科理新序完成近5000万元融资，推进AI4S科学基座模型与干湿实验闭环
科理新序完成近5000万元首轮融资
近日，AI for Science（AI4S）公司科理新序（Scinetics）宣布完成近5000万元人民币的首轮融资。本轮融资由英诺科创基金领投，沂景资本、小苗朗程、麟阁创投跟投，光源资本担任战略孵化方及独家财务顾问。资金将主要用于AI4S科学基座模型的迭代、自动化实验平台的规模化部署，以及核心团队扩充。
科理新序的目标很明确：构建一个能跨模态理解DNA、RNA、蛋白质结构、组学矩阵和实验数据的科学基座模型，打通“认知—设计—实验—反馈—再学习”的完整闭环。创始人兼CEO张载熙今年7月加入香港科技大学，获化学与生物工程系、计算机科学与工程系、医学院三系同聘，成为少见的交叉领域助理教授。
从单点模型到科学智能体，再到基座模型
张载熙的AI4S探索始于2019年博士阶段。他沿着“找问题—设算法—训模型—解任务”的路径，陆续开发了分子筛选模型MGSSL、药物分子生成模型FLAG、蛋白质口袋设计模型PocketGen、RNA药物设计模型RNAGenesis。这些工作在各自细分领域都取得了领先结果。
但很快他意识到一个问题：单点能力再强，也不等于具备完整的科学发现能力。一次蛋白药物设计往往要协调二十多个工具反复迭代，而像AlphaFold这样的突破，其实只解决了其中一步。“单块板加高，桶里的水不会变多。”
于是团队转向第二阶段——科学智能体。他们开发了STELLA（Self-Evolving LLM Agent for Biomedical Research）和BioClaw，把分散的模型、数据库和实验工具串联起来，覆盖更完整的科研流程。目前STELLA已服务超过1000位科研用户，其中国内覆盖国家重点实验室和高校，国际用户70%来自斯坦福、普林斯顿、哈佛、MIT等顶尖学府。BioClaw社群聚集了1200多人，并与美国合成生物学上市公司Ginkgo Bioworks建立了合作。
然而，智能体仍有局限。当前大多数科学智能体依赖语言模型调度外部工具，但语言模型本身并不真正理解三维结构或稀疏矩阵。不同模态的数据在文本、代码和工具之间反复转换，信息不断损失。
“专用模型解决一个点，智能体连接很多点，但中间还缺少一个真正理解科学世界的模型。”张载熙说。
Scientific Token：让模型在科学空间里思考
科理新序正在做的，是从language token走向scientific token。
科学数据原本使用不同的“语言”：序列是字符串，结构是三维坐标，组学是稀疏矩阵，实验读数是图像或数值。这些模态彼此割裂。科理新序的科学基座模型试图将它们转换成模型能统一理解和处理的基本单元，让模型直接在科学空间里推理，而不是在不同格式间来回翻译。
团队用四句话概括目标：从language token走向scientific token，从工具使用走向科学发现，从离线预测走向实验验证，从静态模型走向自我进化。
首个版本将聚焦生命科学的中心法则：DNA→RNA→蛋白质→功能→表型。张载熙设定了一个具体标尺：在抗体设计这一行业难题上，当前最好水平是十条序列中有一两条成功，他希望基座模型能做到80%-90%的成功率，“就像AlphaFold那样，从大概率失败变成大概率成功”。
AI如何拓展科学假设的边界
一个近期案例展示了这套思路的价值。
一家深耕急性髓系白血病近二十年的全国重点实验室，面临复发率高达70%-80%的困境，可用靶点极其有限。他们希望找到新突破口。
团队用STELLA帮他们找靶点。私有化部署后仅十分钟，STELLA返回一份候选列表。排在首位的靶点此前既无直接文献报道，也无实验验证。实验室随后在多个细胞系中完成验证，获得了初步正向结果。
如果由研究人员手动完成同等规模的文献检索、数据库比对和初筛，通常需要数天到数周。更关键的是，STELLA给出的最高优先级候选，不在该团队过去二十年重点探索的方向中。
AI开始帮助科学家跳出既有思维框架，拓展假设的边界了。
最难的一环在实验台上
模型和数据准备得再好，科研闭环最终还有一半要发生在实验台上。
“不是没有设备。问题在于现有自动化设备主要面向高通量、高度固定的流程。一旦改实验方案，重新配置成本就很高。而探索性、定制化的实验，恰恰是科研里最有价值的部分。”张载熙指出。
为此，科理新序正在搭建一个包含200多种实验仪器的沙盒环境，并训练Agentic-VLA（视觉-语言-行动）系列模型，让智能体直接控制机械臂。这套系统能对复杂实验流程进行任务拆解、实时监控执行，并在实验失败时自主纠错与恢复。该系统已在英伟达GTC大会和CES等展会上展示。
同时，团队在解决一个长期被忽略的问题：失败数据和中间数据的回收。论文发表的只是最终结果，但合成产率、反应速度、中间图像等数据往往未被系统整理。在与一家国内合成生物学公司的合作中，团队部署了专门采集中间数据的设备，用于提前判断优化方向，形成有效反馈。
顶配团队与长期主义选择
张载熙的履历在AI4S领域极为稀缺：1998年出生，中科大少年班学院理论与应用力学本科，中科大计算机科学博士（师从刘淇教授），哈佛医学院联培（师从Marinka Zitnik教授），普林斯顿大学AI实验室博士后（师从王梦迪教授）。曾在腾讯量子实验室、微软亚洲研究院、百图生科从事研究。
博士毕业后，他手握十多所海内外顶尖高校的教职offer，包括宾夕法尼亚大学、密歇根大学、清华大学、香港科技大学等。其中一所美国Top20高校开出了约300万美元的startup package，为该校向新任助理教授开出的最高之一。他也收到国内大厂和前沿实验室的千万年薪邀请。
最终他选择了香港科技大学——既因港科大给予年轻PI更大的学术空间，也因这里有着从高校科研走向产业的传统。
核心团队成员同样来自普林斯顿、剑桥、中科大等高校，以及Google DeepMind、微软、腾讯、华为等科技公司。
未来，科理新序的目标是构建一个能理解科学、主动假设、自主实验、持续进化的AI Scientist系统。在张载熙看来，AI for Science不是AI单向改造科学，而是一个双向循环：先用AI加速科学发现，再让新的实验和发现反过来训练更强的AI，两者在同一个闭环中共同演进。公司从生命科学出发，未来将逐步拓展至材料科学、量子物理、航空航天和芯片设计等更广泛的科学领域。
投资方为何看好
领投方英诺科创基金认为，科理新序构建的“自进化AI科学家+干湿闭环实验室”体系，精准切中了AI4S的核心痛点——通用大模型在实验学科缺乏物理世界验证。团队以STELLA和LabOS为核心，实现了从假设生成、实验设计到机器人执行的全链路自主闭环，真正让AI从“预测”走向“执行”。
沂景资本董事总经理沈琴博士表示，AI4S已成为国家间竞争的新焦点，谁能率先打通从科学认知到自动实验验证的闭环，谁就可能占据未来科学发现与产业创新的制高点。她看好科理新序以Science-Native AI4S基模融合物理AI执行引擎的能力。
小苗朗程合伙人赵沛舟指出，AI4S正从单点工具迈向科学基座模型与自进化闭环。科理新序以Scientific Token统一多模态科学数据，用“AI4S基模×物理AI”打通干湿实验，路径清晰，团队兼具学术与工程能力，稀缺性强。
麟阁创投强调，科理新序不仅有深厚的AI4S科研积累，还通过STELLA、BioClaw服务全球科研用户，尤其积累了来自国际顶尖高校的真实科研交互数据，为科学基座模型的持续训练提供重要基础。
光源资本作为战略孵化方，从公司创立第一天起便深度陪伴。合伙人洪镭表示，科学发现是AI4S能力跃迁的下一个主战场，科理新序推动AI4S从单点工具走向基座模型与自主实验系统，正对应行业从预测走向执行的关键趋势。