财联社8月5日讯（记者 王彦琳）当前AI for Science（简称AI4S，人工智能驱动科学研究）正站在从技术验证到产业落地的关键节点。在这一过程中，数据、模型、算力、硬件等构成了驱动AI4S持续进化的核心要素。
晶泰控股（02228.HK）近日在上海发布XtalPi Science科学智能平台，这是全球首个将大语言模型、科学智能体与大规模自动化机器人实验深度整合的AI4S综合平台，意图打造面向全球科研组织开放的 AI4S 底层基础设施。同时，晶泰控股联合26家高校及科研生态企业，共同发起成立“科学智能开放生态联盟”。
“想要做好AI for Science，深耕多年的学科专家经验、垂直领域专属的大模型与算法体系、为产出高质量数据专门搭建的机器人智能实验室，三者缺一不可。”晶泰控股CEO马健在接受财联社等媒体采访时表示，物理世界智能科研所需要的数据积累、基础设施投入，量级远超大模型时代，长期的基础设施资本投入是必经之路。
XtalPi Science补齐AI与物理世界的反馈闭环 研发周期从月压缩到天
对AI4S而言，AI 提出科学假设的效率持续提升，可一旦进入验证环节便撞上“减速带”，大量实验操作仍需人工完成，因此实验成为行业验证的瓶颈。
晶泰控股推出的XtalPi Science 平台，旨在补全AI与真实世界的反馈闭环，形成“AI规模化探索+科学家关键决策”的协作范式，让AI4S从“生成一个看似合理的答案”，进一步走向“交付一个经物理世界验证的结果”。
此次同步亮相的Genius Agents，是XtalPi Science的核心智能调度系统。它能够自主理解复杂科研目标、完成跨学科长链条任务，协同专业模型、科研工具和机器人实验资源，并通过真实的实验验证与反馈闭环，显著降低AI模型常见的“幻觉”问题。
当前，数据被普遍视为AI4S发展的最大掣肘因素，高价值科学数据往往需要长期实验测量和验证才能获得。而行业面临的核心瓶颈之一是科研数据孤岛化，难以支撑AI训练。并且，现有的公开科研数据库几乎全为 “正样本”，缺乏对模型纠错至关重要的 “失败负样本”。
据晶泰控股首席科学官张佩宇介绍，公司物理智能体系已覆盖超20类工业场景，服务逾100个真实新药与新材料发现项目，实验室每月稳定产出5万余条反应产率和30万条过程数据，累计沉淀超50万条真实实验记录。
此外，晶泰控股在数据资产中积累了从上千项研发任务中沉淀的、传统公开文献稀缺的“失败负样本”，显著提高模型对不可行路线和失败实验的识别能力。
马健透露，XtalPi Science平台已将原本数周甚至数月的研发验证周期压缩到“以天为单位”。目前，该系统已在公司内部持续高强度运行，并历经多轮真实研发验证。
商业化方面，公司计划在未来1至2个月启动头部药企和新材料标杆客户的种子内测，收集一线科研人员反馈后持续迭代产品，再择机推出正式商业版本。
AI for Science进入攻坚期
当前，AI for Science已成为产业升级的“必选项”。在制药、半导体和新材料等领域，传统试错模式成本高、周期长，AI的应用可大幅降低研发试错成本、加速创新转化。近日，美国白宫科技政策办公室发布《科学：新的黄金时代》报告，其中一章集中讨论AI for Science，提出建立一套适应AI的科研基础设施和制度。
从落地场景来看，宇树科技副总经理杜鑫峰认为，从标准化、规模化与高资本承载力来看，科研与生物医药场景是Physical AI最合适的赛道之一。传统科研自动化经过多年发展，已经形成了标准化、规范化的作业体系，为Physical AI落地奠定了基础。
不过，马健坦言，Physical AI真正落地产业场景，门槛极高。传统AI场景中“80分优于60分、90分优于80分”，但在物理智能场景下，“99分以下的精度与稳定性基本无法落地商用，很难实现场景化稳定运行”。这意味着Physical AI的落地，必然需要长期的软硬协同与千锤百炼的迭代打磨。
面向实验室的Physical AI在落地过程中，也遇到通用AI场景中少见的问题。英伟达资深全球开发者合作专家张天静坦言，实验室自动化存在大量精细化场景，比如96孔板操作、批次差异适配等，这类细分场景的精准仿真是当前行业的核心难点。现阶段通用仿真体系最大的挑战不仅在于模型训练，更在于精细化场景的仿真落地，行业目前还不具备完善的全局数据沉淀能力。
杜鑫峰进一步指出，未来具身智能、人形机器人在科研场景的核心价值，是把传统单点自动化升级为全流程闭环自动化。过去的机械臂、AGV机器人只能完成单点操作、单点搬运，而新一代具身机器人能够实现全流程闭环执行，同时自主采集、回传实验数据，为科研设计、数据分析提供精准观测支撑。此外，未来科研将全面转向Agent驱动，通过Agent联动机器人，打通整套科研流程，在执行精度、科研科学性、迭代反馈效率上实现质的飞跃，大幅加速生物医药、新材料等领域的研发进程。
从算力角度来看，AI for Science的需求远比通用AI更复杂：任务类型更多元、适配模型更丰富、底层技术基础设施的适配难度更高。无问芯穹创始人兼CEO夏立雪认为，科研AI不仅需要数字世界的运算能力，还需适配雷达、边缘实验设备的数据处理需求。模型层面，除了通用基座模型外，还需适配科研精密推演、高精度计算的专属模型，模型尺寸、算力配比也需要动态适配。
“这意味着，科研AI基础设施不能一味追求高端芯片，需要兼顾高性能与高性价比。”夏立雪表示，对基础设施服务商而言，未来核心难点是复杂的联合优化问题：如何让每一类科研任务，精准匹配最优硬件资源，实现算力利用最大化，将是决定AI4S产业化进程的关键变量。
（财联社记者 王彦琳）
热门跟贴