东岚创智CEO郭亮:SI4E是AI走进产业的正确方式(郭亮企业家) szthrk.cn

关于AI的价值,过去两年市场听到了太多叙事:写代码、跑模型、助科研、做内容,单点效率的提升令人瞩目。但当资本和舆论回归理性,一个更根本的问题浮出水面——AI究竟能为产业带来什么?在东岚创智CEO郭亮看来,这个问题的答案,正在指向一个新方向:SI4E(Super Intelligence for Engineering,面向工程的超级智能)。

近日,围绕这一话题,我们与郭亮展开了一场对话。他的判断很明确:AI的意义不在于局部环节的效率提升,而在于支撑面向产业目标的科研活动从分散探索走向可分工、可复现、可迭代的工程化体系——这正是SI4E所要构建的体系。

01谈现状:科研与产业仍存结构性错位

问:您如何看待当前AI在科研与产业中的应用现状?

郭亮:我的总体判断是:AI真正的价值,不仅在于帮助科研人员写代码、跑模型,更在于推动面向产业目标的科研 活动,从"手工作坊式探索"走向可分工、可复现、可迭代的工业化体系。

作出这个判断之前,需要先正视一个现实:很多科技产业表面热闹,却长期停留在低水平。究其根源,我认为有两个深层原因。

第一,科研与产业"两张皮"。问题的关键不只是成果转化不畅,更在于价值链条的错位。科研端以论文、指标为导向;产业端需要的却是稳定、可复用、可持续迭代的解决方案。其结果是,科研产出未必契合产业的真实需求,而产业迫切需要的能力,科研端又供给不足。

第二,工程能力不足。工程不等于把样品做出来,而是体系化、可复现、可质控、可规模化落地的综合能力。缺了这套能力,再好的科学结果,也难以转化为稳定的产品。

这两个错位,恰恰是SI4E要解决的问题。

02谈价值:SI4E的"双轮驱动"

问:在您看来,AI能带来什么实质性的改变?

郭亮: AI带来的变化,核心在于“双轮驱动”——在我看来,这正是SI4E的基本运行逻辑。

一轮是科学发现:作为数字工具,AI能够处理海量、高维、非结构化的科学数据,从观测、模拟与文献中挖掘规律,对复杂系统作出推断与搜索;

另一轮是工程收敛:作为工程工具,AI能够将零散经验与多源方案标准化,自动搜索参数、迭代方案、建立统一基线,把不同来源、不同尺度的结果,融合为可执行、可验证的工程链路。

两个轮子同时转动、彼此强化——SI4E既要承担"科学发现",又要实现"工程收敛",缺一不可。

问:要让双轮真正转动起来,前提条件是什么?

郭亮: 前提只有一个:不能把AI当成单纯写代码、跑模型的工具,必须把科学机理和工程约束嵌入其中。否则,它给出的只是猜测,而非答案。

与此同时,科研范式本身也在演进:从传统实验,到计算仿真,再到人机结合的智能科学。这不是以机器替代科学家,而是用智能工具放大人的判断,把试错成本从昂贵的物理实验,转移到数字空间。

03谈路径:把科研变成工程"流水线"

问:如果落到具体产业,SI4E应当呈现什么形态?

郭亮: 新材料领域就是一个典型例证。当前许多创新还停留在更换配方、调整组分的层面,而非建立可自主迭代的工艺生成体系。然而,工艺是一个高度耦合的系统,原料、环境、顺序、参数互相约束,依靠遍历配方的方式,难以真正穿透其机理。

SI4E的机会,不是直接"自动造出好材料",而是在于搭建"搜索—仿真—预测—验证"的闭环:在数字空间进行大规模筛选,以少量真实实验加以验证,从而大幅压缩试错周期。但这里有一个关键前提:缺少高质量机理数据和标准化的实验体系,这个闭环便无法运转。

因此,产业层面真正的变革,不是"用AI做单点任务",而是把面向产业目标的科研活动拆成流水线:分工、标准化、持续迭代。这也是东岚创智一直在践行的方向。

04谈变革:SI4E的三个体系性变化

问:如果这种深度结合一旦发生,会带来哪些改变?

郭亮: 我认为会出现三个变化。

第一,企业将逐步成为场景化、工程化、规模化创新的主力。但基础探索仍然需要公共科研体系、长线资本和开放数据底座。

第二,评价体系要重构。不能只看论文数量和引用,要区分基础探索价值、工程落地价值、规模化商用价值,匹配不同的考核节奏。

第三,组织方式要转型。小团队的自由探索要保留;但面向重大产业目标,需要项目制、流水线式、多角色协同,建立反馈闭环和长线投入机制。

05谈落地:三件事要做扎实

问:对于希望推动SI4E落地的企业和机构,您有什么具体建议?

郭亮: 归纳起来,三件事。

第一,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、建立可溯源的数据集——这是一切工作的地基。

第二,建设"数字预筛—有限实证—数据回流"的流水线,把试错从物理实验大规模迁移到数字空间。

第三,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,匹配不同的考核节奏;同时培养兼具机理、工程质控与智能工具驾驭能力的复合型人才。

06谈风险:警惕"把错误标准化"

问:在快速推进的同时,您认为需要注意什么风险?

郭亮: 必须警惕一点:SI4E最大的风险,是"把错误标准化"。一旦底层错了,闭环运转的越快,偏差被放大得也越快。因此,必须做好不确定性量化、可审计、可复现、数据溯源和实验安全——这些不是可选项,而是底线。

问:如果用一句话总结您对SI4E与产业关系的理解?

郭亮: 科技赛道真正要争的,不只是算法和模型,而是数据底座、工程流水线、组织激励与真实场景。只有模型,没有场景、实验与工程底座,就容易陷入同质化工具的内卷竞争。

SI4E必须与产业深度结合,成为贯穿科学发现、工程开发和产业落地的基础能力,推动科研从手工式探索,走向可规模化、可持续迭代的创新体系。这是方向,也是东岚创智的答案。