据 The Decoder 报道,北京初创公司 Moonshot AI 于 2026 年 11 月 16 日宣布,其 Kimi 语言模型正从编程领域转向生物学、化学和制药研究。
要点速览
Moonshot AI 认为在代码生成领域已面临收益递减,因此将 Kimi 系列模型的重心转向科学计算。
战略转向: 公司国际总监 Giacomo Ficari 在里斯本 Web Summit 上表示,与法律、金融或代码相比,科学研究需要更智能的 AI 模型。
实际案例: 北京初创公司 DP Technology 已将 Kimi K3.1 Pro 集成到其研究助手 BioMaster 中。

效率提升: 在内部测试中,该 AI 分析了 3,696 个小鼠胰腺细胞的基因数据,在 90 分钟内标记出 100 个候选基因,而人类工作需要约四小时。
独立突破有限: 在 TCSExam 基准测试中,AI 能生成可验证证明,但尚无法独立解开开放猜想。
行业态度谨慎: 尽管 72% 的美国研究领导者已广泛使用 AI,但仅 24% 认为其能显著提高药物研发成功率。
关键参数
| 项目 | 参数 |
|---|---|
| 模型名称 | Kimi K3.1 Pro |
| 主要应用领域 | 生物学、化学、制药研究 |
| 集成案例 | DP Technology BioMaster |
| 测试数据量 | 3,696 个小鼠胰腺细胞 |
| 分析耗时 | 约 90 分钟 |
| 人类等效耗时 | 约 4 小时 |
| 基准测试表现 | TCSExam 生成可验证证明,未解开开放猜想 |
价格与上市
- Kimi K3.1 Pro API:官方尚未公布具体价格
- DP Technology BioMaster:官方尚未公布具体价格
媒体评价
The Decoder 指出,Moonshot AI 的转向源于代码生成领域的收益递减。国际总监 Giacomo Ficari 强调,科学领域对 AI 智能程度的要求高于法律、金融或编程。
在 TCSExam 基准测试中,包括 Moonshot 在内的领先模型虽然能提供可验证的证明和算法,但尚未能独立解决任何开放猜想。这一表现与美国竞争对手类似,例如 Anthropic 的 Claude 虽在九月发现了一个酶系统,但数学家对 OpenAI 声称的数学和物理突破持批评态度。
制药行业对 AI 的态度更为谨慎。据 Citi 今年六月的一项调查,在 50 位美国研究领导者中,72% 的人已广泛使用 AI,但只有 24% 的人认为 AI 能显著提高药物研发的成功率。
个人研究者能用 Kimi K3.1 Pro 做什么?
对于独立研究者或小型实验室团队,Kimi K3.1 Pro 的价值在于处理大规模生物数据时的速度。
虽然它还不能独立解开数学猜想,但在基因筛选等重复性高、数据量大的任务中,它能将数小时的工作压缩到几十分钟。
这意味着 Maker 或小型团队可以更快地验证假设,将精力集中在后续的实验设计而非数据清洗上。
不过,制药行业对其独立突破能力仍持谨慎态度,目前更适合辅助而非替代资深科学家的核心判断。





