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。

工具之困

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）