寻找“科学智能”的下一个高地

源济

寻找“科学智能”的下一个高地

原创 杨安琪 财富FORTUNE

2026年7月27日 08:06

在生物医药领域，一连串有趣的现象正在发生。

图片来源：视觉中国

6月初，全球最受关注的AI公司之一Anthropic发表了一篇科学博客，题目是《Paving the way for agents in biology》（为生物学智能体铺平道路）。这篇文章没有立刻引起太大关注，但后面发生的事让它显得更有意味。

6月19日，2024年诺贝尔化学奖得主、AlphaFold核心缔造者John Jumper在X上发文称，自己要离开工作近九年的谷歌DeepMind，加入Anthropic。

Anthropic在那篇文章里讨论的，并不是又一个更大的模型，而是生物学智能体的基础设施问题。AI巨头认为，生物学的AI瓶颈很大程度上卡在数据基础设施上。今天的生物学数据仍然分散在不同数据库、文件格式、检索脚本和实验记录里。更朴素地说，AI想进入生物医药系统，就像现代汽车驶入一座汽车出现前建好的老城，城市有历史，街道也有秩序，只是窄、弯、断头路多。

同样的信号也在中国出现。6月19日，有媒体报道，字节跳动AI制药业务线Anew Labs启动拆分与独立融资。通用大模型公司、互联网平台和科学智能（AI for Science）公司，正在从不同入口挤进同一条通道。

如果说技术侧的变化还需要解释，资本市场已经先把票投了出去。过去一轮，科学智能不再只是实验室里的方法论讨论，而开始变成全球资金配置的核心方向之一：近半年相关融资规模已逼近50亿美元。

这笔钱并不是平均撒向所有科学软件公司，而是集中流向那些有机会重塑研发流程的平台型公司。

材料科学方向的CuspAI，在不到一年内估值升至26亿美元；Isomorphic Labs的21亿美元B轮融资，押的是用AI通用引擎改写药物发现；Recursive还没有产品和收入，却已凭借AI药物研发平台拿到6.5亿美元融资和46.5亿美元估值。资本真正买的，不是一两个模型的参数表现，而是下一代科研基础设施的入口。

这也是科学智能被反复推到聚光灯下的原因。它同时牵动技术范式、产业效率和国家科技竞争：谁能更快提出假设、验证假设、积累数据，并把科学结果转成产业能力，谁就可能掌握下一轮研发体系的主动权。

因此，诸如晶泰科技、英矽智能、恩和科技和深势科技等等来自中国的公司也正在崛起。它们彼此并非毫无关联，而是中国科学智能在不同层面的代表案例：有人证明研发服务收入，有人证明AI原生管线交易，有人把生物制造推进到材料和产线，有人从科学计算底座切入，有的在回答一个更长链条的问题：AI能不能贯穿从科学假设、实验执行、数据回流到工业交付的全过程。

过去几年，AI进入生命科学，最先被看见的是制药。

AlphaFold之后，AI制药公司开始把模型能力翻译成项目、管线和订单。这个行业终于从“模型能不能理解生命”这种宏大问题，走到了“客户愿不愿意付钱”这种更残酷也更有效的问题。

2025年，晶泰科技交出了结果。公司全年营收8.03亿元，同比增长201.2%；年内利润1.35亿元，经调整利润净额2.582亿元，首次实现年度盈利，也被称为港股科学智能领域首家盈利企业。

在中国科学智能图谱里，晶泰科技代表的是服务型路径：把AI、计算化学和自动化实验能力，翻译成客户订单、项目交付和利润表。这件事的意义不在“又一家AI公司赚钱了”，而在于AI研发服务开始从科学演示走向可规模化交付。

英矽智能给出的是另一种信号。今年3月，英矽智能宣布与礼来达成全球授权和研发合作。协议包括1.15亿美元首付款，后续开发、监管和商业化里程碑付款后，交易总价值最高可达约27.5亿美元，并包含未来销售额的分级特许权使用费。

英矽智能代表的是资产型路径：AI不只是提高药物研发效率的工具，也有可能独立创造高价值管线，进入跨国药企熟悉的资产交易体系。晶泰证明AI研发服务可以赚钱，英矽证明AI原生资产可以被大药企买单。

水面上的事实已经足够清楚：AI制药开始走过证明阶段，进入商业兑现阶段。

但生命科学不止有药。

更大的非药战场正在浮出水面。食品、个护、材料、农业、化工，这些行业同样需要生物制造，也同样被成本、稳定性和规模化困住。这里没有临床资产的高估值想象，也没有药企用几十亿美元合同提前购买未来。客户更冷静，毛利更现实，验证更琐碎。

图片来源：视觉中国

一个分子在实验室里能做出来，只是故事开始。它能不能在500升、5000升、30吨规模下稳定生产，批次之间能不能控制，最终成本能不能压到客户愿意采购，这些问题更难讲，也更要命。

在药物研发里，失败本身被制度吸收。临床前、一期、二期、三期，每一个阶段都有失败概率和解释空间。到了非药场景，失败很少有这种体面的包装。食品厂、材料厂、化工客户和个护品牌不会长期为“方向正确”买单，它们更关心价格、供应稳定性、认证周期和交付责任。

合成生物行业已经为此交过学费。Amyris曾经是行业最耀眼的名字之一，从生物燃料讲到个人护理、香精香料、甜味剂，什么都想做，也什么都做了。直到2023年，Amyris进入破产保护。这个案例不宜被简单归结为技术失败，它更像是平台雄心、产品线扩张、生产放大和现金流压力同时失控。

非药生物制造真正难的地方，在于它要同时回答两套问题：技术问菌株、代谢路径、通量、模型、数据；工业问产能、良品率、成本、认证、复购。很多公司在第一套问题里显得聪明，到了第二套问题开始变沉默。

回到国内，如果说晶泰和英矽是药端AI4S的代表，那么非药领域和底层基础设施正在形成另一组代表案例。它们面对的不是同一个商业问题，却共同指向一个趋势：科学智能的战场正在从药物发现，扩展到材料、化工、食品、个护、科学计算和工业生物制造。

深势科技是AI4S科学计算底座的代表案例。它从更底层的分子模拟和科学计算切入，不急于把自己讲成某一个药物或材料公司的替代品，而是试图把机器学习、分子动力学、量子化学计算和科研软件平台做成基础设施。换句话说，深势科技要回答的是另一个问题：如果未来的药物、材料、能源和化学研发都需要更强的计算底座，那么中国公司能不能在这个底座上拥有自己的工具链。

在深势创始人孙伟杰看来，科学智能的价值就在于不只是解决一两个细分领域里AI如何突破的问题，而是要给全球的科学研究和科学发现，创造一个共性的科学基座。科学智能能对传统科研工具进行智能化升级与替代；与此同时，AI智能体已经可以模拟人类，独立承接科研任务、完整实现闭环。

这条路没有晶泰、英矽的财务和交易信号那么容易被资本市场读懂，但科学智能不可能只靠应用公司完成。上层有管线、材料和原料，底层还需要科学计算平台、模拟工具、数据管理和模型训练基础设施。OpenAI、Anthropic等通用大模型巨头也选择入局，发布GPT-Rosalind、Fable 5等能够赋能科学研发的模型，本质上也是看到了这一层价值。

恩和科技则是另一类科学智能代表案例。它处理的不是单一药物资产，也不是单一材料产品，而是更靠近工业现场的一段长链路。

与深势科技相比，恩和提供的是完整的端到端能力。深势科技像是从科学计算底座出发，恩和则试图打通的是从科学问题、分子和菌株设计、实验规划、自动化执行、数据回流，到中试放大、生产交付和客户验证的完整链条。它要回答的问题不是“AI能不能算”，也不只是“某个分子能不能造”，而是AI能不能把研发、实验、放大和商业交付放进同一个闭环系统。

恩和科技创始人崔好没有把AI生物制造讲成突然降临的新风口。她谈到的第一个判断，是生命科学工具本身已经经历了底层变化。基因理解、基因合成、基因编辑、高通量实验，让人类获得了更多观察和改造生命体的能力。

但生命系统太复杂，控制网络太大，单一视角很难理解。未来人类对生物系统的期待，是让它们可以被量化、控制、预测，也可以被编辑、编程。实验通量提升只是手段，关键是采集足够重要、足够多、足够高质量的数据。

这句话放在行业里看，指向的是一个基础问题：AI能不能真正理解生命系统，取决于它能不能获得可验证、可反馈、可持续积累的数据。论文、数据库、公开序列当然有价值，但真正让生物制造进入工业系统的，是设计、菌株、发酵、中试、生产、失败、复盘构成的全链条经验。

崔好创办恩和后，很早就开始搭建生物铸造厂（Biofoundry)，把过去实验小组靠手工操作的流程，变成更高通量的平台，并对实验流程完成数字化。实验设计不再只写在实验记录本里，而是在软件里完成，每个步骤可以被追踪。

到今天，这套基础设施被恩和进一步收束进SAION AI体系：认知层负责理解生命知识和实验目标，控制层负责规划和调度实验，执行层连接Cell2Cloud Biofoundry，把方案真正送进湿实验和发酵体系。

这听上去像基础工作，但很多产业差距就埋在这里。生物学实验过去太依赖“师傅手艺”。同样一份SOP，不同人写法不同，粗细不同，理解也不同。一个“充分混匀”、一个“适量”、一个“室温”，在不同实验室、不同班组、不同设备上，都可能生成不同结果。

BPL（Biology Protocol Language）在这里扮演的是连接控制层和执行层的语言接口。它把科学家用自然语言写下的实验意图，转成更标准、更可验证的实验协议，让AI生成的方案不只是停在屏幕上，而是可以被机器执行、被过程记录、被结果反馈。BPL重要，但它只是SAION AI端到端闭环里的一个环节。

真正需要被强调的是SAION AI的系统性：它不是单独做分子预测，也不是单独做实验自动化，而是把“设计、构建、测试、学习”放到一个连续流程里。一个项目里形成的菌株、发酵、检测、放大和失败数据，能够回流到后续项目中；一个科学家的经验，也有机会被沉淀成跨项目可复用的流程。对非药生物制造来说，这种端到端闭环更接近客户真正关心的问题：周期、成本、放大稳定性和交付责任。

深势科技和恩和科技的差异，恰好构成了非药生物制造和中国科学智能的几种典型路线。深势科技从科学计算底层往外走，要证明模型、模拟和软件平台可以成为科研产业化的基础设施。恩和从端到端工程系统往下扎，要证明实验协议、数据闭环、生物铸造厂、AI系统和生产交付可以被打通，不同项目中的经验不只停留在某个团队或某个工厂里，而是能沉淀成可复用能力。

两条路都难，也都没有资格提前宣布胜利。单品类路线的问题在于天花板。把一个产品做透，可以形成壁垒，也可能把能力锁在一条产业链里。基础设施路线的问题在于兑现，工具链需要被大量真实项目采用才有网络效应。端到端平台路线的问题在于验证，说自己能跨品类、跨行业、跨场景，听起来很大，落地时要经受客户、成本、数据闭环和生产放大的多重审问。

微生物制造和AI制药之间的差异，也决定了它们各自的商业节奏。药物研发往往要经过细胞模型、动物模型、人体临床，一个化合物到底在哪个阶段失败，闭环时间很长。微生物制造面对的是另一个问题：给定一个菌株底盘，让它生产目标产物。改10个基因不够，就改20个；20个不够，再改50个、100个。结果也更直接，看它在平板、发酵罐、中试、吨级规模上的表现。

AI制药的高价值来自药物资产本身，但闭环周期长，失败成本高，监管链条复杂。微生物制造的价值来自高频迭代和工业放大。它不一定能像制药那样轻易讲出27.5亿美元授权故事，但它有机会在更短闭环里持续积累数据，逐步降低研发不确定性、周期和成本。

这也解释了为什么数据会成为行业下一阶段的核心壁垒。

语言模型吃互联网文本，自动驾驶吃真实道路数据，具身智能苦于真机数据昂贵。生物制造也一样。论文和公共数据库很多，但从基因型到表型，从设计端到菌株，从发酵罐到工业化生产，中间那些失败案例、工艺参数、放大经验和操作偏差，过去散落在实验记录、设备系统和工程师脑子里。

图片来源：视觉中国

AI要在生物制造里真正起作用，不能只读论文，它必须见过足够多的真实失败。这种数据很难靠单纯烧钱买来。实验需要周期、成本和验证。生物学不像语言模型评测，人类可以出一堆题，粗略判断模型聪明不聪明。基因到表型之间的关系需要实验验证，评估本身要付出成本。过去全球论文里散落了很多记录，也有大量基因序列，但真正把实验、工艺和工业化生产串起来的数据，仍然稀缺。

这也是“AI scientist”这个词真正值得讨论的地方。它不应该只是一个能生成假设的聊天界面，而应该是一个能提出问题、设计实验、执行验证、吸收失败、再进入下一轮研发的系统。但这并不意味着科学家可以被简单替代。越靠近未知边界，越需要人判断什么问题值得问，什么失败值得继续追，什么路径只是看起来聪明。

把晶泰、英矽、恩和和深势科技放在一起看，中国科学智能的代表案例已经不再只有一种形态。它可以是服务收入，可以是药物资产，可以是科学计算底座，也可以是像恩和这样试图把AI、实验、数据、产线和客户交付打通的端到端生物制造平台。

更冷静地看，生物制造的“ChatGPT时刻”还没有到来。分子生物学的下一个高地，不会只属于最会发现分子的人，也不会只属于最会讲模型故事的人。它会属于那些能把分子、数据、实验、产线和客户订单放进同一条链路的人。也正是在这个意义上，试图把科学智能从模型、实验和工厂之间的断点，推向端到端能力可能带来不一样的成果。

AI制药已经证明，水面上的机会可以变现。非药战场接下来要证明的，是生物制造能不能穿过更难的工业现场。产业最终会在这些地方分出胜负。（财富中文网）