讓人和AI（人工智能）共做一道題，答案相左，聽誰的？一般來說，當然由人把關，但對于智能原生企業來說，他們選擇“聽AI的”。

不久前國務院發布的《關于深入實施“人工智能+”行動的意見》中，“智能原生”首次出現在官方文件中，被定義為“底層架構和運行邏輯基于人工智能”。

成立于2021年的天鶩科技，就是一家智能原生企業。他們擁有基于全球最大的蛋白質序列數據集進行預訓練的AI蛋白質設計大模型，只要半天時間，該模型就能按照需求挖掘或設計出一批蛋白質，它們中的一些可能從未被人發現過，但天鶩科技的員工會非常認真地將AI挑選的結果放到真實場景中去驗證。多年的經驗給了他們信心，而結果也往往令人驚喜。

智能原生，就是把AI當成企業的核心基因，它們往往能帶來顛覆式變化，而非效率的簡單提升。當AI與真實世界的融合加速，或許未來“聽AI的”會是一種常態。

AI的選擇顛覆教科書

蛋白質由20種天然氨基酸組成，蛋白質數據庫里序列的平均長度，約為361個氨基酸。僅改變其中1個氨基酸，就有6859種可能；改變2個，可能性飆升到2300多萬種；改變3個，更是達到533億種。想找到或設計出一個功能優異的蛋白質無異于大海撈針。過去，科學家一旦撈到了“針”，就會特別珍惜，他們還會將“針”與“針”相互排列組合，以期讓結果更好。

AI則不然，它不僅關注好的，也關注壞的。天鶩科技首席技術官劉灝，就遇到過一個改變他認知的案例。教科書上說，蛋白質內部的相互作用越強，蛋白質的穩定性就越高，所以，面對AI大模型給出的結果，劉灝很意外——AI要他先破壞蛋白質內部作用力再結合。但他還是按照AI的思路做了，因為他剛見證團隊中一位沒有生物學背景的工程師，只是把客戶提供的序列輸入AI大模型，就成功改造出符合要求的酶。最終，AI沒有令人失望，劉灝得到了更穩定的蛋白質，比之前所有做實驗產出的都好。

“這種現象在自然界中也存在，叫做‘上位效應’，比如在爬山時，先走一段下山路再登頂，比直接登頂更快更省力，但如果沒有AI助力，人們根本不知道應該在哪里、怎樣去組合好與壞。”劉灝說。

這樣的案例多了，天鶩科技對AI的信任度越來越高，現在當人和AI產生分歧，天鶩人會選擇“聽AI的”。

AI處理失敗的熟練度優于人類

在另一家智能原生企業晶泰科技，同樣的情況也在上演。晶泰科技內部會定期組織“AI科學家”和人類科學家比賽，在最近幾次AI反應預測能力比拼中，針對某兩種類型的反應預測上，晶泰科技自研的AI垂類模型準確率均超過80%，與人類科學家旗鼓相當；但在對失敗反應預測的識別率上，AI準確率則超過50%，是人類的一倍以上。

晶泰AI設備。晶泰供圖

人類與AI在成功與失敗反應預測能力上的差別，也許與數據有關。浙江大學化學系研究員、博士生導師洪鑫表示，合成化學理論上可合成的中小分子數量高達10的60次方，這是一個遠超宇宙中恒星數量的天文數字。自古以來，化學家都渴望成功，他們依賴已有的知識地圖和敏銳的直覺，在實踐中不斷調整路線。這句話的潛臺詞是，科學家處理成功的結果都忙不過來，幾乎不可能去關注失敗的結果。

但在晶泰科技的智能實驗室里，機器人一絲不茍記錄下每一個數據，它并不偏愛得到好結果的數據，而是對好壞一視同仁。于是，失敗數據與成功數據一起構建了一個更為完整的數據庫。AI可以通過對“失敗經驗”的挖掘，找到從未被人類注意過的更優解。

晶泰科技聯合創始人、首席執行官馬健注意到了這個現象，他說：“我們會更加關注那些無法完成實驗的‘失敗經驗’與大模型的關系，它們非常重要。”

大模型幻覺或來自數據不夠

今年的Oceanbase開發者大會上，螞蟻集團首席技術官何征宇表示，缺乏足夠的數據將導致AI產生“幻覺”，這種現象在當前的技術環境中愈發明顯。

天鶩科技選擇“聽AI的”，最大底氣就來自于其坐擁包含近90億條序列、數億個功能標簽的全球最大蛋白質數據集，這些序列不僅涵蓋常規生物，還包括從深海、火山口等極端環境中采集到的耐高溫、耐強酸/強堿的蛋白質，幾乎囊括自然界所有的蛋白語料。

在與金賽藥業的合作中，對方希望找到一個耐強堿蛋白質，天鶩科技借助AI大模型，很快就找到數十個結果。經過在真實場景中測試，最后勝出的蛋白質，耐堿性能提高四倍，使用壽命延長一倍。目前，該蛋白質已完成多個批次的5000升放大生產，成為全球首個實現工業化生產的大模型設計蛋白質。

最近爆火的“納米香蕉”圖像模型在圖片的色調、氛圍、畫面布局和視覺重點等方面表現出驚人的圖片一致性，在連續20次編輯操作中，字符一致性準確率保持在95%以上。據谷歌方面介紹，融入豐富的真實世界知識，是其理解能力達到新高度的主要原因——它能夠銘記上一幅作品的內容，同時也深刻理解對話的背景和邏輯。

人形機器人也在渴求更多數據。僅一個倒水的動作，機器人就需要吸收上萬條數據才能學會，而一位數據采集師每天僅能采集約150條數據。在智元機器人合伙人兼具身業務部總裁姚卯青看來，不研究大模型的具身智能公司沒有未來。目前，全球機器人動作數據相較于大語言模型的“核爆點”還差3至4個數量級，智元希望兩年內能采集到1億條。