当前，人工智能驱动科学研究（AI for Science，简称AI4S）正处于从技术验证迈向产业落地的关键转折期。在此进程中，数据、模型、算力及硬件构成了驱动AI4S持续进化的核心要素。近日，晶泰控股在上海发布了XtalPi Science科学智能平台。该平台是全球首个深度融合大语言模型、科学智能体与大规模自动化机器人实验的综合AI4S平台，旨在构建面向全球科研组织的底层基础设施。与此同时，晶泰控股联合26家高校及科研生态企业，共同发起了“科学智能开放生态联盟”。
晶泰控股CEO马健在接受采访时表示，做好AI for Science必须具备三个核心要素：深耕多年的学科专家经验、垂直领域专属的大模型及算法体系，以及为产出高质量数据专门搭建的机器人智能实验室。他指出，物理世界智能科研所需的数据积累和基础设施投入，其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致力于填补AI与物理世界之间的反馈闭环，构建“AI规模化探索+科学家关键决策”的协作模式，使AI4S从单纯“生成看似合理的答案”进化为“交付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。该系统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。
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，且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。此外，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”，显著提高了模型对不可行路线和失败实验的识别能力。
据马健透露，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。在商业化方面，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。
当前，AI for Science已成为产业升级的必由之路。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。