Moonshot AI 是一家总部位于北京的 AI 公司,正将其 Kimi 模型系列的方向从代码能力转向生物学、化学和制药研究。该公司国际业务负责人 Giacomo Ficari 在里斯本 Web Summit 上表示,Moonshot AI 发现代码领域的边际收益正在递减,而科学场景对 AI 模型智能水平的要求高于法律、金融或代码应用。
北京 AI for Science 初创公司 DP Technology 已将 Kimi K3.1 Pro 集成到其研究助手 BioMaster 中。在一项测试中,系统分析了来自 3,696 个小鼠胰腺细胞的基因数据,并在 90 分钟内找出 100 个候选基因;据估计,这项任务需要约四小时的人工工作。
Kimi K3.1 Pro 模型规格与发布
Kimi K3.1 Pro 于 2026 年 10 月下旬发布,拥有约 3 万亿个参数和 100 万 token 的上下文窗口。该模型面向长周期编程、3D 生成、金融研究和复杂智能体任务。在 DP Technology 的评估中,Kimi K2.5 在 RxnBench 的两个排行榜上均位列前二。RxnBench 是一项化学文献理解基准测试,Kimi K2.5 与 Gemini-3 和 GPT-5.2 处于同一梯队,后两者均为闭源模型。
科学研究部署与生态合作
DP Technology 已将 Kimi K3.1 Pro 集成到 BioMaster 中,用于基因数据分析。XtalPi 也已在其 AI for Science 应用中采用 Kimi K2.5,用于解析复杂化学表达式和科学图表,以加速药物和材料研究。DP Technology 的测试案例展现了效率提升:系统在 90 分钟内处理了来自 3,696 个小鼠胰腺细胞的基因数据,并标记出 100 个候选基因,而人工处理预计需要四小时。
独立科学突破的局限
完全独立的科学突破仍遥不可及。在包含 100 道理论计算机科学问题的基准测试 TCSExam 上,领先模型能够生成可验证的证明,但没有任何模型独立解决过一个开放猜想。Anthropic 的 Claude 于 9 月发现了一种酶系统,不过数学家批评了 OpenAI 所宣称的数学和物理领域突破。
制药行业对 AI 药物开发持谨慎态度
制药行业仍持谨慎态度。Citi 于 6 月对 50 位美国研发负责人开展的一项调查发现,72% 的受访者已广泛使用 AI,但只有 24% 预计 AI 能显著提高药物研发成功率。这表明,尽管 AI 已得到广泛应用,但人们对其变革药物开发结果的预期仍较为审慎。
关键信息
- Kimi K3.1 Pro 于 2026 年 10 月下旬发布,拥有约 3 万亿个参数和 100 万 token 的上下文窗口,面向长周期编程、3D 生成、金融研究和复杂智能体任务
- DP Technology 将 Kimi K3.1 Pro 集成到 BioMaster 中,并分析了来自 3,696 个小鼠胰腺细胞的基因数据,在 90 分钟内找出 100 个候选基因,而人工处理预计需要约四小时
- Kimi K2.5 在 RxnBench 化学文献理解测试的两个排行榜上均位列前二,与 Gemini-3 和 GPT-5.2 处于同一梯队
- XtalPi 采用 Kimi K2.5 解析复杂化学表达式和科学图表,以加速药物和材料研究
- 在 TCSExam 的 100 道理论计算机科学问题中,领先模型能够生成可验证的证明,但没有任何模型独立解决过开放猜想
- Citi 于 6 月开展的一项调查发现,50 位美国研发负责人中有 72% 广泛使用 AI,但只有 24% 预计 AI 能显著提高药物研发成功率
- Moonshot AI 表示,代码领域的边际收益正在递减,而科学场景对模型智能水平的要求高于法律、金融或代码应用
常见问题
为什么 Moonshot AI 的 Kimi 模型正从代码转向科学研究?
Moonshot AI 正将 Kimi 的发展方向转向科学研究,因为代码能力的边际收益已开始递减。该公司国际业务负责人表示,与法律、金融或代码应用相比,科学场景对 AI 模型智能水平的要求更高。该战略转型正通过与 DP Technology、XtalPi 等 AI for Science 企业合作来落实。
Kimi K3.1 Pro 的技术规格和能力有哪些?
Kimi K3.1 Pro 于 2026 年 10 月下旬发布,拥有约 3 万亿个参数和 100 万 token 的上下文窗口。该模型专为长周期编程、3D 生成、金融研究和复杂智能体任务而设计。DP Technology 已将其集成到 BioMaster 中。测试显示,该模型能够分析来自 3,696 个小鼠胰腺细胞的基因数据,并在 90 分钟内找出 100 个候选基因,而人工分析预计需要约四小时。
AI 模型能否独立实现药物开发领域的科学突破?
完全独立的科学突破仍遥不可及。在包含 100 道理论计算机科学问题的基准测试 TCSExam 中,领先模型能够生成可验证的证明,但尚未独立解决任何开放猜想。此外,Citi 于 6 月对 50 位美国研发负责人开展的一项调查发现,尽管 72% 的受访者广泛使用 AI,但只有 24% 预计 AI 能显著提高药物研发成功率。这表明,科学发现和行业应用仍需谨慎推进,并需要人机协作。