共计 7284 个字符，预计需要花费 19 分钟才能阅读完成。
模型并不等同于价值，关键在于将模型转化为实际产品。
文｜《中国企业家》记者 闫俊文
编辑｜张晓迪
头图摄影｜邓攀
人工智能技术正在不断催生出更多类似“爱因斯坦”的智能体，它们在科学研究、制药和生物技术领域展现了令人瞩目的潜力。
在2024年，诺贝尔化学奖的得主被揭晓，其中一半授予了华盛顿大学的教授戴维·贝克，另一半则归于谷歌旗下DeepMind的联合创始人兼CEO杰米斯·哈萨比斯，以及高级科学家约翰·江珀。
DeepMind在2018年推出了AlphaFold，这一技术能够预测蛋白质的结构。而更为人知的则是其“兄弟”AlphaGo，它在2016年战胜了围棋世界冠军李世石，成为首个打败人类职业围棋选手的人工智能程序。
作为两家在深度学习领域处于领先地位的公司，DeepMind通过知识和规则的学习推动AI技术的进步，特别适用于生物和化学等非结构化数据的研究；而OpenAI则通过巨量的预训练参数提升模型的能力，主要应用于内容生成领域，例如ChatGPT等对话系统。
目前，OpenAI在资本市场上备受瞩目。今年3月，它宣布筹集了400亿美元的新一轮融资，其中75%的资金来自软银，其余则由微软等机构提供，最新的估值已达3000亿美元。
科学智能的未来：DeepMind与AI for Science的探索之旅
在科学界，DeepMind的影响力越来越受到重视，AI for Science（科学智能）逐渐成为推动新知识诞生和科研模式转型的重要力量。
今年三月，DeepMind旗下的Isomorphic Labs宣布成功获得6亿美元的融资。此外，他们还与制药巨头礼来（Eli Lilly）和诺华（Novartis）达成了总额接近30亿美元的合作协议。
程远，上海科学智能研究院的副院长，向《中国企业家》指出：“文科的世界模型与通用语言模型和多模态模型有相似之处，而AI for Science的世界模型则需要超越人类的感知，去理解一个真正完整的世界。”
在2013年至2022年间，程远在蚂蚁集团的人工智能部门任职，领导视觉认知团队。2023年，他加入了上海科学智能研究院（简称上智院）。
今年六月中旬，程远接受了《中国企业家》的专访，分享了他的观点和见解。
以下是访谈的精华要点：
1. 建立科学世界模型的第一步是“测量所有可测之物”，从而为后续建模奠定基础。
2. 人工智能可以帮助发现新的分子结构，但这仅仅是生成假设，后续的验证和药物研发工作仍需大量投入。
3. 在科研领域引入区块链技术，能够记录Agent之间的使用关系，有助于理清科研中的合作与生产关系。
4. 模型本身并非终极目标，关键在于将其转化为产品，结合实际业务场景以解决具体问题。
5. 在Agent之间实现数据开放时，必须有相应的法律法规和可用工具，确保透明可追踪。
6. 多智能体系统需要在真实场景下进行强化学习，这将是人工智能未来发展的新方向。
以下为访谈的详细内容（部分有删减）：
唯有测量一切可测之物，方能构建真实的世界模型
《中国企业家》：上智院的使命十分清晰，专注于气象与生命科学模型的构建——“伏羲”和“女娲”，此外还包括后续的医疗模型开发。
程远：我们最初确定了三个研究方向，这些方向覆盖了绝大多数AI在科学领域的应用场景。首先是生命科学，其次是地球科学，最后是物质科学，包括材料学、化学和制药等相关领域。
《中国企业家》：通用语言模型能够解决一些人文学科的问题，然而在医疗等特定领域却无法有效应用。
程远：人文学科的模型与通用语言及多模态模型有诸多相似之处。这些学科的内容源于人类的感知，能够被听、看及用语言表达的各种信息和知识。
然而，AI在科学领域的模型可能会涉及更广泛的知识。人类并不能完全感知世界的所有现象，例如，蛋白质的结构需要通过冷冻电镜观察，而分子结构也需要借助特定技术才能够揭示，甚至是血糖和血压的测量都需依赖于专业仪器。
因此，AI在科学领域的模型应当超越人类的感知，力求构建多模态模型，以超越传统的大语言模型，从不同的尺度和观察方式去理解和感知更为完整的世界。
《中国企业家》：这个世界真的可以被理解吗？
程远：唯有通过感知，才能够实现理解。感知之后所获得的数据，成为构建大模型的基础。那么，数据的来源是什么呢？正是来自于我们的感知，而感知又依赖于各种技术，比如冷冻电镜、质谱仪、显微镜和CT扫描仪，这些都是增强感知能力的工具。
首先，要构建科学的世界模型，务必“测量所有可测之物”，从而实现对世界的建模。在这个过程中，有几点至关重要：首先，要妥善管理数据，确保数据来源的记录清晰，包括其来源、处理过程，以及后续的补充与校对，所有的细节都需记录在案。
探索科学与人工智能的未来：从数据到知识的转化
其次，针对科学问题进行深入的加工是至关重要的，这一过程将科学问题转化为可供模型使用的语料。在实现这一目标时，需要大量来自相关领域的科学家，与此同时，借助数据工程的技术手段能够显著提升效率。
《中国企业家》：大型模型是否能够揭示新知识呢？
程远：在2023年，我们开始思考，人工智能在科学领域究竟能发挥什么作用？首先是提高科学实验的效率，其次是发现未知的事物，然而，基于数据驱动的技术目前尚缺乏明确的希望。在数据丰富的领域，技术探索相对活跃；而在数据稀缺的地方，技术虽然能够生成假设，但其可靠性仍然有待验证。
AlphaGo Zero之所以能战胜人类棋手，并不属于科学问题的范畴。它在一个封闭的、数字化的环境中自我进化，而在科学研究中，必须依赖科学实验来进行验证。
《中国企业家》：AlphaGo Zero是由人类设定围棋规则，它通过自我演化而获得能力，而不是单纯地学习棋谱。
程远：棋谱确实是AlphaGo Zero学习的一个组成部分，但它的主要学习来自于与自己进行的十万盘棋局，这些探索是人类所未能做到的，并且能够为其提供准确的反馈。
在物理和化学等需要实验验证的领域，目前的技术尚不具备足够的能力，然而，数学问题的对错是可以被判断的，因此，很多AI for Science的研究都围绕数学展开。
AlphaFold并不是一个大型语言模型，而被视为一个深度学习模型。
大型语言模型的理解源于大量的预训练，基于预测下一个单词的机制，而AlphaFold则是通过每个蛋白质最小单元之间的连接距离和角度等维度来重新构建其结构，它并非一个个单独生成，而是一起形成的。
《中国企业家》：人与机器之间的交流基于数据，如何使机器能够理解行业数据呢？
程远：可以举个例子，假设你说日语而我讲中文，最初我们需要一个翻译。然而，随着时间的推移，我们能够找到共同的语言进行交流。当前，我们更关注的是，是否可以在没有翻译的情况下直接进行对话。
在解决生命科学研究相关问题时，首先要找到一个共识。如果没有足够的信任基础，经过几次沟通后，我说的你听不懂，你的表达我也无法理解，这样很难形成有效的合作。第一步是建立这样的翻译机制，以便大家能够接收到相同的信息。
其次，无论是人工智能在科学领域还是在产业中应用，参与AI开发的人和行业专家之间必须有共同的利益。只有你感兴趣，我也愿意参与，才会形成积极的合作关系。
《中国企业家》：在2025年3月，谷歌DeepMind的子公司Isomorphic Labs宣布完成了6亿美元的融资，并与制药巨头礼来（Eli Lilly）及诺华（Novartis）达成了近30亿美元的合作协议。
程远：这个模式非常新颖，DeepMind作为谷歌的子公司，而Isomorphic Labs则将其成果进行孵化，实现商业化。我们也非常希望能模仿这样的模式。
《中国企业家》：人工智能在制药领域的应用是否可行？
程远：就目前而言，AI在制药方面尚未取得实质性成果。没有人类的干预，AI无法独立研发出新药，这在未来五年内几乎是不可能的。然而，AI确实可以提高药物研发的效率。就像我们讨论AI辅助医疗一样，医生为患者提供诊疗，尽管AI不会取代医生，但它却能有效地提升医生的工作效率。
AI在药物研发中的效率提升《中国企业家》：具体而言，AI是如何提升药物研发的效率的呢？
程远：DeepMind在这方面开展了大量的工作，结合了多种AI工具，并有制药专家与药物化学家的协作。这些工具能够显著提升科学家的工作效率，比如大语言模型可以辅助进行靶向成纤维细胞活化蛋白（FAP）等科学计算。
AI可能会提出新的分子结构假设，但这仅仅是开始。接下来，科学家们需要进行大量的验证和药物研发工作。一位科学家每天可以生成30到50个新的假设，最终经过多轮筛选，才能确定哪个假设是可行的。
展望未来，10年或20年之后，随着谷歌等公司的深入探索，人类与AI可能会协同工作，成功发现新药。这个过程一旦成熟，将成为后续药物研发的参考，从而大幅减少人力资源的投入。
Agent与科学研究的结合
《中国企业家》：Agent的流行对科学AI有何裨益？
程远：目前有很多科学计算软件，它们大多以独立或孤立的方式存在，或者通过小型软件集群进行运算。而Agent则是帮助解决这些小问题的工具或模型，尽管它们之间无法相互联动或互动。
因此，要实现Agent AI，首先需要识别出相对成熟且可达的场景，这些场景应具备丰富的工具和Agent可供使用。类似MCP等协议的推出，使得调用Agent的方式更加规范化，具备了可行性。
其次，构建Agent AI 还需不断学习。Agent AI的核心在于针对特定任务进行拆解，明确需要调用哪些工具，以及哪类工具能更有效地完成任务。这需要充分的数据储备作为基础。
《中国企业家》：过去确实无法实现这些。
探讨Agent AI与区块链在科研中的应用
程远：随着AI for Science的兴起，涌现出一系列模型和工具，这些工具能够独立解决特定的问题。只有具备了解决单一任务的能力，才能进一步发展Agent AI。
我们期望能够建立一个共享模型的生态系统。你所研发的模型可以被我利用，而我的模型也能够被你所调用，类似于MCP。然而，这样的共享仍然不够。在科学研究中，协作显得尤为重要。即使我利用了你的模型来解决一个重要的科学难题，最终发表论文时，你却没有被提及，这种情况令人困扰。
《中国企业家》：这是一个非常现实且严峻的问题。
程远：我们目前正在进行一项尝试，即将区块链技术引入科研领域。在这种情况下，Agent之间可能互不相识，而区块链可以记录使用我的Agent的用户，以及我借助谁的工具完成科研任务，从而理清各方的合作关系。
在科研协作的环境中，区块链提供了一个极佳的解决方案。科研场景的多样性导致了参与者需求的差异。在Agent AI的新时代，当我们需要协调众多Agent时，必须制定好协议并完善区块链的应用。
摄影：邓攀
《中国企业家》：对于Agent的实际应用，你有什么看法？
程远：目前常见的Agent功能主要集中在简历制作和报表统计上，这些任务相对简单，不需要特别强的规划能力。而真正能够体现AI能力的应用，应该是在更专业的领域之中。
《中国企业家》：请深入探讨该行业。
程远：如果AI成为一名物理学家，它需要掌握大量的知识，例如如何验证新的科学假设和完成相关论证，因此必须为AI提供充足的案例。
《中国企业家》：有些人认为，当AI能力有限时，购买一体机可以解决许多问题，但也有人认为一体机的作用有限。
程远：关键在于解决什么问题，如果是提升AI的研发能力，一体机无法做到；而在应用场景方面，我认为一体机是非常有潜力的。如果一体机仅仅用于部署一个模型，它主要解决的是大型语言模型的推理服务成本和部署便利性的问题。
《中国企业家》：那么，一体机究竟无法解决哪些问题呢？
程远：模型本身并不具备价值，必须将模型转化为产品，并结合实际业务场景来解决需求问题。例如，在医院中，一体机需要融入诊疗流程；而在银行中，它则需要应用于信用风险控制或客户服务等业务领域，这才是它的真正价值所在。
Agent在医疗领域的应用
《中国企业家》：我们观察到，Agent在医疗行业的落地应用相对较多。
程远：我们与复旦大学附属中山医院的心内科主任葛均波院士合作，开发了名为“观心大模型”的心内科专用模型，专注于这一领域。葛均波教授团队积累了丰富的数据资源，并携手我们的AI团队，使得我们具备了开发该专业模型的能力。
然而，在医院中，很多复杂的疑难杂症常常需要多方会诊，最终将涉及到患者的数据隐私问题，患者的隐私数据不可能离开当地医院。那么，未来我们能够实现的是什么呢？
假如我利用某家医院的数据构建出该科室最优的Agent，如果数十家医院的每个科室都有最优秀的Agent，当医生面对复杂的病例时，就能调动这些Agent的支持。
《中国企业家》：这实际上是将患者的信息进行脱敏处理，最终形成一种知识积累。
程远：以往在处理数据隐私问题时，通常是将智能从数据中剥离，随后将其注入到模型中，常常依赖于多方安全计算技术。尽管采取各种保护措施，归根结底这仍然是一个攻防成本的问题。无论数据以怎样的形式存在，对于隐私计算而言，总有一定的概率可以被还原，因此无法确保数据百分之百安全。
多智能体系统，尤其是Agent，有可能有效应对这一问题。我可以在本地进行建模与部署，向外界提供智能服务，而不是患者的具体数据。
《中国企业家》：那么，完全实现这一应用大约还需多少年呢？
程远：我认为，顶尖的Agent问世可能会在两到三年内实现。特别是在DeepSeek推出后，许多医院开始部署此系统进行推理。然而，科室很快会意识到模型的能力尚未达到预期，进而会对模型进行优化，这时最强的Agent便会涌现出来。
《中国企业家》：你们研发的“观心大模型”有哪些量化指标呢？
程远：针对心内科的复杂病例，我们的主题案例（topic case）准确率达到了92%。相比之下，千问、DeepSeek和Cloude的表现略逊一筹。
“观心大模型”的基础依然是DeepSeek和千问，我们不进行预训练，而是针对特定领域，结合后期获取的丰富数据进行调整，从而有可能超越通用模型的性能。
实际上，这回归到一个基本概念，垂直模型能力的提升源于数据与专业医生的积累。Scale AI的CEO Alexander Wang曾指出，以往通用的、开放的数据已经用尽，未来的人工智能必将依赖于专业和垂直领域的数据。
摄影：邓攀
《中国企业家》：在各大医院中，智能代理如何在患者与医生之间平衡三者关系呢？
程远：最终的决策还是需要依赖医生。短期内，智能代理充其量是一个辅助工具，虽然听起来似乎价值不高，但其实其价值是相当可观的。
最近我思考了一个问题，复旦大学附属中山医院的葛均波院士，每天大约只能接待100位患者，假如大模型能提升他的效率20%，就相当于多了1.2位院士的工作量。
《中国企业家》：人工智能扩展了个人能力的范围。
程远：设想一下，院士的能力评估为99分，基层医院的普通医生为70分。首先，我的院士智能代理能够帮助基层医生将其能力从70分提升至80分，辅助其决策，提供第二种意见，并且有讨论的机会，从而使决策更为稳妥、可靠。
其次，它具备普及的价值。院士一周可能仅能安排两天看门诊，大约接待200位患者，而如果能够赋能基层医院的医生，他们或许可以服务到20万患者。
《中国企业家》：如何解决跨医院合作的问题呢？
程远：在不同系统之间实现对接是必须的，必须建立一套协议，让大家能够使用统一的语言，类似于Anthropic所开发的MCP，国内或许也会推出类似的协议。
《中国企业家》：现在，建立一个科室的智能助手大约需要投资多少金额呢？
程远：目前尚未实现商业化，我们正在进行相关的商业化规划。市场上类似的智能助手价格从30万元起，最高可达两三百万元，而现阶段的智能助手尚未达到一个广泛认可的标准。最终售价的高低，关键在于能为客户创造多少价值。
《中国企业家》：是大型企业来完成这个项目更合适，还是创业公司更有优势呢？
程远：我们对于开发“观心大模型”也有顾虑。作为一家非大型企业，面对这个特定领域，是否具备可复制性是个问题。投入到这个产品的开发中，可能需要数名工程师和几个月的时间，成本自然也会高达几十万到上百万。
每家医院都需要进行类似的开发，因为它们的系统各不相同。模型训练的上下游环节都需要高度的定制化，投入的成本并不低。
在上游环节，我们需要整合科室的数据，并与医生合作完成数据的处理和标注，这一过程都是高度定制化的。
在下游应用方面，一旦大模型生成后，接入到科室系统中，其能力会显著增强。然而，各医院的工作流程并没有统一标准，需要进行个性化定制，投入的成本也会相对较高。
《中国企业家》：在各医院之间，如何解决智能助手的数据开放问题呢？
程远：首先，必须有法律依据，建立相应的规范，确保数据安全；其次，需要有可用的工具或软件体系来保障数据安全；最后，要有可追溯性，例如访问日志等数据存储方案。
《中国企业家》：如果一些医院或企业在数字化方面表现不佳，是否能够直接转向AI化呢？
人工智能的未来：数据与学习的紧密联系
程远：人工智能的发展依赖于外部数据，而非自身创造。没有数据，人工智能又如何得以实现？这是一项至关重要的基础。
当通用模型被集成到产品中并开始运行后，随之而来的数据反馈将会推动模型的进一步提升。这一过程将为场景的优化提供支持。而在多智能体系统的框架下，真实环境中的强化学习将成为可能，这或许是人工智能发展的新阶段。
《中国企业家》：Agent的能力是否会自我增长呢？
程远：Agent在实际应用中不断进步，就像一名实习医生在医院中学习和成长。在查房时，老师会与实习医生交流，鼓励他们表达自己的想法。这实际上是在特定情境中进行的学习。通用模型可能无法涵盖所有场景，因此Agent需要在其环境中主动学习。
