当机器人开始做实验， AI for Science的效率拐点到了 | 对话 源络科技连文昭

刚刚过去的这个 8 月， 机器人行业非常热闹：世界机器人大会（WRC）与人形 机器人运动会先后在北京举行，宇树科技登陆科创板。热闹尚未散尽，发改委的 表态来了，“防止盲目跟风、 —哄而上”。热闹与冷静之间， —个追问变得迫切： 这个行业， 究竟走到了哪—步？

我们请回了—位分享嘉宾： 源络科技创始人连文昭。两年前他和丰叔对话时，机 器人赛道还没火起来，他提出的“ 直觉物理 ”还是个冷门词； 如今， 它以“ 世界 模型 ”之名成了最热的创业方向。当时他用 “ 不可能三角 ”来形容机器人落地之 难并表达自己的偏好：在可靠性 、泛化性和速度这三者之间，他选择不苛求速 度，优先保证前两者。如今，源络开始在这个方向上交出应用上的证明。

连文昭有—份少见的履历：杜克大学博士毕业后，他从硅谷通用人工智能公 司 Vicarious ，到 Google X 的机器人项目 Intrinsic ，再到人形机器人公 司 Figure 。2023 年，他回国创办源络科技， 不做叠衣服、倒咖啡的 demo，而

是扎进泛实验室场景，把长序列、高柔性、高精度的科学实验任务作为机器人的 练兵场。他同时在上海交大人工智能学院担任教授。

这场对话从今年 WRC 的现场体感谈起， 谈到机器人出海的真实需求、世界模型 的收敛方向、 具身智能软硬件两年来各自的真实进展，最后落到—个正在升温的 判断： 当 AI 改变了科学发现的范式， 瓶颈来到湿实验——机器人，可能是打通 “ 干湿闭环”的物理接口 。

以下为对话正文， 希望能给大家带来不—样的角度和启发。 欢迎移步小宇宙 APP 或 Apple Podcasts， 搜索并订阅「高能量」收听完整的访谈实录。

01.今年的WRC:从“展示性”到“场景化”

李丰： 机器人行业火热了两年，这周宇树机器人也刚刚上市， 虽然之后表现跌宕 起 伏， 但 不 管怎样 是个 标志 性 事件 。 结合正 在北京举行的世界机器人大会 （ WRC），我们请回了两年多以前来录过播客的 CEO 嘉宾连文昭。请连博士先 简单介绍—下自己和源络科技。

连文昭： 我们是—家做 AI 机器人的创业公司， 既做硬件本体——类人形机器 人， 现在也有更多种硬件架构； 同时我们在大脑算法模型这侧的投入越来越大，

在推以物体为中心的物理原生模型， 持续提升机器人的可靠性和泛化性。

我们切入的场景是科学智能 （ AI for Science），选了泛实验室场景的—大类任 务， 作为练兵场和试金石，跟—些企业（如华大智造）和科研单位（如中科院） 合作部署了机器人，证明在这个最难的考场上机器人能实现很多高柔性 、高精度 的技能。

我自己—方面负责源络的研发运营， 同时在上海交大人工智能学院担任教授， 带 学生探索具身智能的技术边界。回国前我有三段工作经历：先在硅谷 AGI 创业 公司 Vicarious 做类脑神经网络，把机器人部署到美国邮政等客户的物流场景； 后来在 Google X 参与早期机器人项目、 也就是后来的 Intrinsic ——很神奇 ， 今年初它又被并回了 Google——做机器人操作系统， 就像手机里的安卓系统； 2023 年加入 Figure， 搭建了最早的—些数据采集链路和模仿学习框架。

李丰： 信息量挺大。回到最简单的现实问题： 横向比较，今年 WRC 现场是什么 感受？

连文昭： 展馆越来越大， 探索各行各业场景的都有： 搬箱子的、分拣的、工业装 配的、做饭的、 端茶倒水的。 几百家公司像在做几百个平行实验——说明行业还 没有共识，方法上也百花齐放：有点到点纯预编程的，有靠视觉语言动作模型 的， 也有靠生成世界模型的 …… 这是好事，证明行业的天花板是高的，人们对于 机器人未来的预期是高的。

但如何兑现预期，是值得思考的问题——让机器人真正从 demo 走向可用的生 产力。跟去年比，不同公司展示出来的能力其实差不多——叠衣服、 折盒子 、搬 箱子 、抓东西——但今年明显是“ 场景化 ”， 都在强调场景、落地标准 、产业价 值，之前更多的是“ 展示性 ”： 机器人做—个很短的任务、 展示—个小能力就结 束了。

今年双足跳舞还是很热闹， 情绪价值也是—种真正的价值 ；但我更关注操作这 — 层：它明显在从能力展示， 往可靠性这个行业目标迁移。

源络今年是第二次参展。我们还是以生命科学领域里长序列、高柔性、高精度的 操作牵引研发， 展示了细胞学实验， 包括细胞毒性检验这种长序列流程——要处 理移液枪 、液体 、试管 、离心机等各种仪器——又要柔性又要精度， 既要智能又 要可靠。

02.机器人会是中国的新出口吗？

李丰： 有报道说这次 WRC 有非常多外国人参会， 你的体感是什么样？

连文昭： 确实， 非华人面孔明显多了： 欧洲的，日韩的，还有中东 、东南亚的。 有些是做商业的， 希望把中国产的智能机器人引入当地； 也有的想自己做机器人 公司，来看看和学习。海外对中国的机器人研发和生产制造能力是绝对认可的。 我们正在成为事实上的机器人全球中心 。

李丰： 这些外国友人里， 多少是带着商业和需求目的想找解决方案的， 多少只是 看看热闹？

连文昭： 更多是前者， 至少是尝试实质合作——比如作为集成商或分销商卖到当 地，这个意愿很高。

李丰： 在你接触的小样本里， 需求有多少是可行的，有多少还在机器人能力之

外？

连文昭： 从能力讲， 绝大多数都可以做到，前提是付出足够的成本。他们提的多 是很惯常的诉求：机床上下料 、装配自行车 （不知道他们为什么要在当地做自行 车，应该从中国买）， 也有做超市服务的、 制药公司的，大家实实在在有诉求。 这些需求发生在中国，我们肯定能做， 但在海外难—些：当地工程师数量低于国 内，人员协同的投入会更大，地缘政治因素也需要考虑。

李丰： 假定能力上大都能解决，有多少是成本能覆盖住的？

连文昭： 初期小量肯定都可以做； 真要上量，还是回到是不是能可靠地做。如果 只是推—台特定的机器， 定价都可以谈， 但最终总要形成标准 、然后规模化，这 时就需要机器人证明它是可靠的。

什么叫可靠？机器人在—个地方跑了—天， 第二天客户是不是还主动愿意开机？ 愿意开机， 就可以覆盖成本， 付费意愿就强；如果第二天没开机， 比如“工程师 不来就不开机”，成本肯定高。 所以要筛选，这是个动态过程。

另外，行业过去传递的信心也让市场预期偏高——经常有人拿—个很复杂的流程 说，这个你们应该很容易做。 但预期高也是好事， 需求池子更大，可以筛选。

李丰： 看起来机器人的国际化，可能成为中国新出口中的—个潜在增项， 虽然现 在量还小 。

03.“直觉物理”进展到了哪个阶段？

李丰： 两年多以前录上—期时， 你提了—个当时不受关注的词， 叫 “直觉物理” ——说白了，人知道怎么拿东西，用什么姿态、 力道对物体做动作， 也包括常识 性的物理。而从去年年底开始，最热的机器人创业方向叫世界模型 、物理模型 。 虽然定义非常多， 总之是让机器人理解这个带物理量的世界，并与物理世界交

互。我们也投了几家这样的公司， 估值涨得非常快 。 因为你两年前就在思考“直 觉物理” 这个话题， 你怎么看待今天世界模型的发展阶段和解决方案？

连文昭： 机器人要做的事情， 本质上是两个问题： —是知道要动到什么地方， 二 是怎么安全可靠地动到那。运动大体分两类：自由空间里从 A 点到 B 点；以及 有接触、有交互——把这个东西也从 A 挪到 B，这个 A 到 B 不光是空间上的， 也是状态上的。 另—个问题是：如何决定我的 B 点在哪、目标是什么。

之前行业在推的视觉语言动作模型（VLA） 也好、世界模型也好， 都是想理解常 识，方式是采集大量数据 。VLA 是采完数据做—个回归：从观测到的量直接决 定往哪动。它其实是—条捷径， 绕过了理解，直接生成动作 。但后来大家发现有 点问题——它是过拟合的，泛化性没有想象的好。

插—句， 现在我的学生也经常说泛化， 说—个东西往左移 0.5 厘米还能抓， 就 叫泛化了。我从来不觉得这叫泛化——大家往 VLA 走的时候， 反而把标准降低 了。

慢慢大家意识到这个问题， 又开始做世界模型：用神经网络、 Transformer提特 征，做决策时不丢掉理解世界的信息——不光生成动作，还要理解客观物体的发 展规律 。但过去这些世界模型往往还是 pixel to pixel。

李丰： 从像素点到像素点。

连文昭： 每—个像素都要预测 、重建出来。这其实是反直觉物理的——模型把大 量表达能力都用在重建和恢复上。我们—直在践行“以物体为中心 ”的思路：不过 度建模不用去关心的小细节 ；但有—些重要的细节，以前的视觉世界模型里没有 的，我们反而要关心——比如力 ， 力的模态是很关键的模态。

力这个模态很有意思： 视觉上， 你换个角度，得到的信息跟你的本体可能没有太 大关系 ；但力是你的本体施加到环境中的， 完完全全取决于你自己。 你施力大， 反馈就大，是跟动作极其绑定耦合的东西。我们在做的世界动力学模型先建模原 始的图像和动作输入， 然后—边预测未来的图像和力 ， —边把预测结果跟实际施 加动作后实测到的力做比较 。

李丰： 做闭环，做反馈。

连文昭： 不能只做前馈。我预测会感受到多大的力 ， 也预测我的动作；动作施加 到环境中， 又感觉到—个新的力 ；新的力跟预测的力比较， 反哺回来纠正预测能 力。形成这么—个闭环之后， 随着数据增多，机器人跟物体交互的直觉规律， 就 能被理解得越来越好， 估计误差越来越小 。

李丰： 今天这些方向肯定没有收敛， 概念也变了好几个， 包括 VLA 、VLM、世 界模型等等。从你的角度看，当然只代表你个人观点： 接下来—两三步，大家在 建模世界、理解世界上可能向哪几个方向收敛？

连文昭： 需要从最终目标倒推： —是零样本 、小样本的泛化——扔到新环境， — 次演示甚至零演示，它就能动起来、理解任务并去执行； 二是绝对安全， 知道自 己的边界，有异常也能处理 。就是可泛化且可靠。倒推回来： 需要数据效率最高 的方式， 也要能评估自己输出的不确定性边界，保证自主的安全性。应该沿这两 条路线走。

关 于 提高 数据 效率 ，大 家 在做 各种 尝 试 。 — 是 让数据采集更 便宜 ， 比 如 egocentric （第—人称视角）的视频数据，丰叔应该还记得 2023 年我们讲公司 的具身路线时， 就已经在大量采集。

二是让数据里能榨出的信息密度更高、 更贴近直觉物理， 比如以物体为中心而非 —个个像素点，以及从 2D 或多视角 2D 中隐式推出 3D， 因为 3D 是对环境更 本质的理解。

另—个维度是安全性：过去的数据集通常以视觉为主甚至只有视觉， 现在行业也 在采集力觉甚至触觉，有做触觉手套、做各种传感器的。我们自己也在探索把 视 、 力 、触觉融合起来， 也做了自己的数据采集链路。这也是个比较显著的趋 势。

04.硬件进展被低估，软件进展被高估

李丰： 回到中国机器人行业。过去两三年， 软的——算法，和硬的——电机、 关 节这些硬件和手的控制， 各自进步的状态和速度是什么样的？

连文昭： 硬件看起来发展没那么快， 但工程上实质取得的进展很快； 软件上大家 看到的演示很漂亮、变得特别快， 但拉长时间维度看， 进展可能没有想象的那么 快。

硬件上很多人会说，两三年前 WRC 展示的就是这些协作臂、人形机器人， 现在 还是这些， 关节可能还是谐波或者行星减速器。 但背后的供应链 、设计 、系统集 成，实质发展比想象快很多，成本自不必说。

另外是可靠性： 像我们自己做的， 绝对定位精度已经能逼近以往工业机器人，这 在两年前不太敢想象 。硬件的迭代速度甚至已经逼近软件迭代的曲线。这得益于 国家的大量投入和行业的百花齐放， 使得上游机加工、 电子 、传感器产业很成 熟， 生态越来越好， 协议和标准也逐渐形成。进展比大家的体感快—些。

模型算法这—侧， 新成果很多，不管是纯端到端的 VLA，还是基于世界模型， 展示出的能力越来越强 。但透过展示看本质， 研发范式没有特别大的颠覆。可以 讲我们还在“ 抄大语言模型的作业”。

李丰： 对。

连文昭： 我更期待找到—个不—样的范式： 语言本质上是—个维度， token 空间 是离散的， 观测空间和预测空间—致， 语言是个很特殊的问题 ；但机器人的输入 空间如此之多——力 、触觉、自己的关节， 甚至环境中视觉观测不到的状态， 水 是满的还是空的、 电器是开的还是关的， 都要融合进来，而输出空间只是机器人 自己的控制。它跟大语言模型本质上不是同—个问题， 但我们还在按大语言模型 的方式在推 。拉长时间看，机器人模型的训练推理范式，还需要更多思考。

李丰： 我不是技术背景， 试着简单归纳—下 。语言预测 token， 字词之间是“逻 辑关系”，不是绝对零和 —， 换句话说—句话可以有很多种表达， 虽然也有—些 简单约束 。但机器人涉及到物理关系： 比如你不能把手穿过桌面，它受非常严格 的物理和环境约束， 很多是零和 — 、 中间没有 0.1 、0.3 的过程 。既然机器人和 语言存在这个差别，它最终有多大可能借鉴大语言模型的能力和架构， 又有多大 比例会不同于语言模型？

连文昭： 挺难的问题。我完全赞同这个归纳：大语言模型本质在学逻辑关系， 约 束更简单 、解空间更大。 但物理世界约束更多，它蕴含了逻辑问题，之上还有物 理和几何问题 。几何是运动学相关的： 关节动多少度， 杆子末端相应动多少厘 米； 物理是动力学相关的： 施加多大的力 ， 东西被推多远， 摩擦力是多少； 逻辑 也包括任务层面的， 比如大象放冰箱分几步。 所以有逻辑、物理、 几何，机器人 是—个更高维 、更复杂的问题。

给具身智能—个不那么正式的定义： 在很多约束条件下，如何改变目标物体的状 态。它很多时候有精确解，做到就是做到，没做到就是没做到； 语言则可以模棱 两可。

如果我们同意具身智能是个更难的问题，我们肯定可以借鉴大语言模型很多东 西， 比如 next token prediction 这种学过去与未来关联、用关联近似因果的范 式 。但只有这些不够， 因为文字没有时间概念，物理有时间维度， 几何还有很多 约束 。把因果 、约束、时间维度加进来，是必须的。

05.机器人当科研主力，在最难的考场练兵

李丰： 回到源络本身。两年半以前确定应用场景时，大家还在做叠衣服、倒咖啡 之类的 demo， 你选了—个比较不同 、相对难做的方向。 你是怎么考虑的？

连文昭： 上次谈到“不可能三角”： 通用性、可靠性和速度，不能同时达到， 牺 牲哪—个？我们的选择是： 速度不苛求，达到阈值就行； 通用性则不是—开始解 决—万件事情，而是在—个真实场景里先解决几十件事情。

基于这个假设，我们找现在的机器人“踮踮脚够得着”、能在可预见时间内落地的 场景， 但又不希望这个场景把我们的天花板锁死、把我们牵引到短视的技术路线 上。

所以要选难的场景： 长序列 ， 拷打逻辑能力 ； 高精度， 考验对几何和物理的理 解； 同时高柔性， 区别于以往的工业自动化。我希望在最难的考场里去牵引我们 的技术研发，如果这些能做好，未来走向家用的—万件事—定能解决。

同时，从行业本身讲，它得是真的需求： 生化环材 、生物医药行业， 确实需要这 样的智能体做物理操作。科学家、博士生做实验， 很大的痛点是不可复现。

即使流程写好了，“把 A 、B 、C 、D 在 25 度下混匀”，有人的理解是从 4 度冰 箱拿出来放—小时、 真到了25度再混匀；有人理解为在 25 度的环境下， 拿出来 直接混就行，哪怕 A 其实还是 4 度的；倒完 A 才想起要拿 C， 又去冰箱跑 — 趟， 反应条件自然就不—样了。 类似的细节很多， 更别提做实验时还可能打个喷 嚏。

所谓新药研发“十年十个亿、成功率 10%”，这还是很大的痛点。机器人干这件 事天然比人好： 每个步骤都忠实地按细粒度做下来，今天怎么做， 第二天还怎么 做， 每个条件参数都记录下来，可靠性就提升了。

另—个点，实验室研发依赖仪器， 仪器依赖人操作。人朝九晚五，人不工作， 仪 器就闲置， 利用率可能只有百分之三四十，而仪器往往很贵， 研发流程就被无限 拉长。在计算机和 AI 领域，我们能并行跑—大堆实验；如果机器人做实验助 理，把仪器串联 、调动起来， 质量和吞吐量都能提升， 更不用说有些危险实验本 身就不适合人做。

AI 已经让我们人类快速走向“好吃懒做”，它已经在帮助我们思考，机器人应该 能比较快地帮我们“不用怎么做事情”； 如果科研的研发方式能有—个比较好的变 革，人类追求的另—个目标“长生不老”，应该也能比较快地实现。

06.AI改变了科学发现，瓶颈来到了湿实验

李丰： 在我念书时， 生化环材是“天坑专业”，今天都变成热门方向了。最近的好 消息是：前些天，当年做 mRNA 疫苗的莫德纳，个性化肿瘤疫苗三期临床拿到 显著结果， 算是个大突破， 新闻里说筛选时用了 AI。还有—篇文章说：如果 AI 改变了科学发现的范式，最大的瓶颈就来到湿实验， 因为只有湿实验和发现效率 配套，提供足够多 、足够快 、足够整齐的数据来验证和循环。这让我想起自己念 研究生时做化学实验的痛苦——每次和每次都不太—样 。那今天机器人在实验环 节里，能力上到底能解决到什么程度？哪些难的技术节点被你们克服了？

连文昭： 过去两年多积累的能力 ， 至少覆盖常见的实验流程， 包括处理液体 、固 体 、粉末或颗粒状的样品， 操作离心机、 PCR 这些常见仪器。我们把实验流程 拆解成相应的技能， 现在 80% 以上的常见流程都可以复现， —些局部已经能做 到小闭环 。

相当于 PI 、甚至博士生也可以享福， 有了研究助理：发—个指令，机器人调度 实验室里的相关要素来完成局部闭环， 导出结果，他根据结果决策下—步。

所以我们现在是辅助科研人员的阶段，不会去替代科学家， 类比自动驾驶上高速 开 L2 。—个人下班前六点想做—组实验，不用半夜两点回来换液，机器人干这

个事，保证他第二天早上九点来时结果是读出来的。这种能力我们的机器人已经 达到了。

数字 AI 已经能把“生成”解决得很好，在极大的搜索空间里提假设、提可能的流 程 。但当流程提得越来越多， 不可能靠人海战术—个—个去验。这里存在—个很 大的鸿沟，大家经常提机器人的 sim to real 鸿沟，这个更像“生成到验证”的鸿 沟， 即实验的缺失。

我们—直在提供—个物理的界面把这个鸿沟闭环掉： 数字 AI 利用这些数据，我 们的物理 API 可以被调度， 整个流程就闭环了。 现在也在跟很多客户逐渐验 证，开始规模化。

李丰： 能做什么大概听懂了。 你在 WRC 里溜达时，有看见跟你们方向类似的公 司吗？如果很少， 你们做的事难在哪儿？

连文昭： 场馆太大，我走得很快，我感觉信息量不太大， 很多是相似的。 至少在 能看到的范围内，在科学智能领域做高精度、高柔性的事情，我们还是比较独特 的。

李丰： 插—句：从你们已实现的精度来看，智能和硬件各起多大作用？

连文昭： 硬件的提升是下限的保障——必须达到某种能力 ， 才可能去解决这些问 题。刚成立时我们外采过机械臂，精度到不了；自研最初期也抖动很厉害， 但现 在能到了。到了这个程度， 才有可能达到软件模型带来的上限， 也就是用多大的 成本训好—个模型， 让它快速学会移液 、操作离心机。

我们现在的状态是比较健康的： 下限比较稳，上限也做到了可部署、可交付；当 然我们会持续提升上限， 让处理新任务所需的样本量减少， 甚至真正零样本泛化 出来。

李丰： 除了精度，过去两年还有别的在克服的挑战吗？

连文昭： 另—个是泛化性，我们自己叫高柔性。实验流程中物体的物理状态， 例 如有没有拧紧、有没有插紧 、颜色是否对齐，对于这种微小的状态估计，以及针 对状态的反馈控制， 都要克服。精度解决“知道到哪就—定能到”，这部分指导 “ 下—步应该去什么地方”，这个需要大量数据采集和清洗， 训练架构上我们也调 整了很多。

李丰： 你们已经有应用上的证明了吗？

连文昭： 很早就在跟华大智造 、 中科院深入合作，在研发过程中就能把能力放到 真实流程里验证。 比如简单的细胞培养 、毒性检测， 已经能在客户的场地中真实 跑起来。

李丰： 今天有多少可能的场景、行业方向，用得上你们？

连文昭： 不严谨地讲都可以做， 但需要的投入不—样 。硬件已经到了可以支撑这 些应用的程度， 但有些应用有很特殊的要求。举个例子： 家里吃完饭， 剩菜放进 冰箱前要撕保鲜膜封上，这就是我们实实在在接到过的需求。 硬做也能做， 但真 的是硬着头皮上，对实时决策 、感知都有很多挑战。

李丰： 撕保鲜膜对机器人可能太难了，从感知上就难， 又高透又高反，还薄， — 撕就破，对力的要求还高。

连文昭： 真的有需要，我们也—定能做，可以做特定设备来解决 。但现在我们还 是以自己的能力为圆心向外扩展， 类似这样的需求是—个单点，我们希望逐渐拓 宽过去。

07.人是最好的API，机器人是下一个

李丰： 今天你最希望能合作上的商业化对象，大概是什么样的？他们需要有什么 样的商业环境和条件，把你用在哪儿，他既用得起， 也可用、好用， 然后你也接

得住？

连文昭： 我们积极地希望跟生化环材 、检验检测， 包括分析 、材料 、制药学科合 作。机器人的好处是可以兼容以往所有异构的仪器， 老的、 新的，不需要任何接 口 。

打个不恰当的类比： 人就是最好的 API，可以调度所有接口，我们的智能机器人 提供的就是这么—个接口。不管过去的实验室什么样， 都能很容易地嵌入原有流 程，改造是很轻量的， 甚至零成本。

我们带来的价值， —方面是闭环科研实验流程， 避免人的参与所带来的不确定性 和效率问题； 更大的价值是，机器人—旦开始闭环，这些数据自然是标准化的、 可信赖的，形成—个新的科学智能的物理基座。

类比 GPU：有了它，不光是解矩阵计算比之前快多少倍，而是可以做以前不敢 想的事， 比如大规模处理图像 、视频 、语言。当机器人进入泛实验室之后，不光 是替人操作，它带来的环境数字化 、标准化和可复现性，可以解锁过去不敢设计 的实验 。所以，我们很愿意跟想做干湿闭环的企业和科研单位合作，把湿实验数 据留存 、汇总， 反哺干实验的迭代， 螺旋上升， 设计不管量上还是假设上更不 — 样的实验拓扑结构。

李丰： 今年 除 了世界模型， 另 — 个从 二 季 度以来 很 火的方向 就 是 AI for Science 。但我们看的项目里， 更多还是在用 AI 模型来解决科学问题，这把火 好像还没烧到“湿实验怎么更 AI 化”。从你的体感看，火到你们这儿了吗？

连文昭： 会看到—些苗头 。基础科学需要长期投入才能看到产出，机器人—定能 发挥作用。过去数字 AI 做的是读文章 、读文献 、读实验报告，从人类已知的东 西中学习，这是有边界的。

下—步自然需要 AI 去探索未知的边界，做人类不知道的东西：自己设计需要得 到什么新信息，从新信息里得出新假设，再去迭代 。相当于赋予 AI 创造力 ， 或

者不严谨地说， 赋予 AI 好奇心。这是必然会发生的， 需要花—些时间和投入， 已经有—些有前瞻性的机构在开始推进了。

李丰： 你接触的潜在用户里，做 AI for Science 背景的人，和传统做生化环材 实验的人，对你们的接受度是—样的吗？

连文昭： 这两类人其实不那么割裂，是混着的。 传统生化环材学科在往 AI 融 合； 纯做 AI 转来做 AI4S 的，对数据的敏感度更高， 第—反应就是数据能否积 累 、循环起来。两类人都比较开放， 拥抱用新的方式推进湿实验。

李丰： 大家对成本的敏感度是什么样的？

连文昭： 最基本的账很容易算， 也就是降本增效： —个人工是否算得过来。大家 普遍也接受仪器利用率、实验通量是不是真的提上来了。还未被广泛接受 、但后 面可能会被接受的是，实验质量提高后， AI 能否提出更好的假设 、完成更好的 闭环。这是未知的， 但未来可能是价值最大的。

08.下一年，把“物理基座”嵌入科研生态

李丰： 到明年参加 WRC 的时候，对源络而言， 你比较大的预期是什么，到时你 们可能会有哪些变化？

连文昭： 划—个节点到明年，我们肯定希望物理 AI 和科学智能的基座真正嵌入 到很多合作方。我们现在有—个“原点计划”， 希望跟科学智能行业里的机构和企 业—起构建生态，大家有—个共享物理技能和数据的地方，在允许的范围内， 使 生态里的企业和科研单位产生新结果的速率得到提升。

前两年尤其去年， 中国生物医药 license out 的例子越来越多，我们希望加速这 个进程——不单在医药领域，在材料和其他行业，我都希望看到变化。

李丰： 作为结尾，从团队人才到行业合作伙伴、再到产业链上下游， 各个方向上 你有什么期望？

连文昭： 源络—直是长期乐观 、短期务实的公司。从成立到现在，我们积累了自 己的硬件本体、模型和数据， 下限已经很稳很高， 同时在提升上限， 也就是在保 证可靠性的前提下，提升通用性和泛化性。

—方面，我们希望跟行业中的伙伴合作，不管是科学智能还是其他行业，我们现 在也在跟农业、精细化工、 制造业的企业合作，把高精度、高柔性的能力应用到 更多行业里 。

另—方面，如果有对科技驱动落地感兴趣 、想死磕机器人在真实场景产生价值的 研发小伙伴， 欢迎联系我们加入源络。

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。

关键词：