投入一亿元，UniPat AI寻找改变科研范式的人

UniPat AI 是 Monolith 早期投资的人工智能企业， 致力于连接 AI 与真实世界，通过复杂任务、专业知识和可验证的反馈，推动 AI 模型能力的持续进化。

过去一年，UniPat AI 围绕模型评测、真实环境中的智能体训练和科学研究等方向，推出了 BabyVision、UniScientist、ExpertEval 等一系列研究成果，并持续探索真实世界中的经验如何成为 AI 进一步发展的基础。

今天，UniPat AI 宣布成立 AI 探索实验室，并推出 UniPat Fellows 计划。未来一年，UniPat AI 将投入一亿元，邀请不同科学领域的顶尖研究者，与 AI 研究员和工程师共同探索下一代模型的能力边界，推动 AI 深入真实的科学研究过程。

在 Monolith 看来，真实世界中的复杂任务与专业反馈，将成为推动下一阶段 AI 能力演进的重要力量。 我们看好 UniPat AI将前沿 AI 技术与各领域专业知识深度结合的探索，也期待更多优秀研究者参与其中，让 AI 的能力进步真正转化为科学发现与现实价值。**

未来一年，UniPat AI 将投入一亿元，邀请科学领域的顶尖研究者与AI研究员、工程师持续协作。 借鉴贝尔实验室的研究组织方式，提供充分的模型、算力与实验支持，最终将真实任务和反馈用于模型能力提升，并形成能推动科研进展、产生行业影响的成果。

每位 Fellow 都从自己熟悉的研究问题出发，找出其中今天仍依赖专业研究者、未来可能由AI完成的任务。一起厘清最难的环节，把任务设计成可评测、可训练、可规模化的形式。

在 Unipat AI 探索实验室，这里先建立评测基准，评估模型在这些任务上的表现；再将专业软件、仿真系统和实验反馈接入可交互的环境，让 AI 提出方案、使用工具，并根据反馈不断改进。评测能够识别模型在真实研究任务中的能力缺口，并验证后续改进的效果。随着模型逐步胜任这些任务，它也能协助 Fellows 推进原有课题。

研究方向不设固定的学科边界。UniPat AI关注真实世界中的重要问题，无论它们来自物理、化学、生物、医药、材料、芯片设计还是其他领域。

一位来自北京大学，具有物理学背景的研究者正在探索 AI 自动化光学芯片设计：让模型根据设计目标调用电磁仿真工具，分析光场与器件响应，再依据 simulation feedback 反复调整设计。

一位来自北京大学药学院的研究者关注抗体的自动化设计与改造：让模型结合序列、结构和实验数据提出 mutation，再根据 wet-lab feedback 决定下一轮实验，以检验AI能否真正参与"设计一实验一反馈一再设计"的科研闭环。

一位来自 UCLA 的研究者则在探索芯片版图的 AI 自动化设计：让模型操作专业设计工具，在复杂约束下生成、修改版图，并依据 verifier 和 simulation 的反馈持续优化。

还有研究者关注预测模型与市场预测。 市场预测的特别之处在于，预测时答案尚不存在，只有等结果揭晓才能检验判断。研究者希望借此考察模型能否从噪声较大的信息中识别有效信号，作出可靠且可校准的预测。

计划设有两种参与方式

全职 Fellow： 长期加入 UniPat AI，持续推进所在领域的研究与应用；

项目制 Fellow： 以项目形式参与，周期 3 个月起。适合希望保留现有学术或工作安排，同时集中研究 AI 与所在领域交叉问题的人。

我们鼓励 Fellows 在北京中关村与 UniPat AI 团队现场协作，便于随时讨论、共同推进研究。如需兼顾现有科研或工作安排，也可协商混合办公。

申请方式

请将申请邮件发送至** fellows@unipat.ai**，

内容包括：

一个核心问题： 如果未来 3 个月只能推进一个当前AI无法完成、但值得完成的问题，你会选择什么?为什么?

个人简历及 1-2 项代表性成果。 如有与 AI共同完成的研究或项目，也请一并提供。