SandboxAQ

概述

SandboxAQ 是以物理和化学为锚点的 AI 公司，提出并实践“定量化 AI（Quantitative AI）”的理念。公司通过结合大规模数据、物理约束和量子/高性能计算，开发一系列面向工业与科研的**大规模定量模型（LQMs）**与工具，目标是在药物发现、新材料设计、网络安全、导航与医疗诊断等领域实现可解释且高精度的预测与决策支持。

核心能力

1. 物理驱动的建模: 将量子化学与力场方法嵌入模型训练流程，保证预测符合自然法则并提升可解释性。
2. 大规模数据与专用数据集: 例如 SAIR（数百万蛋白-配体共折叠三维结构）为结构感知药物发现提供高质量训练与验证基准。
3. 专项模型与平台: 包括用于催化的 AQCat25-EV2（实现接近量子精度的催化预测）与开源结构预测套件 OpenFold3，支持结构感知的药物筛选与设计。
4. 自治化研发工具: 如 Agentic AI Chemist / AQAssist，能够自主探索化学空间、并行评估数百万候选路径以加速分子设计与优化。
5. 高可扩展性与工业兼容性: 通过与 NVIDIA、云服务商及国防/生命科学机构的合作，提供可在真实场景部署的可扩展算力与工作流整合。

主要功能与特性

1. 结构感知的药物发现: 基于三维结构的结合亲和力预测、配体优化与虚拟筛选，加速先导化合物识别。
2. 量子级别催化预测: 对工业相关原子类型提供高精度催化性能预测，助力新化学品与材料开发。
3. 大规模数据集与开源工具: 提供公开数据（如 SAIR）与开源模型（OpenFold3），促进社区复现与协同创新。
4. 自治化化学探索: Agentic 系统能组合多模型决策，自动生成、评估并优化化学路径与分子设计策略。
5. 跨领域应用部署: 覆盖网络安全、导航、医学诊断与电池/材料研究，已被国防机构、学术与企业客户采用。

推荐原因

SandboxAQ 将严格的科学、量子与物理知识嵌入 AI 模型，弥补传统纯数据驱动方法在可解释性和物理一致性上的短板。对于需要高置信度预测与可验证物理依据的行业（如制药、能源与国防），其端到端数据、模型与算力协同能力能够显著缩短研发周期、降低试验成本并提升成功率。此外，开放数据与开源项目有利于生态系统合作与技术普及。

合作与生态

SandboxAQ 与多家大型企业、科研机构及投资方合作（包括 NVIDIA、学术机构与多家机构投资者），并提供演示申请与行业洞见订阅，便于企业评估其 LQM 能力并进行定制化部署。