中，AI有可能突破原有经验形成的优化瓶颈。

星使智算团队曾参与一个酶定向进化优化项目。项目早期主要由客户方专家主导，专家基于已有文献、实验结果和自身经验设计下一轮实验方案，并根据实验反馈持续调整优化方向。经过多轮迭代后，人工优化在第五轮之后遇到明显效率瓶颈，催化效率难以继续显著提升，项目推进一度陷入停滞。

随后，星使智算团队引入自研的酶定向进化算法继续推进，并针对不同酶体系采用了两种验证路径。

一种是冷启动模式：不依赖该酶的历史实验数据，直接基于预训练模型的 zero-shot 能力，融合结构信息与共进化信息推荐候选突变。在该模式下，AI 第一轮迭代便实现显著提升，活性由出发株的 1.25 提升至 20.67，提升约 16.5 倍；经过三轮 AI 迭代后，最终较初始出发株提升约 21 倍。

另一种是热启动模式：将此前积累的人类专家实验数据输入模型进行微调，并结合主动学习策略，将每轮实验结果持续反馈给模型，用于优化下一轮推荐方向。在该体系中，人类专家前期已将活性提升约 6 倍，但随后进入优化瓶颈。AI 介入后，在人工瓶颈基础上继续实现约 4 倍多的提升；经过 3 轮 AI 迭代，最终较初始出发株提升约 29 倍。

在两种模式下，AI 推荐的突变体均在人工优化瓶颈基础上实现了催化效率的进一步提升。尤其在热启动体系中，AI 从人工第五轮停滞点继续推进，在相同筛选通量下持续产出高效突变体，突破了人工经验形成的优化上限。

星使智算认为，这类案例表明：在问题边界清晰、实验反馈可以持续积累的研发任务中，AI 驱动的定向进化已经有可能突破原有人工经验的优化天花板，在酶催化等工业研发场景中具备明确的增效价值。

与此同时，科研场景对AI还有一个特殊要求：结果不仅要能用，还要能够被追溯和复核。

AsterFire Enterprise因此将任务输入、计算参数、实验记录、模型版本和结果报告进行关联管理，保留研究过程中的方法、数据和决策依据。这意味着，当项目进入评审、交接或复盘阶段时，研发团队可以回溯一次结果是基于什么数据、采用什么参数、经过哪些计算流程得出的，而不是只留下一个最终答案。

对于企业而言，这套体系最终沉淀的也不只是一次项目的结果。随着项目持续运行，企业历史数据、实验反馈、专家经验、模型和工作流都可以不断进入平台，形成企业自己的数据、模型和研究方法资产。

此外，在探索性研究中，科研智能体不一定需要追求“永远正确”。有些研究任务的最终命中率可能只有1%，但如果能够由此带来重大突破，其科研价值仍然可能很高。相比单纯追求准确率，更重要的是在明确的任务范围内持续统计模型的成功率、误差和失败模式，并据此进行迭代。

这也对科研智能体的可控性提出了更高要求。据悉，在Skill机制出现之前，星使智算已经搭建了一套相应的约束机制，通过一套协议，同时提供类似Skill的软约束和类似脚本的硬约束。

其中，硬约束可以进一步限定工具调用方式、输入输出格式、参数范围和校验规则等，将部分原本依赖模型自主判断的环节转化为可执行的规则，从而降低错误调用和异常结果的风险，提高科研任务执行过程的可控性。

分子计算与设计

AI研发平台之外，星使智算还在做另一件更“传统”、但技术门槛很高的事情：科学计算。这也是团队过去20多年持续积累的一条技术主线。

科学计算的难点不只是“算”，更在于如何把真实研发问题转化为可计算的问题。面对蛋白质、小分子、多肽乃至高分子等复杂体系，研究人员需要完成体系建模、参数设置、计算方法与采样策略选择，再通过大规模计算模拟分子的结构、相互作用和动态行为。整个过程横跨领域科学、物理建模、算法和高性能计算，因此长期以来主要由具备专业背景的计算团队完成，应用门槛较高。

但这类计算在研发中又十分重要。以药物发现为例，AI可以快速生成候选分子，但“生成出来”并不意味着“值得做实验”。分子对接、分子动力学模拟、ADMET预测和FEP自由能计算等方法，可以进一步判断候选分子的结合方式、稳定性、亲和力及成药性质，从而将有限的实验资源集中到更值得验证的候选上。类似的方法也可以应用于蛋白质工程和高分子材料研发。

SPONGE Mokda正是星使智算将这些长期积累的平台化尝试。它覆盖分子建模、分子动力学模拟、性质预测、分子设计与优化等环节，并将原本分散在不同软件和计算环境中的部分工作整合到统一界面。用户可以在平台内完成复杂体系构建、计算任务配置、模拟监控和结果分析，并调用本地或云端计算资源。

目前，Mokda集成了Boltz-2、RFdiffusion、PocketXMol等AI for Science模型，可用于结构与亲和力预测、蛋白质及肽设计、小分子生成等任务；同时连接分子对接、ADMET预测、分子动力学模拟和自由能计算等方法。星使智算也将自研算法纳入其中，包括用于分子对接的DSDP和用于相对结合自由能计算的SPONGE-FEP，以及分子动力学、增强采样和反应分子动力学等计算能力。

Mokda覆盖的对象也不局限于小分子，还支持蛋白质、核酸和聚合物等体系，并具备膜蛋白、糖蛋白、ADC、环肽及金属配位体系等复杂对象的建模能力。星使智算希望做的并不只是把AI模型接入科学计算，而是将AI生成与预测、物理建模与模拟、计算评估进一步连接起来，让过去高度依赖专业人员的科学计算能力更容易进入实际研发流程。其最终目标，是让科学计算从“辅助计算”走向“辅助研发”，帮助研发人员减少实验试错、提高候选筛选效率，并将产业实践中的数据、方法和经验持续沉淀为可复用的研发能力。