Lila Sciences 的 CTO Andy Beam 和联合创始人 Rafa Gómez-Bombarelli 在访谈中阐述了他们构建科学超级智能的核心逻辑：互联网数据已经枯竭（“we have but one internet, it’s the fossil fuel, we fracked”），下一个互联网规模的数据集来自科学方法本身——将实验过程作为强化学习的可验证奖励，湿实验室充当验证器。他们反驳了“领域专用模型更好”的共识，声称一个在 约10万亿实验验证的推理 token 上训练的通用模型，在生物学、化学和材料科学上反而赢了专用模型，因为“广度带来深度”。

Andy 强调，实验室不再是产品，模型才是产品——他们不是一家生物技术公司，而是一家 AI 公司。他反对“只靠考试就能获得科学超级智能”的观点，认为没有真实实验反馈的模型只是“好学生”。Rafa 则分享了“苦乐参半的教训”：只有可扩展的事情才重要，材料科学至今没有 AlphaFold 级别突破，就是因为缺乏可扩展的实验验证。他们展示了具体成果：一个 CAR-T 候选在 6 个月内由 2-3 人设计完成，以及“Monster UTRs”达到 Moderna/Pfizer mRNA 表达水平的 约 10 倍。他们还讨论了 RL 训练中的病理现象，如思维链崩溃和模型“说脏话”，以及将普通仪器（甚至 Windows 95 设备）接入自动化流程的工程挑战。

最值得持续关注的趋势是“零 FTE 创业”模式——Lila 的模型能够自主设计实验、分析结果，未来可能将初创公司的人力成本压缩到几乎为零。另外，“实验室即数据中心”的物理基础设施（仪器像 PCI 总线一样接入，人类在 API 层以下）若被验证可扩展，将彻底改变药物和材料研发的范式。但 Rafa 也警示：材料科学比生物学更难规模化，因为实验周期长、反馈慢，这可能是未来最大的瓶颈。