科理新序创始人张载熙。图片经过AI处理
文丨苏扬
编辑丨徐青阳
人工智能领域创业团队正在不断刷新年龄下限。
9月17日，1998年出生的中科大校友、香港科技大学助理教授张载熙创立的科理新序完成近5000万元首轮融资。本轮融资由英诺科创基金领投，沂景资本、小苗朗程、麟阁创投跟投，光源资本担任战略孵化方及独家财务顾问。
科理新序表示，本轮资金将用于AI4S基座模型迭代、自动化实验平台规模化部署以及团队扩充。团队强调，其目标是构建一个能够理解科学、主动假设、自主实验、持续进化的AI Scientist系统。
科理新序成立于2026年8月，核心团队成员来自普林斯顿、剑桥、中科大等高校，以及Google DeepMind、微软、华为等科技公司。
据了解，科理新序内部已经形成了多样化的“人才组合”：有人做基础模型，有人做计算生物和蛋白质设计，有人做科研Agent，有人理解实验和自动化，也有人能够把这些能力真正组织成一个完整的AI4S系统。“我们觉得AI4S现阶段真正稀缺的是这种人才密度。很多问题并不是单纯增加GPU就能够解决的。”
资料显示，2019年，张载熙本科理论与应用力学毕业后，选定AI for Science作为博士方向，沿着“找科学问题—设计算法—训练模型—解决任务”的路径，在这一领域探索了一系列垂直模型：分子筛选的MGSSL、药物分子生成的FLAG、蛋白质口袋设计的PocketGen、RNA药物设计的RNAGenesis。
科理新序透露，上述模型在细分领域都有领先表现，不过单点能力再强，也不等于科学发现的能力。比如，一次完整的蛋白药物设计，需要协调二十多种工具、反复迭代。
在这种背景下，团队开始探索科学智能体，推出STELLA（Self-Evolving LLM Agent for Biomedical Research）、BioClaw等科学智能体。
据介绍，科理新序已经就STELLA与美国生物科技上市公司Ginkgo Bioworks建立了合作。该系统已服务超过1000位科研用户，其中国内用户覆盖国家重点实验室及高校研究机构，国际用户中70%来自斯坦福等顶尖学府。
在融资新闻稿中，科理新序提到了STELLA帮助免疫方向的全国重点实验室寻找靶点突破的案例。
基于STELLA的新靶点发现
据介绍，该实验室深耕急性髓系白血病研究近二十年，但由于血液肿瘤复发率高达70%-80%，可用的靶点极其有限，在私有化部署STELLA之后，该Agent即交回一份候选列表，而排在首位的靶点此前缺乏直接文献报道和相关实验验证。实验室随后在多个细胞系中完成了验证，获得了初步的正向结果。
在这一过程中，STELLA充分展示了为AI4S提效的能力。
“如果由研究人员手动完成同等规模的文献检索、数据库比对和候选靶点初筛，通常需要数天到数周。”团队还强调，STELLA给出的最高优先级候选，不在前述急性髓系白血病研究实验室此前的重点探索方向中。
STELLA落地应用案例：酶活性智能优化
“AI4S最终不能只看benchmark提高了几个点，而要看它能不能真正改变科学发现的成本曲线和时间曲线。”科理新序团队告诉腾讯科技，真正昂贵的并不是让AI生成一万个序列，而是后面每一个候选都可能涉及蛋白表达、纯化、活性测定和分析。
“我们想解决的核心问题是能不能把尽可能多的搜索放到计算端，把真正需要做的实验集中到信息量最高、成功概率最高的一小部分候选上。”
对于外界关心AI4S在加速科研、药物研发和疾病治愈等方面的进展话题，科理新序团队强调需要将概念区分开来。
“AlphaFold 是一个非常典型的例子，它首先改变的并不是患者手里的药，而是科学家研究蛋白质和疾病的方式。现在类似的变化正在向药物研发的更多环节扩散。”
根据公开资料，谷歌DeepMind团队通过深度学习从氨基酸序列预测蛋白质3D结构，解决了困扰学界50年的“蛋白质折叠问题”，成功预测2.14亿个蛋白质结构，覆盖超100万物种，近乎地球全部物种且精度达原子级。
除了STELLA智能体，科理新序也在探索AI4S基座模型，早期聚焦生命科学的中心法则：DNA到RNA到蛋白质，再到功能和表型。
“Agent还不是这件事情的终点。这也是为什么我们现在非常重视Science-Native的多模态基座模型。”
团队介绍，当前大多数科学智能体，依赖语言模型来调度外部工具，可以调用蛋白质结构模型，但却不能理解三维空间，且不同模态的数据在文本、代码和工具间转换，信息会不断丢失。因而希望打造一个科学基座模型，将序列、结构、图像、组学矩阵、实验读数等不同“语言”的多模态数据，转换成模型能够统一理解的基本单元。
概括来说，科理新序想通过科研基座模型，来推动AI4S数据标准化的问题，这其实也反映出了当前这一领域所面临的挑战。
《瞭望》新闻周刊此前援引北京大学深圳研究生院副院长、科学智能学院执行院长田永鸿的观点，称“海量、高质量的科学数据是AI4S发展的基础，但此类数据仍严重短缺”。
田永鸿透露，仅单一类别的蛋白质结构实验数据，采集成本超过8万元，训练AI模型通常需要百万量级的样本，其成本远超普通科研团队承受范围。“国内某生物物理研究机构曾组织20名博士，全职工作6个月，才完成1万张图像标注。”
“让模型直接在科学空间里推理，而不是反复在不同格式之间转换、传递信息。让AI4S从Language token走向Scientific token。”科理新序说。
科理新序团队强调，AI4S 的终点并不是让科研人员更快地查文献、写报告或者跑分析。我们更希望建立一个能够理解不同尺度生命数据、提出新的科学假设、设计干预，并从实验结果中继续学习的系统。
从这个角度来看，AI4S更像是传统科研的一种体系化补充，这就像显微镜，帮助人类打开了微观世界，而现在AI也正在成为帮助人类探索更多未知世界的“显微镜”。
“我们期待下一阶段的 AI 能够参与产生人类原本不知道的新知识。最终这些新知识才会变成新的靶点、新的分子、新的药物和真正影响患者的治疗方法。”科理新序团队说。
