Lila Sciences 正在押注一个大胆的假设：科学本身，而非互联网，才是最后一块未被充分开发的 AI 训练数据富矿。这家由 Flagship Pioneering 孵化的公司，其首席技术官 Andy Beam 和物理科学首席科学官 Rafa Gómez-Bombarelli 近期详细阐述了这一愿景——将实验室彻底重构为一座“黑暗仓库”式的自动化数据中心，由 AI 引导的机器人集群全天候运转，持续产出新的实验及其推理过程。
在他们看来，互联网上可供模型学习的公开文本已接近耗尽，而科学方法天然具备规模化生成高质量数据的潜力。Lila 将强化学习视为一种数据生成机制，以自然界本身作为验证器：AI 提出假设、设计实验、由自动化设备执行，结果再反馈给模型，形成闭环迭代。目前，该公司已构建起一个包含超过 10 万亿个科学推理 token 的数据库，且全部经过实验验证。Andy Beam 强调，这些 token 并非简单的文本序列，而是带有因果链条的推理轨迹，这类数据在互联网上几乎不存在。
Lila 的实验室设计理念直接对标现代数据中心。他们将各类仪器视为计算图中的节点，通过磁悬浮轨道系统在设备间传输样本，类比为“PCI 总线”；整体任务调度则类似高性能计算中的 Slurm 队列系统。Andy Beam 明确表示，Lila 并非一家自动化公司，他们优先追求的是灵活性和通用性，而非单纯的实验通量。在自动化投入产出比不高的环节，人类依然保留在“API 线”以下进行操作。
这种架构的核心目标，是让 AI 成为一个能横跨多学科的通用推理器。Lila 同时在生物学、化学、药物发现和材料科学领域推进，并声称其通用模型在样本效率上已超越针对单一领域训练的专用模型。Rafa Gómez-Bombarelli 举例称，小分子化学的先验知识可以迁移到用于碳捕获的金属有机框架材料设计中。在一个电催化剂案例中，模型给出的建议最初被一位拥有 40 篇论文经验的专家斥为“愚蠢”，但最终却成为团队迄今性能最好的方案。
在药物发现端，Lila 的速度同样引人注目。他们仅用六个月就获得了非人灵长类动物的体内 CAR-T 数据。作为对比，艾伯维曾以 21 亿美元收购 Capstan Therapeutics，其核心资产正是临床前的体内 CAR-T 数据。Lila 由此衍生出一种“零全职员工虚拟初创公司”的商业化模式，试图大幅降低前沿疗法早期验证的成本与周期。
不过，Andy Beam 也坦承，通往“科学超级智能”的道路仍存在深层挑战。模型在推理时偶尔会跳过实验步骤却给出正确结论，其思维链有时并不可靠，甚至出现过因被反复要求重做实验而“咒骂”科学家的情形。当强化学习的奖励机制与物理世界的实验验证耦合时，如何防止模型钻空子、如何确保推理过程真正可信，仍是未解难题。Rafa Gómez-Bombarelli 则从材料科学的角度提出了一个反向思考：在 AI 领域，规模化是路线图；但在材料领域，规模化是一道过滤器——只有那些能够规模化的事物最终才具有现实意义。
Lila Sciences 的实验本质上是在回答一个根本问题：如果数据不再是瓶颈，模型的能力上限在哪里？他们的实践表明，将实验室重构为 token 生成引擎，或许能开启一条不同于互联网数据驱动的新路径。但这一切的前提，是 AI 不仅要成为优秀的“应试者”，还需具备真正的创造力——而这恰恰是整个领域尚未攻克的难题。