让人和AI（人工智能）共做一道题，答案相左，听谁的？一般来说，当然由人把关，但对于智能原生企业来说，他们选择“听AI的”。
不久前国务院发布的《关于深入实施“人工智能+”行动的意见》中，“智能原生”首次出现在官方文件中，被定义为“底层架构和运行逻辑基于人工智能”。
成立于2021年的天鹜科技，就是一家智能原生企业。他们拥有基于全球最大的蛋白质序列数据集进行预训练的AI蛋白质设计大模型，只要半天时间，该模型就能按照需求挖掘或设计出一批蛋白质，它们中的一些可能从未被人发现过，但天鹜科技的员工会非常认真地将AI挑选的结果放到真实场景中去验证。多年的经验给了他们信心，而结果也往往令人惊喜。
智能原生，就是把AI当成企业的核心基因，它们往往能带来颠覆式变化，而非效率的简单提升。当AI与真实世界的融合加速，或许未来“听AI的”会是一种常态。
AI的选择颠覆教科书
蛋白质由20种天然氨基酸组成，蛋白质数据库里序列的平均长度，约为361个氨基酸。仅改变其中1个氨基酸，就有6859种可能；改变2个，可能性飙升到2300多万种；改变3个，更是达到533亿种。想找到或设计出一个功能优异的蛋白质无异于大海捞针。过去，科学家一旦捞到了“针”，就会特别珍惜，他们还会将“针”与“针”相互排列组合，以期让结果更好。
AI则不然，它不仅关注好的，也关注坏的。天鹜科技首席技术官刘灏，就遇到过一个改变他认知的案例。教科书上说，蛋白质内部的相互作用越强，蛋白质的稳定性就越高，所以，面对AI大模型给出的结果，刘灏很意外——AI要他先破坏蛋白质内部作用力再结合。但他还是按照AI的思路做了，因为他刚见证团队中一位没有生物学背景的工程师，只是把客户提供的序列输入AI大模型，就成功改造出符合要求的酶。最终，AI没有令人失望，刘灏得到了更稳定的蛋白质，比之前所有做实验产出的都好。
“这种现象在自然界中也存在，叫做‘上位效应’，比如在爬山时，先走一段下山路再登顶，比直接登顶更快更省力，但如果没有AI助力，人们根本不知道应该在哪里、怎样去组合好与坏。”刘灏说。
这样的案例多了，天鹜科技对AI的信任度越来越高，现在当人和AI产生分歧，天鹜人会选择“听AI的”。
AI处理失败的熟练度优于人类
在另一家智能原生企业晶泰科技，同样的情况也在上演。晶泰科技内部会定期组织“AI科学家”和人类科学家比赛，在最近几次AI反应预测能力比拼中，针对某两种类型的反应预测上，晶泰科技自研的AI垂类模型准确率均超过80%，与人类科学家旗鼓相当；但在对失败反应预测的识别率上，AI准确率则超过50%，是人类的一倍以上。
人类与AI在成功与失败反应预测能力上的差别，也许与数据有关。浙江大学化学系研究员、博士生导师洪鑫表示，合成化学理论上可合成的中小分子数量高达10的60次方，这是一个远超宇宙中恒星数量的天文数字。自古以来，化学家都渴望成功，他们依赖已有的知识地图和敏锐的直觉，在实践中不断调整路线。这句话的潜台词是，科学家处理成功的结果都忙不过来，几乎不可能去关注失败的结果。
但在晶泰科技的智能实验室里，机器人一丝不苟记录下每一个数据，它并不偏爱得到好结果的数据，而是对好坏一视同仁。于是，失败数据与成功数据一起构建了一个更为完整的数据库。AI可以通过对“失败经验”的挖掘，找到从未被人类注意过的更优解。
晶泰科技联合创始人、首席执行官马健注意到了这个现象，他说：“我们会更加关注那些无法完成实验的‘失败经验’与大模型的关系，它们非常重要。”
大模型幻觉或来自数据不够
今年的OceanBase开发者大会上，蚂蚁集团首席技术官何征宇表示，缺乏足够的数据将导致AI产生“幻觉”，这种现象在当前的技术环境中愈发明显。
天鹜科技选择“听AI的”，最大底气就来自于其坐拥包含近90亿条序列、数亿个功能标签的全球最大蛋白质数据集，这些序列不仅涵盖常规生物，还包括从深海、火山口等极端环境中采集到的耐高温、耐强酸/强碱的蛋白质，几乎囊括自然界所有的蛋白语料。
在与金赛药业的合作中，对方希望找到一个耐强碱蛋白质，天鹜科技借助AI大模型，很快就找到数十个结果。经过在真实场景中测试，最后胜出的蛋白质，耐碱性能提高四倍，使用寿命延长一倍。目前，该蛋白质已完成多个批次的5000升放大生产，成为全球首个实现工业化生产的大模型设计蛋白质。
最近爆火的“纳米香蕉”图像模型在图片的色调、氛围、画面布局和视觉重点等方面表现出惊人的图片一致性，在连续20次编辑操作中，字符一致性准确率保持在95%以上。据谷歌方面介绍，融入丰富的真实世界知识，是其理解能力达到新高度的主要原因——它能够铭记上一幅作品的内容，同时也深刻理解对话的背景和逻辑。
人形机器人也在渴求更多数据。仅一个倒水的动作，机器人就需要吸收上万条数据才能学会，而一位数据采集师每天仅能采集约150条数据。在智元机器人合伙人兼具身业务部总裁姚卯青看来，不研究大模型的具身智能公司没有未来。目前，全球机器人动作数据相较于大语言模型的“核爆点”还差3至4个数量级，智元希望两年内能采集到1亿条。