AI的下一個 Claude Code，可能誕生在實驗室

過去兩年，AI率先在Coding領域跑通了高價值商業閉環。

海外機構預計，未來12個月，AI Coding有望為OpenAI和Anthropic帶來合計約1200億美元的年化收入。Coding是推動其商業化增長的重要場景之一。

Coding之所以成為大模型最早兑現價值的專業場景，關鍵並不只是程序員成本高，而是代碼天然擁有編譯、測試和運行結果這套「驗證器」：模型每生成一段代碼，都能迅速知道對錯，並將能力提升直接轉化為生產力。

但隨着Coding逐漸成為市場共識，投資人也開始尋找AI商業化的下一個高價值入口。

科學研究，可能是最接近答案的方向。

歐盟委員會數據顯示，2024年全球研發投入最高的2000家公司，合計投入約1.446萬億歐元。生命科學、新材料、化工和能源等行業，每年都在研發上投入鉅額資金，但大量資源至今仍消耗在低效試錯、流程割裂和重複實驗中。

從提升數字生產率，到提升科學生產率，AI for Science（AI4S，科學智能）正在嘗試復刻AI Coding的商業化路徑。區別在於，Coding的驗證器是編譯器，科學智能的驗證器是真實實驗。

目前，包括英偉達、Anthropic在內的一批頭部科技公司，都在加速佈局AI for Science。而在國內走得相對靠前的，則是晶泰科技。

7月29日，晶泰科技正式發佈面向科學研發場景的開放智能研發平臺XtalPi Science。

這是一套將大語言模型、垂直科學模型與自動化機器人實驗室連接起來的AI for Science原生操作系統。它試圖把過去分散在模型、數據、軟件和實驗設備中的能力，整合為一套可以跨行業複用的科學研發基礎設施。

與此同時，由27家企業和機構聯合發起的「科學智能開放生態聯盟」也在發佈會現場正式成立。首批成員覆蓋醫藥、材料、具身智能、高校和科研院所，包括三生製藥、君實生物、加科思、百誠醫藥、丹納赫、無問芯穹、逐際動力及香港中文大學（深圳）等產業與學術界參與者。

在這場尚處於早期、但確定性正在快速增強的產業浪潮中，晶泰科技無疑已經提前卡住了一個關鍵位置。

判斷一家AI4S企業是否領先，不能只看單項模型跑分，更要看它能否對最終的科研結果負責。

目前，行業中的多數參與者仍然從模型、科學軟件、實驗儀器或研發服務的某一個環節切入。晶泰的不同之處在於，它已經開始將垂直模型、專業工作流、機器人實驗室、真實項目數據和產業客户連接為一個完整閉環。

模型能力可以採購，算力可以調用，軟件也可以快速開發。但實驗基礎設施、長期積累的失敗數據，以及持續運行真實研發流程形成的經驗，很難在短期內複製。

/ 01 / AI for Science，下一個AI Coding

傳統科研仍是一種高度依賴專家經驗的生產方式。

大量知識分散在論文、專利、數據庫和實驗記錄中，研發流程高度依賴少數專家的經驗。一次實驗可能需要數周甚至數月，而大量失敗結果和異常數據，往往留在個人電腦或實驗日誌里，沒有被結構化保存，更無法被下一輪研發有效利用。

AI for Science要改變的，不只是其中某一個環節，而是整個科研流程。

過去，大模型在科學研究領域的探索主要停留在數字世界，包括搜索論文、分析數據、調用科學軟件，也可以提出看似合理的分子結構、合成路線和材料配方。

但這些答案是否成立，最終還是要交給物理世界驗證。這也是一直以來科學Agent面臨的核心瓶頸：可以設計實驗，卻無法對實驗結果負責。換句話説，科學領域一直缺少一套類似代碼編譯器的反饋系統。

而AI4S的核心恰恰是，讓AI能夠驗證自己。

如果説編譯器構成了AI Coding的反饋系統，那麼「設計—製造—測試—分析」的DMTA閉環，就是AI4S在物理世界中的「科學編譯器」：它讓每一個模型假設接受真實實驗檢驗，並將實驗結果重新反饋給下一輪預測。

這也正在成為產業各方共同押注的方向。

今年6月，Anthropic推出面向科研人員的Claude Science，通過接入文獻、基因組學和化學計算等工具，試圖成為科研人員調用數據和軟件的新入口。英偉達則發佈BioNeMo Agent Toolkit，並與賽默飛合作，將智能體進一步延伸至實驗室設備。

海外巨頭的動作驗證了AI4S的產業方向，但其切入路徑仍主要是從基礎模型和計算工具向實驗環節延伸。

晶泰的不同之處在於，當這一方向開始成為全球科技產業共識時，它已經圍繞垂直科學模型、機器人實驗室和真實研發項目積累近十年。

據公司介紹，這是全球首個深度耦合大語言模型（LLM）、垂直領域專業模型與大規模自動化機器人實驗室深度耦合的 AI for Science （科學智能）原生操作系統。

其中，Genius Agents承擔了整個研發流程的編排工作。它可以圍繞具體科研目標制定計劃，將複雜任務拆解成不同步驟，調用相應的專業模型、科學軟件和實驗能力，再匯總結果並沉澱項目知識。

爲了讓智能體真正進入科研組織，而不只是停留在模型演示層面，晶泰進一步將DMTA流程拆解為上百類具體研發意圖，並把科學家長期積累的隱性經驗，沉澱為可以標準化執行、重複調用的專業工作流。

在這套體系中，AI負責大規模搜索、方案生成和流程執行，科學家則保留對科研目標、技術路線和關鍵決策的最終判斷權。

這種「AI 規模化探索 + 科學家關鍵決策」的協作範式，能夠減少研發流程中的交接停滯和決策等待，將部分原本以周或月計算的驗證周期壓縮至「以天為單位」，並自主貫通文獻研讀、構效分析、分子設計、ADMET預測、合成路線規劃及自動化實驗測試等長程任務，將動輒數周甚至數月的研發驗證周期極致壓縮至「以天為單位」。

目前，這套體系已在晶泰內部持續高強度運行並歷經多輪真實研發驗證，成為科學家日常研發中不可或缺的生產力工具。

比效率提升更重要的，是系統開始持續生產AI真正需要的數據。

每一次成功、失敗和異常實驗，都可以被完整記錄下來，成為新的訓練數據。與公開論文和專利相比，這些由真實研發過程產生的數據更稀缺，也更難被競爭對手獲得。

公開文獻通常告訴AI「什麼成功了」，真實項目中的失敗數據則幫助AI識別「為什麼失敗」。更稀缺的還不是最終結果，而是從科研目標、模型預測、路線選擇，到實驗過程、異常情況和結果反饋的全流程數據。

目前，晶泰智能自主實驗室每月產生超過5萬條反應產率數據和30萬條過程數據，累計沉澱超過50萬條真實實驗記錄，其中包含大量公開數據庫長期缺失的失敗樣本。

這些數據已經開始反映在模型能力上。在覆蓋350個真實工業分子的評測中，SureRXN的化學幻覺率降至4.6%，首條合成路線準確率達到51.7%，對失敗實驗的預測準確率達到81%至89%。在真實服務項目中，目標分子合成所需的5至10次實驗迭代被縮短至平均1.19次。

這些數字的產業意義在於，能夠減少昂貴的物理實驗輪次，把研發從依賴經驗的反覆試錯，轉向由真實數據支持的精準預判。

實驗越多，數據越豐富；數據越豐富，模型和智能體的判斷越準確；系統越準確，又會吸引更多科研任務進入平臺。這纔是晶泰真正試圖建立的數據飛輪。

晶泰的壁壘因而不是一個靜態數據集，而是一套持續生產高質量數據的系統。模型可以購買和調用，失敗數據與物理閉環卻無法一夜建成。

/ 02 / 重新認識晶泰科技：改變的不只是業務邊界

過去，市場習慣把晶泰科技理解為一家AI製藥公司。

這一分類有充分理由：公司的技術起點、客户資源和收入來源，很大程度上來自藥物發現。

但XtalPi Science發佈之后，僅用「AI製藥公司」概括晶泰，已經很難解釋它正在做的事情。

平臺覆蓋的對象不再侷限於藥物分子，還包括蛋白、化學反應、材料配方、太陽能電池和工業實驗。更重要的變化並不是行業數量增加，而是晶泰開始重新組織自己的能力。

過去，客户通常購買一個研發項目、一套機器人設備或某個階段的研究結果；現在，晶泰嘗試把模型、專業工具、智能體和自動化實驗資源統一放入XtalPi Science，並通過Science Token進行調度和計量。

換句話説，公司正在改變自己的「交付單位」：從交付單個項目，逐漸轉向持續供給科研能力。

Genius Agents 現場演示顯示，它能夠持續整合實驗數據、專利、SAR關係和項目上下文，為下一輪實驗提供建議；材料則能圍繞成分、配方、結構和工藝等高維變量開展智能搜索，讓 AI「讀、想、做」自閉環，並根據實驗結果持續調整候選方案。

這些研究對象雖然不同，底層流程卻高度一致：理解科研目標，調用數據和模型，設計並執行實驗，再根據結果進入下一輪優化。XtalPi Science所複製的並非某一項應用，而是一套能夠跨行業遷移的科學研發閉環。

除了以上幾種應用外，在這次發佈會上，生態夥伴還展示了虛擬細胞、類器官和鈣鈦礦太陽能電池等方向的應用。

它們面對的科學問題各不相同，但底層流程高度相似：理解科研目標，調取數據和模型，生成實驗方案，執行真實實驗，再根據結果進入下一輪優化。

這些案例共同說明了一件事：XtalPi Science複製的並非某一項產品，而是一套能夠跨行業遷移的研發流程。每進入一個新場景，平臺都會增加新的模型、工作流和實驗數據；這些能力又可以被后續客户複用。

對投資者而言，這可能帶來三種不同的價值來源。

第一種是現有業務價值，包括藥物發現、機器人實驗室和專業研發解決方案。這部分業務提供收入，也為平臺帶來真實項目、產業客户和高質量數據。

第二種是平臺調用價值。隨着Science Token、自動化實驗服務和私有化部署逐步落地，同一套模型、工具和實驗設施可以被不同客户重複使用，收入有望獲得更強的連續性，研發資產的利用率也可能提高。

第三種是研發成果的期權價值。對於藥物管線、新材料和新能源項目，晶泰還可能通過里程碑付款、知識產權授權、合資公司權益和商業化收益分享長期成果。

現有業務提供確定性，平臺調用貢獻複利，研發成果則帶來非線性彈性。這三層價值，構成了重新認識晶泰的完整框架。

/ 03 / Science Token，讓科研進入 Token經濟時代

新的產品形態，也意味着商業模式的變化。

Science Token，是XtalPi Science對模型、數據、專業工具、Agent和自動化實驗資源進行統一調度與計量的機制。

一次複雜的科研任務，可能需要同時調用大模型、分子或蛋白質專用模型、科學數據庫、仿真工具、自動化實驗設備和檢測儀器。過去，這些資源分屬於不同供應商，採用不同的採購、管理和收費方式。

用户需要分別購買軟件、協調實驗室、申請設備，再由科研人員人工串聯整個流程。而Science Token想做的，就是把這些複雜資源抽象成一種統一能力。

用户購買的不再試某一個工具，而是一個可以完整交付結果的科研任務。

Science Token首先改變的是科研能力的計價方式。

過去，一次分子設計、一輪實驗驗證或者一套數據分析，很難形成標準化價格。Science Token將不同資源的調用納入統一體系后，科研服務纔有可能像雲計算一樣，按需取用、按量計費，甚至進一步走向按任務或結果收費。

第二，它為AI for Science建立了一套生態調度機制。外部科研機構、實驗室、模型公司和工具廠商，可以把自己的算法、數據、設備和實驗能力接入XtalPi Science，由平臺統一組織和調度。

至此，晶泰將逐漸建立一個開放的科研服務網絡。

/ 04 / 估值體系切換，需要哪些證據

AI4S的價值兑現需要完成兩次驗證：第一次是證明AI能夠貫通科研全流程，第二次是證明這套能力能夠被更多客户標準化、規模化地重複使用。

晶泰已經在內部研發和真實項目中完成了前一階段驗證，現在正通過XtalPi Science開啟第二階段。

截至7月29 日中午，已有近 200家企業、高校及科研機構提交平臺試用申請。晶泰科技同時宣佈，將向聯盟成員及一批深度合作的高校和科研院所提供總計一億Science Token的平臺試用額度。

一旦科研能力能夠被反覆調用，晶泰的增長就不再只取決於每年新增多少項目，還取決於同一套模型、工作流和實驗設施能夠服務多少客户、完成多少任務。由此，公司纔可能從項目型研發服務商，逐步獲得科學智能基礎設施的平臺屬性。

這種估值體系的切換不會由一次發佈會完成，而需要一系列可量化的商業指標持續確認。但在中國公開市場中，同時擁有垂直科學模型、智能體編排、大規模機器人實驗室、真實項目數據和跨行業客户的企業仍然稀缺。

晶泰的前瞻性，不只是更早看到AI4S，而是在行業形成共識之前，已經完成了最耗時間、最耗資本、也最難被后來者快速補齊的基礎建設。

過去的AI擅長生成答案，下一階段的AI需要交付證據。科學智能真正稀缺的，不是提出更多假設，而是持續把假設轉化為經過真實實驗驗證的結果。

XtalPi Science能否推動估值體系切換，最終仍要由付費客户、Science Token調用量、實驗設施利用率和平臺收入證明。但從當前時點看，短期盈利預期正在重置，AI4S內生業務仍保持高速增長，平臺化商業模式則剛剛進入外部驗證階段。

現有業務提供價值底座，平臺調用打開增長空間，真實數據構成長期壁壘，藥物與材料研發成果帶來向上彈性——這或許纔是重新認識晶泰科技的完整框架。

本文來自微信公眾號「硅基觀察Pro」，作者：阿奇，36氪經授權發佈。