问题——药物研发周期长、成本高、成功率低，如何提升模型推理效率与跨学科科研能力，成为智能化药物研发亟待解决的核心问题。现有通用模型专业科学任务中仍存在知识迁移效率不足、长序列处理能力有限等瓶颈。原因——Liquid AI的液体神经网络在推理速度、内存占用和长序列处理上具备优势，有利于构建轻量高效的模型架构；英矽智能长期深耕药物发现，积累了大规模数据和任务评测体系，可为模型提供高质量、场景化的专业训练环境。双方技术互补，为提升模型在生命科学领域的专业能力提供了现实路径。影响——合作推出的LFM2-2.6B-MMAI模型在药物发现基准测试中表现领先，显示轻量化模型也能实现科研级推理能力，有助于提升药物筛选、靶点预测等环节效率，推动科研团队更快完成候选化合物评估。对行业而言——此进展有望降低研发门槛——促使更多科研机构借助专业模型工具开展高质量研究。对策——英矽智能依托“科学多模态训练场”体系，对通用模型进行深度训练，围绕化学超级智能与生物学超级智能两条赛道，系统化构建药物化学、生物学与临床运营的专业推理能力。该训练场覆盖千余项药学基准测试与约1200亿数据点，形成“任务—数据—评测”闭环，为模型专业化提供可复制路径。通过输出训练框架与评估体系，英矽智能正从研发药物延伸至提供模型训练服务，探索“智能训练智能”的新模式。前景——随着轻量化科学基础模型逐步走向应用，药物研发将从工具辅助迈向系统协同，研发效率与成功率有望持续提升。英矽智能在上海落地以来形成的研发团队已提名多款临床前候选化合物，验证了其平台化能力。面向未来，跨企业协作与专业化训练将成为生命科学模型演进的重要方向，也将为全球药物研发提供更可持续的技术支撑。
人工智能的价值最终体现在解决实际问题上。英矽智能与Liquid AI的合作，为通用大模型在专业领域的应用提供了有益实践。随着更多跨界合作展开，人工智能有望在药物研发等关键领域发挥更大作用，推动人类健康水平提升。这也提示我们，推动人工智能产业高质量发展，既需要底层技术的持续创新，也需要与各行业深度融合的应用探索，二者协同才能释放技术红利。