Physical AI正在成为今年科技投资最大的共识。
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。
3.0阶段，所有产品和服务全面AI原生。不是给现有工具加一个AI功能，而是从底层架构开始为AI设计。这种思路源于黄瑜清推崇的“第一性原理”——抛开行业惯例和固有认知，回到问题本身，从底层逻辑重新思考，而不是在既有框架上做渐进式改良。
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。
值得注意的是背后的逻辑转变：以前做实验是为了得到一个结果，现在做实验是为了积累数据；以前数据是实验的副产品，现在数据是实验的主要产品。
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）
倍加网配资提示：文章来自网络，不代表本站观点。
