为什么说，AI4S正在复刻三年前的Coding？

　　二级市场从不缺少“万亿空间”的故事，真正稀缺的是一条能够从技术进步传导至订单、收入和现金流的确定性路径。

　　如果我们把时钟拨回2022年到2023年，GitHub Copilot的商业化证明了一件至关重要的事情：生成式AI最先实现规模化商业落地、并让客户心甘情愿掏钱的地方，往往不是开放式、无边界的通用聊天任务，而是那些工作流已经数字化、结果可以验证、且单位人力成本极高的专业场景。软件工程之所以能成为AI商业化的第一站，正是因为它的输入输出高度结构化，且编译器提供了完美的“即时验证”。

　　今天，资本市场正在寻找生成式AI的下一个平原。当大模型在泛泛的文案生成中面临ROI（投入产出比）质疑时，生命科学、新材料和能源等领域动辄千亿美元的研发池，成为了承载巨头野心的新土壤。从数字生产率走向科学生产率，AI for Science（AI4S，科学智能）正在以极快的速度复刻三年前Coding的商业轨迹。

　　战略拐点：从科研议题升格为“国家与巨头开支”

　　这一轮AI4S的升温，并非纯粹的产业叙事，而是建立在中美顶层战略与巨头资本高度共振的基础之上。

　　政策信号的转变往往是预算迁移的先导。美国政府近期高调启动“创世纪（300083）任务”，并发布《科学：一个新的黄金时代》官方报告，直接提出整合国家实验室超算、科研数据与自动化设施，要在十年内将科学研究的生产率翻倍。而在国内的WAIC（世界人工智能大会）以及多地出台的“人工智能+科技创新”政策中，建立高质量科学数据集与自主实验室，已经从学术界的讨论变成了实打实的新型基础设施建设。当政府与国家实验室开始联合主导这一进程时，AI4S就不再是停留在论文上的前沿探索，而开始形成可以被产业链承接的庞大资本开支。

　　顶尖科技巨头的动作则是最直白的风向标。今年6月，Anthropic推出了面向科研人员的Claude Science，它不再是一个简单的对话框，而是预置了几十项科研连接器，试图直接占据科研人员调用文献、处理基因组学和化学计算的工作入口。与此同时，英伟达发布了BioNeMo Agent Toolkit，并联合赛默飞将智能体延伸至实验室硬件设备；DeepMind旗下的Isomorphic Labs频频与全球药企签下重磅订单；国内的字节跳动、腾讯等大厂也纷纷在蛋白质计算、分子动力学等底层设施上跑马圈地。巨头们不仅在提供算力，更在争夺科学计算时代的“操作系统”。

　　商业降维：Physical AI的第一站不在客厅，而在实验室

　　在这个宏大的叙事中，Physical AI（具身智能）扮演了将AI推向物理世界的“手与脚”。然而，市场对具身智能的狂热往往错配了商业化的时间线，许多人依然在期待家政机器人迅速走进千家万户。

　　这种期待忽视了真实世界的长尾复杂性。消费级机器人面对的是一个毫无边界的开放世界，不同家庭的光照、杂物、生活习惯千差万别。在容错率极低的家庭场景中，哪怕1%的边缘陷阱（Edge Cases）都足以让整个商业模型崩溃。

　　相比之下，科学实验室才是Physical AI最理想的“降维沙盒”。这里是物理世界中被高度结构化的微观宇宙：几百种试管、微孔板和移液枪拥有统一规格，仪器接口、操作步骤和恒温恒湿的环境可以被精确记录。更重要的是，科学探索本身就是一个高价值、高标准化、高度可控、也是高价值的过程。一次实验验证的失败，其错误原因可以被传感器精准捕捉并反馈，成为模型下一轮学习迭代的养料；而一旦成功，其商业价值无可估量。因此，当具身智能还在客厅的泥潭里苦苦打转、不时上演“太奶”级的操作表现时，它在高度可控的实验室里却能率先跑通“智能决策与物理执行”的闭环。谁能让机器人接管实验室里的枯燥微操，谁就能拿到Physical AI领域的第一张大额商业支票。

　　核心壁垒：科研的“编译器”与真实的数据飞轮

　　软件工程的编译器是代码，而科学研究的编译器是物理法则。AI4S的竞争经常被粗暴地概括为“谁拥有更多的科研数据”，但这是一种极其残缺的认知。

　　公开的学术论文与专利只是第一层静态数据，它们不仅人人可得，而且存在严重的“阳性偏见”。无数失败的阴性实验结果被永久锁在了实验室的抽屉里，但对于训练一个懂物理和化学规律的大模型来说，“为什么失败”往往比“碰巧成功”具有更高的信息熵。

　　在这个赛道里，真正的护城河是拥有一套可验证的动态数据闭环。它要求AI智能体提出分子假说，通过实验室的机械臂自动完成配药与合成，最后由检测仪器将无论是阳性还是阴性的真实物理数据实时回传，用于模型的下一轮强化学习。能够建立这种闭环的企业，不仅跨越了AI专家不懂“湿实验”、科学家不懂模型架构的产业鸿沟，更能在日常的工作流中源源不断地生成竞争对手用钱也买不到的专属高精数据。没有基于真实物理验证的反馈，再庞大的静态数据集，也可能只是在重复放大既有的认知偏差。

　　投资逻辑：Beta来自预算迁移，Alpha来自闭环所有权

　　资本市场需要清晰地认识到，AI4S不会以同一种速度重估整条产业链。距离现金流越近的环节，Beta属性越强；对单次科学突破依赖越大的环节，Alpha属性越强。

　　第一阶段的Beta兑现，大概率出现在算力、科研软件、实验仪器设备和数据管理平台。这些“操作系统”提供者不需要等待某一款新药或新材料经历漫长的监管审批和临床验证，只要科研机构和企业的研发预算开始向数字化和自动化迁移，它们就能获得实实在在的规模化订单与递延收入。

　　而第二阶段与第三阶段的超额收益，则属于那些掌握了垂直科学大模型、并将AI原生资产推向市场，能够从创新中获得分成的 AI 驱动型企业。这类资产蕴含着极高的估值弹性，但投资者必须区分“潜在合同总额”与“当期收入”的口径差异，认清里程碑付款背后的风险。规模化的操作系统与单点创新的爆发式预期的结合，有望解锁全新的蓝海市场，成为 AI 在攻克编程后的又一重要

　　三年前，资本市场寻找的是AI时代的编程入口；今天，AI4S的商业化不需要等待科学奇迹的降临，它的爆发建立在算力成本崩塌、自动化设备成熟与产业刚需的交汇点。A/H股对这条新主线的映射已经从科研算力延伸至实验与物理世界：中科曙光（603019）（603019.SH）、浪潮信息（000977）（000977.SZ）和工业富联（601138）（601138.SH）对应算力与服务器，晶泰控股（02228）定位为算法+机器人的AI4S平台，优必选（09880）、中控技术（688777.SH）、汇川技术（300124）（300124.SZ）和越疆科技（02432）则覆盖机器人本体、智能制造与工业自动化。相关领域布局者众多，最终谁能率先把技术曝光转化为可重复订单，并真正掌握“模型—实验—数据”闭环的定价权？