“技术从实验室到产品，再到商业化，这样的线性思维方式值得反思。”

在哈佛商业评论（中文）年会暨新增长研讨会2026上，北京大学计算机学院教授、北京智源人工智能研究院理事长黄铁军，对科技成果转化中一种常见的思路提出了不同看法。

在他看来，科学家在实验室取得突破，再由企业将成果转化为产品，并不是科技创新唯一的路径。很多真正值得研究的问题，往往需要科学家和产业界共同寻找。

“科研要从实践中来、到实践中去，真正的问题需要科技的人和产业的人共同定义，双方需要更早地结合起来，共同找到值得解决的问题。”

这一判断也让科技成果转化的讨论多了一层含义：科学家与企业家的合作，不应该只是研究完成后的成果对接。双方能否更早地发现并定义值得解决的问题，同样决定着创新的方向。

图丨中信出版集团董事长、《信睿周报》社长陈炜

在主题为“新增长引擎：从科学突破到产业增长”的圆桌讨论中，中信出版集团董事长、《信睿周报》社长陈炜作为主持人，提出了一个贯穿全场的问题：科学突破究竟如何转化为产业增长？作为企业经营者，新技术的前景可以很广阔，但企业的决策必须立足当下。何时投入、投入多少、如何判断技术方向？围绕这一问题，科学家、企业家和投资人，都会有不同的判断标准。

在这场讨论中，来自前沿科研、AI for Science和科技投资领域的嘉宾，围绕技术突破如何转化为实际价值，分享了各自的经验与判断。

图丨哈佛商业评论（中文）年会暨新增长研讨会2026第三乐章，以“新增长引擎：从科学突破到产业增长”为主题的圆桌讨论


黄铁军：

当AI成为通用能力，企业的核心竞争力在哪？


大模型能力不断提升，企业能够使用的AI工具也越来越丰富。但如果大家都能获得相似的模型能力，企业之间的差异从哪里来？

黄铁军认为，通用大模型正在成为一种越来越容易获得的技术资源。“通用的意思是所有人都可以得到，一百万Token多少钱，就像电网出现一样，大家可以用同样的电价使用它。”

对于绝大多数并不直接研发AI基础设施的企业而言，竞争优势仍然来自自身的独特能力。“任何一个企业成功，必然有它自己独特的认知、思考，而这种思考再加上最新技术，是大家保持竞争力的两个要素。”

这种认知背后，可能是企业长期积累的专有数据、行业知识和管理方式。

黄铁军所在的智源人工智能研究院，是国内较早开展大模型研究的机构之一。他在现场提到，自己早在2021年就提出了“大模型”这一说法。如今，智源仍在推进大模型和世界模型研究，同时也将部分研究力量投入生命科学等方向。

在他看来，即使是长期从事AI基础研究的机构，也需要思考如何在通用技术之外建立自己的独特优势。

图丨黄铁军现场发言

这种优势不仅来自算法和模型，也可能来自现实世界中长期积累的产业经验。黄铁军指出，中国庞大的制造业和工业体系，为AI提供了大量真实应用场景。“今天的大模型是数字空间的一项技术，真正对世界发生影响，一定要与物理世界和真实工程这些应用紧密结合，这就是中国的优势。”

制造经验、行业数据，以及企业对复杂现实环境的理解，都可能成为AI时代重要的竞争基础。但面对快速变化的技术，黄铁军并不主张企业过早认定某一条路线。

当被问及企业未来最应该建设什么能力时，他坦言，企业首先需要对最新技术进展保持敏感，清楚模型已经能做什么、未来可能做到什么，再结合自身业务作出选择。在他看来，企业不必急于寻找一份通用的AI转型清单。如何理解技术变化，并判断它与自身优势的关系，可能比追逐某个具体技术方向更重要。


王明泰：

AI从实验室走向现实，难的不只是模型


AI能够预测分子性质、筛选候选药物分子，但这些计算结果要成为能治病救人的药物，还需要经过复杂的实验验证。

晶泰科技高级副总裁王明泰在讨论中分享了一个容易被忽视的细节。2021年，晶泰科技开始建设AI自主实验平台时，团队一度认为找到了连接AI与物理世界的重要方式。但真正进入工程实施阶段，才发现许多问题无法在模型和设计方案中提前考虑周全。

例如，自动化实验设备中的金属部件在加热时会发生热膨胀。对于需要精确到毫克级的实验操作，如果忽略这一因素，就可能导致实验失败。不同地区的湿度变化，也可能影响设备正常运行和实验条件。正如王明泰所说，这些问题“不自己下场亲自做永远不会知道”。

图丨王明泰现场发言

这些看似琐碎的工程问题，恰恰说明了AI进入真实科研环境的复杂性。模型可以提高预测和计算效率，却不能替代对实验条件、设备运行和实际研发流程的理解。

在晶泰科技看来，AI目前已经在制药、科学研究的许多细分环节取得进展。以其在药物研发领域的实践为例，晶泰已在临床前研发阶段开发了超过200个面向不同任务的领域模型和工具，在部分关键环节实现了效率提升。但如何将这些能力连接起来，推动整个研发流程的系统性改变，仍然是行业正在探索的问题。

然而，单个环节效率提高，并不意味着药物研发的整体周期就能同比例缩短。从模型预测到实验验证，再到后续研发、临床试验，各环节之间仍存在大量需要解决的科学和工程问题。

这也使企业面临一个现实选择：在技术前景尚不确定、研发周期又相对漫长的情况下，应该何时投入、投入多少？

王明泰观察到，过去两年，AI在制药等高价值研发领域关于未来技术趋势的讨论越来越多，各方对发展方向的认识也逐渐趋同。但形成共识，与真正采取行动之间，仍然存在距离。

对于AI制药行业而言，下一阶段的竞争可能不只是模型能力的提升，还在于如何把分散的技术进步整合为可靠、可重复的科研流程，并在真实实验中不断验证它的价值。


陆昀：

当AI改变科研方式，科学家还需要做什么？


如果说AI已经能够帮助科学家完成某些具体任务，那么接下来的问题是：它能否改变科学研究本身的工作方式？

深势科技高级副总裁陆昀认为，AI for Science与我们熟悉的办公智能体有很大不同。科学研究涉及分子、原子、蛋白质等多种类型的数据，需要调用专业模型和科学软件，最终还必须通过真实实验检验结果。要把这些环节连接起来，远比让AI完成一份文档或操作几款办公软件复杂。

但一些变化已经开始出现。他以电池材料研发为例进行了解释。在以往的范式中，研究人员寻找新材料，通常需要根据经验提出可能的配方，再逐一计算、筛选和实验验证，整个过程可能耗费数年。

现在，在一些具体领域，科学家可以先提出材料性能要求，由AI从大量文献中寻找候选材料，建立数据库，开展原子尺度仿真，再结合实验验证不断缩小范围。最终交给研究人员的，可能是一份经过多轮筛选的候选清单。

图丨陆昀现场发言

这种方式在部分研究场景中能够将原本需要数年的工作缩短至数月。不过，陆昀也强调，目前只有部分细分领域能够实现这样的流程，要推广到更多科研方向，还需要时间。

如果AI能够承担越来越多的计算、筛选乃至实验规划工作，科学家还需要做什么？陈炜提出了一个更具体的问题：当AI给出的结果与科学家或行业专家的经验判断不一致时，应该怎么办？

陆昀认为，AI与科学家的意见不一致是好事，只有不一致人类才有贡献，才能给AI更多的输入。

这句话背后，是陆昀对科研分工变化的理解。未来，科学家可能不再需要亲自完成所有重复性的计算和筛选，而是更多地提出研究方向、判断候选结果，并根据实验反馈决定下一步研究。

但AI与科学家的意见不同，并不意味着AI一定发现了新规律。分歧可能来自模型错误、数据不足，也可能指向值得研究的新现象。究竟是哪一种，仍然需要科学方法和实验验证。

这种变化还可能影响AI科研服务的商业模式。陆昀认为，随着AI逐步参与更完整的科研流程，未来衡量其价值的方式，可能不再只是提供了多少软件和工具，而是实际提高了多少研发效率、取得了什么效果，以及最终完成了什么研究任务。

这也是AI for Science走向产业应用必须回答的问题：当工具越来越强大，真正值得衡量的，不只是AI能够完成多少操作，而是它能否帮助科学家获得可靠、可验证的研究结果。


孙健：

耐心资本不是无限等待，而是判断何时加注


技术前景越大，投资判断有时反而越困难。光合创投合伙人孙健介绍，投资机构经常接触到经过创业团队精心打磨的商业计划。这些计划可能包含五六个甚至十几个关键环节，每一个环节单独来看都有充分理由。

但当所有环节连接起来，整个商业模式是否仍然成立，才是投资人真正需要判断的问题。“我们要找关键假设，找自己的尽调方法或者验证方法来证伪。”

孙健以AlphaFold为例。AI预测蛋白质结构的能力曾让投资机构看到重要的商业机会，但随着相关技术和成果开放，原本依靠技术稀缺性形成的商业优势，也需要重新评估。

图丨孙健现场发言

如果越来越多团队都能够使用相似的工具，相关企业是否会更多地转向工程和服务？原有的估值逻辑还能否成立？

除了技术和商业模式，孙健还特别关注团队能否有效运转。他会观察科学家、工程师和商业人员如何作出决策，发生分歧时如何解决，科研目标能否转化为具体里程碑和预算。

其中，一种能够在不同专业之间发挥“翻译”作用的人才尤其重要。“既能听懂科学家语言，也能理解前端市场的实际情况和客户需求，能跨越专业背景，在技术与市场之间去‘翻译’的人是非常重要的。”

科学家关注研究问题，工程师关注技术实现，商业团队需要面对客户、成本和市场。不同专业之间能否形成有效协作，往往影响一家企业能否真正走向产业化。

对于投入周期较长的硬科技项目，资金如何配置同样需要持续判断。

面对前景广阔、但技术和商业路径都存在不确定性的项目，资本究竟应该有多大的耐心？

孙健认为，耐心并不意味着一开始就投入大量资金，然后等待技术成熟。更现实的做法，是根据技术进展设置关键里程碑，在不同阶段持续检验最初的判断，并决定是否追加投入。“耐心资本不是一个口号和情怀，更多的是投资结构设计和打法。”

这句话指出了硬科技投资中一个容易被忽视的问题：长期支持科学创新，不能只依赖投资人的信念，也需要有能够承受失败、识别进展和调整投入的机制。

对于那些尚未形成清晰商业路径的前沿技术，真正困难的不是判断它有没有想象空间，而是识别哪些关键假设必须得到验证，以及什么样的进展足以支持下一阶段的投入。


科学突破之后，还有很长的路要走


临近圆桌结束，陈炜向四位嘉宾提出了《信睿周报》的年度之问：回顾即将过去的2026年，AI领域哪些重要的技术突破或产业变化，正在真正改变科学研究、产业创新与商业发展的方式？

黄铁军关注AI在数学等基础研究领域取得的新进展。他期待，这些突破不仅能够推动理论研究，也能逐步转化为解决现实问题的新方法，为电网、通信等复杂系统的优化带来新的可能。

王明泰认为，今年的技术发展并没有太多超出既有趋势的意外。相比不断涌现的技术新闻，他更关注大模型能力的持续进步及其应用边界。他还特别提到科技媒体的责任，希望媒体成为社会的“守门员”，帮助公众辨别技术进展的真实价值。

陆昀则将目光投向AI自身的进化。他关注AI能否逐步具备自我迭代和持续改进的能力，以及由此可能带来的变化：当技术更新不再完全依赖人工推动，AI的发展速度是否会进一步加快，现有的技术迭代周期又将如何被改写？

孙健更关心AI能否真正创造商业回报。他提到，一些AI企业的收入快速增长、商业化路径逐渐清晰，行业正在从讨论技术潜力，转向检验实际价值。AI能否形成可持续的商业模式，将成为判断这轮技术浪潮长期影响的重要依据。

图丨圆桌讨论现场

尽管几位嘉宾的关注点各不相同，但把他们的讨论放在一起，可以看到一个值得关注的变化：AI让越来越多的技术能力变得容易获得，也让创新者重新思考，什么才是自己能够长期积累的优势。

黄铁军强调的独特认知，王明泰反复提及的工程实践，陆昀正在探索的科研工作流，以及孙健关注的组织能力和投资判断，都指向技术之外那些需要长期积累的工作。

对于《信睿周报》而言，记录技术突破与创新成果固然重要，更值得持续关注的，是这些创新如何走出实验室、进入产业，并最终转化为推动经济社会发展的力量。正如陈炜在圆桌讨论中所强调的，科学研究、工程开发和市场经营各有规律，从技术突破到实际应用，往往需要经历漫长而复杂的过程。

AI正在带来更多新的机会。但从技术上的可能，到产业中的可行，再到商业上的可持续，中间还有很长的路要走。哪些机会最终能够成为真正的新增长，仍然需要在现实中寻找答案。

刘雅坤 | 文


联系方式

投稿、广告、内容和商务合作

newmedia@hbrchina.org


文章原文