Die größte Lüge von AI4S ist die Annahme, dass man mit großen Modellen sämtliche Probleme bei der Entwicklung neuer Arzneimittel bewältigen kann.

Im späten September, auf der 11. Huawei Connect-Konferenz, war das Team von Starwise Computing, das erst vor etwas mehr als einem Jahr gegründet wurde, besonders beschäftigt.

Die Huawei Connect-Konferenz ist seit jeher das jährliche Schaufenster für das Ascend-Ökosystem und ein wichtiger Indikator für die Branchenerkundung von KI-Infrastrukturen und die Umsetzung verschiedener Lösungen. Während der drei Tage war das Kernteam von Starwise Computing vollständig im Einsatz:

Auf dem Forum „Tiefe Verankerung in der Pharmaindustrie, damit die Intelligenz Wurzeln schlägt“ stellte COO Ding Pengcheng vor, wie die unternehmenseigene KI4S-Agentenplattform für Unternehmen AsterFire Enterprise den F&E-Abteilungen von Pharmaunternehmen hilft, die Effizienz zu steigern und die Iteration zwischen nassen und trockenen Experimenten zu beschleunigen;

COO Ding Pengcheng teilt live die Informationen zu AsterFire Enterprise (Quelle: Starwise Computing)

CEO Chen Zhenyu nahm am globalen Gipfel für Fertigung „Intelligente Veränderung der Fertigung, Innovation zur Überwindung von Hindernissen“ teil, beteiligte sich an der Veröffentlichung von Branchenlösungen und erhielt im Namen des Unternehmens den Preis für „Zusammenarbeit mit aufstrebenden Partnern“ auf der „Abendveranstaltung für Fertigung und Partner großer Unternehmen“;

Chefwissenschaftler Xia Yijie widmete sich der Entwicklersession und stellte die intelligente Infrastrukturplattform für Molekularwissenschaften SPONGE Mokda vor – nach der Vorstellung des Teams werden die Effizienz von experimentellen Entscheidungen und die Auslastung von F&E-Ressourcen voraussichtlich eine weitere Stufe erreichen, wenn selbst entwickelte wissenschaftliche Algorithmen mit der inländischen Rechenleistungsbasis verbunden werden…

CEO Chen Zhenyu nimmt im Namen des Unternehmens den Preis für „Zusammenarbeit mit aufstrebenden Partnern“ entgegen (Quelle: Starwise Computing)

Auf dem beliebten KI4S-Wachstumsmarkt im Primärmarkt hat Starwise Computing vor dieser Konferenz bewusst ein niedriges Profil beibehalten. Nach der Ausgründung aus der Forschungsgruppe von Professor Gao Yiqin der Peking-Universität im Jahr 2025 hat das Team fast alle Energie in die Produktverbesserung und die Umsetzung von Projekten gesteckt. Nach der Beurteilung von Ding Pengcheng hat die Fähigkeit von KI-Agenten bereits den „Kritischen Punkt erreicht, an dem verschiedene wissenschaftliche Probleme systematisch gelöst werden können“, aber der tatsächliche industrielle Wert muss letztendlich in echten F&E-Szenarien umgesetzt und überprüft werden. Daher ist die schnelle praktische Anwendung die beste Strategie.

Nach etwas mehr als einem Jahr hat das Team eine vollständige Produktlinie von „der Unterstützung individueller Forschung über die Zusammenarbeit im Team bis hin zur Speicherung von unternehmensweiten F&E-Vermögenswerten“ entwickelt. Bis heute hat die persönliche Version AsterFire Go mehrere zehntausend aktive Nutzer angesammelt; Die Unternehmensversion AsterFire Enterprise wurde in Dutzenden von Vorzeigeunternehmen eingeführt und deckt mehr als hundert F&E-Szenarien in Branchen wie Biomedizin, Petrochemie und neue Materialien ab. Zu den Partnern gehören Unternehmen wie die Huawei Pharma Legion, Sinochem und Sugon.

Ding Pengcheng ist der Ansicht, dass Starwise Computing in der Industrie schnell erste Anerkennung gefunden hat, weil das Unternehmen sich von seinem strategischen Ausgangspunkt nicht auf das Konzept der Entwicklung von KI4S-Tools beschränkt hat, sondern sich auf wissenschaftliches Rechnen konzentriert und ein zugrundeliegendes System zur Unterstützung wissenschaftlicher Innovationen (von der Problemdefinition bis zur abgeschlossenen Überprüfung) positioniert. „In dieser Dimension werden wir alle Technologien und Tools aktiv annehmen, die den wissenschaftlichen Fortschritt vorantreiben können, nicht nur auf KI4S beschränkt.“

Das klingt wie ein Unterschied in der Ausdrucksreihenfolge, aber dahinter steckt ein völlig anderes Verständnis der Branche.

1. Wo liegt der Flaschenhals des boomenden KI4S?

In den letzten Jahren war die Begeisterung, die KI4S in die Branche gebracht hat, äußerst real. Große Modelle senken ständig die Hürden für Arbeiten wie Molekülgenerierung, Proteindesign und Materialvorhersage. Aber nachdem die Begeisterung nachgelassen hat, taucht ein realistischeres Problem auf: Viele Lösungen werden generiert, aber was passiert danach?

Nehmen wir das Szenario der neuen Arzneimittelentwicklung als Beispiel. Wenn Kandidatenmoleküle für Arzneimittel in die Phase der experimentellen Überprüfung eintreten, bedeutet dies oft höhere Kosten und einen langen Zyklus. Der Schlüssel zur Entscheidung, ob ein Projekt vorangetrieben werden kann, liegt nicht in der Anzahl der Ideen, sondern in der Fähigkeit, schnell zu beurteilen, „welche Ideen es wert sind, überprüft zu werden“. Ähnlich wie beim Hausbau ist KI ein „Designer“ mit reichlich Inspiration, der in kurzer Zeit viele Skizzen zeichnen kann, aber nicht erklären kann, welche Skizze verwendbar ist.

Das ist einer der zentralen Engpässe aktueller KI4S-Tools: Generative KI senkt die Kosten für die Aufstellung von Hypothesen erheblich, senkt aber nicht gleichzeitig die Kosten für den Nachweis von Hypothesen.

Wissenschaftliches Rechnen ist genau der Schlüssel zur Lösung des Problems. Einfach ausgedrückt nutzt wissenschaftliches Rechnen Computer, um die physikalischen und chemischen Gesetze der realen Welt zu simulieren und sie zuerst im virtuellen Raum zu „durchlaufen“. Zum Beispiel wird Molekulardynamik verwendet, um den Bindungsprozess von Proteinen und Arzneimittelmolekülen zu verfolgen, und Freie-Energie-Berechnungen werden verwendet, um die Bindungsstärke genau zu messen. Dies sind Methoden, die seit vielen Jahren in der wissenschaftlichen Forschung verwendet werden, und daraus sind viele reife kommerzielle Unternehmen hervorgegangen. Zum Beispiel hat sich das ausländische Unternehmen für wissenschaftliche Berechnungssoftware Schrödinger mit diesen professionellen Tools in der Pharmaindustrie etabliert.

Aber in der aktuellen KI4S-Welle wird diese Angelegenheit leicht übersehen. Schließlich klingt „100 Moleküle zu generieren“ viel attraktiver als „10 Moleküle zu überprüfen“.

Aus Sicht der industriellen Umsetzung ist der Wert des Letzteren keineswegs geringer als der des Ersteren. Zuerst unterscheiden sich ihre Stärken: KI ist „divergent“, wissenschaftliches Rechnen ist eher „konvergent“. Große Modelle sind gut darin, Zusammenhänge aus riesigen Datenmengen zu finden und schnell Kandidaten im riesigen Molekülraum vorzuschlagen. Im Wesentlichen ist die von ihnen gegebene Antwort die wahrscheinlichste Lösung in probabilistischer Hinsicht, die nicht garantiert, dass sie physikalisch gültig ist. Wissenschaftliches Rechnen simuliert und überprüft mit physikalischen Prinzipien erster Ordnung und ist für die Einschränkung und Auswahl von Antworten zuständig.

Besonders wenn experimentelle Daten knapp sind, wird wissenschaftliches Rechnen zu einer wichtigen Informationsergänzung. Die Entwicklungslogik von wissenschaftlichen Forschungsinstrumenten unterscheidet sich von der von herkömmlichen KI-Büroprodukten: Daten können nicht durch schnelle Iteration und unbegrenzte Erweiterung gesammelt werden. Hochwertige experimentelle Daten sind teuer, knapp und verteilt, und unter dem Einfluss des traditionellen wissenschaftlichen Bewertungssystems werden viele fehlgeschlagene Ergebnisse nicht einmal vollständig gespeichert. Wenn die Datenmenge nicht ausreicht, um das KI-Modell zu unterstützen, werden Methoden wie die Molekulardynamik, die nicht vollständig von Daten abhängen, oft zu zusätzlichen Informationsquellen.

Darüber hinaus kann wissenschaftliches Rechnen „warum“ besser erklären. Oft ist der Denkprozess von KI wie eine Black Box: Man kann zu dem Schluss kommen, dass „ein bestimmtes Molekül wirksam sein könnte“, aber man kann nicht klar sagen, warum es wirksam ist. Die Ergebnisse des wissenschaftlichen Rechnens haben eine klare physikalische Bedeutung. Zum Beispiel: Was ist die entscheidende Kraft in einem bestimmten wissenschaftlichen Problem? Wie läuft die Konformationsänderung ab? Diese Informationen sind für Wissenschaftler von entscheidender Bedeutung, um Mechanismen zu verstehen, Moleküle zu optimieren und Experimente zu entwerfen.

„Aus diesem Grund glauben wir, dass der Schlüssel zum Wettbewerb in der nächsten Phase von wissenschaftlichen Forschungsszenarien darin besteht, die Problemdefinition, Kandidatengenerierung, wissenschaftliche Berechnung, experimentelle Überprüfung und Feedback-Iteration zu einem geschlossenen Kreislauf zu verbinden, unter der Voraussetzung, dass sie den tatsächlichen Ablauf von F&E-Entscheidungen und -Durchführung in Unternehmen besser entsprechen“, erklärte Ding Pengcheng.

Das ist der ursprüngliche Grund, warum das Team die Fähigkeit zum wissenschaftlichen Rechnen so schätzt, und auch der Ausgangspunkt von Starwise Computing.

2. Die verständnisvolle F&E-Pipeline für Nutzer

Nach Angaben des Teams hat die Gruppe von Professor Gao Yiqin langjährige Erfahrungen in der Erforschung wissenschaftlicher Probleme in den Bereichen Computerchemie und Computergesetzbiologie gesammelt und reichhaltige Erfahrungen in der Entwicklung von Algorithmen und Modellen auf Ebene wissenschaftlicher Tools gesammelt. „Was die Forschungsgruppe schon immer getan hat, ist die Kombination von wissenschaftlichem Rechnen und Deep Learning, um Probleme im wissenschaftlichen Bereich zu lösen.“

Vor dem Boom großer Modelle war die Hürde bei der Umsetzung sehr hoch. Ding Pengcheng erklärte, dass bei der Zusammenarbeit mit Unternehmen an horizontalen Projekten das zeitaufwendigste Element die Klärung der technischen Anforderungen ist. Wenn dies nicht gut gemacht wird, ist die Gesamteffizienz sehr niedrig.

Aber die Fähigkeit großer Modelle wird dies voraussichtlich ändern. „Oft ist ein wissenschaftliches Problem bereits zur Hälfte gelöst, sobald es korrekt definiert ist. Wenn wir also die Anforderungen der Nutzer durch Interaktion in natürlicher Sprache verstehen, die Anforderungen der Nutzer in wissenschaftliche Probleme umwandeln und die wissenschaftlichen Probleme in Arbeitsabläufe zerlegen können, die von Tools und Algorithmen schrittweise ausgeführt werden können, gibt es möglicherweise die Chance, diesen Schmerzpunkt systematisch zu lösen.“

Damit begann das Startup. Aber dieser Weg verlief anfangs nicht reibungslos.

Im Mai 2025 veröffentlichte das Team von Starwise Computing die erste Generation der GaliLeo-Plattform für wissenschaftliches Rechnen und integrierte viele unabhängige, professionelle Berechnungstools. Aber das Problem war, dass normale Nutzer sich auf der Plattform anmelden und vor einer Reihe unbekannter Softwaresymbole oft gar nicht wissen, welches sie verwenden sollen. „Es ist so, als ob eine Gruppe von Wissenschaftlern etwas gemacht hat, das sie selbst für sehr großartig halten, aber die Nutzer es kaum bedienen können.“

Diese Erfahrung hat das Team tiefgreifend die Bedeutung des „Verstehens der Nutzer“ vor Augen geführt.

Zum Beispiel hat das Team für das Problem, dass „Nutzer nicht wissen, welches Tool sie wählen sollen“, Meta-Agent entwickelt, das einer Frontal-Triage-Stelle entspricht. Wenn Nutzer ihre Anforderungen eingeben, führt Meta-Agent sie automatisch zu den entsprechenden Tools und gibt passende Parameter aus. Außerdem sind viele Nutzer mit spezialisierten wissenschaftlichen Theorien und Tools nicht vertraut und nicht gut darin, Anforderungen zu standardisierten Berechnungsproblemen zu strukturieren. Daher hat das Team das „Modul zur Anleitung der Problemdefinition und -strukturierung“ hinzugefügt, das durch einfache Konversationen die unscharfen Anforderungen der Nutzer in standardisierte wissenschaftliche Berechnungsprobleme umwandelt.

Ding Pengcheng erwähnte, dass diese Änderungen jetzt in die Produkte der AsterFire-Serie integriert sind. „Diese Serie folgt dem Entwicklungspfad von wissenschaftlichen Forschungsagenten, deren Kernziel es ist, unsere angesammelten wissenschaftlichen Technologien und Tools in die tatsächlichen F&E-Abläufe der akademischen oder industriellen Welt zu integrieren. Die Schwerpunkte von wissenschaftlichen Nutzern und Unternehmensnutzern unterscheiden sich jedoch: Ersterer konzentriert sich auf die Erforschung der Spitzenwissenschaft und das Verfassen von Aufsätzen; Letzterer ist sehr pragmatisch und strebt nach Effizienzsteigerung und praktikablen Lösungen. In Anbetracht dessen haben wir die Nutzergruppen unterschieden und zwei Produktlinien eingeführt: AsterFire Go und AsterFire Enterprise.“

AsterFire Go dient hauptsächlich einzelnen Forschern und kleinen Entwicklerteams. Nutzer beschreiben ihre Forschungsziele in natürlicher Sprache, und das System führt den gesamten Prozess der Informationsrecherche, Aufgabenzerlegung, Toolanpassung, Codeausführung, Rechenleistungsaufruf und Ergebnisanalyse durch. „Es senkt die Hürde für den Einzelnen, professionelle Berechnungstools zu verwenden, und übernimmt auch die Funktion, Arbeitsabläufe zu sammeln und Nutzungsgewohnheiten zu entwickeln.“

AsterFire Enterprise hingegen bringt dieselben Fähigkeiten in Unternehmen. Es integriert interne Unternehmensdaten, Literatur, experimentelle Aufzeichnungen, Modelle und mehr in denselben Projektraum. Nachdem die F&E-Mitarbeiter eine Aufgabe initiiert haben, gibt das System nicht nur die Ergebnisse zurück, sondern speichert auch vollständig die Datenquellen, Berechnungsparameter und Betriebsaufzeichnungen, sodass die Grundlage jedes Schritts klar nachverfolgt werden kann.

Das letzte SPONGE Mokda ist eine Molekularberechnungs- und Designarbeitsstation für die lebenswissenschaftliche Forschung, die Molekülmodellierung, Dockung, Dynamiksimulation und mehr abdeckt und mehrere selbst entwickelte Algorithmen integriert.

Chefwissenschaftler Xia Yijie teilt live die Informationen zu SPONGE Mokda (Quelle: Starwise Computing)

„Es zielt eigentlich auf den professionellen Markt für wissenschaftliches Rechnen ab, der seit langem von ausgereiften internationalen kommerziellen Softwareprodukten dominiert wird. Daher müssen unsere selbst entwickelten Algorithmen mit ausländischen gleichartigen Softwareprodukten mithalten oder sie sogar übertreffen, um ihre Stärke zu beweisen. Nehmen wir den selbst entwickelten SPONGE-FEP als Beispiel: FEP (Free Energy Perturbation) ist eine der strengsten Methoden zur Berechnung der Bindungsstärke in der neuen Arzneimittelentwicklung. Es berechnet die relative Änderung der Bindungsstärke zwischen Arzneimittelmolekülen und Zielprotein durch Molekulardynamiksimulation. Dieser Indikator bestimmt direkt, ob es sich lohnt, Kandidatenmoleküle in das Labor zu schicken, und ist ein unverzichtbarer Bedarf der Branche. Die Reife des SPONGE-FEP-Algorithmus bedeutet, dass das Unternehmen die Grundlage hat, mit ausgereiften internationalen Softwareprodukten bei der zugrundeliegenden Berechnungsleistung zu konkurrieren“, erklärte Ding Pengcheng.

Das Enzym-Evolutionsprojekt, an dem Starwise Computing mit einem CDMO-Unternehmen zusammenarbeitet, kann diesen Kombinationswert