AI4SLEARNING LIBRARY

Latent Space 对 Radical AI 首席执行官 Joseph Krause 的专访，详细讨论了 AI 在合金结构材料研发中面临的独特挑战，以及自动驾驶实验室如何缩短新材料从发现到量产的漫长周期。

• 多维物理约束拒绝“一键生成”：材料性能不仅取决于元素配比，更深度依赖微观结构、加工工艺（如铸造/3D打印）以及真实世界的供应链与成本制约。
• 打通实体实验的物理闭环：摒弃依赖人类规划的半自动化，让 AI 智能体自主完成“生成假设—指挥机械臂合成表征—数据反馈修正”的全链路高通量迭代。
• 核心护城河在于实验数据而非模型：基础模型终将走向开源，行业真正的商业壁垒是利用自动化实体设备持续获取极度稀缺的真实物理闭环数据。

Latent Space 对 Lila Sciences 首席技术官 Andy Beam 和首席物理科学官 Rafa Gomez-Bombarelli 的专访，探讨如何用真实的实体实验室作为强化学习的验证器，从而解决 AI for Science 面临的数据枯竭问题。

• 科学领域的数据枯竭与“新 Scaling Law”：大语言模型LLM的成功依赖于几乎抽干了互联网上所有的人类文本，如 Andy 所说，那是 AI 的“化石燃料”。而在科学领域，无论是生物医药还是材料科学，高质量、真实的数据是极度稀缺且难以获取的。Lila 提出的宏大愿景是把“实验数据生成”作为新的 Scaling 维度。
• AI科学工厂：他们不把自己定位为传统 Biotech，也不是一家单纯的“实验室自动化”公司。他们的目标是打造一个完全由模型控制的底层实验平台。在这个平台上，所有科学仪器都被连接在像计算机“PCI总线”一样的统一物理传输层上，比如悬浮磁悬浮轨道上的 96 孔板。
• 闭环强化学习 RL 与把大自然当验证器：在数学和写代码领域，强化学习因为有明确的规则，比如代码能跑通，数学能证出，而非常成功。但在科学发现中，Lila 将真实的、高通量自动化的物理实验结果直接作为强化学习的奖励信号。AI 提出假设 -> 写实验代码 -> 实验室自动执行 -> 生成的成功/失败数据重新喂给模型。
• 跨领域的通用性推理：不同于为蛋白质折叠或电池材料分别开发垂类模型，Lila 在采访中称已汇集约 10 万亿个跨生命科学、化学与材料的实验验证 reasoning tokens，用于基础模型后训练；这一规模及跨领域收益目前仍是公司自述。

涌现 Lab 对斯坦福大学 James Zou 教授的专访，详细探讨了多智能体系统（Multi-agent）如何重塑科学发现流程，以及他们在“虚拟实验室”中推演新药的最新前沿实践。

• AI 智能体的“社交动态”：在构建“虚拟实验室”时，系统设定了“AI 教授”和“AI 学生”等角色。研究发现，AI 之间也存在复杂的社交动态，例如谁先发言、各自设定的性格，都会直接改变科研思路的轨迹与最终方案的创新性。
• 在云端跑通“万人药企”闭环：团队打造了“虚拟生物科技公司”，用数以万计的 AI 智能体模拟真实药企中靶点发现、分子设计、临床研究等跨部门协作。这种无损的信息传递模式，成功生成了针对肺癌的靶向药物 ADC 策略，且该策略与现实巨头默克 Merck 的独立实验结果高度一致。
• 人类核心壁垒退守“科研品味”：随着基础大模型的进化，未来研究人员甚至能轻松构建数百万个 AI 科学家智能体。Zou 教授指出，未来科学家的核心竞争力不再是基础执行，而是对科学问题的“品味 Taste 与判断力”。