跳到正文
新浪科技·· 2 小時前AI 評分51

Kimi 探索 AI for Science,佈局科研平台合作與評測基準

Kimi也要往AI for Science方向发力了

AI 導讀

Kimi 正透過科研平台合作和參與科研評測,探索模型在 AI for Science 領域的應用。接入深勢科技 BioMaster 後,Kimi K3.1 Pro 在一項涉及 3,696 個小鼠胰腺細胞的演示中,約 90 分鐘生成推測性細胞發育圖譜並篩選出 100 個候選基因。

正文

一些迹象显示,Kimi 要往 AI for Science 方向发力了。

近日,月之暗面(Moonshot AI)国际业务负责人贾科莫·菲卡里(Giacomo Ficari)在葡萄牙里斯本举行的网络峰会上,谈到了该公司在编程之外看好的下一个方向:科学研究。

他提到,过去几年,编程是推动市场需求增长的重要场景,而生物学、化学等科学研究对模型能力提出了更高要求,也可能为 AI 在制药领域的应用打开新的市场。

这番发言是 Kimi 呼应趋势之举,Coding Agent 对基座模型的增益效果已经被 Anthropic 、智谱和 Qwen 等先后证明过,唯 AI for Science 在硅谷已经成为显学之际,国内的基础模型响应稍显迟钝。

现在看来,Kimi 准备在这一领域有所动作。此前,Kimi 与深势科技达成了合作,将 Kimi 接入了生物医学科研智能体;晶泰科技也开始利用 Kimi 处理化学文献,辅助药物和材料研究。与 AI for Science 领域两家头部公司的合作是这一布局的序章。

从公开的信息来看,这些合作还主要集中在科研流程中的部分环节,例如理解研究问题、编写分析代码、调用专业工具,以及从文献中提取信息。相比直接参与科学发现或药物研发决策,这些任务更接近研究人员日常工作中的辅助性环节。

与此同时,海外同行似乎已经走得更远。OpenAI 和 Anthropic 都推出了面向生命科学的工作台和垂直模型,甚至开始直接参与药物研发项目的闭环。Google 新近发布的 Gemini 4 系列也在不同的科学领域有所侧重。相较之下,刚刚进入这一领域的 Kimi,将选择何种路径?

AI4S 第一步,切入现有科研平台

前面提到,Kimi 进入科研领域的主要方式,是与已经具备专业工具和行业客户的企业合作,将通用模型接入现有工作流程。

如与深势科技的合作,其自主开发的生物医学科研智能体 BioMaster,已经集成了细胞类型识别、基因表达分析等专业工具,并提供相应的计算环境。接入 Kimi K3.1 Pro 后,BioMaster 开始尝试让模型承担部分分析流程,包括理解研究问题、编写代码和调用专业工具。这些能力目前主要体现在深势科技公开展示的案例中。

在一项涉及 3,696 个小鼠胰腺细胞的基因表达分析演示中,研究团队尝试利用单一发育时点采集的数据,推测细胞可能的发育路径,并筛选相关候选基因。

结果显示,系统耗时约 90 分钟,生成了一张推测性的细胞发育图谱,并筛选出 100 个候选基因。深势科技估算,人工完成类似任务通常需要 4~8 小时。不过,这一时间对比来自企业披露的单项案例,尚不足以说明系统在不同科研任务中都能获得相似的效率提升。对于细胞发育路径和候选基因的判断,也仍需要进一步的生物学验证。

图 | BioMaster 接入 Kimi 后对 3,696 个小鼠胰腺细胞的分析结果(来源:深势科技)图 | BioMaster 接入 Kimi 后对 3,696 个小鼠胰腺细胞的分析结果(来源:深势科技)

另一家合作方晶泰科技则将 Kimi 用于化学文献处理。我们从 Kimi 开放平台看到的案例介绍显示,晶泰接入 Kimi K3 后,主要利用其从化学表达式、科研图表中提取信息,辅助药物和材料研究人员整理文献。

这两项合作涉及的任务有所不同,但采用了相似的技术路径:由 Kimi 提供通用模型能力,行业企业提供专业工具、计算环境和具体应用场景。

对 Kimi 而言,这种方式可以降低进入专业领域的门槛。相比从头开发一整套生物医学科研系统,接入现有平台能够更快接触实际任务,也能观察通用模型在专业环境中容易出现哪些问题。

不过,模型能否完成一次公开演示,与能否长期稳定地服务科研项目之间,仍有不小的距离。尤其是在生物医学领域,模型生成的代码、调用工具的方式以及最终分析结果,都需要专业人员检查。

联手姚期智,Kimi 发布了一个科研评测基准

相较于上述应用测试,Kimi 近期参与的一项理论计算机科学研究,提供了另一个观察角度。

11 月 5 日,月之暗面、清华大学和上海期智研究院的研究人员共同发布了评测基准 TCSExam,相关论文作者包括月之暗面创始人杨植麟和图灵奖得主姚期智。

团队选取了 100 项研究任务,要求模型证明定理、编写求解程序,或构造满足指定条件的数学对象,其中也包括尚未解决的猜想。这类任务的一个重要特点是,部分结果可以通过程序检查。相比依赖模型对答案进行主观评分,程序验证能够更明确地判断某个构造是否符合题目要求。

例如,其中一道题要求在 124 个点之间尽可能多地连线,同时避免出现长度为 3 或 4 的环。论文列出的参考构造包含 629 条边,而 Kimi K3 给出了一种包含 630 条边的构造,并通过了程序检查。

这一结果说明模型在特定数学构造任务中,有可能找到优于已有参考答案的方案。不过,通过程序验证只代表构造满足约束条件,并不意味着模型已经证明找到了全局最优解。

图 | TCSExam 相关研究结果(来源:arXiv)图 | TCSExam 相关研究结果(来源:arXiv)

从生物科研平台中的工具调用,到理论计算机科学领域的评测设计,Kimi 正在尝试从不同方向探索模型的科研能力。不过,这两类工作仍存在明显区别。前者主要检验模型能否协调已有工具完成任务,后者则更关注模型能否解决具有明确验证标准的专业问题。如何将这些能力进一步转化为真实科研成果,仍有待更多实践。

AI for Science,模型赋能到哪一步了?

从这些零散的信息来看,Kimi 的布局仍处于比较早期的阶段。海外同行同样借助外部专业知识,但部分公司已经将合作延伸到药物研发流程的更多环节。

今年,OpenAI 在生命科学领域推出 Rosalind Workbench,研究者可以通过该平台连接科学工具和数据、分析结果以及规划实验。10 月,公司又收购了药物研发协作平台 Orchestra Bio,进一步进入药企跨团队协调研究、安排任务和跟踪进展的工作流程。

面向科研组织的 GPT-Rosalind-6 与 GPT-6 Astra 使用相同权重。这一设计让 OpenAI 的生命科学产品能够直接利用旗舰通用模型的能力,而不需要另外训练一套完全独立的基础模型。

图 | Rosalind Workbench(来源:OpenAI)图 | Rosalind Workbench(来源:OpenAI)

Anthropic 的打法更加系统,从实验研究和项目决策环节,均能看到这家模型巨头的身影。就在上个月,该公司还披露了与 6 家机构合作推进药物研发的进展。其中,百时美施贵宝(BMS)利用 Claude 分析一项早期药物的临床研究计划。近期,Anthropic 还收购了一家研究罕见肌营养不良症的一人公司 Mithril Medicine。

直接参与药物研发项目,也让 Anthropic 有机会接触科研人员实际做出判断的过程。药物研究中有大量无法从最终论文里直接看到的信息,包括失败的实验、被放弃的方案,以及研究人员为何改变原有判断。Anthropic 希望通过这些反馈,更准确地确定后续模型研发的重点。

药企也在往基础模型靠拢。今年 4 月,诺和诺德(Novo Nordisk)宣布与 OpenAI 合作,计划将 AI 用于药物发现到商业运营的多个环节。5 个月后,公司又宣布与 Anthropic 合作,围绕科学家提出的具体问题开发药物发现工具。百时美施贵宝在宣布全公司部署 Claude 时,也明确表示采用多供应商策略。

对国内基座模型企业而言,中国已经形成规模较大的医药研发外包产业,也提供了一条进入实际研发项目的路径。一家 CRO 往往同时为多家药企提供服务。以康龙化成为例,2025 年,其实验室服务团队参与了 887 个全球创新药的药物发现项目。这类企业拥有专业研究人员、实验设施以及相对成熟的研发流程。如果通用模型能够在文献整理、数据分析、实验设计辅助等重复性工作中发挥作用,就有机会通过现有服务体系进入多个研发项目。

但具体能够形成多大规模的需求,还取决于模型在实际项目中的表现、部署成本,以及药企对数据安全和研究质量的要求。

一个更复杂的问题是数据。公开论文通常呈现的是经过筛选和整理的研究成果,许多失败的实验、未经发表的观察以及研究过程中的判断依据,并不会完整进入公开数据集。而这些信息恰恰可能影响科研模型的下一步发展。

如果模型只能学习已经发表的结论,就很难全面理解研究人员为什么选择某种实验方案,又为什么在得到特定结果后改变方向。因此,一些前沿 AI 公司开始尝试更直接地参与实验过程。

Anthropic 已在旧金山湾区设立生物湿实验室,谷歌 DeepMind 也在英国弗朗西斯·克里克研究所(Francis Crick Institute)内建立了湿实验室,希望通过实际实验检验 AI 提出的假设,并获取相应反馈。

当然,进入真实项目并不等于可以自由获取药企的实验数据。涉及商业机密、知识产权和患者信息的数据,通常受到严格限制。模型企业能否将项目经验转化为可复用的模型能力,还取决于具体的合作和数据使用安排。

参考内容

1.https://www.scmp.com/tech/article/3374568/chinas-moonshot-ai-puts-kimi-models-race-science-discoveries

2.https://bydrug.pharmcube.com/news/detail/7fcc525a11db61284f8e011056ddd1ad

3.https://www.kimi.com/news/kimi-enterprise-partner-program

4.https://arxiv.org/html/2611.07962v1

5.https://www.anthropic.com/research/early-progress-drug-development

6.https://static.cninfo.com.cn/finalpage/2026-03-31/1225057837.PDF#page=14

运营/排版:何晨龙

注:封面/首图由 AI 辅助生成

來源:新浪科技 · finance.sina.com.cn