2026年11月19日,东岚创智CEO郭亮在交流中提出,AI在产业中的价值不应停留在写代码、跑模型或提升单点效率,而应推动面向产业目标的科研活动形成可分工、可复现、可迭代的工程体系。他将这一方向概括为SI4E,即面向工程的超级智能。
郭亮认为,当前科研与产业之间仍存在结构性错位。一端以论文和指标为主要导向,另一端更看重稳定、可复用、能持续迭代的解决方案,科研成果与真实需求之间未必匹配。与此同时,工程能力不足也让不少科学结果难以走向稳定产品。工程并非只把样品做出来,而是要实现体系化、可复现、可质控和可规模化落地。
在他的判断中,SI4E依靠两组能力协同推进:一组是科学发现,即利用AI处理海量、高维、非结构化数据,从观测、模拟和文献中寻找规律,并对复杂系统作出推断;另一组是工程收敛,即把分散经验和多源方案标准化,自动搜索参数、迭代方案、建立统一基线,将不同尺度的结果整合为可执行、可验证的工程链路。
郭亮强调,双轮要真正运转,不能只把AI当作代码或模型工具,而要把科学机理和工程约束嵌入其中,否则输出只能是猜测。科研范式也在从传统实验、计算仿真走向人机结合的智能科学,重点不是替代科学家,而是放大人的判断,把试错成本从昂贵物理实验转移到数字空间。
以新材料为例,目前不少创新仍集中在更换配方、调整组分,尚未形成可自主迭代的工艺生成体系。工艺本身高度耦合,原料、环境、顺序和参数相互约束,单靠遍历配方很难穿透机理。SI4E可切入的环节,是搭建搜索、仿真、预测、验证的闭环,在数字空间大规模筛选,再用少量真实实验验证,压缩试错周期。但这一闭环依赖高质量机理数据和标准化实验体系。
如果深度结合发生,郭亮预计会出现三方面变化:企业逐渐成为场景化、工程化和规模化创新的主力,基础探索仍离不开公共科研体系、长线资本和开放数据底座;评价体系需要区分基础探索、工程落地和规模化商用价值,并匹配不同考核节奏;组织方式也要转型,既要保留小团队自由探索,也要针对重大产业目标建立项目制、流水线式、多角色协同机制,形成反馈闭环和长线投入机制。
对于如何推进SI4E,他给出三项工作:建设标准化实验与数据底座,统一规范、留存原始观测、标定误差并建立可溯源数据集;建设数字预筛、有限实证、数据回流的流水线,把试错更多迁移到数字空间;改革治理和人才机制,容忍阶段性失败,区分基础探索、工程攻关与商业化任务,培养同时理解机理、工程质控和智能工具的人才。
郭亮同时提醒,SI4E最需要防范的风险是把错误标准化。底层一旦有误,闭环运行越快,偏差放大也越快。因此,不确定性量化、可审计、可复现、数据溯源和实验安全不是附加项,而是底线。
在他看来,科技赛道真正要争的不只是算法和模型,还包括数据底座、工程流水线、组织激励与真实场景。只有模型,缺少场景、实验和工程底座,容易陷入同质化工具的内卷竞争。SI4E需要与产业深度结合,成为贯穿科学发现、工程开发和产业落地的基础能力。


