Der nächste Claude Code im Bereich der KI könnte möglicherweise in einem Labor entstehen.

In den vergangenen zwei Jahren hat KI im Bereich der Codierung als Erster einen hochwertigen geschlossenen Geschäftszyklus erfolgreich umgesetzt.

Laut Prognosen ausländischer Institutionen wird KI-Codierung in den kommenden 12 Monaten voraussichtlich einen kombinierten Jahresumsatz von etwa 1.200 Milliarden US-Dollar für OpenAI und Anthropic erzielen. Die Codierung gehört zu den wichtigsten Szenarien, die das kommerzielle Wachstum vorantreiben.

Der Grund, warum die Codierung zu dem ersten professionellen Szenario wurde, in dem große Modelle ihren Wert realisieren, liegt nicht nur in den hohen Kosten für Programmierer, sondern darin, dass Code von Natur aus über einen "Prüfmechanismus" aus Kompilierung, Test und Ausführungsergebnis verfügt: Jedes Mal, wenn das Modell einen Codeabschnitt generiert, kann es sofort erkennen, ob er richtig oder falsch ist, und die Verbesserung seiner Fähigkeiten direkt in Produktivität umwandeln.

Doch da die Codierung allmählich zum Konsens des Marktes wird, beginnen Investoren auch, nach dem nächsten hochwertigen Einstiegspunkt für die Kommerzialisierung von KI zu suchen.

Die wissenschaftliche Forschung ist möglicherweise die Richtung, die der Antwort am nächsten kommt.

Daten der Europäischen Kommission zeigen, dass die 2000 Unternehmen mit den weltweit höchsten F&E-Ausgaben im Jahr 2024 insgesamt etwa 1,446 Billionen Euro investiert haben. Branchen wie Biowissenschaften, neue Materialien, Chemie und Energie investieren jährlich enorme Summen in die Forschung und Entwicklung, aber eine große Menge an Ressourcen wird bis heute noch in ineffizienten Fehlversuchen, fragmentierten Abläufen und wiederholten Experimenten verschwendet.

Von der Steigerung der digitalen Produktivität bis zur Steigerung der wissenschaftlichen Produktivität versucht KI for Science (KI4S, Wissenschaftliche Intelligenz), den Kommerzialisierungspfad der KI-Codierung nachzuahmen. Der Unterschied besteht darin, dass der Prüfmechanismus bei der Codierung der Compiler ist, während der Prüfmechanismus bei der wissenschaftlichen Intelligenz das reale Experiment ist.

Derzeit beschleunigen eine Reihe führender Technologieunternehmen, darunter NVIDIA und Anthropic, ihre Layouts für KI for Science. In China ist XtalPi einer der Vorreiter auf diesem Gebiet.

Am 29. Juli veröffentlichte XtalPi offiziell die offene intelligente F&E-Plattform XtalPi Science für wissenschaftliche Forschungsszenarien.

Dabei handelt es sich um ein natives Betriebssystem für KI for Science, das große Sprachmodelle, vertikale wissenschaftliche Modelle und automatisierte Roboterlabore miteinander verbindet. Es versucht, die Fähigkeiten, die früher in Modellen, Daten, Software und experimentellen Geräten verteilt waren, zu einer Infrastruktur für wissenschaftliche Forschung und Entwicklung zu integrieren, die branchenübergreifend wiederverwendet werden kann.

Gleichzeitig wurde auf der Pressekonferenz offiziell das "Ökosystem-Allianz für offene wissenschaftliche Intelligenz" gegründet, das von 27 Unternehmen und Institutionen gemeinsam initiiert wurde. Die ersten Mitglieder deckten die Bereiche Pharmazeutika, Materialien, verkörperte Intelligenz, Hochschulen und wissenschaftliche Forschungsinstitute ab, darunter industrielle und akademische Teilnehmer wie 3SBio, Junshi Biosciences, JacoBiomed, Baicheng Pharmaceutical, Danaher, MetaX, DeepMotion und die Chinese University of Hong Kong (Shenzhen).

In dieser industriellen Welle, die sich noch im frühen Stadium befindet, deren Gewissheit aber schnell zunimmt, hat XtalPi zweifellos bereits früh eine Schlüsselposition eingenommen.

Um zu beurteilen, ob ein KI4S-Unternehmen führend ist, darf man nicht nur die Benchmark-Ergebnisse einzelner Modelle betrachten, sondern vor allem prüfen, ob es für die endgültigen wissenschaftlichen Forschungsergebnisse verantwortlich sein kann.

Derzeit greifen die meisten Teilnehmer in der Branche noch an einem einzelnen Glied in der Kette an – bei Modellen, wissenschaftlicher Software, experimentellen Geräten oder F&E-Dienstleistungen. Das Besondere an XtalPi ist, dass es bereits damit begonnen hat, vertikale Modelle, professionelle Arbeitsabläufe, Roboterlabore, Daten aus realen Projekten und industrielle Kunden zu einem vollständigen geschlossenen Zyklus zu verbinden.

Modellfähigkeiten können erworben werden, Rechenleistung kann aufgerufen werden, und Software kann schnell entwickelt werden. Doch die experimentelle Infrastruktur, die langjährig angesammelten Fehlerdaten und die Erfahrung, die durch den kontinuierlichen Betrieb realer F&E-Prozesse entsteht, lassen sich nur schwer in kurzer Zeit nachahmen.

/ 01 / KI for Science, die nächste KI-Codierung

Die traditionelle wissenschaftliche Forschung ist immer noch eine Produktionsweise, die stark von der Erfahrung von Experten abhängt.

Eine große Menge an Wissen ist in Aufsätzen, Patenten, Datenbanken und Versuchsaufzeichnungen verteilt, und der F&E-Prozess hängt stark von der Erfahrung einiger weniger Experten ab. Ein einziges Experiment kann Wochen oder sogar Monate dauern, während eine große Anzahl fehlgeschlagener Ergebnisse und anormaler Daten oft auf PCs oder in Versuchsprotokollen verbleiben, nicht strukturiert gespeichert werden und in der nächsten F&E-Runde nicht effektiv genutzt werden können.

Was KI for Science verändern will, ist nicht nur ein einzelnes Glied in der Kette, sondern der gesamte wissenschaftliche Forschungsprozess.

In der Vergangenheit beschränkten sich die Erkundungen großer Modelle im Bereich der wissenschaftlichen Forschung hauptsächlich auf die digitale Welt, einschließlich der Suche nach Aufsätzen, der Analyse von Daten, dem Aufruf wissenschaftlicher Software und der Generierung scheinbar plausibler Molekülstrukturen, Syntheserouten und Materialrezepturen.

Ob diese Antworten gültig sind, muss letztendlich in der physischen Welt überprüft werden. Das ist seit jeher der zentrale Engpass, mit dem wissenschaftliche Agenten konfrontiert sind: Sie können Experimente entwerfen, sind aber nicht für die Versuchsergebnisse verantwortlich. Mit anderen Worten: In der Wissenschaft fehlte bisher ein Feedbacksystem, das einem Code-Compiler ähnelt.

Der Kern von KI4S besteht genau darin, dass die KI ihre eigenen Ergebnisse überprüfen kann.

Wenn der Compiler das Feedbacksystem für die KI-Codierung bildet, dann ist der geschlossene DMTA-Zyklus "Entwurf – Herstellung – Test – Analyse" der "wissenschaftliche Compiler" von KI4S in der physischen Welt: Er lässt jede Modellannahme durch reale Experimente prüfen und gibt die Versuchsergebnisse an die nächste Vorhersagerunde zurück.

Dies wird auch zu einer Richtung, auf die alle Seiten der Industrie gemeinsam setzen.

Im Juni dieses Jahres stellte Anthropic Claude Science für Wissenschaftler vor, das durch die Einbindung von Tools wie Literatur, Genomik und chemischer Berechnung versucht, ein neuer Einstiegspunkt für Wissenschaftler zu werden, um Daten und Software aufzurufen. NVIDIA veröffentlichte das BioNeMo Agent Toolkit und kooperierte mit Thermo Fisher, um die Agenten weiter auf Laborgeräte auszudehnen.

Die Maßnahmen ausländischer Giganten bestätigen die industrielle Richtung von KI4S, aber ihr Einstiegsweg erstreckt sich immer noch hauptsächlich von Grundmodellen und Berechnungswerkzeugen bis hin zu experimentellen Gliedern.

Das Besondere an XtalPi ist, dass es bereits fast ein Jahrzehnt lang um vertikale wissenschaftliche Modelle, Roboterlabore und reale F&E-Projekte angesammelt hat, als diese Richtung zum Konsens der globalen Technologiebranche wurde.

Nach Angaben des Unternehmens ist dies das weltweit erste native Betriebssystem für KI for Science (Wissenschaftliche Intelligenz), das große Sprachmodelle (LLM), professionelle Modelle für vertikale Bereiche und groß angelegte automatisierte Roboterlabore tief miteinander koppelt.

Dabei übernehmen Genius Agents die Orchestrierung des gesamten F&E-Prozesses. Sie können Pläne für spezifische wissenschaftliche Forschungsziele erstellen, komplexe Aufgaben in verschiedene Schritte unterteilen, entsprechende professionelle Modelle, wissenschaftliche Software und experimentelle Fähigkeiten aufrufen, dann die Ergebnisse zusammenfassen und das Projektwissen konsolidieren.

Damit die Agenten wirklich in wissenschaftliche Forschungsorganisationen eintreten und nicht nur auf Modelldemonstrationen beschränkt bleiben, hat XtalPi den DMTA-Prozess weiter in Hunderte spezifischer F&E-Absichten unterteilt und die implizite Erfahrung von Wissenschaftlern, die über lange Zeit angesammelt wurde, in professionelle Arbeitsabläufe umgewandelt, die standardmäßig ausgeführt und wiederholt aufgerufen werden können.

In diesem System ist die KI für die groß angelegte Suche, die Generierung von Lösungen und die Ausführung von Prozessen verantwortlich, während die Wissenschaftler das endgültige Urteil über die wissenschaftlichen Forschungsziele, technischen Routen und wichtigen Entscheidungen behalten.

Dieses Kooperationsparadigma "groß angelegte KI-Erkundung + wichtige Entscheidungen von Wissenschaftlern" kann Übergangsstillstände und Entscheidungswartezeiten im F&E-Prozess reduzieren, einige ursprünglich in Wochen oder Monaten gemessene Überprüfungszyklen auf "Tage" komprimieren und Langzeitaufgaben wie Literaturrecherche, Analyse von Struktur-Wirkungs-Beziehungen, Moleküldesign, ADMET-Vorhersage, Planung von Syntheserouten und automatisierte Versuchstests selbstständig durchführen, um die wochen- oder sogar monatelangen F&E-Überprüfungszyklen extrem auf "Tage" zu kürzen.

Derzeit läuft dieses System in XtalPi intern mit hoher Intensität und wurde in mehreren Runden realer F&E-Überprüfungen getestet, sodass es zu einem unverzichtbaren Produktivitätswerkzeug im täglichen Forschungsprozess von Wissenschaftlern geworden ist.

Noch wichtiger als die Effizienzsteigerung ist, dass das System beginnt, kontinuierlich die Daten zu erzeugen, die die KI wirklich benötigt.

Jedes erfolgreiche, fehlgeschlagene und anormale Experiment kann vollständig aufgezeichnet werden und zu neuen Trainingsdaten werden. Im Vergleich zu öffentlichen Aufsätzen und Patenten sind diese Daten, die im realen F&E-Prozess erzeugt werden, knapper und für Wettbewerber schwerer zu erhalten.

Öffentliche Literatur sagt der KI normalerweise, "was erfolgreich war", während Fehlschlagsdaten aus realen Projekten der KI helfen, zu erkennen, "warum es fehlgeschlagen ist". Noch knapper als die Endergebnisse sind die vollständigen Prozessdaten von wissenschaftlichen Forschungszielen, Modellvorhersagen, Routenauswahl bis hin zu Versuchsprozessen, anormalen Situationen und Ergebnisrückmeldungen.

Derzeit erzeugt das intelligente autonome Labor von XtalPi monatlich mehr als 50.000 Daten zu Reaktionsausbeuten und 300.000 Prozessdaten, wobei insgesamt mehr als 500.000 echte Versuchsaufzeichnungen angesammelt wurden, darunter eine große Anzahl von Fehlschlagsproben, die in öffentlichen Datenbanken lange Zeit fehlen.

Diese Daten spiegeln sich bereits in den Fähigkeiten der Modelle wider. Bei der Bewertung, die 350 echte industrielle Moleküle abdeckt, sank die chemische Halluzinationsrate von SureRXN auf 4,6 %, die Genauigkeit der ersten Syntheseroute erreichte 51,7 % und die Vorhersagegenauigkeit für fehlgeschlagene Experimente lag zwischen 81 % und 89 %. In realen Dienstleistungsprojekten wurden die 5 bis 10 erforderlichen experimentellen Iterationen für die Synthese des Zielmoleküls auf durchschnittlich 1,19 Mal verkürzt.

Die industrielle Bedeutung dieser Zahlen liegt darin, dass teure physische Versuchsrunden reduziert werden können und die Forschung und Entwicklung von erfahrungsabhängigen wiederholten Fehlversuchen zu genauen Vorhersagen übergeht, die durch echte Daten unterstützt werden.

Je mehr Experimente, desto reichhaltiger die Daten; je reichhaltiger die Daten, desto genauer die Urteile von Modellen und Agenten; je genauer das System, desto mehr wissenschaftliche Forschungsaufgaben werden auf die Plattform gelangen. Das ist der Daten-Flywheel, den XtalPi wirklich aufbauen will.

Die Barriere von XtalPi ist daher kein statischer Datensatz, sondern ein System, das kontinuierlich qualitativ hochwertige Daten erzeugt. Modelle können erworben und aufgerufen werden, aber Fehlschlagsdaten und physische geschlossene Zyklen lassen sich nicht über Nacht aufbauen.

/ 02 / XtalPi neu verstehen: Es ändert sich nicht nur die Geschäftsgrenze

In der Vergangenheit war der Markt gewohnt, XtalPi als KI-Pharmazieunternehmen zu verstehen.

Diese Einstufung hat gute Gründe: Der technische Ausgangspunkt, die Kundenressourcen und die Einnahmequellen des Unternehmens stammen zu einem großen Teil aus der Wirkstoffforschung.

Aber nach der Veröffentlichung von XtalPi Science ist es kaum möglich, das, was XtalPi gerade tut, nur mit dem Begriff "KI-Pharmazieunternehmen" zu beschreiben.

Die von der Plattform abgedeckten Objekte sind nicht mehr auf Wirkstoffmoleküle beschränkt, sondern umfassen auch Proteine, chemische Reaktionen, Materialrezepturen, Solarzellen und industrielle Experimente. Die wichtigste Veränderung ist nicht die gestiegene Anzahl von Branchen, sondern dass XtalPi beginnt, seine eigenen Fähigkeiten neu zu organisieren.

In der Vergangenheit kauften Kunden normalerweise ein F&E-Projekt, einen Satz Robotergeräte oder das Forschungsergebnis einer bestimmten Phase; jetzt versucht XtalPi, Modelle, professionelle Werkzeuge, Agenten und automatisierte experimentelle Ressourcen einheitlich in XtalPi Science zu integrieren und sie über Science Token zu steuern und zu messen.

Mit anderen Worten: Das Unternehmen ändert seine "Lieferungseinheit": Von der Lieferung einzelner Projekte geht es allmählich zur kontinuierlichen Bereitstellung von wissenschaftlichen Forschungskapazitäten über.

Die Live-Demonstration von Genius Agents zeigt, dass sie kontinuierlich Versuchsdaten, Patente, SAR-Beziehungen und Projektkontext integrieren kann, um Vorschläge für die nächste Versuchsrunde zu machen; im Materialbereich kann sie intelligente Suchen nach hochdimensionalen Variablen wie Zusammensetzung, Rezeptur, Struktur und Verfahren durchführen, sodass die KI einen geschlossenen Zyklus aus "Lesen, Denken und Handeln" bildet und die Kandidatenlösungen kontinuierlich an die Versuchsergebnisse anpasst.

Obwohl diese Forschungsobjekte unterschiedlich sind, sind die zugrunde liegenden Prozesse hochgradig einheitlich: das Verständnis des wissenschaftlichen Forschungsziels, der Aufruf von Daten und Modellen, der Entwurf und die Ausführung von Experimenten und dann die Überführung in die nächste Optimierungsrunde basierend auf den Ergebnissen. Was XtalPi Science repliziert, ist nicht nur eine einzelne Anwendung, sondern ein geschlossener Zyklus für die wissenschaftliche Forschung und Entwicklung, der branchenübergreifend übertragen werden kann.

Neben den oben genannten Anwendungen zeigten die Ökosystempartner auf dieser Pressekonferenz auch Anwendungen in Bereichen wie virtuelle Zellen, Organoide und Perowskit-Solarzellen.

Die wissenschaftlichen Probleme, mit denen sie konfrontiert sind, sind unterschiedlich, aber die zugrunde liegenden Prozesse sind sehr ähnlich: das Verständnis des wissenschaftlichen Forschungsziels, der Abruf von Daten und Modellen, die Generierung von Versuchsplänen, die Durchführung realer Experimente und dann die Überführung in die nächste Optimierungsrunde basierend auf den Ergebnissen.

Diese Fälle verdeutlichen gemeinsam eines: Was XtalPi Science repliziert, ist nicht nur ein einzelnes Produkt, sondern ein branchenübergreifend übertragbarer F&E-Prozess. Bei jedem Eintritt in ein neues Szenario fügt die Plattform neue Modelle, Arbeitsabläufe und Versuchsdaten hinzu; diese Fähigkeiten können dann von nachfolgenden Kunden wiederverwendet werden.

Für Investoren kann dies drei verschiedene Wertquellen mit sich bringen.

Der erste Wert ist der Wert des bestehenden Geschäfts