晶泰科技发布XtalPi Science：构建科学智能研发闭环

晶泰的野心，不止于AI制药

过去两年，人工智能率先在代码开发领域实现了高价值的商业闭环。据行业观察数据，未来12个月内，AI Coding相关业务有望为OpenAI和Anthropic带来合计约1200亿美元的年化收入，这一场景也是推动两大平台商业化增长的核心赛道之一。

Coding能成为大模型最早落地的专业场景，核心不止在于程序员的人力成本，更在于代码天然自带编译、测试与运行的完整验证体系：每一段生成的代码都能快速得到对错反馈，让模型能力的提升直接转化为实际生产力。但随着这一赛道的竞争日趋激烈，投资人开始寻找AI商业化的下一个高价值突破口，而科学研究，正是最接近答案的方向。

据行业公开数据，2024年全球研发投入排名前2000的企业合计投入约1.446万亿欧元，生命科学、新材料、化工与能源等领域每年都要砸下巨额研发资金，但大量资源仍消耗在低效试错、流程割裂与重复实验中。从提升数字生产力到升级科学生产力，AI for Science（科学智能，即AI4S）正在尝试复刻AI Coding的商业化路径——二者的核心区别在于，Coding的验证工具是编译器，而科学智能的验证体系，是真实的物理实验。

目前，英伟达、Anthropic等头部科技企业都在加速布局AI4S赛道，而国内在这一领域布局靠前的企业，正是晶泰科技。2026年7月29日，晶泰科技正式发布面向科学研发场景的开放智能研发平台XtalPi Science，这是一套深度整合大语言模型、垂直科学模型与自动化机器人实验室的AI4S原生操作系统，旨在将分散在模型、数据、软件与实验设备中的能力，整合为一套可跨行业复用的科学研发基础设施。

同期，由27家企业与机构联合发起的“科学智能开放生态联盟”也在发布会现场正式成立，首批成员覆盖医药、材料、具身智能、高校与科研院所，包括三生制药、君实生物、加科思、百诚医药、丹纳赫、无问芯穹、逐际动力及香港中文大学（深圳）等产业与学术参与者。在这场尚处早期但确定性快速提升的产业浪潮中，晶泰科技已经提前占据了关键位置。

判断一家AI4S企业是否具备领先优势，不能仅看单项模型的跑分成绩，更要看其能否对最终的科研结果负责。目前行业内多数参与者仅从模型、科学软件、实验仪器或研发服务的单一环节切入，而晶泰的不同之处在于，它已经将垂直模型、专业工作流、机器人实验室、真实项目数据与产业客户连接成了完整的闭环。

模型能力可以采购、算力可以调用、软件也可以快速开发，但实验基础设施、长期积累的失败实验数据，以及持续运行真实研发流程形成的经验，很难在短时间内被复制。

/ 01 / AI for Science，下一个AI Coding

传统科研仍是高度依赖专家经验的生产模式，大量知识分散在论文、专利、数据库与实验记录中，研发流程完全依靠少数核心专家的个人经验。一次完整的实验往往需要数周甚至数月时间，而大量失败结果与异常数据通常仅留存于个人电脑或实验日志中，既未被结构化保存，也无法为后续研发提供有效参考。

AI4S要改变的，并非只是科研流程中的某一个环节，而是整个研发链路。过去，大模型在科研领域的探索大多停留在数字世界，比如搜索文献、分析数据、调用科学软件，或是提出看似合理的分子结构、合成路线与材料配方，但这些方案是否可行，最终仍需要交给物理世界验证。这也是长期以来科学Agent面临的核心瓶颈：可以设计实验，但无法对实验结果负责，科学领域始终缺少一套类似代码编译器的反馈系统。

而AI4S的核心，恰恰是让AI能够完成自我验证。如果说编译器构成了AI Coding的反馈闭环，那么“设计—制造—测试—分析”的DMTA全流程，就是AI4S在物理世界中的“科学编译器”：它让每一个模型假设都接受真实实验的检验，并将实验结果重新反馈到下一轮的预测优化中。

这一方向正在成为全球科技产业的共同押注点。今年6月，Anthropic推出面向科研人员的Claude Science，通过接入文献、基因组学与化学计算等工具，试图成为科研人员调用数据与软件的统一入口；英伟达则发布BioNeMo Agent Toolkit，并与赛默飞展开合作，将智能体的能力进一步延伸至实验室设备环节。海外巨头的动作验证了AI4S的产业方向，但它们的切入路径仍主要是从基础模型与计算工具向实验环节延伸。

晶泰的差异化优势在于，当这一方向刚成为全球科技产业共识时，它已经围绕垂直科学模型、机器人实验室与真实研发项目积累了近十年的经验。据晶泰介绍，XtalPi Science是全球首个深度耦合大语言模型、垂直领域专业模型与大规模自动化机器人实验室的AI4S原生操作系统。

其中，Genius Agents承担了整个研发流程的编排工作：它可以围绕具体的科研目标制定执行计划，将复杂任务拆解为多个细分步骤，调用对应的专业模型、科学软件与实验能力，最终汇总结果并沉淀项目知识。为了让智能体真正落地到科研组织中，而非仅停留在模型演示层面，晶泰还将DMTA流程拆解为上百类具体的研发意图，将科学家长期积累的隐性经验沉淀为可标准化执行、重复调用的专业工作流。

在这套体系中，AI负责大规模搜索、方案生成与流程执行，而科学家则保留对科研目标、技术路线与关键决策的最终判断权。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与决策等待，将原本以周或月计算的验证周期压缩至以天为单位，还可以自主贯通文献研读、构效分析、分子设计、ADMET预测、合成路线规划与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。

目前，这套体系已经在晶泰内部持续高强度运行，并经过多轮真实研发验证，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，这套系统开始持续生产AI真正需要的高质量数据。每一次成功、失败与异常实验的完整记录，都可以成为新的训练数据。与公开论文和专利相比，这些来自真实研发过程的数据更为稀缺，也更难被竞争对手获取。

公开文献通常只会告诉AI“什么成功了”，而真实项目中的失败数据则能帮助AI识别“为什么失败”。更稀缺的并非最终的实验结果，而是从科研目标、模型预测、路线选择，到实验过程、异常情况与结果反馈的全流程数据。截至目前，晶泰智能自主实验室每月可产生超过5万条反应产率数据与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。

这些数据已经直接反映在模型能力的提升上：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。这些数据的产业意义在于，能够减少昂贵的物理实验轮次，将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，模型与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——这正是晶泰试图建立的完整数据飞轮。晶泰的核心壁垒并非静态的数据集，而是一套可以持续生产高质量数据的系统：模型可以购买和调用，但失败数据与物理实验闭环的搭建，绝非一朝一夕可以完成。

/ 02 / 重新认识晶泰科技：不止于业务边界的拓展

过去，市场通常将晶泰科技归类为AI制药公司，这一分类有着充分的理由：公司的技术起点、客户资源与收入来源，很大程度上都来自药物发现领域。但随着XtalPi Science平台的发布，仅用“AI制药公司”已经无法完整解释晶泰正在推进的业务布局。

目前，XtalPi Science覆盖的研究对象不再局限于药物分子，还包括蛋白、化学反应、材料配方、太阳能电池与工业实验等多个领域。更关键的变化并非行业覆盖范围的扩大，而是晶泰正在重新组织自身的能力体系：过去客户通常购买的是单个研发项目、一套机器人设备或是某一阶段的研究结果，而现在晶泰尝试将模型、专业工具、智能体与自动化实验资源统一整合进XtalPi Science平台，并通过Science Token进行统一调度与计量。

换句话说，晶泰正在改变自身的交付单位：从交付单个项目，逐渐转向持续供给标准化的科研能力。现场演示显示，Genius Agents可以持续整合实验数据、专利、SAR关系与项目上下文，为下一轮实验提供优化建议；在材料研发场景中，平台可以围绕成分、配方、结构与工艺等高维变量开展智能搜索，实现AI“读、想、做”的自闭环，并根据实验结果持续调整候选方案。

尽管这些研究对象各不相同，但底层的研发流程高度一致：理解科研目标、调用数据与模型、设计并执行实验、根据结果进入下一轮优化。XtalPi Science复制的并非某一款单一产品，而是一套可以跨行业迁移的标准化研发流程，每进入一个新的应用场景，平台都会新增对应的模型、工作流与实验数据，这些能力又可以被后续的客户复用。

对于投资者而言，这一模式转型将带来三层不同的价值来源：

第一层是现有业务价值，包括药物发现、机器人实验室与专业研发解决方案，这部分业务可以提供稳定的收入，同时为平台带来真实项目、产业客户与高质量的研发数据；第二层是平台调用价值，随着Science Token、自动化实验服务与私有化部署功能逐步落地，同一套模型、工具与实验设施可以被不同客户重复使用，收入的连续性将得到增强，研发资产的利用率也会大幅提升；第三层是研发成果的期权价值，对于药物管线、新材料与新能源项目，晶泰还可以通过里程碑付款、知识产权授权、合资公司权益与商业化收益分享，获取长期的研发成果回报。

现有业务提供了价值底座与确定性，平台调用贡献了复利增长的空间，研发成果则带来了非线性的向上弹性，这三层价值共同构成了重新认识晶泰科技的完整框架。

/ 03 / Science Token，开启科研的Token经济时代

新的产品形态，必然伴随着商业模式的革新。Science Token是XtalPi Science平台用于统一调度与计量模型、数据、专业工具、Agent与自动化实验资源的核心机制。

一次复杂的科研任务，往往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、自动化实验设备与检测仪器。过去这些资源分属于不同的供应商，采用完全不同的采购、管理与收费方式，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的目标，就是将这些复杂的资源抽象为统一的科研能力。

用户购买的不再是某一个单一工具，而是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、一轮实验验证或是一套数据分析，很难形成标准化的定价，而Science Token将不同资源的调用纳入统一体系后，科研服务将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。

其次，Science Token为AI4S建立了一套开放的生态调度机制：外部科研机构、实验室、模型公司与工具厂商，可以将自己的算法、数据、设备与实验能力接入XtalPi Science平台，由平台统一组织与调度。通过这一机制，晶泰将逐步建立起一个开放的科研服务网络。

/ 04 / 估值体系切换，需要哪些可量化的证据

AI4S的价值兑现需要完成两次关键验证：第一次是证明AI能够贯通完整的科研全流程，第二次是证明这套能力可以被更多客户标准化、规模化地重复使用。晶泰已经在内部研发与真实项目中完成了第一阶段的验证，目前正通过XtalPi Science平台开启第二阶段的规模化验证。

截至2026年7月29日中午，已有近200家企业、高校与科研机构提交了平台试用申请。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。

一旦科研能力可以被反复调用，晶泰的增长逻辑将不再仅取决于每年新增的项目数量，而是取决于同一套模型、工作流与实验设施能够服务的客户数量与完成的任务总量。届时，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。

这种估值体系的切换不会仅靠一次发布会完成，而是需要一系列可量化的商业指标持续验证。但在国内公开市场中，同时拥有垂直科学模型、智能体编排能力、大规模机器人实验室、真实项目数据与跨行业客户资源的企业仍然十分稀缺。

晶泰的前瞻性不仅在于更早看到AI4S赛道的潜力，更在于在行业形成普遍共识之前，已经完成了最耗时、最耗资本，也最难被后来者快速补齐的基础建设。过去的AI擅长生成假设与答案，而下一阶段的AI需要交付经过验证的结果。科学智能真正稀缺的，并非提出更多的假设，而是持续将假设转化为经过真实实验验证的可靠成果。

XtalPi Science能否推动晶泰的估值体系切换，最终仍需要由付费客户数量、Science Token调用量、实验设施利用率与平台收入等核心指标来证明。但从当前时点来看，短期盈利预期正在得到重置，AI4S内生业务仍保持高速增长，平台化的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。