不是 AI · 面向科学研究的机器心智

发现你的下一个
科学突破。

认识 Lois，你的实验搭档——一个系统，掌控你所有的工具。第一次，你不必再在各个应用之间来回切换：她把来源连成一份记录，把你可能漏掉的关联摆到你面前，并记录每一步。如果证据不存在，她会说“未知”，而不是填补空白。

打开实时研究平台 →启动研究试点

真实科学来源不是语言模型

每个事实都有记录数据库、ID、来源、检索路径

未知保持未知不编造事实

P69905HBA1 · HBA2疾病 · 蛋白 · 结构基因 · 结构域 · 预测结构

“从问题到证据——
一张连通的分子世界视图。”

为什么选择 Lois。

简单易用，为发现而生：我们帮你找到下一个重大的科学突破——把藏在各个来源之间的东西摆出来，把你本会漏掉的点连起来。

找到下一个突破

一个问题涉及的一切证据汇在一处，通向下一个突破的那条关联就在你眼前，而不是埋在某个标签页里。

抓住你会漏掉的关联

共同的疾病、尚未查看的相互作用蛋白、缺失的结构——从记录中浮现，每一条都带着凭证。

一个系统，掌控所有工具

数据库、文献、序列、结构、化学与你自己的计算，都在一处运行。第一次，你不必再在各个应用之间来回切换。

记录每一步

每个事实都钉定来源；整份记录可以直接交给同事或下一步实验，未知与未决问题一目了然。

实际运行

一个问题，多个科学来源。

用自然语言问 Lois。她查询合适的科学来源，返回结构化证据，并准确告诉你每个事实来自哪里。

试试这些问题 →

研究 P69905 研究 BRCA1 研究 TP53 BRCA1 和 TP53 有什么联系？研究 HBB

科学 研究控制台

新建研究研究平台图谱证据计算记事本已保存

这个控制台是怎么工作的

底座不是 AI：它由记录下来的事实构成，每一条都钉定来源。你问开放性问题时，Lois 会读取实时来源，由语言模型用刚取回的内容组织措辞——每一句要么带着凭证，要么被标为“未核验”。平台没有的蛋白会实时去公共数据库查询。服务器不保存你的平台；它随这个标签页一起存在。打开实时研究平台 →

用 Lois 可以做什么？

把复杂的研究流程，变成一次连贯、可检查的研究会话。

查看全部应用场景 →

构建靶点档案

把文献、功能、序列、结构、变异、通路等汇入一份研究记录。

试试靶点档案 →

研究疾病或科学问题

从疾病、靶点或问题出发。Lois 跨来源推进，展示已支持与不确定之处。

开展一次研究 →

追踪变异与分子证据

从基因到变异、蛋白、结构、通路与文献，标识符始终不丢。

探索一个变异 →

同时检索文献与数据库

论文与其引用的分子记录并列呈现。引用本身不等于证明。

试试文献检索 →

运行计算研究

在计算分析中使用检索到的记录，同时保留输入、输出与参数。

查看一次计算 →

无权重系统

不是 AI。
一个没有权重的机器心智。

Peel 没有神经网络权重——没有训练出来的东西，没有需要重训、会漂移或可供藏匿的东西。它的运作方式正是你希望机器心智该有的样子，但每个回答都可追责：每个事实都带着它的来源。它从失败中学习：每一次失败都变成一条引用其证据的规则，且没有任何规则能扩大系统被允许做的事。

没有需要重训的权重
从失败中学习，而非训练数据
每个事实都钉定其来源
未知保持未知

探索无权重系统 →

Peel
无权重
系统

形状分层

拖动旋转 · 滚动缩放 · 点击查看

用键盘浏览路径

回合 1 (X)回合 2 (Y)回合 3 (Z)

由记录构成，而非权重

事实、类型化关系及其来源——端到端可检查。

~372k: 结构化知识记录
35: 类型化关系
~65k: 关系实例

公开论文报告的原型规模。

为什么不用大语言模型

为什么不直接用 Claude 或 ChatGPT？

大语言模型很强，我们也测试过一个。Claude 对被遮蔽的蛋白质—药物事实的猜测，有 85.8% 与密封记录一致，用它来规划测量，成本降低了 38%。但一旦让这些猜测决定什么被当作事实，正确识别率就从 100% 掉到 75.3%——四次里错一次。模型的先验不是证据。所以在 Perslis，事实由底座负责：模型可以排序、可以建议，但永远不能采纳一条事实。这也是为什么这里每个回答都带着凭证，而没有凭证的句子会被明确标出。当 Lois 用语言模型组织开放问题的措辞时，每一句仍然带着凭证，或者被标为“未核验”。

原型基准测试（DGM-005C-HARD，160 个激酶实例，测试的模型是 Claude）。尚未经同行评审。视频为英文。