華為大會連續亮相，十餘位北大博士正在重寫“AI4Sx科學計算”産業版圖
/朝聞通/華為全聯接大會2026上，一家此前保持低調的科學計算公司，連續三天出現在多個核心場景。
9月17日，在“深耕醫藥，讓智能生根”論壇上，星使智算COO丁鵬程以《科學計算，重構AI藥研》為題，介紹企業級AI研發平台Asterfire Enterprise。18日，CEO陳振宇登上主題為“智變制造，創新破局”的制造全球峰會，參與行業解決方案發布，并在當晚的“制造與大企業夥伴之夜”代表公司領取“新銳夥伴合作獎”。19日，星使智算首席科學家夏義傑在Open Speech專場發表題為“SPONGE Mokda下一代分子科學智能基建平台”演講，在當天的“共築數智根基，共建數智生态”現場，包括夏義傑在内的四十位鲲鵬昇騰開發者代表還共同完成了技術緻敬儀式。
一家此前保持低調的科學計算公司，為什麼會在華為大會上被反複放到台前?
事實上，星使智算團隊此前已通過北京大學鲲鵬昇騰科教創新卓越中心，在自主算力适配、高性能計算軟件等技術領域開展探索。如今，這些技術積累正進一步延伸至藥物研發等行業場景，推動算力基礎設施、科學計算算法與企業研發需求加速結合。
這一變化比一次大會亮相更值得關注：自主算力正在從基礎設施适配走向真實研發應用，而科學計算軟件與行業研發流程，正成為連接算力和企業研發效率的關鍵環節。
過去幾年，AI for Science最受關注的是模型。大模型能不能理解科學問題，能不能做分子預測、材料篩選，能不能替代一部分科研工作，是行業讨論最多的問題。
但模型能力開始成為基礎設施後，企業研發真正缺的東西變得更具體。一個研發團隊不會因為有了一個聊天機器人，就改變自己的研發流程。它還需要企業内部數據，需要專業的科學計算軟件，需要算力，需要調用不同工具，還需要把計算結果交給實驗，再把實驗結果反饋給模型。
真正難是讓AI從“能用”走向“好用”，真正進入研發人員的日常工作流。
星使智算現在做的，就是把AI放到真實研發鍊路裡。Aster Fire Enterprise面向企業研發組織，将科研智能體、科學計算軟件、企業數據、專家知識和計算資源整合到一個平台中，覆蓋科研信息調研、任務規劃、計算篩選、實驗反饋和模型疊代，讓AI不隻是回答問題，而是參與到研發任務的推進過程中。
SPONGE Mokda則是另一條線，更偏底層科學計算軟件，聚焦分子計算與設計。兩款産品看起來不同，但指向的是同一個問題：AI不隻是回答一個科研問題，而是要真正參與一次研發任務。
這也說明，算力與基礎設施要真正轉化為企業研發效率，還需要科學計算軟件以及對具體行業研發流程的深入理解。星使智算正是從這一技術環節切入，推動自主算力、科學計算方法與實際研發場景進一步結合。
AI進入研發流程
星使智算目前正從此前的商業模式驗證階段，轉向商業化落地。公司主要面向生物醫藥、石油化工、能源材料等行業，提供Aster Fire研發平台以及SPONGE Mokda等科學計算軟件，商業模式包括平台訂閱、軟件授權和定制化交付。
但AI真正進入企業研發流程，并不是簡單接入一個大模型。
在實際研發過程中，數據往往分散在曆史實驗記錄、項目報告、文獻專利以及專家經驗中，不同數據的格式、權限和使用方式并不統一;與此同時，科研問題也很難被簡單拆解成一個模型問答任務。研發人員需要調用不同的科學計算工具，結合企業自身數據和實驗結果，反複進行計算、驗證和調整。
星使智算的判斷是，AI for Science的落地不能停留在模型回答問題這一層，而需要進一步進入企業真實的研發流程。其推出的AsterFire Enterprise，定位就是面向企業研發組織的AI for Science智能體平台，将科研智能體、科學計算軟件、企業數據、專家知識和計算資源放到同一套研發體系中。
具體來看，AsterFire Enterprise并不是單純增加一個AI問答入口，而是以研發項目為載體，把研發人員、計算專家和實驗團隊連接起來。研發人員可以通過自然語言提出任務，由智能體理解需求、拆解任務、匹配專業工具并編排計算流程;項目負責人則可以在統一項目空間中查看任務進展、研究依據和階段成果。
這一設計背後，是星使對企業研發中“數據、知識和流程”三個環節的重新組織。一方面，企業過去積累的大量實驗數據、項目報告、文獻專利和專家經驗，可以被納入統一的數據和知識體系。星使通過Skills、知識庫和Flow工作流，把專家的參數經驗、研究方法以及結果檢查要求進一步沉澱下來，使過去依賴個人經驗的研發方法能夠被檢索、調用和複用。
另一方面，AsterFire Enterprise試圖把計算和實驗連接起來。圍繞候選設計、計算篩選、實驗驗證和數據回流，平台可以結合企業授權數據進行模型訓練、評估和更新。
AI突破人工經驗上限
在問題邊界明确、具備曆史實驗數據，且評價指标可以量化的具體研發任務中，AI有可能突破原有經驗形成的優化瓶頸。
星使智算團隊曾參與一個酶定向進化優化項目。項目早期主要由客戶方專家主導，專家基于已有文獻、實驗結果和自身經驗設計下一輪實驗方案，并根據實驗反饋持續調整優化方向。經過多輪疊代後，人工優化在第五輪之後遇到明顯效率瓶頸，催化效率難以繼續顯著提升，項目推進一度陷入停滞。
随後，星使智算團隊引入自研的酶定向進化算法繼續推進，并針對不同酶體系采用了兩種驗證路徑。
一種是冷啟動模式：不依賴該酶的曆史實驗數據，直接基于預訓練模型的zero-shot能力，融合結構信息與共進化信息推薦候選突變。在該模式下，AI第一輪疊代便實現顯著提升，活性由出發株的1.25提升至20.67.提升約16.5倍;經過三輪AI疊代後，最終較初始出發株提升約21倍。
另一種是熱啟動模式：将此前積累的人類專家實驗數據輸入模型進行微調，并結合主動學習策略，将每輪實驗結果持續反饋給模型，用于優化下一輪推薦方向。在該體系中，人類專家前期已将活性提升約6倍，但随後進入優化瓶頸。AI介入後，在人工瓶頸基礎上繼續實現約4倍多的提升;經過3輪AI疊代，最終較初始出發株提升約29倍。
在兩種模式下，AI推薦的突變體均在人工優化瓶頸基礎上實現了催化效率的進一步提升。尤其在熱啟動體系中，AI從人工第五輪停滞點繼續推進，在相同篩選通量下持續産出高效突變體，突破了人工經驗形成的優化上限。
星使智算認為，這類案例表明：在問題邊界清晰、實驗反饋可以持續積累的研發任務中，AI驅動的定向進化已經有可能突破原有人工經驗的優化天花闆，在酶催化等工業研發場景中具備明确的增效價值。
與此同時，科研場景對AI還有一個特殊要求：結果不僅要能用，還要能夠被追溯和複核。
AsterFire Enterprise因此将任務輸入、計算參數、實驗記錄、模型版本和結果報告進行關聯管理，保留研究過程中的方法、數據和決策依據。這意味着，當項目進入評審、交接或複盤階段時，研發團隊可以回溯一次結果是基于什麼數據、采用什麼參數、經過哪些計算流程得出的，而不是隻留下一個最終答案。
對于企業而言，這套體系最終沉澱的也不隻是一次項目的結果。随着項目持續運行，企業曆史數據、實驗反饋、專家經驗、模型和工作流都可以不斷進入平台，形成企業自己的數據、模型和研究方法資産。
此外，在探索性研究中，科研智能體不一定需要追求“永遠正确”。有些研究任務的最終命中率可能隻有1%，但如果能夠由此帶來重大突破，其科研價值仍然可能很高。相比單純追求準确率，更重要的是在明确的任務範圍内持續統計模型的成功率、誤差和失敗模式，并據此進行疊代。
這也對科研智能體的可控性提出了更高要求。據悉，在Skill機制出現之前，星使智算已經搭建了一套相應的約束機制，通過一套協議，同時提供類似Skill的軟約束和類似腳本的硬約束。
其中，硬約束可以進一步限定工具調用方式、輸入輸出格式、參數範圍和校驗規則等，将部分原本依賴模型自主判斷的環節轉化為可執行的規則，從而降低錯誤調用和異常結果的風險，提高科研任務執行過程的可控性。
分子計算與設計
AI研發平台之外，星使智算還在做另一件更“傳統”、但技術門檻很高的事情：科學計算。這也是團隊過去20多年持續積累的一條技術主線。
科學計算的難點不隻是“算”，更在于如何把真實研發問題轉化為可計算的問題。面對蛋白質、小分子、多肽乃至高分子等複雜體系，研究人員需要完成體系建模、參數設置、計算方法與采樣策略選擇，再通過大規模計算模拟分子的結構、相互作用和動态行為。整個過程橫跨領域科學、物理建模、算法和高性能計算，因此長期以來主要由具備專業背景的計算團隊完成，應用門檻較高。
但這類計算在研發中又十分重要。以藥物發現為例，AI可以快速生成候選分子，但“生成出來”并不意味着“值得做實驗”。分子對接、分子動力學模拟、ADMET預測和FEP自由能計算等方法，可以進一步判斷候選分子的結合方式、穩定性、親和力及成藥性質，從而将有限的實驗資源集中到更值得驗證的候選上。類似的方法也可以應用于蛋白質工程和高分子材料研發。
SPONGE Mokda正是星使智算将這些長期積累的平台化嘗試。它覆蓋分子建模、分子動力學模拟、性質預測、分子設計與優化等環節，并将原本分散在不同軟件和計算環境中的部分工作整合到統一界面。用戶可以在平台内完成複雜體系構建、計算任務配置、模拟監控和結果分析，并調用本地或雲端計算資源。
目前，Mokda集成了Boltz-2、RFdiffusion、PocketXMol等AI for Science模型，可用于結構與親和力預測、蛋白質及肽設計、小分子生成等任務;同時連接分子對接、ADMET預測、分子動力學模拟和自由能計算等方法。星使智算也将自研算法納入其中，包括用于分子對接的DSDP和用于相對結合自由能計算的SPONGE-FEP，以及分子動力學、增強采樣和反應分子動力學等計算能力。
Mokda覆蓋的對象也不局限于小分子，還支持蛋白質、核酸和聚合物等體系，并具備膜蛋白、糖蛋白、ADC、環肽及金屬配位體系等複雜對象的建模能力。星使智算希望做的并不隻是把AI模型接入科學計算，而是将AI生成與預測、物理建模與模拟、計算評估進一步連接起來，讓過去高度依賴專業人員的科學計算能力更容易進入實際研發流程。其最終目标，是讓科學計算從“輔助計算”走向“輔助研發”，幫助研發人員減少實驗試錯、提高候選篩選效率，并将産業實踐中的數據、方法和經驗持續沉澱為可複用的研發能力。
