十年积累，全球唯一：晶泰XtalPi Science平台发布背后的估值逻辑切换

算力是燃料，但燃料不能替代引擎。AI4S的真正引擎，是真实世界的数据闭环。

近日，晶泰科技正式发布XtalPi Science科学智能平台，并联合26家机构发起“科学智能开放生态联盟”。这是全球首个、也是目前唯一一个深度耦合大语言模型、多智能体矩阵与大规模自动化机器人实验的AI4S原生操作系统。一系列动作正切中行业从生成答案到验证事实的转向。

AI4S前景明确，真实数据闭环卡住规模化落地

大模型领域的算力竞赛正逼近物理极限。斯坦福发布的《AI Index 2026》显示，大模型竞技场LMArena上排名前四的模型，Elo分差不到25分，且在税务、金融、法律等专业测试中，前15名模型的差距最小只有3个百分点。花旗在7月的报告中判断，AI行业的投资回报正加速向基础设施层转移，下一阶段的竞争护城河将从“算力获取”彻底转向“高效产出与专有数据、谁能让AI真正进入物理世界”。

AI for Science恰好站在这一转换节点上。英伟达将AI for Science列为与大语言模型、具身智能并列的三大AI关键方向之一，远期市场规模预计达千亿美元。据QYResearch数据，全球AI for Science市场2025年估值约45亿美元，预计2032年达到262亿美元，年复合增长率高达28.9%。

但AI for Science距离真正规模化落地，有一个关键缺口，那就是真实世界的反馈闭环。

AI可以生成海量数字猜想，但这些猜想如果不经物理实验验证，就只是停留在屏幕上的文字推演。更棘手的是，传统科研体系中极大多数实验结果属于“失败负样本”，而当前公开的科研数据库几乎只收录“正样本”，导致AI时常给出看似合理却无法实现的预测与研发提议，这样的“AI幻觉”往往带来高昂的验证成本。

数据闭环的缺失，使得AI for Science的潜力远未被真正释放。

十年积累：用时间换壁垒，用失败换精度

晶泰发布的XtalPi Science，本质上是试图填补这个缺口。

该平台以Genius Agents多智能体系统为核心，能统一调度跨学科专家智能体、数百项专业工具及大规模自动化机器人实验集群，将经典的DMTA（设计-制造-测试-分析）循环重构为上百类研发意图，打通“数字假设、专业预测、物理验证、数据反馈”完整闭环，把“AI规模化探索+科学家关键决策”的协作范式落地。

如果说模型是引擎，那数据就是燃料。晶泰真正值钱的，是它用了十年时间攒下的那套"燃料"。

在药物研发这一高频刚需场景中，晶泰的这套体系已跑通从验证到付费的完整路径，并在真实的项目中积累了超10年的真实实验与完整项目数据，其中包括大量珍贵的“失败样本”，打磨出了从流程、数据、逻辑、工具上都更懂制药的AI智能体矩阵与实验资源。

更深层的价值在于，这批数据本身正在从"研发副产品"升级为"核心资产"。 在数据要素市场化改革的政策框架下，经过真实实验验证的研发数据，可以通过平台计费调用、联合研发分成、专项数据产品输出等路径变现——这是独立于技术服务、实验室交付之外的第三条增长曲线。过去不能定价的东西，现在有了价格。

晶泰自研的SureRoute反应条件预测模型，在350个真实工业分子的评测中，化学幻觉率降至4.6%，仅为前沿通用大语言模型的六分之一，首条合成路线准确率达到51.7%。在失败实验的预判上，另一套自研算法SureRNX的准确度落在81%至89%之间，显著高于资深化学家38%至60%的对照水平。在实际对外服务中，它能将传统合成目标分子所需的5到10次试错迭代，压缩到平均仅需1.19次。

这里需要特别点出一个容易被忽视的商业逻辑：客户不是在买软件，是在买"把失败次数从5次降到1.19次的确定性"。 传统研发中，每一次试错都意味着物料、人力、时间的沉没成本。晶泰把这个"试错成本"变成了"预判费用"——省下来的钱，就是晶泰的定价空间。

商业层面，这套模型体系已获得业内高度认可，跑通了从验证到付费的路径。目前晶泰与17家全球排名前20的国际药企建立了深度合作；2025年与DoveTree签署59.9亿美元的管线合作，创下AI制药出海订单规模纪录；2026年6月又拿下一笔超4亿美元的AI药物发现合作订单。

平台跨界迁移，材料科学打开新空间

如果说药物研发是AI for Science的第一验证场景，材料科学则是相似逻辑的复制，而不是从零开始。

晶泰与光伏龙头晶科能源的合作提供了一个可参照的样本。双方结合AI平台与量子物理模型推进高通量研发，推进钙钛矿晶硅叠层太阳能电池高通量研发，目标是建成行业首条千平米级AI叠层太阳能示范线。晶泰能够将材料结构、配方、工艺乃至器件中的钝化剂、制备、退火和表征等元素全部语料化，实验通量预计达到1000片/天，带来百倍级提升。

具体看到晶泰的孵化生态中，泰衍科技以Physical AI驱动太阳能电池材料研发，已协同完成50764组样品实验，累计沉淀5.78亿Token的研发数据，初步验证AI在真实实验中边做边学、持续优化材料的可行性。

种种材料领域的探索之所以值得关注，核心在于其展示出XtalPi Science平台跨领域迁移的能力，从原本服务于制药行业的技术平台，正在向新材料、化工、能源等方向延伸。

目前，公司物理智能体系已覆盖超过20类工业场景，服务逾100个真实的新药与新材料发现项目。实验室每月稳定产出5万余条反应产率数据和30万条过程数据，累计沉淀超过50万条真实实验记录，其中就包含约80%公开文献几近缺失的“失败负样本”数据，构成了晶泰模型在复杂未知空间中超越人类专家经验底座的底层支撑。DMTA闭环在制药赛道跑通后，迁移到材料、化工、能源是同一套底层能力的横向复制——这不是转行，是扩产。

尤其值得留意的是，材料科学直接对应新能源这一二级市场长期热门板块，光伏、储能、电池材料等技术路线的迭代效率，很大程度上取决于底层材料研发的速度。这意味着，AI for Science在新材料方向上的进展，除了本身的产业价值外，还天然具备跨板块联动的题材吸引力。

结语

XtalPi Science科学智能平台的商业逻辑已然清晰。

晶泰将过去十余年积累的模型、工具、智能体及实验资源封装为可按需调用的Science Token，企业既可调用AI应用开展研发，也可接入自动化实验资源形成数据闭环。平台的使用者越多，产生的实验数据越多，模型就越精准，对后续使用者的吸引力也就越强。这是一个越跑越难被追上的飞轮。

可以说这是一条典型的双边网络效应路径，发布日当天中午，已有近200家企业、高校、科研及投资机构提交平台试用申请，联盟成员覆盖生物医药、先进制造、新材料、AI基础设施与具身智能等全链条。

AI行业的下半场，竞争焦点正从生成答案转向验证事实。

XtalPi Science的发布就是一个明确信号，晶泰正在将验证能力做成可规模化输出的基础设施。这个定位所对应的市场空间，显然超出了AI制药这一单一赛道的范畴，而这也正是其价值重估的核心锚点。这意味着其估值锚点正从AI Biotech跨越至享有更高估值溢价的AI4S综合平台。

对此，机构已有初步反应，如长江证券在发布会当日发布研报，维持公司“买入”评级；摩根大通首次覆盖即给予“增持”评级。

AI行业的下半场，竞争焦点正从生成答案转向验证事实。当算力不再是护城河，谁能用真实数据定义Science Token的Scaling Law，谁就是下一个时代的基建。当其他企业刚刚占上起跑线，晶泰已经早早出发了。