从自动驾驶、具身智能，到世界模型、AI for science，资本的视角始终锁定在 AI 如何作用于真实物理世界这一命题。而与一路凯歌，突飞猛进的智驾、具身相比，AI for science、AI 制药却好像陷入了一些割裂的困境。
2025 年底，英矽智能踩着年终的钟声在港交所上市，IPO 募资 22.77 亿港元，公开发售部分录得 1427 倍超额认购，股价至今涨幅超过 90%。市场对 AI 制药的热情，在这一刻达到了近年来的顶点。
但另一方面，谷歌 DeepMind 已于近期将旗下打造了 AI 蛋白质结构 AlphaFold 系列的幕后团队解散，这支引领了全球 AI4S 的团队在经历了 8 年的稳定运转之后就此悄然退场。谷歌 Deepmind 方面表示，其 AI4S 团队将不再围绕蛋白质折叠这样的单一科学问题展开，而将致力于构建由 Gemini 驱动的全套 AI 科研系统。同时，另一批曾以 "AI 驱动药物发现 " 而声名鹊起的 Biotech 公司，在经历了一连串管线受挫的打击之后，也集体转向了 CRO 业务，从 " 用 AI 发明新药 " 退回到 " 用 AI 服务药企 "。
更残酷的质疑来自学术圈，BCG 在一份报告里泼出了冷水：全球 AI 制药 600 亿美元投入，至今仍是零获批。2026 年 5 月，某知名行业评论者写道：" 三年过去了，蛋白质结构预测更快更便宜了，但我找不到任何一个因为 AlphaFold 而成功的临床案例。"
这并非要否定 AI 在生命科学里的价值，而是一个被长期回避的问题终于摆上了台面：AI 在物理世界验证假设的能力，远远跟不上它在数字世界里生成假设的速度。AI 不是问题，落地跟不上才是问题，而问题的瓶颈，也从 " 算力 " 转移到了 " 实验通量 "，从 " 单一研究 " 转移到 " 全套科研系统 "，从 " 数字世界 " 转移到了 " 物理世界 "。
数据之墙
大模型在文本、图像、语音领域势如破竹，但进入生命科学后，却像一辆跑车开进了沼泽地。问题不在算力，不在算法，在数据。
AlphaFold 是一个被写进教科书的技术突破，它能完成从序列到空间结构的预测，靠的是 PDB 数据库里几十万种蛋白质结构数据。那是人类过去五十年靠冷冻电镜、X 光、核磁共振一寸一寸测出来的。但故事到这里就卡住了：从结构到药效，从药效到毒性，从毒性到临床反应，每一层的数据都差着数量级。PDB 有几十万个结构，但一个细胞从健康到病变再到死亡的全周期数据，几乎是一片空白。
这是生命科学和文本图像领域最本质的区别：大模型可以 " 吞掉 " 整个互联网的文字，但生命科学里没有这样的存量数据。细胞在真实环境里如何反应、如何代谢、如何死亡的过程，不是公开可得的数据集，而是散落在无数实验室的冻存管和培养皿里，在论文里，或在研究员的脑子里，甚至还没有被人类发现。
全球健康药物研发中心主任丁胜的判断很直接：" 尽管模型架构与算力已较为成熟，但我们对生命底层机制的认知仍存局限，使得单纯依靠算力提升难以快速突破。"
更深层的问题是：这样的数据不可能靠人工实验去积累。一个研究员一天能做几十次实验，但 AI 要理解生命，需要的是几千万次、几亿次实验的数据。人类的实验速度，追不上 AI 学习的需求。靠堆人力补数据，这条路走不通。
那么唯一的出路就变成了重新设计实验本身——让工具自己产生数据、自己积累数据、自己形成闭环。数据之墙的背后，是工具之困。
在这场结构性困境中，一些企业已经开始从底层寻找解法。镁伽科技是其中一家——这家公司成立于 2016 年，从最初做生命科学实验室的自动化工具，到构建连接真实实验与人工智能的底层基础设施。在很多人眼里，它曾被误解为只是一家实验室设备公司，但在当下 Physical AI 的大背景下，它正在展现出更深层的价值——如何让 AI 真正理解科学、持续学习科学。镁伽科技也俨然成为了我们研究 "AI+ 生命科学 " 绕不过去的案例。
镁伽科技的创始人黄瑜清认为：自动化的本质，是让机器替人去做人不愿做的高重复低附加值工作，以及人做不了的高精度复杂性危险工作。而 Physical AI 的核心区别在于，让自动化具备了学习、思考和推理的能力。
" 现有的实验工具都是给人用的。" 黄瑜清表示，" 我们以前做的很多事情，本质上是解放了人的双手——把人工操作变成了自动化设备。但当我们要让 AI 来做这些事情时，会发现现有的工具在很多方面都不适合。"
而事实上现有工具对于 AI 来说，不是不够好，是根本不对。
通量是最直观的不匹配。现有的自动化设备是为人类实验设计的，AI 一天可能需要做几千次实验，而传统设备一天只能做几十次。" 这不是简单加几台设备就能解决的，因为整个流程——样本准备、反应、检测、数据分析——都是按人的节奏设计的。" 黄瑜清表示。
更深一层的不匹配是数据质量。人做实验时，很多过程数据不会被记录——因为不需要。人只要知道最终结果对不对。但 AI 需要这些数据来学习和优化：一个移液步骤的速度、角度、温度变化、液体粘度对结果的影响，而这些在传统设备里根本不存在。现有的设备没有为 " 记录每一次操作、每一个参数 " 做设计。
反馈速度是另一个错配。AI 迭代的核心是 " 试错－学习－再试错 "，如果一轮实验的反馈周期是几周，AI 的学习效率的优势就无从体现。
最底层的不匹配是知识形态。现有的工具背后沉淀的是人类几百年积累的物理化学知识，但这些知识是以 " 人类的方式 " 组织的——实验手册、操作规范、经验法则。人可以通过经验判断 " 这个反应温度高一点可能更好 "，但 AI 需要的是这个温度变化的量化参数，以及它和结果之间的函数关系。
这些不匹配指向一个共同的结论：实验工具需要革命。
" 过去两年，我们的研发团队做了大量工作，把过去生命科学里面积累的仪器设备，从底层开始重构，把它们变成真正为 AI 服务的工具。" 镁伽在这条路径上很早就开始了探索。
他们的路径不是简单地在现有工具上加一个 AI 接口，而是从根本上重新设计工具链。
这套新工具链的核心，被镁伽总结为 PCE 架构：感知（Perception）－构思（Conception）－执行（Execution）。AI 在数字世界里感知多模态的环境与现场数据、生成假设、构思方案，自动化设备在物理世界里精准执行实验、采集数据、反馈结果，然后 AI 再根据新的数据迭代假设——如此循环，直到找到最优解。
在黄瑜清看来，判断一家公司是否在做真正的 Physical AI，有一个简单的标准：是否具备从感知到构思到执行的端到端闭环能力。
" 镁伽最核心的东西，就是端到端的闭环架构。AI 的思考能力，加上自动化物理世界的执行能力，把这两个东西打通，才叫真正的 Physical AI。" 黄瑜清表示。
工具革命带来的结构性机会
一个来自镁伽客户的案例可以说明这个闭环的价值：一家知名药企在与镁伽合作的项目中，6 个月内跑完了 3 轮 " 设计→验证→迭代 " 的闭环，将单轮实验成本降至传统实验模式的约 1/20 到 1/30。
" 以前他们要完成这样一个循环，可能要花几年时间。因为设计完之后要做实验验证，验证完之后要分析数据，分析完之后再设计下一轮——每一步之间都有漫长的等待和大量的人工介入。现在 AI 在干侧做设计，自动化设备在湿侧做验证，数据实时回流，AI 实时迭代。"
这个闭环能力的建立，不是一蹴而就的。黄瑜清把镁伽的十年拆解成三个阶段——不是按行业场景划分，而是按能力阶梯攀登：
1.0 阶段，解决的是实验效率问题——用自动化解放人的双手。这是镁伽起家的基础，也是理解生命科学实验流程的必经之路。
2.0 阶段，打通流程闭环，并在半导体制造领域 " 练兵 "。在半导体制造这个对精度、稳定性、良率要求极高的行业里，镁伽不仅打造产品，更沉淀了 AI 在微观缺陷识别、复杂场景感知和工程化部署等方面的底层能力。例如，其 Manavis 系列晶圆缺陷检测系统已将漏检率控制在万分之五以内，过检率降至千分之一，缺陷分类准确率达到 98% 以上，达到国际领先水平。这些在工业场景验证成熟的底层能力，随后被迁移到生命科学领域，用于支撑细胞识别、样本分析、实验决策等更加复杂的科研场景。
从 1.0 到 3.0，严格践行着镁伽 " 加速科学发现（accelerate scientific discovery）" 的公司使命，本质上也是遵从着实验工具从 " 为人设计 " 到 " 为 AI 设计 " 的范式转移，而这个转移带来的机会是结构性的。
整个医药产业分为三段：上游设计（biotech）、中游服务（CRO/CDMO）、终端药企（pharma）。黄瑜清认为目前行业整体处于 AI for drug discovery 的 1.0 早期阶段—— AI 更多作为辅助工具，仍由人主导研发流程。但随着 AI 能力的系统化提升，接下来一定会催生一类新的公司—— "AI 升级版服务公司 "，覆盖更长业务链条，甚至提供特定靶点的全流程 AI 辅助服务。这与当前只做药物早期研发的 AIDD 公司有本质区别。
在这个逻辑下，镁伽的定位也变得清晰：它不是一家 AI 公司，更不是一家设备公司，而是 " 面向科学的 AI 基础设施 " ——核心卖点不是某个单点技术，而是持续生产高价值真实世界数据的能力。
数据生产能力才是壁垒
当 PCE 架构跑通、干湿闭环转起来之后，生命科学领域发生了一个 quietly profound 的变化：数据从一种稀缺的、需要靠人去 " 挖 " 的资源，变成了一种可以被工厂化、规模化 " 生产 " 的资产。
这是镁伽把它称为 " 数据工厂 " 的原因。2021 年，镁伽开始打造鲲鹏实验室，希望将 AI、机器人和自动化实验系统结合起来，让实验能够持续产生高质量数据，并形成数据回流、模型迭代的闭环。几年下来，鲲鹏实验室也成为镁伽验证 AI 能力、积累实验数据的重要载体。
高质量数据的价值，也在科研实践中得到验证。今年 6 月，基于镁伽 CellVue T 系列高内涵细胞成像系统，两项研究成果分别发表于《Nature Communications》和《Nano Today》。前者围绕结核病持续感染机制展开基础研究，后者聚焦肿瘤免疫治疗。不同的研究方向背后，是同一个能力支撑——通过高通量、高精度的成像分析能力获取真实实验数据，为科研人员提供更可靠的数据基础，也为 AI 模型持续学习积累高质量数据。
这种转变的底层，是黄瑜清所说的 " 双基础设施 "：
第一层，AI Infra for Science ——面向科学场景的专用 AI 能力。不是通用大模型，而是针对生命科学、材料科学、半导体制造等特定领域训练的专业模型，理解这些领域的语言、逻辑和约束。
第二层，Science Infra for AI ——为 AI 设计的科学工具链。所有工具都值得为 AI 重新设计一遍。只有工具能够产生数据、积累数据、形成闭环，AI 才有 " 学习材料 " 可用。
镁伽的底层硬件很多时候正是产业数据的重要入口。无论是在科学智能领域，还是工业制造领域，它持续采集微观世界的形态、结构、缺陷等多模态数据，沉淀了大量来自真实实验室和真实产线的一手数据。随后，通过数据治理、数据标注、知识图谱构建以及模型持续训练与优化，形成完整的数据飞轮，让 AI 不断学习产业现场的新知识、新经验，持续提升模型性能，最终具备面向微观世界的智能认知能力。
" 只有两层基础设施都建好了，Science as a Service 才真正成立。"
黄瑜清描述了一个理想状态：就像跟 ChatGPT、跟 DeepSeek 对话一样，以后跟一个机器人，或者一个自动化系统，用自然语言告诉它一个科学问题，它会自动帮你设计实验、执行实验、分析数据、得出结论。
"AI 在生命科学里面还有相当长的路要走。" 黄瑜清说。" 但反过来看，这也恰恰是机会——因为谁能率先用新工具解决高质量数据生产能力和数据飞轮的问题，谁就能在这个赛道上建立起真正的护城河。模型能力会随着时间的推移越来越趋同，开源模型、基础大模型会越来越强。真正决定一家公司上限的，不是它的模型有多先进，而是它对场景的理解有多深——客户的 know-how 决定了产品的上限，公司的技术能力只决定行业的及格线。"。
加速分化的 AI for science
当数据瓶颈开始松动，AI for Science 的竞争逻辑也在发生变化。
以前，这个赛道比的是谁的算法更先进、谁的算力更充裕。但当大模型开源化、算力变得像水电一样随手可得，算法的差距正在迅速收窄。接下来要比的，是谁能在物理世界里建立起持续生产高质量数据的能力——也就是谁能把干湿闭环跑起来、跑得快、跑得稳。
这不是一个容易建立的壁垒。它需要同时理解 AI 的思维方式和生命科学实验的物理约束，需要在软件和硬件、数字世界和物理世界之间架起桥梁，需要十年以上的时间在一个垂直场景里深耕。这些条件，缺一个都不行。
这也是为什么行业正在加速分化。那些把一个大模型接口包装成 Physical AI 故事的公司，那些只做单点算法没有闭环能力的公司，在数据成为核心资产的阶段，会越来越难讲出新的故事。真正的玩家，正在从 " 讲算法 " 转向 " 建基础设施 " ——不是谁更聪明，而是谁能把聪明变成可持续运转的系统。
镁伽走到今天，靠的不是押中某一个技术风口，而是提前十年下注了一个朴素的判断：生命科学的数据缺口，最终要靠工具来解决。2026 年，这个判断正在变成现实。镁伽从 2022-2024 三年累计研发投入超 10 亿元，团队从 3 位创始人发展到了近千人，研发人员占比超 50% ——这不是一个 " 概念验证 " 的规模，而是一个正在工业化运转的体系。
" 这条路很长，但方向是对的。" 黄瑜清说，" 我认为第一个真正由 AI 深度参与、贯穿研发全流程的药将在‘个位数的年份里’跑完临床三期甚至获批上市，而这将会给行业带来巨大信心。"
在 AI for Science 的叙事从狂热回归理性的这一年，这种 " 方向感 " 本身，或许比任何技术都更难得。（本文首发于钛媒体 APP，作者 | 陶天宇）
