科研最耗时间的环节，往往不是提出一个问题，也不是得到一个答案，而是两者之间漫长而琐碎的执行过程。

找到论文后，要整理数据；确定候选后，要处理结构；调用计算工具时，要确认参数；得到结果后，要复核来源、记录过程，并判断它是否足以支撑下一步实验……这些工作单独看都不复杂，却共同构成了科研流程中大量重复、分散且难以复用的“执行成本”。

大模型的出现，首先改变的是“回答”的环节。2026年6月30日，Anthropic在旧金山发布面向科学家的AI工作台Claude Science——科学家可以用自然语言与它对话，端到端地跑完科研工作流。这款产品反复强调一个关键词：可复现。每一次输出都带有可审计的历史记录，让结果可以被验证和复现。更早些时候，OpenAI在4月推出生物推理模型GPT-Rosalind，谷歌在5月I/O大会上发布Gemini for Science。

大模型公司对科研场景的集体押注，把一个长期被忽视的问题推到了台前：当模型已经足够会“回答”，谁来接管“回答”与“答案”之间的执行？

上海安宅缇氪科技中心（以下简称“安宅缇氪”）正在建设科研执行层基础设施。

目前，安宅缇氪做出了科研Agent产品博研（BloClaw），定位“AI4S Research Operating System”：科研人员用自然语言提出目标，系统通过模型规划、专业工具执行和证据治理，交付一条可执行、可追踪、可复核的科研路径。

在医疗领域，博研主要切入生命科学（Life Sciences）与新药研发场景，目前已联合解放军总医院、第四军医大学等机构，推进一款外科创伤敷料的成分研发，动物实验效果良好。项目此前斩获深创赛全国团队组季军。

近期，博研（BloClaw）受邀在BioRxiv发表论文《From Prompt to Provenance: BloClaw, a Capability-Gated AI4S Workstation for Auditable Computational Biology》。该论文详细阐述了BloClaw交付的是可复现可沉淀的科研结果，而非仅提供答案的原因。

博研（BloClaw）与其他AI for Science、科研Agent、AI制药平台有何差异？它具体能自主完成哪些科研任务？又是如何让科研执行稳定可控？博研（BloClaw）会成为科研生产力的真正拐点吗？……近日，动脉网专访了上海安宅缇氪科技中心创始人秦垚，以下为对话实录，内容经编辑整理。

动脉网：为什么选择在这个时间点做科研Agent？

秦垚博士：大模型已经解决了理解和生成的问题，但科研工作还缺少一层真正的执行基础设施。

科研人员面对的通常不是一个简单问题，而是一组彼此关联的目标、数据、工具、权限、参数和判断标准。现实工作中，大量时间消耗在资料整理、格式转换、工具切换、参数确认、结果复核和报告整理上。

安宅缇氪希望解决的，正是这部分长期存在、但一直没有被系统解决的问题：让科研目标能够被拆解，让专业工具能够被正确调用，让过程能够被记录，让结果能够回到证据。

动脉网：请用一句话定义安宅缇氪和博研（BloClaw）？

秦垚博士：上海安宅缇氪科技中心是一家以人工智能驱动科研创新的技术企业，在上海市科学技术委员会等政府部门和创新生态的支持下，持续建设面向复杂科研场景的智能执行基础设施。

博研（BloClaw）是这套基础设施的产品化形态：科研人员用自然语言提出目标，系统通过模型规划、专业工具执行和证据治理，交付一条可执行、可追踪、可复核的科研路径。

博研（BloClaw）真实产品界面

动脉网：博研（BloClaw）与其他AI for Science、科研Agent、AI制药平台的核心差异是什么？

秦垚博士：很多产品解决的是“模型能不能回答”，而博研要解决的是“系统能不能交付”。

博研的差异不在于单独拥有某一个模型，而在于把模型放进科研执行协议中。这套协议包含四层能力。

第一是理解环境，识别目标、数据、权限和边界；第二是能力编排，根据任务状态、工具依赖和输入格式选择执行路径；第三是科学执行，把专业计算交给专业工具；第四是证据治理，把来源、参数、日志、结果和人工复核入口一起保存。

未来GPT、Claude等通用模型会越来越强，但这对博研不是威胁。通用模型负责通用推理，而科研交付还需要领域工具、任务状态、数据边界、专业协议和责任链条。模型可以被替换，但科研执行系统不能每次都从零开始。

动脉网：现阶段的博研能够自主完成哪些科研任务？

秦垚博士：在数据、权限和工具已经配置好的范围内，博研可以完成科研目标解析与任务拆解、文献和数据资料结构化整理、分子和序列数据预处理、候选集构建、RDKit分子描述符与理化性质计算、PDB结构分析和可视化、专业计算任务编排、长任务状态管理与失败恢复，以及结果排序、参数整理和证据包生成。

需要强调的是，“自主执行≠替代科学家”。博研负责把复杂流程推进到清晰、可检查的状态，科学家仍然掌握假设、边界和最终判断。

动脉网：它底层用了哪些模型？是纯调用大模型，还是有自己的领域微调模型或专家系统？

秦垚博士：博研不是依赖某一个固定模型，而是采用模型可替换、工具专业化、过程可审计的架构。

模型层负责理解、规划、推理和解释；编排层负责状态管理、依赖检查和工具路由；专业工具负责真正的科学计算；证据层负责保存来源、参数、日志和结果。

我们更重视系统能力，而不是把产品价值绑定在某一个模型名称上。底层模型可以持续迭代，但任务协议、专业工具链、领域评测体系和证据治理能力会沉淀为平台资产。

动脉网：生命科学数据来源复杂、格式不一，博研如何解决数据接入问题？

秦垚博士：生命科学数据具有来源复杂、格式不一、版本变化快和权限边界严格等特点。我们没有把数据接入理解为简单的API拼接，而是把它放进项目上下文和证据治理体系中。

博研会对数据来源、访问权限、版本、格式和使用边界进行统一管理。公开文献、授权数据库、结构数据、计算工具和企业内部资料，可以按照项目权限进入同一个任务上下文。

目前重点覆盖RDKit、PDB结构分析、结构可视化、远程计算以及公开文献和授权数据接入等能力。

在新药研发中，博研正在把自然语言目标转化为可执行的计算流程

动脉网：请以一个具体的新药研发任务为例，介绍博研如何工作？

秦垚博士：以我们公开展示的PD-1/PD-L1小分子抑制剂虚拟筛选示例为例，科研人员输入的是研究目标、筛选约束和数据边界。

博研首先理解任务环境，明确目标、候选范围、数据来源和验收标准。随后将任务拆分为候选集构建、结构处理、专业计算、结果整理和证据复核等步骤。

执行过程中，模型负责规划和解释，专业工具负责分子处理、结构计算和结果分析。系统持续记录使用了哪些数据、调用了哪些工具、采用了哪些参数，以及每一步得出了什么结果。

最终交付的不是一句“推荐某个分子”，而是一组候选排名、结构与参数、筛选依据、计算过程和证据包。

科学家仍然需要判断研究假设是否合理、边界条件是否充分、结果是否具有实验价值，以及是否进入下一阶段验证。博研的价值，是把科学家的判断放在更完整、更透明、更容易复盘的上下文中。

在更贴近产业转化的任务中，上海安宅缇氪科技中心目前正联合解放军总医院、第四军医大学等机构，完成一款外科创伤敷料的成分研发。博研在其中承担科研资料整理、成分方案协同、实验信息归档和证据链管理等工作，帮助不同专业团队围绕同一个研发目标协作。

目前该项目动物实验效果良好，正在推进后续注册与临床准备，具备进入I期临床的潜力。这里仍然需要强调，临床进入及后续审批以监管申报、伦理审查和正式试验结果为准，AI系统负责提升研发过程的组织效率和可复核性，不替代医学与监管判断。

动脉网：对于药企而言，使用博研后最直接节省的是什么？

秦垚博士：最直接节省的通常不是某一个单独岗位，而是科研流程中的重复性协同成本，包括资料整理、数据清洗、格式转换、工具切换、任务跟踪、参数复核、结果汇总和报告初稿。

过去这些工作分散在不同软件、不同人员和不同文件中，容易形成信息断点。博研希望让科学家把更多时间用于提出问题、判断假设和设计实验，而不是消耗在重复操作和流程协调上。

动脉网：AI幻觉是所有AI都绕不开的问题，包括科研AI也是，博研如何解决AI幻觉、结果追溯和复现问题？

秦垚博士：我们不承诺AI永远不会犯错。真正重要的是，错误不能被隐藏，结论必须能够回到证据。

博研会将关键结论关联来源和数据边界，保存每次工具调用的输入、参数、版本和输出，通过状态门、依赖检查和Schema验证减少错误调用，并区分模型推断、测量结果、外部来源和人工判断。

系统还会标注不确定性和适用范围，在交付前保留人工复核入口，并支持任务状态回放和过程重建。

博研不是把不确定性藏起来，而是把不确定性变成系统状态。

动脉网：为什么会把“证据治理”放在产品架构中？

秦垚博士：科研与普通信息问答最大的不同之一，就是结果必须能够被验证、复盘和继续使用。

如果一个科研Agent只给出一个结论，但科研人员不知道它用了什么数据、调用了什么工具、采用了什么参数，那么即使答案看起来合理，也很难真正进入科研流程。

因此，我们希望让来源、参数、日志、结果和人工判断共同成为科研任务的一部分。对于科研团队而言，这些过程记录本身也是一种可以持续沉淀的科研资产。

动脉网：博研的目标客户有哪些？有哪些收费模式？

秦垚博士：目标客户主要包括创新药企业、生物技术公司、科研院所、大学实验室，以及对复杂科研流程有长期需求的专业团队。

不同客户的需求也不同。个人研究者更关注快速启动和本地优先，机构实验室更关注项目协同、权限和证据管理，企业客户则更关注私有化部署、数据边界和长期运行能力。

因此，我们不会简单按照聊天次数收费，而会根据部署形态、项目空间、专业引擎、计算资源、数据接入和服务深度进行组合报价。商业模式包括Cloud订阅、企业项目空间、专业引擎服务、私有化部署和定制化科研工作流。

动脉网：大模型越来越强，博研如何避免被基础模型替代？

秦垚博士：我们不把自己的价值建立在“模型不够强”之上。

通用模型擅长理解和生成，但科研任务还需要专业工具、状态管理、领域约束、数据权限、结果复现和责任边界。这些能力不会因为模型升级就自动出现。

博研的长期壁垒，来自真实科研任务形成的执行协议、专业工具和数据源的深度连接、面向科研结果的评测体系、项目过程沉淀形成的组织资产，以及面向企业和实验室的数据边界、权限体系和证据治理能力。

模型越强，博研越能够把更复杂的科研任务推进得更远。

动脉网：未来三年，安宅缇氪希望把科研Agent做到什么程度？

秦垚博士：第一阶段，让科研人员能够把自然语言目标交给系统，并获得结构化、可复核的科研结果。

第二阶段，让多个专业引擎围绕同一个项目上下文协同工作，让模型规划、工具执行、计算资源和人工复核形成完整闭环。

第三阶段，让博研成为机构级科研操作系统：连接实验室数据、专业软件、计算平台和知识资产，把一次任务中的有效参数、判断路径和证据结构沉淀下来，服务于下一次研究。

我们希望三年后的博研，不只是一个更聪明的助手，而是科研团队长期运行的数字基础设施。它可以帮助团队提高探索效率，但最终仍然坚持人机共审、边界明确和证据优先。

博研（BloClaw）真实产品界面与能力模块

动脉网：依您所见，AI Agent未来会取代传统科研工作流吗？

秦垚博士：我不认为应该简单讨论“取代多少岗位”。更准确的说法是，AI Agent会重构科研工作的任务结构。

最先被改变的，是重复性强、规则相对清晰、结果可以被检查的环节，例如文献整理、数据清洗、结构预处理、候选筛选、参数整理、报告生成和实验前的信息准备。

真正具有创造性和责任属性的工作，仍然需要科学家完成，包括研究问题定义、关键假设提出、实验设计、异常结果判断、伦理安全判断和最终决策。

未来科研人员不会因为AI变得不重要，反而会更加集中在高价值判断上。AI负责扩大搜索空间、提高执行速度、降低协同成本，科学家负责决定什么问题值得研究、什么证据足够可信、什么结果值得进入现实世界。

我们最终希望实现的，不是让机器替代科研，而是让更多科研想法能够更快、更严谨地变成可验证的进展。