Coding之后，AI下一个能够承接大规模付费的场景在哪里？近期AI4S重新成为资本市场焦点。科学模型正在与科研Agent、自动化实验室连接，AI从预测结构、筛选分子走向设计实验和读取结果；与此同时，医药领域的平台公司收入开始放量，DNA合成、蛋白表达和早研服务也出现增量需求。当科研的瓶颈从“设计太慢”转向“验证不够快”，AI4S会不会成为下一个真正改变行业成本曲线的AI应用？
一、发生了什么？——AI4S为何突然从科研概念走向资本市场主线1. Coding之后，市场需要寻找第二个能够算清ROI的AI场景：
过去两年，生成式AI的应用故事很多，但真正率先跑通商业模式的是Coding。代码任务高频发生，结果容易校验，工程师的时间价值又足够高，因此模型能力提升可以迅速转化为调用量、订阅和企业支出。
当这一逻辑逐渐成为共识之后，市场自然开始寻找下一个类似场景。办公Agent、多模态、机器人、FDE都在候选名单中，AI4S近期明显升温，本质上也是在回答同一个问题：还有什么工作既足够昂贵，又适合AI反复执行，并且结果可以被客观验证？
科学研究恰好符合这些要求。药物、材料、化工、能源和芯片研发每年消耗巨额预算，其中大量工作本身就是搜索、计算、试错和验证；科研结果又不像文案好坏那样依赖主观判断，一个分子能否合成、一种材料是否达到性能要求，最终都能通过实验回答。政策层面对这一方向的定位也在提升，“人工智能+科学技术”被放在“人工智能+”六大重点行动的首位，覆盖科学发现、研发模式创新和未来产业突破。
因此，这轮行情与前几年AI制药行情并不完全相同。过去市场关注“AI能不能找到一个更好的分子”，现在的问题已经变成：AI能不能真正进入企业研发预算，成为持续使用的生产工具。
2. 技术拐点在于科研开始形成闭环：
早期AI4S更像高级计算工具。AlphaFold是最典型的例子：科学家提出问题，模型给出预测，实验仍主要由研究人员继续完成。
现在变化发生在模型和实验之间。
科研Agent开始负责理解目标、拆解任务、调用不同的专业模型和计算工具，机器人实验室则把数字世界里的方案变成真实反应和测试，再把实验数据送回模型。晶泰科技今年推出的XtalPi Science已经尝试把Agentic AI、Scientific AI和Physical AI放进同一系统，形成“数字假设—专业预测—物理验证—数据反馈”的连续过程。
这使科研过程第一次有机会被重新组织为一个不断循环的系统：设计—执行—观察—修正，再重新设计。
只要实验能够自动执行、结果能够机器读取，AI就不必每次等人重新发出指令，而可以在一定边界内连续运行。原来一天只能完成几轮的研究过程，理论上可以向更长时间、更高频率的迭代推进。AI4S因此从“给研究人员一个答案”，开始接近“参与完成一个研究任务”。
3. 更重要的是，技术故事开始出现收入和订单的落点：
部分上市公司已通过AI4S产生实质性的营业收入。以晶泰科技为例，其2026年上半年实现收入3.8-4.0亿元，剔除BD因素后收入不低于2.5亿元，同比增长超过65%；其中AI4S智慧解决方案收入超过1.8亿元，同比增长超过120%，机器人解决方案和智能服务亦维持较快增长。
……
大牛证券提示：文章来自网络，不代表本站观点。
