AI 正在让科研变便宜，但搞清楚它是靠“造工厂”还是“当领航员”很重要

最近在看 AI 与科学交叉领域的趋势，发现一个很有意思的观点：当大模型让“思考”的成本几乎降到零时，科学研究的瓶颈其实已经从脑力转向了体力。Anthropic 甚至打算自己开湿实验室（wet lab）来解决这个问题，但对于大多数生物技术公司来说，AI 带来的变革其实分成了两个完全不同的流派：Foundries（制造工厂）和 Navigators（决策领航员）。

这个观点来自 Endura Therapeutics 的 Adrian Sanborn，他本身是斯坦福的计算机科学博士，既懂代码又会在实验室里做实验。他观察到，现在的困境是：知识工作（写代码、整理数据、架构系统）的速度快得惊人，但物理实验的验证周期依然是以天或周为单位。换句话说，思考变便宜了，但“做”的过程并没有变便宜。

什么是 Foundries（制造工厂模式）

Foundries 的核心逻辑是：既然实验太慢，那就通过工业化手段把实验的成本和时间压下来。这类公司本质上是在卷“产出数据的能力”。

这类公司的竞争壁垒不在于模型有多大，而在于它们能产生多高质量、多大规模的实验数据。目前业内玩这一套的玩家各有侧重：

• 利用下一代测序（NGS）和多重检测技术： 比如 Xaira、NewLimit、Octant、Tahoe 和 Endura Therapeutics。
• 利用高通量显微成像技术： 比如 Insitro、Eikon 和 Noetik。
• 利用物理自动化设备： 比如 Lila 和 Periodic Labs。

对于 Foundries 来说，AI 的角色是让这些海量的实验数据变得“可读”且“具有预测性”，但真正的护城河是那些通过自动化设备跑出来的实验数据本身。这种模式需要大量的资本投入，而且是对特定技术的长期豪赌，门槛极高。

什么是 Navigators（领航员模式）

相比之下，Navigators 模式要隐蔽得多，它不直接去造实验室，而是把 AI 模型嵌入到公司现有的工作流里，用来优化决策和流程。

如果说 Foundries 是在扩充“硬件”的吞吐量，那么 Navigators 就是在榨取“软件”的效率。它们关注的是：什么样的实验值得去做？应该用什么工具来做？如何通过现有的流程跑得更快？

这种模式不需要你拥有什么私有大模型或海量数据集，它需要的是一种“改变工作方式”的决心。这种变革在初创公司身上表现得最明显，因为它们没有沉重的历史包袱（比如旧的软件合同、僵化的组织架构或复杂的合规流程），一旦发现更好的工作方法，直接就能变成标准流程。

这种转变在实际科研中到底意味着什么

如果一个公司能从 Navigators 模式转型成功，它的研发效率会有极其直观的改变。根据 Adrian 的观察，这种影响主要体现在以下几个维度：

• 分析周期缩短： 原本需要花一周才能完成的数据分析，现在可能只需要一个小时，这直接导致了实验迭代周期的压缩。
• 软件成本降低： 以前需要支付六位数美金授权费的专业软件，现在可能通过 AI 辅助，一天之内就能自己写出一个替代方案。
• 候选筛选规模扩大： 在筛选疾病研发项目时，传统团队可能只能评估 5 个候选方案，但在 AI 辅助下，评估规模可以扩大到 500 个。

这里有一个非常深刻的技术细节：实验科学与软件工程有一个本质的冲突。在软件工程里，需求如果每几周变一次，会被认为是规划能力差；但在科学研究里，需求必须变，因为实验的目的就是为了学习，而学习到的新知识必须立刻改变下一个实验的设计。

现在的变化是，代码的演进速度终于能跟上科学发现的速度了。以前实验协议（protocol）在第一年可能会变十几次，每次变化都要重新写代码、改流程，非常痛苦；但现在，这种从“发现”到“执行”的反馈链路正在被 AI 极大地缩短。