白盒化决定信任

核心摘要

本集探讨AI在化学合成领域如何实现商业化落地，核心判断是：必须依赖白盒化（可解释性）和深度客户迭代，纯黑盒模型无法建立信任，合成效率是DMTA循环的瓶颈，AI需要将合成效率提升10倍以上才能推动行业变革。

干货提炼

主题一：白盒化决定信任

• [明确判断]：在严肃科学场景中，黑盒模型难以建立客户信任，因为不可解释、不可调教，出现问题无法定位原因。白盒（基于化学信息学规则）让客户知道决策依据，并能持续迭代改进。
• [明确判断]：白盒化的比例在增加，而非减少。大语言模型虽然具有可解释性，但垂直领域的白盒知识仍需从与客户的长期交互中积累。证据：夏宁表示“白盒占的比重非常大……如果是一个黑盒的话很难建立客户的信任”。

主题二：合成效率是研发瓶颈

• [明确判断]：在药物研发的DMTA（设计-合成-测试-分析）循环中，设计阶段和测试阶段通量高，但合成阶段被卡住——一个化学家一个月只能合成3-5个分子。只有将合成效率提高10-20倍，才能将整个研发效率提升10-20倍。
• [明确判断]：当前AI逆合成能力已相当于10年工作经验的化学家，能想到5-6种不同合成策略（人通常只有1-2种），并能发现文献中隐藏的短路线。但不会创造新反应，只基于已有数据组合。

主题三：数据来源与迭代路径

• [明确判断]：对于逆合成问题，最大的贡献数据来自公开文献和专利（提供方法论和成功案例），而非高通量实验。失败数据（负数据）在现阶段不重要，因为只要达到人的判断水平就足够商业化；未来超越人时才需要负数据。
• [明确判断]：纯AI背景的创业者容易因缺乏行业know-how而定义错问题，导致模型偏离。与客户持续迭代（如药明康德最初的100多万美元合作，从4个模块扩展到9个模块）是积累壁垒的关键。

主题四：基座模型成本与工程优化

• [明确判断]：客户非常重视基座模型的token消耗成本，因为每次调用都有成本（不同于传统软件近乎零成本）。需要工程化调度：简单问题用本地小模型或免费模型，复杂问题才调用大模型，以降低整体成本。
• [明确判断]：未来付费模式将是SaaS与智能体按调用付费长期共存。客户有些问题用SaaS就能解决，不愿多付钱；只有复杂问题才用智能体。

主题五：竞争壁垒与市场判断

• [明确判断]：新进入者几乎不可能追赶，因为技术体系需要8年打磨，且大客户已建立深度合作关系和定制化，替换成本极高。AI for Science仍在早期（渗透率不到千分之一），但趋势必然——10年后人可能很少再做化学合成。
• [明确判断]：中国在生物医药领域的地位类似“世界医药工厂”，需求端在国外（MNC），供给端在国内，效率工具需求将快速增长。但印度增长也很快，今年增加了30多家客户。

高光金句

• ❝ 白盒占的比重非常大，这个也是我们现在思考下来就是在这种严肃的科学软件或者就像自动驾驶一样，它如果是一个黑盒的话很难建立客户的信任。 ❞
• ❝ 我们现在的化学合成的这个AI的能力大致相当于10年工作经验的化学家的水平，基本上能够实现化学家想到的路线合成方案AI都能够想到，而且还AI能够一般能平均想到5-6种不同的策略，这个是超过人的，人一般就是一到两种策略。 ❞
• ❝ 我觉得第一就是整个的技术体系经过了8年的打磨其实是一个非常漫长和要花大量精力资源做的事情，可能对一个新进入的人来说他要追赶这个时间是省不了的；第二点就是说从客户市场的角度来讲，如果说现在再去创业做这件事情可能市场已经没有了。 ❞

提及资源

• 企业/组织：辉瑞 - 早期测试案例（类似金泰在2016年的测试）
• 技术概念：AlphaFold - 在生物蛋白结构预测领域的成功，被用作化学合成AI发展阶段的参照（生物约70-80%预测成功率）
• 企业/组织：智化科技 - 夏宁创立的公司，专注于AI化学合成