一个科学家想验证一个想法，通常要花多久？
提出一个假设，也许只需要几分钟。但要真正知道它对不对——设计实验、准备样本、等待细胞反应、读出数据、推翻重来——往往要花上几周、几个月，甚至几年。科学的进展，很大程度上就卡在这条"从想法到验证"的漫长通道里。
过去两年，人们一度以为AI能把这条通道打通。大模型已经能熟练地阅读论文、检索知识、分析数据、生成看起来无懈可击的研究方案。但很快，一线科研人员发现了一件尴尬的事：AI很会"讲科学"，却不太会"做科学"。
一组面向真实科研流程的公开评测给出了一个刺眼的数字——在复杂科研任务上，主流大模型的完成率仅约3%。它能写出漂亮的方案，却说不清哪条路径最值得投入；它能罗列上百种可能，却无法预测某种干预真正会带来什么结果，也不会在实验失败后修正自己的判断。
"掌握科学的语言，并不等于理解科学的世界。"这是壹索智能（Isoplex Intelligence）创始人反复强调的一句话，也是这家公司存在的理由。
这家科学智能公司成立不到半年就拿到数千万元人民币种子轮融资，由正轩投资独家投资。在AI for Science项目普遍面临"故事宏大、落地遥远"质疑的当下，壹索智能给出的进度表并不慢：团队已与30余家药企、科研机构合作，并与产业客户签署了数千万元的商业服务合同。
被忽视的瓶颈：AI不缺想法，缺的是判断力
要理解壹索智能在做什么，得先理解它认为AI科研真正的瓶颈在哪里。
在语言、代码、图像这些领域，大模型展现出了惊人的规模效应。以AI写代码为例——代码可以被立即执行、测试、报错、纠正，模型每一次输出都能在几秒钟内拿到反馈，于是它进步飞快。
但原创科学研究面对的是一套完全不同的约束。壹索智能的判断是：大多数研发项目从来不缺候选假设，真正稀缺的，是在有限的时间、经费和实验资源面前，判断"这一枪到底该往哪儿打"的能力。AI可以在几分钟内生成上百个方案，可现实中的每一次验证，都要用真金白银的实验去换。
图 1｜AI科研瓶颈：会“讲科学”不等于会“做科学”
更棘手的是，科研中最宝贵的信息，恰恰不在已经发表的论文里。一个实验为什么这样设计、哪些路径曾经走不通、专家为什么在中途改了主意、一个结论究竟在什么条件下才成立——这些真正决定研发成败的"过程知识"，长期散落在实验记录、设备日志、表格和科研人员的脑子里，几乎无法被系统地保留下来，更谈不上让AI从中学习。
于是就形成了一个双重困境：一边，模型能生成海量方案，却判断不了哪条最值得验证；另一边，科学家用无数次尝试换来的经验和教训，又无法沉淀成AI下一轮成长的养料。
"下一阶段需要的，不是一个更大的语言模型。"壹索智能给出的答案，是一个新的技术方向——科学世界模型（Scientific World Model, SWM）。
从"预测下一个词"，到"预测世界会怎样变化"
科学世界模型这个概念，说起来抽象，壹索智能却把它讲得很具体。
它不是一个更大的知识库，也不只是一个会读论文、写方案的科研助手。它要学习的，是科学对象此刻处于什么状态、不同要素之间如何相互作用，以及——最关键的——当你对它施加某种干预之后，整个系统会朝什么方向演化。这里的"科学对象"，可以是一个细胞、一段蛋白，也可以是一种材料、一道工艺流程。
公司把这套学习闭环概括成一句话：科学状态 → 外部干预 → 结果变化 → 现实反馈。
图 2｜科学世界模型闭环：从状态表征、干预推演到现实反馈
落到技术上，壹索智能自研的Iso-SWM™模型，会先从结构、图像、光谱、序列、时序信号、实验测量、工艺参数等多模态数据中，学会"读懂"科学对象的状态；再学习各种干预与状态变化之间的因果关系；最后，它能根据自己认知上的"不确定"，主动推荐那个信息价值最高、最能分辨真假假设的实验——换句话说，它开始会替科学家判断"下一步最该做哪个实验"。
壹索智能CTO利友诚，北京大学智能学院博士。他用一句话概括了这条路线与主流大模型的分野：
"科学发现不是文本续写问题，而是科学本体和状态建模、因果干预和现实验证问题。当这条闭环真正建立起来，AI才可能从‘生成看似合理的答案’，走向提出可验证的预测、识别自己的不确定性，并判断下一步最值得获取什么证据。"
三款产品：让模型、科学家和真实实验验证，转起来
愿景要落地，靠的是产品。围绕科学世界模型，壹索智能搭起了三款相互咬合的产品，各自负责闭环里的一环。
第一款是Iso-Sciland™，一个"AI原生的科研工作空间"。它覆盖从问题定义、证据组织、假设形成，到研究设计、数据分析、结果沉淀的全流程，科学家在里面做研究的同时，那些平时会流失掉的决策过程和判断，被完整地记录了下来。据公司披露，它已在30余家科研机构落地，进入了科研人员的日常。
第二款是Iso-SWM™，也就是前面说的那颗"科学大脑"，负责建模、推演和判断。据公司披露，其自研的生命科学世界模型原型，已在微观细胞尺度和宏观个体尺度的多项内部对比任务中取得领先结果；由模型提出的首个慢性弥漫性疼痛相关候选蛋白靶点，已经拿到了湿实验的初步验证——模型的"预言"，第一次被真实实验接住了。
第三款是Iso-LabOS™，面向自主实验室与Physical AI，负责把AI的假设变成真实世界里可执行的实验，调度人员、设备、机器人和传感器，再把实验结果原路送回，去校准那颗"大脑"。
三者合在一起，构成一个完整的循环：Iso-Sciland™连接科学家、管理研究问题，Iso-SWM™理解并推演科学世界，Iso-LabOS™把假设带进现实去验证，实验反馈再回流校准模型。"研究—建模—验证—更新"，形成自进化和迭代闭环。
图 3｜三款产品共同构成“研究—建模—验证—更新”的科研闭环
壹索智能相信，转得越多，模型越聪明。在获得授权并完成脱敏与数据治理后，符合条件的研究过程会被沉淀成一种叫"科学世界切片"的东西——它包含初始状态、假设、干预条件、过程数据，甚至失败与异常在内的完整记录。这些别人拿不到的记录，既是可追溯的证据，更是训练科学世界模型的独家数据资产。这才是公司真正想筑起的壁垒。
为什么先从生命科学下手
科学世界模型面向的是几乎所有研发密集型领域，但壹索智能选择把第一仗放在生命科学领域。
背后逻辑清晰：该领域沉淀了蛋白结构、显微图像、生物序列、多组学实验测量等海量多模态数据；同时依托药物分子、基因编辑等生物扰动手段，能够获取直观、可量化的真实实验反馈，天然适合完整验证科学世界模型的闭环能力：解析生物系统状态、预测扰动带来的系统效应，再通过湿实验对模型预测结果开展实证检验。现阶段，公司优先围绕分子扰动、细胞状态响应、疾病分子机制解析等场景持续迭代打磨模型。
但创始人强调，目标不是做一个只会看生物的"单点模型"，而是验证一套可以迁移的方法论——如何表征一个复杂的科学对象、如何预测干预后的变化、如何选下一步该验证什么、如何用真实反馈修正自己。方法跑通之后，同一套能力可以逐步复制到材料、能源、化学工艺、半导体和智能制造等更多前沿领域。
图 4｜生命科学是第一验证场，通用方法将逐步迁移至更多研发领域
一边商业化落地，一边喂养模型
AI for Science赛道最常被投资人追问的，是商业化。壹索智能给出的是一条三段式路径。
现阶段，公司通过研发服务、数据闭环服务和里程碑交付，直接进入客户真实的研发流程，帮他们解决候选方案筛选、参数优化、效应预测、实验规划这些具体问题；随着模型能力和工作流逐步标准化，中期将通过企业年费、模型API、私有化部署、系统授权和实验服务，形成平台化的收入；长期，则探索把经过验证的候选方案、工艺组合乃至知识产权，转化为授权、里程碑付款和收益分成。
不过，公司看重的并不只是项目本身的收入。每一个真实项目，都会给模型带来新的研究问题、专家判断、失败样本和实验反馈；而模型能力一旦提升，又会反过来提高下一个项目的预测效率和交付质量。一个"越用越强"的数据飞轮就此转动——这也是比论文和文档更难被复制的东西。
图 5｜短期研发服务、中期平台化收入与长期授权分成共同驱动数据飞轮
一支横跨"科学"与"AI"两端的团队
支撑这套宏大叙事的，是一支国际化的跨学科科研和产业背景团队。
壹索智能核心成员拥有北京大学、清华大学、牛津大学、MIT、复旦大学等高校及科研机构的学习、研究或工作经历，能力横跨科学研究与人工智能两端：一侧覆盖医学、计算生物学、化学材料和数据科学，另一侧覆盖多模态人工智能、基础模型、因果推断、工程化系统和具身智能。这样的组合并不常见——它恰好对应着"让AI自主进行科学创新"所需要的每一块拼图。
据公司披露，其顾问委员会成员包括诺贝尔奖获得者，以及人工智能领域院士、国家杰出青年科学基金获得者和产业专家，为公司的基础科学判断、技术路线选型与产业落地提供支持。
谈及为什么要同时啃下模型、工作空间和实验反馈这三块硬骨头，创始人兼CEO苏彬彬的回答，或许是这家公司野心最直接的注脚：
"真正的科学智能，不会只诞生在数据中心里。它必须走进科学家的研究过程，也必须接受现实世界的数据验证。我们同时建设科学世界模型、科研工作空间和实验反馈体系，就是想给模型一条持续认识科学的路径。项目和产品只是起点，我们真正想做的，是让AI具备发现未知、验证判断、并不断更新自己认知的能力。"
这条路显然不会短。但壹索智能已经给自己画好了坐标：从处理科学知识，走向理解和探索科学世界，最终迈向他们口中的"超级科学智能"。
关于壹索智能（Isoplex Intelligence）
壹索智能是一家科学智能公司，以自研的科学世界模型（Iso-SWM™）为核心，构建了Iso-Sciland™科研工作空间与Iso-LabOS™实验反馈体系，致力于让AI从处理科学知识走向理解和探索科学世界。公司从生命科学切入，逐步拓展至材料、能源、半导体等前沿研发领域。
