科学的瓶颈没有随代码一起消失

Adrian Sanborn在这篇关于Endura Therapeutics的客座文章中，提出了一个解释AI如何改变前沿科研组织的框架：Foundries和Navigators。Foundries通过下一代测序、复用实验、高通量显微镜或物理自动化，把“做实验”的成本和时间压低。Navigators则把模型放进普通的公司机器里，让研究团队更快分析结果、构建工具、选择问题和安排下一次实验。文章面对的不是“AI能否做科学”这一抽象问题，而是一个更具体的运营问题：当思考已经变快，实验如何不再成为整个系统的单点瓶颈。

软件工程的经验很容易制造一种错觉。代码可以被快速生成，数据可以被快速整理，系统架构也能在更短时间内完成，因此更便宜的知识工作往往会直接转化为更多软件和更多建设者。但在科学研究中，任何假设最终都要由物理实验验证，而实验可能需要数天或数周才能给出结果。分析工作已经显著加速，实验吞吐量却没有同步提升，于是“想得更快”和“做得更快”之间出现了新的不对称。

Foundry制造数据，Navigator消化时间

两种路线的差别，不只是自动化程度不同，而是它们在价值链上解决了不同问题。Foundry把测量本身工业化，目标是用新型实验技术产生比过去快一个数量级的数据。文中列举的公司包括Xaira、NewLimit、Octant、Tahoe和Endura，它们依靠下一代测序和复用技术推进这一方向；Insitro、Eikon和Noetik偏向高通量显微镜，Lila和Periodic Labs则代表物理自动化路径。AI可以让这些数据变得可读、可预测，但真正形成差异化壁垒的，仍然是实验数据本身。

Navigator的投入对象则是组织的剩余思考能力。它不要求公司先拥有专有模型或海量数据，而是要求公司愿意改变工作如何被安排：哪些分析应该自动化，哪些内部工具值得自己构建，哪些候选项目值得进入实验。一个原本需要购买六位数价格软件的能力，可能变成一天内完成的内部工具。分析如果从一周缩短到一小时，实验迭代就不再被数据处理拖住，模型的价值便体现为减少等待和提高选择质量，而不是替实验室凭空生成证据。

研究代码必须跟着实验一起变化

这一区分在实验科学的软件层尤其重要。软件工程通常把几周就改变一次的需求视为规划不佳，但研究的目标恰恰是通过实验获得新知识，而新知识会改变下一个实验应该怎么做。文章给出的判断很尖锐：如果一种研究路径六个月都没有变化，往往意味着没有新的东西被发现。一个新实验的方案在第一年可能迭代十几次，而每次变化都会传导到测量处理、数据归一化和结果解释。

过去，实验人员和分析人员常常被分成两个人，二者之间形成一道接口。实验者理解测量到底代表什么，负责分析的人则把数据送进代码流程，分析代码未必能及时跟上实验方案的变化。模型和更快的代码生成降低了这道接口的成本，使研究团队能够更快地调整处理逻辑，让代码重新贴近实验本身。但这不等于自动获得正确结果，恰恰相反，分析流程变化越快，实验定义、数据处理和解释之间的关系就越需要被持续审查。

为什么早期公司更容易成为Navigator

导航式改造最容易在早期创业公司发生，不是因为它们拥有更强的模型，而是因为它们背负的历史更少。它们通常没有长期的软件合同、固定化流程、僵化的组织结构和成熟的合规体系需要逐层迁就。当一种更好的工作方式出现时，它可以直接成为新的默认设置，而不是先经过多个系统和部门的协调。对资源有限、又必须快速推进的团队来说，这种变化会渗透到候选筛选、实验安排、分析工具和项目决策的每个环节。

材料中的几个数量级例子说明了这种影响如何被放大：如果团队过去只能评估五个候选疾病项目，现在可能有能力从五百个候选中做选择；如果分析不再占用一周，实验循环就能更早进入下一轮；如果一个专用工具能在一天内完成，组织就不必等待采购和集成一个昂贵的软件产品。这些变化未必形成醒目的发布会或独立产品，却会累积成研究速度和资源配置上的差距。Navigator的优势因此很难从公司外部观察到，但它可能正发生在更多公司里。

建造实验工厂，还是先重写工作系统

Foundry是一项真正的战略押注。它需要资本、数年的建设周期，以及对某种测量技术的判断，最后还要承担这套技术是否能持续产生高价值数据的风险。它之所以更容易被看见，是因为技术设施具有明确的物理形态，和AI的连接也容易被叙述为新模型、新数据集或新实验平台。对于确实受实验吞吐量限制、并且有能力长期投入的公司，Foundry可能是把瓶颈直接向前推进的办法。

但对多数技术负责人来说，第一判断不应是是否复制某个知名公司的设施，而应是公司是否已经把现有实验能力用到足够充分。若分析、工具构建和候选评估仍然比实验本身更慢，Navigator路线可能先带来更高回报。它的边界也很明确：更快的代码和更好的决策不能替代物理验证，模型不能把预测变成事实，组织也不能因为流程自动化就跳过对测量含义和数据解释的审查。可执行的选择是先找出每一轮实验中最长的等待和最昂贵的决策，再判断瓶颈究竟来自测量吞吐量，还是来自公司仍以旧方式处理已经变快的知识工作。