当三体人将一颗质子从十一维的高维状态展开成二维平面，展开后的面积大到足以包裹整颗三体行星，在这张“没有厚度的巨膜”上蚀刻规模惊人的电路，重新折叠后形成了“智子”——一个拥有超级智能的微型超级计算机。

借用这一概念，阿尔脉生物CTO熊昭平创办了苏州市质子展开科技有限公司（后简称“质子展开”）。

他说：“科研的逻辑与智子的诞生有异曲同工之妙，真正有价值的信息往往藏在极其复杂的多维系统中。我们希望‘展开’这些隐藏的知识，让AI充分理解，再折叠为高可用性系统，帮助科研人员完成决策。”

AI落地瓶颈不在算法精度，而在于能否让非AI技术背景的业务人员直观感知其价值，打通AI内嵌全流程的工作流，培养AI First的应用习惯。

质子展开遵循“AI First”理念，致力于构建新一代 AI 原生科研计算基础设施，以更低门槛、更高效率完成结构分析、分子设计、虚拟筛选与研发决策。AI科研决策中枢承接海量推演、分析与工具调度工作。人类科研人员则可专注于高阶科学创意、科研洞见与湿实验验证等关键环节。

核心产品SciMiner Agent（科学矿工智能体）已于2025年11月上线，仅8个月注册用户破万，token消耗连续多月指数上涨。

AI Agent浪潮中，新锐AIDD SaaS 架构如何？如何重塑科研人员决策工作流？又如何打通产业链，链接下游CRO？动脉网独家对话质子展开联合创始人、CEO熊昭平。

动脉网：从阿尔脉生物孵化出质子展开，希望满足哪些行业端的新需求？

熊昭平：AI制药发展多年，一个很明显的痛点一直没有解决——AI和真实的研发工作流之间，还是断开的。一类公司强调“自动化实验室”，希望用机器人全部接管湿实验，但装备成本并不契合个体化或小团队的科研工作。另一类公司则把精力放在“干实验”上，帮科研人员做分析、做预测、设计方案。

质子展开关注的现实痛点是：即便完成计算与预测之后，科学家依旧需要来回切换各类工具，自行对接 CRO、跟进实验进度，手动整理、回传实验数据，完整的科研工作流被切割成大量碎片化环节。

这些最繁琐、重协调的事务，以当下AI的能力完全可以承接，但在现有体系下，这些工作最终仍然要靠人来完成。因此，我们需要一个真正能够打通端到端科研链路的全栈式平台。

动脉网：质子展开的药物发现决策智能体SciMiner，与传统CRO或者过往AI工具有什么本质区别？

熊昭平：三者的核心分工与价值边界完全不同。传统CRO核心价值是湿实验执行产能，承接客户已经定好的实验任务，输出实验数据；传统AI工具是单点辅助软件，完成分子生成、筛选等局部计算，需要人工把各个环节手动串起来。

SciMiner不是工具，也不是CRO，它是药物发现的决策智能操作系统。以AI作为研发入口，自主理解研发目标、规划研究路径、编排全流程工具，把DMTA设计‑制造‑测试‑分析的迭代闭环完整打通。

我们的模式是各司其职：AI承担数字世界的知识整合、方案规划、实验设计；科学家保留核心科学创意与高阶判断；CRO负责物理层面湿实验落地执行。客户掌握研发主导权，SciMiner提供流程决策底座，把数字推演和实体实验高效衔接起来。

SciMiner能够理解用户提出的药物研发问题，自动生成研究路径，智能调用信息检索、靶标发现、虚拟筛选、分子优化及合成路线规划等模块，无缝支持大分子、多肽、核酸和小分子等全模态的药物发现。

动脉网：AI制药公司都在做智能体，质子展开如何构建自己的竞争优势，建立壁垒？

熊昭平：现在行业内不少团队都在布局科研智能体，但整个赛道的技术路线还远未收敛，各家的切入点其实差异很大。很多公司起步优先选择门槛较低的方向，先做文献解析、整合公开信息完成情报搜集。但这部分能力，很快就会被基础大模型厂商覆盖。

随着开源智能体能力不断提升，也有不少团队开始基于智能体调用专业工具，完成分子设计、虚拟筛选这类工作。我认为这些都属于低垂果实（low‑hanging fruit），虽然可以快速产出演示级产品，但长期很容易被 Claude Code / Codex这类通用智能体所替代。

行业里普遍存在一个难点：很难分清技术边界，分不清哪些是值得长期深耕的方向，哪些只是短期可以实现、哪些根本不值得投入。幸运的是，质子展开的核心投入，并不容易被通用大模型和开源智能体直接替代。

第一道壁垒，是化学多模态数据的自动化提取能力。早在BMS主办的分子图片识别 Kaggle 竞赛中，我们就从近千支参赛队伍中拿下第一名，把行业识别基线从80%提升至 95% 以上，即便是手绘草图、低分辨率扫描件、复杂背景的图片，也可以精准识别分子结构。

即便指标表现优秀，真实业务场景充满各类边界案例，模型很容易出现错误。所以我们配套建设了完整的数据抽取与标注体系PatMap，能够从海量专利、文献中挖掘活性、靶点、合成注释、ADMET等多模态分子信息。

行业常规的思路是针对单一生化性质单独收集数据、训练专属模型，很容易陷入单任务仅几十条可用样本的困境。我们走了另一条技术路径：不零散地做单任务预测器，而是把文献里各类异构的多模态信息直接输入分子表示模型，生成统一、标准化的分子表征；用户查询某一分子时，系统就在表征空间内做多维度相似性比对，通过类比推理推测新分子潜在的各类理化与生物性质。

即便是当下能力最强的通用大模型，依旧不具备专业分子结构识别能力，这正是我们补齐的核心短板。

第二重壁垒来自场景沉淀与用户共创。SciMiner是和用户一同打磨成长起来的，持续承接一线科研人员真实的工具需求，每天都在接收来自用户的直接反馈。在这个过程中，我们积累了大量AI制药算法的落地边界、真实业务数据与行业 know‑how，让智能体在面对任务时，可以更精准地完成工具调用与科研决策。

外界有不少声音质疑垂类Agent Harness的价值，但我的判断是，在专业研发场景下，Harness是Agent 真正落地的唯一解法。

实际药物研发业务的复杂度，会随决策步骤呈指数级上升。即便是永不休息的AI，也不可能穷尽全部可能性。如今通用智能体可以轻松做到70分的水准，但如果每一步都只选择概率最高的路径，得到的往往就是70分的平庸结果。

而真正决定项目成败的高质量决策，往往需要在关键节点引入正确的专业数据。SciMiner垂类智能体的核心价值，就是优化关键节点的决策逻辑、加深对专业场景的理解。

动脉网：说到行业基线，质子展开如何思考业内的准确率竞赛？

熊昭平：准确率竞赛有其正向价值，推动行业重视数据积累、把科学问题定义得更清楚。但生物医药领域要做一套公允的基准测试天然很难，竞赛里的高准确率和产业落地，完全是两回事。

第一，很多基准数据本身质量不足，高准确率本质是在拟合实验噪音。典型案例是虚拟筛选经典基准 DUD-E：它的诱饵分子和活性分子在分子量、脂溶性这些基础理化性质上差异极大，模型根本不用学真实的蛋白-配体结合机制，光靠简单物理属性就能刷出高分，放到真实筛选场景里完全没用。

第二，榜单准确率和临床转化之间有明确断层。2024 年波士顿咨询的研究显示，AI发现的小分子药I期成功率有80%—90%，比传统研发高不少，但一进Ⅱ期就回落到行业平均水平的40%。因为I期验安全性、药代，这部分数据充足，AI好发挥；Ⅱ期验疗效，靠的是对疾病机制的理解，这部分高质量数据太少，算法补不上认知缺口。这意味着，单一属性预测再准，也替代不了成药的多参数验证。

第三，缺乏能“批发”新药的万能平台，所有技术成功都依赖特定体系。例如，ADC研发换个靶点几乎等于重做整套体系；PROTAC、分子胶、mRNA亦然，远谈不上稳定产出新药。

真正定义清晰、数据质量过硬的公允基准，目前只有蛋白质结构预测。CASP采用未发表的实验结构进行双盲评估，这套标准经得起检验，AlphaFold的突破也因此实至名归。基于高精度结构，如今结合剂设计的体外结合准确率已显著提升，但成药性瓶颈始终未能突破——溶解度、代谢稳定性、体内毒性等关键属性仍缺高质量数据。许多体外活性优异的分子，一旦进入动物实验便难以为继。

说到底，追逐准确率没问题，但不能唯榜单论。

动脉网：您的团队也参与过不少准确率竞赛，这些竞赛对质子展开带来了哪些影响？

熊昭平：我们团队本身是准确率竞赛的受益者。我当年在上海药物所读博时，拿了Dream Challenge 2018多靶标预测挑战赛的第一名；后参加BMS举办的分子图片识别Kaggle竞赛，也从近千支队伍里拿了第一。

这些竞赛给我们的帮助是实打实的：

首先是打磨出了性能过硬的分子识别模型，帮助我们切入产业、摸透真实研发痛点；

其次，通过竞赛我们吸纳了不少优秀的技术伙伴，搭起核心团队；

更重要的是，它让我们很早就看清了纯算法模型的边界 —— 哪怕是在竞赛里表现再亮眼的模型，真落地到业务场景里，也总会碰到各种训练未覆盖的边界情况，输出不符合预期的结果。

动脉网：“实时性”为什么至关重要？行业实时性最高的分子知识库如何实现？

熊昭平：对药物研发来说，实时性直接决定了早期研发的试错成本。最典型的痛点就是踩 “专利坑”：很多项目闷头做了大半年，最后才发现目标分子或者核心设计早就被别人的专利覆盖了，前期投入全部打了水漂。

传统数据库受限于人工标注的高成本，很难及时收录最新的专利和文献；而且为了统一格式，还会砍掉很多有价值的非标准信息，数据滞后与信息缺失都会直接拉高研发的沉没成本。

要做到行业顶尖的实时性，核心是把 “人工整理” 替换成 “自动化智能抽取”。依托前面提到的分子识别模型，我们开发了专门的分子识别标注系统 PatMap，进而沉淀为大模型搭建的文献专利知识库，能快速、完整地打捞最新公开文献、专利中的分子数据，把过去的“被动等待查询” 变成 “主动风险预警”，真正实现高实时性。

它的核心价值在于，把最新的研究进展、实验数据、专利信息持续、无缝地嵌入科研人员的日常工作流，让一线科学家直接受益。工作流效率提上来了，用户黏性自然会增强，这也会形成天然的竞争壁垒。

动脉网：科研端与CRO存在怎样的“供需错配”？

熊昭平：很多大药企会觉得CRO 匹配是个伪需求，因为他们有固定的头部CRO合作渠道。但很多科研机构或初创团队的朋友经常问我：“我们这种几十个分子的小订单没人接，哪家CRO擅长且靠谱？”

全球范围内，早期研发环节前四大CRO的市场份额总和不到50%。在药物早期发现阶段，服务类型极其多样，从蛋白结构解析、高通量筛选到动物实验，标准化非常难，集中度低是行业常态。一个健康的生态里，就应该有大量垂直、专业、擅长不同实验体系的中小CRO存在。

动脉网：“供需错配”问题并不简单，质子展开是如何构建和打通内外部工作流的？

熊昭平：这正是质子展开和传统互联网撮合平台最本质的区别——我们的切入点不是“撮合交易”，而是先有科研工作流，再自然长出自下而上的科研服务网络。

基于全套的DMTA循环系统，只要平台积累了足够多的药企和科研人员，CRO服务商会自然汇聚。另一端，我们把SciMiner作为日常科研操作系统免费提供给CRO，标准化、可视化管理实验数据、自动向甲方回传进度。

当科学家在平台上用AI完成分子设计（Design），下一步要合成（Make），一键把实验需求下发给平台已接入的CRO。由此，工作流向产业链自然延伸，湿实验断点与供需也就打通了。

动脉网：平台如何设置供需沉淀机制、构建生态闭环？

熊昭平：即便是大型CRO也无法覆盖所有细分领域，药企常被迫为其试错成本买单。一旦某类实验体系跑通，同类订单便会集中爆发——平台的价值正是将这些长尾供需做智能匹配。

在“先构建工作流，再延伸服务网络”逻辑下，当药企与CRO在SciMiner上协同，实验流转、数据交付全程在线化、可审计，无需人工盯盘；系统自动沉淀各家的真实交付数据，逐步形成CRO的能力画像与信用档案。最终形成一个自驱的生态闭环：优质服务商获得更多订单，药企试错成本降至最低。

动脉网：SciMiner平台用户规模怎么样？

熊昭平：2025年11月SciMiner正式上线，注册用户快速破万，只用8个月就达到了传统AI制药平台历时6年才积累的用户规模。

动脉网：为什么能实现这么快的用户增长？

熊昭平：大家对AI的接受度显著增高了，同时我们放宽了注册门槛，不要求机构邮箱注册，用户使用时不用担心被平台窥探。

动脉网：目前主要客户群体和商业模式是怎样的？

熊昭平：很多Biotech养不起计算化学团队，但他们迫切地需要AI来提升研发效率。因此，我们目前的核心客户是初创药企和科研用户，为其以及合作CRO提供私有化部署和系统订阅服务。

动脉网：如何做科学家到Biotech的陪伴与转化？

熊昭平：首先培养“先预测、后实验”的工作习惯。过去科学家拿到靶点，直觉是先去买分子、做实验。现在通过SciMiner让他们体验到，在动手之前，先让AI梳理文献、预测性质、规划路径，能少走许多弯路。这种工作流习惯一旦建立，他们对平台的黏性就是终身的。

动脉网：打通上下游供需匹配，具有一定的第三方中介服务的性质。盈利飞轮如何转动起来？

熊昭平：我们确实具备连接用户与CRO的双边属性。前期通过AI系统的私有化部署和订阅产生健康的现金流；中期随着科研工作流在平台上的沉淀，通过服务网络的交易撮合与增值服务，转动起更大规模的商业化飞轮。

动脉网：网站上“一键沟通”功能很互联网化。你们是如何思考这种To C与To B结合的产品逻辑的？

熊昭平：过去大家觉得To B软件难用、体验差，根源不是因为B端产品经理能力，而是传统软件的开发迭代成本太高。B端软件既要满足管理层复杂的管控需求，又得严控开发预算，最后只能牺牲一线员工的使用体验。

但有了AI强大的辅助编程能力，软件的开发和迭代成本呈指数级下降。这让我们有能力做到一件事：既满足B端企业级管理的深度，又拥有像To C产品一样简单、流畅的交互体验。

“一键沟通”这样极其直觉化的功能——出发点很简单，就是从一线科学家的日常使用场景出发。

时代变了，是时候给B端用户也“吃点好的”了。

动脉网：在国际化布局与融资方面，质子展开有什么计划和进展？

熊昭平：质子展开母公司阿尔脉生物有接近三分之二的订单来自海外客户，并且多家MNC有着多次且深度的战略合作。

所以，质子展开从诞生第一天起就拥有国际化的基因。我们非常希望把国内极其优质、高性价比的 CRO 研发服务资源，通过平台高效地输出、推介给全球客户。近期我们也会推进一轮融资，将质子展开完全独立运作，加速在海外市场的开拓。

动脉网：如何看待当前的AI制药创业路径和赛道生态？

熊昭平：很多AI制药创业者最初只想做轻资产——把管线推到临床前候选化合物（PCC）阶段就授权出去。但后来市场上出现一种声音，觉得“单做PCC好像卖不上价”，很多团队咬牙往临床推，结果越往后越不可控、越烧钱。

“PCC 阶段卖不上价”其实是个认知误区。2026 年上半年，国内创新药管线向跨国药企授权的潜在交易总额已超过1100 亿元，其中 75% 的授权管线都处于PCC甚至更早的研发阶段。这说明 MNC完全愿意为高质量的早期项目买单；项目没卖出去，本质是自身的数据质量和项目价值没达到买方标准，而非PCC 这个阶段本身没有商业价值。

过去AI设计管线达成授权还是零星个案，现在已经越来越常态化。AI制药的核心价值，在PCC阶段就已经完成了产业端的“同行评审”——是买方经过真金白银的尽调后给予的认可。只要交易落地，AI在早期分子发现、优化环节的价值就已经兑现。至于管线进入临床后的成败，是药物研发本身固有的客观规律，不应用后期的结果倒推否定 AI 在前置研发环节创造的真实价值。

质子展开做科研工作流重构，本质上也是同一个逻辑：帮助药企以更高效率、更低成本，产出更多高质量的PCC分子——让这些分子能够经受住“同行评审”，最终通过License-out完成价值兑现。

动脉网：3年期、5年期内，质子展开将会有哪些重要进展？

熊昭平：三年内，我们希望SciMiner成为越来越多科研人员、药化专家每天上班都会第一个打开的科研操作系统，让AI First成为他们的日常习惯。

五年内，我们希望推动整个行业的科研服务网络发生质的变化——让科研人员寻找、调用、跟踪 CRO 服务，能够像今天我们在手机上“叫网约车”一样透明、可追踪、可评价。

动脉网：质子展开想讲一个怎样的AI Agent故事？

熊昭平：我们之所以坚定走这条路，底层是一个很朴素的判断：比起在既定的窄赛道里抠精确的极致，踩中行业大趋势、做对大方向上的事，价值要大得多。

业内很多人不看好 AI 制药 SaaS，觉得这个赛道天花板很低，上限就是 Schrödinger。但我反倒认为，不是 SaaS 的空间见顶了，而是 AI 在制药产业链里的渗透率还远远没打开。早些年，AI 制药软件基本只有千分之一的计算化学家、计算生物学家在用 —— 一家几万人的大药企，专职计算团队可能也就几十人，不少中小药企甚至没有这个岗位。用户基数就这么小，药企给 AI 软件的预算自然上不去。

DeepSeek是AI应用的分水岭，其思维链输出让AI展现出类人的逻辑推理和决策能力，进而促进AI应用边界大幅拓宽，开始大面积融入药企工作流，成为所有员工的通用基础设施。这是用户量级的本质跃迁，不是简单的数量叠加。

同时，AI从“黑盒工具”向“可解释专家”转变，这才是打破垂类行业AI信任壁垒的关键。

质子展开想讲的 AI Agent 故事，核心就是把 AI 的能力下沉到一线研发：让每一个普通的实验科学家，都能拥有一个懂化学、懂生物、懂研发全流程对接的 “超级数字助手”；让每家药企都拥有一个不眠不休、持续迭代的研发决策中枢。