AI的下一个 Claude Code，可能诞生在实验室

/ 01 /

AI for Science，下一个AI Coding

传统科研仍是一种高度依赖专家经验的生产方式。

大量知识分散在论文、专利、数据库和实验记录中，研发流程高度依赖少数专家的经验。一次实验可能需要数周甚至数月，而大量失败结果和异常数据，往往留在个人电脑或实验日志里，没有被结构化保存，更无法被下一轮研发有效利用。

AI for Science要改变的，不只是其中某一个环节，而是整个科研流程。

过去，大模型在科学研究领域的探索主要停留在数字世界，包括搜索论文、分析数据、调用科学软件，也可以提出看似合理的分子结构、合成路线和材料配方。

但这些答案是否成立，最终还是要交给物理世界验证。这也是一直以来科学Agent面临的核心瓶颈：可以设计实验，却无法对实验结果负责。换句话说，科学领域一直缺少一套类似代码编译器的反馈系统。

如果说编译器构成了AI Coding的反馈系统，那么“设计—制造—测试—分析”的DMTA闭环，就是AI4S在物理世界中的“科学编译器”：它让每一个模型假设接受真实实验检验，并将实验结果重新反馈给下一轮预测。

这也正在成为产业各方共同押注的方向。

今年6月，Anthropic推出面向科研人员的Claude Science，通过接入文献、基因组学和化学计算等工具，试图成为科研人员调用数据和软件的新入口。英伟达则发布BioNeMo Agent Toolkit，并与赛默飞合作，将智能体进一步延伸至实验室设备。

海外巨头的动作验证了AI4S的产业方向，但其切入路径仍主要是从基础模型和计算工具向实验环节延伸。

晶泰的不同之处在于，当这一方向开始成为全球科技产业共识时，它已经围绕垂直科学模型、机器人实验室和真实研发项目积累近十年。

据公司介绍，XtalPi Science是全球首个整合大语言模型（LLM）、垂直领域专业模型与大规模自动化机器人实验室的 AI for Science （科学智能）原生操作系统。

其中，Genius Agents承担了整个研发流程的编排工作。它可以围绕具体科研目标制定计划，将复杂任务拆解成不同步骤，调用相应的专业模型、科学软件和实验能力，再汇总结果并沉淀项目知识。

这种“AI 规模化探索 + 科学家关键决策”的协作范式，能够减少研发流程中的交接停滞和决策等待，将部分原本以周或月计算的验证周期压缩至“以天为单位”，并自主贯通文献研读、构效分析、分子设计、ADMET预测、合成路线规划及自动化实验测试等长程任务，将动辄数周甚至数月的研发验证周期极致压缩至“以天为单位”。

目前，这套体系已在晶泰内部持续高强度运行并历经多轮真实研发验证，成为科学家日常研发中不可或缺的生产力工具。

比效率提升更重要的，是系统开始持续生产AI真正需要的数据。

每一次成功、失败和异常实验，都可以被完整记录下来，成为新的训练数据。与公开论文和专利相比，这些由真实研发过程产生的数据更稀缺，也更难被竞争对手获得。

公开文献通常告诉AI“什么成功了”，真实项目中的失败数据则帮助AI识别“为什么失败”。更稀缺的还不是最终结果，而是从科研目标、模型预测、路线选择，到实验过程、异常情况和结果反馈的全流程数据。

目前，晶泰智能自主实验室每月产生超过5万条反应产率数据和30万条过程数据，累计沉淀超过50万条真实实验记录，其中包含大量公开数据库长期缺失的失败样本。

这些数据已经开始反映在模型能力上。在覆盖350个真实工业分子的评测中，SureRXN的化学幻觉率降至4.6%，首条合成路线准确率达到51.7%，对失败实验的预测准确率达到81%至89%。在真实服务项目中，目标分子合成所需的5至10次实验迭代被缩短至平均1.19次。

这些数字的产业意义在于，能够减少昂贵的物理实验轮次，把研发从依赖经验的反复试错，转向由真实数据支持的精准预判。

实验越多，数据越丰富；数据越丰富，模型和智能体的判断越准确；系统越准确，又会吸引更多科研任务进入平台。这才是晶泰真正试图建立的数据飞轮。

晶泰的壁垒因而不是一个静态数据集，而是一套持续生产高质量数据的系统。模型可以购买和调用，失败数据与物理闭环却无法一夜建成。

过去，市场习惯把晶泰科技理解为一家AI制药公司。

这一分类有充分理由：公司的技术起点、客户资源和收入来源，很大程度上来自药物发现。

但XtalPi Science正在改变这一定位：晶泰开始由服务单一行业的技术供应商，向跨学科科学研发基础设施平台延伸。。

平台覆盖的对象不再局限于药物分子，还包括蛋白、化学反应、材料配方、太阳能电池和工业实验。更重要的变化并不是行业数量增加，而是晶泰开始重新组织自己的能力。

过去，客户通常购买一个研发项目、一套机器人设备或某个阶段的研究结果；现在，晶泰尝试把模型、专业工具、智能体和自动化实验资源统一放入XtalPi Science，并通过Science Token进行调度和计量。

换句话说，公司正在改变自己的“交付单位”：从交付单个项目，逐渐转向持续供给科研能力。

Genius Agents 现场演示显示，它能够持续整合实验数据、专利、SAR关系和项目上下文，为下一轮实验提供建议；材料则能围绕成分、配方、结构和工艺等高维变量开展智能搜索，让 AI“读、想、做”自闭环，并根据实验结果持续调整候选方案。

除了以上几种应用外，在这次发布会上，生态伙伴还展示了虚拟细胞、类器官和钙钛矿太阳能电池等方向的应用。

它们面对的科学问题各不相同，但底层流程高度相似：理解科研目标，调取数据和模型，生成实验方案，执行真实实验，再根据结果进入下一轮优化。

这些案例共同说明了一件事：XtalPi Science复制的并非某一项产品，而是一套能够跨行业迁移的研发流程。每进入一个新场景，平台都会增加新的模型、工作流和实验数据；这些能力又可以被后续客户复用。

对投资者而言，这可能带来三种不同的价值来源。

第一种是现有业务价值，包括药物发现、机器人实验室和专业研发解决方案。这部分业务提供收入，也为平台带来真实项目、产业客户和高质量数据。

第二种是平台调用价值。随着Science Token、自动化实验服务和私有化部署逐步落地，同一套模型、工具和实验设施可以被不同客户重复使用，收入有望获得更强的连续性，研发资产的利用率也可能提高。

第三种是研发成果的期权价值。对于药物管线、新材料和新能源项目，晶泰还可能通过里程碑付款、知识产权授权、合资公司权益和商业化收益分享长期成果。

现有业务提供确定性，平台调用贡献复利，研发成果则带来非线性弹性。这三层价值，构成了重新认识晶泰的完整框架。

新的产品形态，也意味着商业模式的变化。

Science Token，是XtalPi Science对模型、数据、专业工具、Agent和自动化实验资源进行统一调度与计量的机制。

一次复杂的科研任务，可能需要同时调用大模型、分子或蛋白质专用模型、科学数据库、仿真工具、自动化实验设备和检测仪器。过去，这些资源分属于不同供应商，采用不同的采购、管理和收费方式。

用户需要分别购买软件、协调实验室、申请设备，再由科研人员人工串联整个流程。而Science Token想做的，就是把这些复杂资源抽象成一种统一能力。

用户购买的不再是某一个工具，而是一个可以完整交付结果的科研任务。

Science Token首先改变的是科研能力的计价方式。

过去，一次分子设计、一轮实验验证或者一套数据分析，很难形成标准化价格。Science Token将不同资源的调用纳入统一体系后，科研服务才有可能像云计算一样，按需取用、按量计费，甚至进一步走向按任务或结果收费。

第二，它为AI for Science建立了一套生态调度机制。外部科研机构、实验室、模型公司和工具厂商，可以把自己的算法、数据、设备和实验能力接入XtalPi Science，由平台统一组织和调度。

至此，晶泰将逐渐建立一个开放的科研服务网络。

AI4S的价值兑现需要完成两次验证：第一次是证明AI能够贯通科研全流程，第二次是证明这套能力能够被更多客户标准化、规模化地重复使用。

晶泰已经在内部研发和真实项目中完成了前一阶段验证，现在正通过XtalPi Science开启第二阶段。

截至7月29 日中午，已有近 200家企业、高校及科研机构提交平台试用申请。晶泰科技同时宣布，将向联盟成员及一批深度合作的高校和科研院所提供总计一亿Science Token的平台试用额度。

一旦科研能力能够被反复调用，晶泰的增长就不再只取决于每年新增多少项目，还取决于同一套模型、工作流和实验设施能够服务多少客户、完成多少任务。由此，公司将从项目型研发服务商，逐步获得科学智能基础设施的平台属性。

在全球范围内，同时拥有垂直科学模型、智能体编排、大规模机器人实验室、真实项目数据和跨行业客户的企业仍然稀缺。

晶泰的前瞻性，不只是更早看到AI4S，而是在行业形成共识之前，已经完成了最耗时间、最耗资本、也最难被后来者快速补齐的基础建设。

过去的AI擅长生成答案，下一阶段的AI需要交付证据。科学智能真正稀缺的，不是提出更多假设，而是持续把假设转化为经过真实实验验证的结果。

XtalPi Science能否推动估值体系切换，最终仍要由付费客户、Science Token调用量、实验设施利用率和平台收入证明。但从当前时点看，短期盈利预期正在重置，AI4S内生业务仍保持高速增长，平台化商业模式则刚刚进入外部验证阶段。

现有业务提供价值底座，平台调用打开增长空间，真实数据构成长期壁垒，药物与材料研发成果带来向上弹性——这或许才是重新认识晶泰科技的完整框架。