从代码到实验：AI科研的下一个1200亿美元商业闭环在哪里？
寻找代码之外的下一个价值高地
过去两年，人工智能在编程领域的爆发式增长不仅重塑了软件开发流程，更为行业确立了一个高价值的商业标杆。海外权威机构预测，在未来12个月内，AI编程有望为OpenAI和Anthropic等头部企业带来约1200亿美元的年化收入。这一惊人数字背后的逻辑并不复杂：代码天然具备一套完美的“验证器”——编译器。每当大模型生成一段代码，系统能立即通过编译和测试告知对错，模型的能力由此被迅速转化为可量化的生产力。
然而，随着AI Coding逐渐成为一种市场共识，资本与产业界开始将目光投向更广阔的科学研发领域。科学研究，尤其是生命科学、新材料和化工行业，每年消耗着数以万亿计的研发资金。欧盟委员会数据显示，2024年全球研发投入最高的2000家公司合计投入约1.446万亿欧元。尽管投入巨大，但传统科研仍深陷低效试错、流程割裂和重复实验的泥潭。从提升数字生产率到提升科学生产率，AI for Science（AI4S）正试图复刻AI Coding的成功路径，但其核心挑战在于，科学领域的“验证器”并非编译器，而是真实且昂贵的物理实验。
破解科学验证难题：DMTA闭环的力量
传统科研是一种高度依赖专家经验的生产方式，知识分散在论文、专利和实验记录中，大量失败数据往往被闲置，无法形成有效积累。AI for Science的核心使命，是改变整个科研流程，而不仅仅是优化某个环节。虽然大模型在数字世界能提出看似合理的分子结构或材料配方，但若无法接受物理世界的检验，这些假设便毫无意义。科学Agent长期面临的瓶颈，正是可以设计实验却无法对实验结果负责。
AI4S的关键突破在于构建了“设计—制造—测试—分析”（DMTA）的闭环，这被视为科学领域版的“编译器”。通过这一闭环，每一个模型假设都能接受真实实验的检验，并将实验结果重新反馈给下一轮预测，使AI能够“验证自己”。英伟达、Anthropic等巨头正在加速布局，从基础模型向实验环节延伸。相比之下，晶泰科技凭借近十年的积累，率先实现了大语言模型、垂直科学模型与自动化机器人实验室的深度耦合，发布了面向科学研发场景的开放智能研发平台XtalPi Science。
这套原生操作系统将过去分散在模型、数据、软件和实验设备中的能力整合为跨行业复用的基础设施。其中，Genius Agents承担研发流程的编排工作，将复杂任务拆解为具体步骤，调用专业模型和实验能力，并汇总结果沉淀知识。这种“AI规模化探索 + 科学家关键决策”的协作范式，将部分原本以周或月计算的验证周期压缩至“以天为单位”，极大提升了研发效率。
数据飞轮：从失败中提炼核心壁垒
比效率提升更为核心的价值，在于系统开始持续生产AI真正稀缺的数据。每一次成功、失败或异常实验，都被完整记录并转化为训练数据。与公开文献不同，真实研发过程中的失败样本更具价值，它们帮助AI识别“为什么失败”，而非仅仅知道“什么成功”。
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。这些数据直接提升了模型能力：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高达81%至89%。在真实服务项目中，目标分子合成所需的实验迭代次数从5-10次缩短至平均1.19次。
这构建了一个正向循环的数据飞轮：实验越多，数据越丰富；数据越丰富，模型判断越准确；系统越准确，吸引更多科研任务进入平台。晶泰的壁垒不再是静态的数据集，而是一套能持续生产高质量数据、打通物理闭环的系统。这种由长期积累的失败数据和真实研发流程形成的经验，难以在短期内被竞争对手复制。
商业模式重构：从交付项目到交付能力
过去，市场习惯将晶泰科技定义为一家AI制药公司，但这一定义已无法涵盖其最新进展。随着XtalPi Science平台的发布，晶泰正在重新组织其能力，从交付单个研发项目，转向持续供给科研能力。平台覆盖药物分子、蛋白、化学反应、材料配方甚至太阳能电池等多个领域，底层流程高度一致：理解目标、调用数据、设计执行、优化反馈。
这种转变带来了三种不同的价值来源。首先是现有业务价值，包括药物发现和机器人实验室服务，为平台提供现金流和真实项目数据。其次是平台调用价值，通过Science Token机制，同一套模型、工具和实验设施可被不同客户重复使用，提升资产利用率。最后是研发成果的期权价值，通过里程碑付款、知识产权授权等方式，分享药物或新材料商业化的长期收益。
Science Token与科研基础设施化
XtalPi Science的发布标志着科研进入Token经济时代。Science Token是一种统一调度与计量机制，将大模型、科学数据库、仿真工具和自动化实验设备等复杂资源抽象为一种统一能力。用户购买的不再是单一工具，而是能完整交付结果的科研任务。
这一机制改变了科研能力的计价方式，使科研服务像云计算一样按需取用、按量计费。同时，它建立了生态调度机制，允许外部科研机构、模型公司和工具厂商接入平台，由晶泰统一组织调度。截至平台发布初期，已有近200家企业、高校及科研机构提交试用申请，晶泰宣布向联盟成员及合作方提供总计一亿Science Token的试用额度。
估值体系切换与未来展望
AI4S的价值兑现需要完成两次验证：首先证明AI能贯通科研全流程，其次证明该能力可被标准化、规模化复用。晶泰已通过内部研发和真实项目完成第一阶段验证，现正通过平台开启第二阶段。
这种从项目型服务商向科学智能基础设施提供商的转变，将触发估值体系的切换。虽然这一切换需要付费客户、Token调用量、设备利用率等量化指标持续确认，但晶泰在前瞻性布局上已占据先机。在行业形成共识前，它已完成最耗时间、资本且难被补齐的基础建设。
未来的AI不仅需要生成答案，更需要交付证据。科学智能真正稀缺的，是将假设转化为经真实实验验证的结果的能力。XtalPi Science能否推动这一变革，最终将由市场证明。但从当前视角看，现有业务提供底座，平台调用打开空间，真实数据构筑壁垒，研发成果带来弹性，这构成了重新认识晶泰科技的完整框架，也预示了AI for Science巨大的商业潜力。