MOSS 团队
孙天祥创立
日行迹的团队背景和技术演示是实的，但"这套系统能不能产出真正有价值的科研、靠什么赚钱"几乎全是问号；深度在于把"震撼的 demo"和"未验证的商业与科学价值"分开。
事实日行迹的创始团队来自 MOSS / InternLM 体系、天使轮由红杉中国 / 高榕 / 光源 / 奇绩 / 美团龙珠等参与、FARS 做过大规模自动产论文的公开演示，多信源可交叉。缺口但它的商业模式、付费客户、收入、以及最关键的——自动产出论文的真实学术质量（是否被同行评议 / 被引用 / 有真发现）均未公开或未独立核实。因此本文"事实"集中在团队、产品形态、融资，对"这套系统是不是真科研、能不能变成生意"更多是基于赛道结构的判断 + 追问。信息越薄，第 12 章追问清单越重要。
判断日行迹是一家技术叙事极强、团队极硬，但"科学价值"和"商业模式"都还没被验证的 AI4Science 创业公司。它赌的是一个真趋势：大模型强到一定程度后，科研本身可以被智能体自动化——这是从"AI 辅助科研"到"AI 自主科研"的范式跳跃。它的护城河候选是"顶尖研究团队 + 一套端到端的多智能体科研系统工程"。但它的生死不在"能不能自动写出论文"（演示已证明能），而在这些自动产出的研究，有多大比例能通过真正的学术检验（同行评议、可复现、有真发现），以及谁愿意为此持续付费。它最大的问号是——当生成论文的边际成本趋近于零，市场稀缺的从来不是论文数量，而是"哪篇值得读"的判断力；日行迹到底在解决产量问题，还是判断力问题？这一问答不好，"一个月产一百篇论文"就可能是震撼的 demo，而不是可持续的生意。
| 决定性变量 | 为什么是胜负手 | 兑现的观察信号 |
|---|---|---|
| 自动产出研究的真实质量 | "能产 100 篇"和"能产 1 篇有价值的"是两回事。若产出多为低质量灌水论文，则整套系统的科学价值和商业价值都存疑；若能出现被同行认可、可复现、甚至有真发现的成果，才是范式级突破。 | 产出论文是否进入真同行评议渠道 / 被独立复现 / 被引用；是否出现非平凡的新发现而非已知结论的重排。 |
| 付费方与商业闭环 | 科研自动化的买单方是谁？高校实验室、药企/材料企业研发部门、还是 AI 公司自身的研究提效？不同买方的付费意愿、预算规模和采购逻辑天差地别，决定这是"卖工具"还是"卖发现"。 | 是否出现付费客户 / 明确的商业化产品形态（订阅 / 按项目 / 成果分成）；服务的是企业研发还是纯学术。 |
| 算力成本与规模经济 | FARS 演示动用 160 块 GPU 连跑十几天，算力成本可观。若每篇产出的算力成本高于其带来的价值，规模化就是烧钱；成本曲线能否随模型进步下降是关键。 | 单位产出（每篇 / 每个发现）的算力成本轨迹；是否依赖持续的外部算力补贴。 |
先看它站在"AI 做科研"这条价值链的哪一层，这决定了它理论上最性感、现实中最难证。
判断日行迹站在第 ② 层——"科研智能体编排层"：它不训底层大模型，而是把大模型的推理与代码能力，编排成一条端到端的自动科研流水线，赚"科研全流程自动化"的工程与系统价值。推导这层的好处是叙事天花板极高（自动化科研若成立，是通用能力级别的红利）；坏处是它夹在"随时能自己做 agent 的大模型厂商"和"对 AI 产出高度警惕的学术共同体"之间——上游可能把编排能力内化，下游可能拒绝为 AI 论文买单。
判断自动科研这一层的永恒焦虑是：把"生成一篇论文"自动化相对容易，把"生成一篇有价值的论文"自动化极难。因为科研的核心不是写作和跑实验，而是"提出对的问题"和"判断结果是否重要"——这恰恰是当前大模型最不稳的地方。缺口日行迹的系统在"选题质量"和"发现价值"上的真实水平缺乏独立验证。它的全部价值，押在"自动产出能不能越过'灌水'那条线"这一个赌注上——越得过，是科研工厂；越不过，是论文打印机。
| 本质 4 问 | 答案（含证据） |
|---|---|
| ① 本质在做什么 | 判断把"科研的全流程"（选题 / 文献 / 假设 / 实验 / 写作）编排成多智能体自动流水线。卖的是科研过程的自动化与提速，而非某一篇具体成果。 |
| ② 行业红利在哪 | 事实大模型的代码、推理、文献处理能力持续变强，让"AI 承担越来越多科研环节"从设想变成可演示——这是整条赛道的顺风。判断红利真实，但它同时属于所有能调用强模型的团队，不是日行迹独占。 |
| ③ 哪层赚钱 / 谁掌握话语权 | 判断话语权在掌握底层模型的大厂和决定"什么算好研究"的学术/工业共同体手里。推导编排层赚的是"把流程跑通"的工程钱，若产出不被下游认可，议价权很弱；能不能赚，取决于产出质量能否被买方接受。 |
| ④ 日行迹的位置 | 事实它是国内最早把"端到端自动科研 + 大规模公开演示"做出来的团队之一（company alpha）。判断优势是"顶尖研究基因 + 系统工程先发"；隐忧是"产量已证、价值未证"，且商业买方尚不清晰。 |
判断它的叙事是"AI 自己做科研、一个月产上百篇论文"。推导但真正要问的不是"它能不能产出论文"（能），而是"这些论文里有多少能通过真正的同行评议、被独立复现、甚至包含一个此前无人知道的发现？"——如果绝大多数产出是已知结论的重新包装或无法复现的实验，那系统再高效也只是在"高速生产噪声"。这一问答不清楚，"自动科研"更像是"自动写作 + 自动跑代码"，而不是"自动做出发现"。
在商业信息稀薄的情况下，团队的"顶尖研究能力"是日行迹拿到一线融资的核心解释。
| 维度 | 情况 |
|---|---|
| 核心能力 | 事实创始人兼 CEO 孙天祥曾主导 MOSS 大模型研发（复旦体系，中国较早的开源对话大模型之一）；核心成员来自 复旦 MOSS 团队与 InternLM（书生）项目，团队约 15 人、约一半为研究人员。推导这是一支"研究导向 > 商业导向"的团队，长处在于把前沿的多智能体科研系统真正工程化跑通，这在 AI4Science 里是稀缺能力。 |
| 组织与商业化 | 缺口团队的商业化 / 销售 / 行业 BD 能力、以及是否有懂药企/材料/工业研发采购逻辑的人，公开信息未见。研究型团队的典型风险是"技术很强、但把成果变成客户愿意付费的产品"这一环偏弱。 |
判断"顶尖研究基因"是日行迹最实的资产，也是它区别于普通 agent 创业者的地方：它是真的懂大模型、也真的懂科研的一群人，这让它的"自动科研"叙事比大多数同类更可信。缺口但研究强不等于生意强——两个待观察点：① 公司刚成立（2025），团队小，抗风险和规模化交付能力未经检验；② 从"能演示"到"有人持续付费"的商业化路径，目前几乎是空白（见第 12 章）。
判断日行迹目前更像"技术 + 演示驱动"的早期公司，商业模式尚未公开成型。理论上的变现路径有几条：给高校/科研机构做提效工具（订阅）、给企业研发部门做垂直领域的"自动发现"（按项目 / 成果）、或对内服务 AI 公司自身的研究迭代。推导不同路径的商业弹性完全不同：卖工具是 SaaS 逻辑、卖发现是研发外包逻辑、对内提效则根本不是独立生意。选哪条路、买方是谁，是它从"网红项目"走向"公司"的第一道坎。
缺口决定生意成色的核心信息——付费客户是否存在、产品化形态与定价、自动产出论文的真实学术质量核验、单位产出的算力成本——全部未公开。"能自动产 100 篇"是极强的技术信号，但"有人为此付费、且产出经得起检验"才是生意信号，这正是追问清单第 1、2 组的核心。
日行迹的命运系于三个真正有分歧的命题。每题给 Bull / Bear / Reality，再下裁决。
日行迹常被归入"AI Scientist / AI 自动科研"这一波叙事。用这个标签成立的四个前提逐条拷问它。
| "AI 科学家"成立的前提 | 日行迹的现状 | 是否满足 |
|---|---|---|
| 能端到端跑完科研全流程 | 事实FARS 已演示选题→实验→写作的全流程自动化 | ✅ 满足 |
| 产出经得起学术检验（可复现/被认可） | 缺口论文的同行评议、复现性、引用与真发现均未独立核验 | ❌ 未证实（关键） |
| 有明确的付费买方与商业闭环 | 缺口付费客户、产品化、定价全未公开 | ⚠ 未证实 |
| 相对大厂 agent 有可持续壁垒 | 缺口是否有专有数据/实验资产支撑护城河，未见 | ⚠ 存疑 |
判断"AI 科学家"这个叙事只在"能端到端跑流程"一条上扎实成立，其余三条恰恰是最难、也最未被证明的部分：产出质量未经独立检验、商业买方未现、护城河依赖尚未公开的专有资产。判断所以更公允的定位是——日行迹是"把自动科研的工程流程跑通、且团队极硬，但科学价值与商业模式都待证"的 AI4Science 先行者。它真正要证明的不是"AI 能不能写论文"（能），而是"AI 能不能做出人类认可的、经得起复现的真发现，且有人愿意为此持续付费。"这个定位，比"AI 科学家诞生"现实得多，也更能看清它接下来该迈的坎。
看清它周围站着谁，就明白它的空间在哪、突破口在哪。
| 玩家 | 类型 | 打法 / 现状 | 对日行迹的意义 |
|---|---|---|---|
| Analemma 日行迹 | 自动科研系统创业公司 | 端到端多智能体科研 FARS；MOSS/书生团队；一线天使轮 | 本体 |
| 头部大模型厂商 | 上游模型 + 平台 | 持续增强推理/代码/agent 能力，可能自建科研 agent | 既是能力来源，也是潜在的"编排内化"者 |
| 海外 AI Scientist 类项目 | 同赛道探索者 | 学术界/创业界同期在做自动科研系统，多为开源 | 路线对标与人才/注意力竞争者 |
| 科研工具类创业（文献/实验） | 单点工具 | 只做综述、代码、数据分析等单环节 | 日行迹的差异是"全流程"，但单点工具更易被采纳 |
| 高校 / 国家实验室 | 科研需求方 + 标准制定者 | 决定"什么算好研究"、是否接受 AI 产出 | 既是潜在客户，也是产出质量的裁判 |
判断① 它的能力来源（大模型厂商）同时是它最可能的绕过者——上游每次升级都可能把编排价值吸走，这是"模型之上做 agent"的典型危险结构。② 它唯一可能上游难复制的资产是"专有科研数据/实验能力 + 对好研究的判断"——护城河只能建在这里，否则就是可替代的通用编排。③ 学术共同体既是买方也是裁判——它们接不接受 AI 产出，直接决定日行迹的产出有没有价值。日行迹的生存空间，就在"从通用编排走向专有科研资产、并让产出被共同体认可"这条窄路上。
判断五个断点里，断点 1（质量）和断点 2（买方）最致命：前者决定它是不是真科研，后者决定它是不是真生意。它的技术和团队已经证明过了，接下来要证明的是"产出有价值"和"有人肯买单"——而这两样，恰恰都是它至今没拿出可验证证据的地方。
| 风险 | 说明 | 观察信号 |
|---|---|---|
| 产出质量不达学术标准（母题） | 自动产论文若多为不可复现或平庸成果，科学与商业价值同时坍塌，甚至引发学术界抵触。 | 是否进入真同行评议 / 被独立复现 / 出现非平凡发现。 |
| 商业模式与买方缺失 | 付费方、产品形态、定价均未公开，可能长期停留在演示阶段。 | 首个持续付费客户；产品化与收费模式落地。 |
| 算力成本高企 | 大规模自动科研依赖大量 GPU，若单位产出成本高于价值，规模化即烧钱。 | 单位产出算力成本轨迹；是否依赖外部算力补贴。 |
| 被上游大模型厂商内化 | 核心能力来自底层模型，编排层价值可能被上游升级吸收。 | 是否拥有专有数据/实验资产；相对大厂 agent 的领先幅度。 |
| 学术伦理与合规 | AI 大规模产论文涉及学术诚信、作者署名、期刊政策等争议，可能触发监管或期刊限制。 | 期刊/机构对 AI 产出的政策变化；是否引发学术伦理争议。 |
| 早期小团队风险 | 2025 年新设、约 15 人，抗风险与规模化交付能力未经检验，商业化人才可能不足。 | 关键岗位（商业化/交付）补齐情况；团队稳定性。 |
判断六类风险的母题是同一个：日行迹这套"自动科研"系统，能不能在质量、买方、成本、护城河的四重考验下，被证明是"产出有价值、有人肯付费、成本可控、上游难绕过"的真生意。这个问题答清楚之前，"一个月产一百篇论文"更多是震撼的技术叙事，而非可持续的护城河。
信息越薄，这份清单越重要——它就是把"叙事"逼回"事实"的工具。★ 是我认为最锋利、最能戳破叙事的问题。
判断① 自动产出里有多少经得起同行检验、有没有真发现（科学价值）？② 谁在持续付费、买的是工具还是发现（商业价值）？③ 有没有大厂拿不到的专有科研资产（护城河）？——这三问答清楚，就知道它是"科研范式革命的先行者"，还是"技术出色、但叫好不叫座的论文流水线"。
基于公开报道与公司/媒体披露的深度梳理，主要维度（节选）：
· 团队：创始人孙天祥（曾主导 MOSS 大模型），核心成员来自复旦 MOSS 团队与 InternLM（书生）项目，团队约 15 人（投资界、36氪等报道）
· 产品：FARS 全自动研究系统，多智能体端到端科研；约 160 GPU 连续运行十余天、批量产出上百篇 AI 论文的公开演示（36氪、阿里云工开物、技术分析报道）
· 融资：天使轮数千万美元，高榕创投、红杉中国、光源资本、奇绩创坛、美团龙珠等参与（投资界、企查查竞品信息）
· 主体：上海日行迹智能科技有限公司，2025 年 3 月成立