AI开始自己做实验：一个新的千亿级赛道正在浮现？|实验|科学|自动化

如果有一天，新药、新材料甚至新的电池配方，不再主要依靠科研人员一遍遍“做实验、等结果、再调整”，而是由AI自动提出方案，机械臂24小时操作仪器，实验结果出来后AI再自动分析并设计下一轮实验，会发生什么？

这件事已经不再停留在想象中。

8月21日举行的2026科学智能大会上，北京发布首批人工智能赋能科学研究典型案例，共涉及5大领域、16个案例，覆盖自主实验室、高价值科研场景、科学模型、科学数据和创新生态等环节。与此同时，中关村（海淀）科学智能创新集聚区正式亮相，统筹160万平方米产业空间和74万平方米中试空间。(央视城市新闻)

这条新闻真正值得投资者注意的，并不是又多了16个“AI应用案例”。

而是AI正在发生一次重要身份变化：

过去AI主要回答问题，现在AI开始动手做实验。

这背后，一个被称为AI for Science，也就是AI4S的新产业正在从科研概念走向产业化。

一、AI已经不满足于“当助手”，开始接管实验流程

过去两年的大模型热潮，最容易看到的应用是写文章、做图片、写代码。

科学研究完全不同。

真正的科研不仅需要“知道答案”，还要提出假设、设计实验、准备样品、调用仪器、记录数据、分析结果，再决定下一步做什么。

这是一条复杂的闭环。

现在AI正在尝试把这条闭环连接起来。

以北京此次公布的案例为例，清华大学化学系建设的化学研究自主实验室，正在建立数据和算法驱动的化学研究模式，实现从分子设计到智能表征的全流程无人运行。(新浪财经)

另一个案例更加直观。

北京大学相关团队研发的智能细胞化学重编程和克隆筛选平台，占地只有约6平方米，却可以独立完成从指尖采血到干细胞培育的120多个步骤，全程无需人工干预。公开报道显示，这套系统处理效率提升约3倍，实验误差从最高10%下降至1%以下。(北京市科学技术委员会)

上海今年也已经出现类似变化。

由上海科学智能研究院等开发的智能研发平台，实现AI计算与实验设备联动，可完成无人值守的科研流程，并已在生物医药、能源材料、日化配方等场景开展验证。(CGTN News)

这意味着一个重要变化：

机器人过去进入的是工厂，现在开始进入实验室。

而它身后的“大脑”，就是AI。

二、为什么这可能比办公AI更值钱？

生成一篇报告需要几分钟。

但开发一种药物、一种新材料或者一个新的工业配方，可能需要几年甚至十几年。

这正是AI4S最有想象力的地方。

企业研发过程中最昂贵的部分之一，就是反复试错。

例如研发一种新材料，研究人员可能需要从数千甚至数百万种组合中不断筛选候选方案，然后合成、测试、分析，再修改参数重新实验。

传统模式是：

人提出方案→人操作设备→等待结果→人分析结果→再次试验。

AI自主实验室试图把它变成：

AI筛选候选方案→AI设计实验→机器人执行→仪器自动采集→AI分析→自动进入下一轮实验。

只要这套闭环真正跑通，最大的价值并不只是少雇几个实验员。

而是可以把实验室从每天8小时工作，变成理论上的7×24小时连续运行。

北京市相关科研人员判断，在实验密集型领域，自主实验室能够显著提升科研通量、降低试错成本。北京高能同步辐射光源也已经利用AI分析实验数据，过去可能需要数天甚至数周的部分数据解析工作，现在部分场景可以在数据产生数秒后获得初步解析结果。(北京市科学技术委员会)

这才是AI4S真正的商业价值。

它卖的不是“智能”，而是研发效率。

对于一年研发投入几十亿元甚至上百亿元的医药、材料、化工和新能源企业来说，如果AI能够把研发周期缩短10%、20%，其商业价值可能远远高于一个办公软件订阅费。

三、AI4S真正有价值的，是背后这一整条产业链

因此，如果把AI4S简单理解成另一个“大模型概念”，很可能低估这个行业。

自主实验室至少需要五层基础设施。

第一层是科学大模型和科研智能体。

普通大模型知道大量文字知识，但化学反应、分子动力学、材料结构、生物蛋白等领域需要更专业的模型能力。

目前，中国科学院联合团队推出的“磐石·科学基础大模型2.0”已经形成一体化科研智能平台，汇聚8000余个专业科研工具，在天文、力学、化学等领域使用。(北京市科学技术委员会)

第二层是科学数据。

AI科学家不可能只靠互联网文本做实验。

实验数据、材料数据、分子数据、基因数据以及设备运行数据，都会成为科学模型最重要的“燃料”。

这意味着未来科学数据库、科研数据治理、可信数据空间本身都可能形成新市场。

第三层是科研软件和实验室操作系统。

今天不同品牌的实验设备往往拥有不同接口。想让AI同时调度机械臂、移液器、培养箱、质谱仪和各种分析设备，就需要一个类似电脑操作系统的中间层。

北京已经有企业尝试建设自主实验操作系统，通过软件统一调度不同实验设备。(北京市科学技术委员会)

第四层则是最容易被忽视的科学仪器自动化。

如果一台传统科研仪器只能由研究员手动操作，再聪明的AI也只能停留在电脑屏幕里。

所以AI4S最终必然推动大量实验设备数字化、自动化和接口标准化。

机械臂、自动进样、精密运动控制、高端传感器、检测仪器，都会进入这张产业网络。

第五层才是大家熟悉的算力和AI芯片。

分子模拟、蛋白质结构预测、新材料筛选都有极大的计算需求。沙利文最新研究也指出，高性能计算、AI芯片、科学数据和AI Agent正在共同推动科学智能从技术验证进入规模化应用。(Frost China)

所以AI4S不是一家AI公司的生意。

它可能形成：

科学模型→科研软件→数据库→算力→机器人→科学仪器→实验室自动化。

这条链条明显比单纯的大模型应用更长。

四、为什么医药和新材料可能最先爆发？

任何新技术都需要找到愿意付钱的人。

AI4S最容易找到客户的领域，首先可能就是制药和材料工业。

原因也非常现实——这两个行业试错成本太高。

药物研发需要进行分子设计、候选化合物筛选、毒理验证、临床研究等大量工作。即使AI只把其中几个前期环节加速，带来的时间和资金节约也非常可观。

MarketsandMarkets预计，仅中国“AI in Life Science”市场2026年规模就约为16.74亿美元，到2031年可能增长至约54.86亿美元，期间复合增长率约26.8%。需要说明的是，这只是生命科学领域的一个市场口径，并不代表整个中国AI4S产业规模。(MarketsandMarkets)

新材料也一样。

寻找新的电池材料、催化剂、半导体材料，很多时候本质上是在巨大的组合空间里寻找少数最优解。

过去科研人员只能根据经验筛选其中很小的一部分。

AI最大的能力之一，恰恰就是在巨大的参数空间里快速缩小搜索范围。

所以AI4S最理想的商业模式并不是：

“让AI代替科学家。”

而是：

让一个科学家能够同时完成过去几十个人甚至几百个人才能进行的大规模试验筛选。

效率一旦出现数量级变化，产业机会才真正出现。

五、“千亿级”到底有没有依据？

这里需要给市场情绪降一点温。

目前并没有一个统一、权威的统计口径能够证明“中国AI4S已经是千亿元市场”。