谷歌传奇Jeff Dean的创业构想，一家中国公司已经提前跑通了

AI的下一场竞争，正在从生成代码走向创造现实。

近日，谷歌传奇科学家Jeff Dean结束27年的谷歌生涯，联合创办Discovery Loop。

作为谷歌的灵魂人物之一，Jeff Dean的贡献不仅在于参与谷歌所有核心技术的建设，更在于他是一位能够精准识别，并亲手打造下一个时代技术基座的架构师。

图：Discovery Loop创始团队

Jeff Dean新公司的方向很明确：研发系统的自我进化。

这并不是简单地训练一个更大的模型。

公开对谈中，他进一步阐释了这一理念：可以概括为「递归式自我改进」（RSI），未来的研发系统需要让数据—设计—评估—规划的研发全链条进入自动优化循环。

长期来看，这套方法将向更广的科学与工程领域扩展，通过多智能体跨学科协作，并行驱动海量实验。

政策端也在释放类似信号。

作为美国科技战略的革命性文件，近期《科学：新的黄金时代》将闭环AI实验平台、自主实验室和高价值科学数据列为下一代科研基础设施。围绕“创世纪计划”，美国政府部门与产业伙伴承诺投入超过50亿美元。

图：美国科技战略里程碑文件 《科学：新的黄金时代》

有意思的是，当Jeff Dean开始重新定义AI for Science的下一阶段，国内已经有公司沿着这条路线走了多年，并把这些能力兑现到了真实研发场景中。

全球首个打通

“数字-物理”闭环的AI4S操作系统

近日，晶泰科技（2228.HK）正式发布XtalPi Science科学智能平台。

这是全球首个、也是目前唯一深度整合大语言模型、科学智能体与大规模自动化机器人实验的AI4S综合平台。

传统AI4S工具是一把更聪明的计算器，XtalPi Science更像一支持续运转的虚拟研发团队。

在这套系统里，科学家提出目标，并掌握关键决策。Genius Agent既是交互入口，也是整个研发流程的调度中枢。它可以理解科研任务，拆解长程研发流程，并调用沉淀了化学、物理、算法和实验知识的标准化工作流，也就是Skills。

垂直模型负责预测和筛选，再由Physical AI机器人实验室落地优先级最高的方案，完成合成、测试和表征。然后，实验结果重新回到系统。成功、失败、异常，都成为下一轮决策的输入。

所以XtalPi Science交付的，并不是一次预测，而是一套围绕科研目标持续推进，并由真实实验不断校验的研发能力。

在这一过程中，人并没有被排除。Genius Agent采用“AI规模化探索+科学家关键决策”的协作方式，智能体负责大范围搜索、工具调用、流程衔接和重复验证，科学家负责目标定义、路线判断与关键取舍。其价值不是替代科学家，而是把专家经验沉淀为可复用的工作流，让原本依赖少数人、跨越多个部门的研发流程能够稳定复制。

这其实也对应了Jeff Dean对下一代科研系统的三个判断。

第一，科研不应该是一次性的模型调用，而应该进入持续优化的反馈循环。

第二，不同学科之间，可以共享任务拆解、多智能体协作和实验管理等基础设施。

第三，系统不只是执行实验，还应该根据实验结果，决定下一轮最值得做什么。

XtalPi Science对应的，正是长程规划—跨学科调度—物理验证—反馈决策这条完整链路。

最终，这些分散在模型、流程和实验室中的能力，被封装进XtalPi Science。平台对外开放之后，更多真实科研任务可以进入这套体系，带来合规、经授权的使用反馈和实验需求。

实验产生数据，数据反过来改进模型，模型再指导下一轮实验。一个真正能够自主运行的科研飞轮，也由此开始形成。

万亿蓝海里，最稀缺的不是模型

当前，AI4S仍处于早期阶段。

根据QYResearch数据，2025年全球AI for Science市场规模约45.38亿美元，预计2032年将达262.3亿美元，年复合增长率高达28.9%。在化工、医药、新能源、合金、显示、半导体六大下游行业中，AI4S合计可覆盖的下游市场接近11万亿美元。

当研发渗透率达到2.5%时，年产值即可突破1400亿美元。而当前，AI4S在各行业的渗透率仍处于个位数水平。

从行业来看，AI4S正在形成不同的技术路径。

有的从基础模型和算力切入，有的深耕垂直科学模型，有的专注实验自动化，也有企业围绕自身研发管线搭建封闭系统。

晶泰选择的是一条更重的路线：同时做模型、Agent和实验，并把三者连接起来。这意味着它竞争的并不只是某个模型指标，而是一套能够持续运行的研发系统。

正如晶泰科技联合创始人、CEO马健所指出的，今天AI for Science最大的短板，并不是模型不会推理，而是缺少进入真实世界的能力。

图：晶泰科技联合创始人、首席执行官 马健博士

据介绍，Genius Agent目前适配药物研发、新材料研发两类核心场景。面对多目标优化和反复试错的研发任务，Genius Agent可自主拆解研发目标、自动设计全套实验方案，依托算法持续迭代优化，将原本数月的研发周期压缩至数天。

不过，Genius Agents只是大脑。真正让验证在真实世界落地的，是物理智能（Physical AI）。

传统自动化困于单一流程、非标设备和切换成本。晶泰所构建的Physical AI以“感知—决策—执行”闭环，让机器人在不同实验间迁移泛化，不仅是替代动作，更是替代判断。

早在六七年前，晶泰前便开始系统建设机器人实验能力，对于一家从算法和模型起步的公司来说，这是一条明显更重、也更慢的路。

多年来，晶泰科技补齐设计、制造、测试、分析（DMTA）循环中尚未自动化的环节，统一实验标准。很多工作细碎到透明器皿识别、固体分装、异常处理等具体问题。

图：晶泰科技机器人实验室

这些事情看起来离“大模型”很远，却决定了AI能不能真正进入物理世界。代价是更长的建设周期，回报则是持续验证假设、生产高质量数据的能力。

晶泰的稀缺性，不在单独拥有某个模型、一批机器或一间实验室，而在同时具备四层能力：十年的垂直模型与产业Know-how、可编排长程任务的Genius Agents、Physical AI的商业化实验体系，以及真实项目中持续沉淀的成功、失败与过程数据。

四层能力，最终指向同一个RSI循环。XtalPi Science则进一步把这四层能力封装为可对外调用的平台。

单点能力可以采购，可以合作，也可以通过人才引进补齐。但让模型真正理解研发逻辑，完成基于物理世界的RSI闭环，需要算法、工程、实验和产业项目长期磨合。

80%的失败数据

喂出一条更深的护城河

这套物理闭环中，最具长期壁垒的部分，是真实项目数据、实验数据的积累。

首席科学官张佩宇给出了一组数字：

目前，这套体系已覆盖超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，已累计沉淀超50万条真实实验记录，持续反哺底层垂直模型。

图：晶泰科技首席科学官 张佩宇博士

这些数据的价值，并不仅在于数量，更在于其来源和结构。

论文与专利多记录已成功的总结性知识；而晶泰的真实实验记录包含了条件、参数、过程与结果，其中失败负样本占比约80%。这些以往鲜少被公开的信息，恰恰能告诉模型哪些路径不通，避免以真金白银的代价重复试错。

这些被长期积累下来的失败数据，正在从传统研发的“沉没成本”转化为科学智能时代的稀缺资产。

数据最终要用效果说话。在基于350个真实工业分子的严苛评测中，由这些真实物理数据训练的反应路线预测模型SureRoute，将化学幻觉率压低到了4.6%——仅为前沿通用大语言模型的六分之一。

晶泰科技逆合成 AI 系统 SureRoute

相比其他专业模型和前沿大语言模型，化学幻觉显著更低

传统合成一个目标分子，化学家平均需要5到10次试错迭代。而在反应条件预测模型SureRXN加持下，平均只需1.19次。

这意味着，物理世界的实验反馈正在把数字猜想转化为更可靠的研发决策。

“模型—实验—数据”的闭环，能够把科学不确定性逐步收敛为工程可控性。与单纯依赖公开数据训练相比，这是一种更慢、更重，却也更难追赶的复利。

随着Physical AI将更多高价值研发场景纳入闭环，张佩宇希望，晶泰的机器人未来能够走进千万个实验室。

这让人想起比亚迪：当市场尚未形成共识时，先把电池、整车与供应链一寸一寸搭起来；当行业拐点到来，别人还在找供应商，先行者已经拥有了整条产业链。

据现场技术人员介绍，晶泰科技已经拥有全球商业落地规模最大的AI机器人实验集群，覆盖90%的化学实验；现有实验室产能处于高负荷运行状态，公司正在推进扩产。

图：晶泰科技AI机器人实验集群

如果把实验体系比作一台“数据掘金机”，晶泰的优势不只在于拥有这台机器，更在于它已在上百个真实项目中持续运转：

实验越多，模型越理解真实边界；模型越可靠，越能承接复杂任务；更多任务又产生新的实验反馈。真正稀缺的不是一次性拥有多少数据，而是持续产生高质量数据的能力。

从数据飞轮到平台飞轮

科学生产力开始被“调用”

科学发现，从来不是一家公司的事情。

药物、新材料、能源、生物制造……不同产业拥有不同的实验体系、数据资源和研发流程。任何一家企业，都无法独自覆盖整个AI for Science的版图。

晶泰显然提前布局了这一步。

晶泰科技与首批26家产业、高校及科研伙伴共同发起“科学智能开放生态联盟”，成员覆盖生物医药、新材料、AI基础设施、高校科研、投资机构等完整创新链条。

图：“科学智能开放生态联盟” 正式签约落地

包括三生制药、君实生物、加科思、百诚医药代表产业研发需求；佰维存储、翰博高新、丹纳赫集团、无问芯穹、逐际动力，提供底层技术与基础设施；香港中文大学（深圳）、五源资本、康曼德资本等，则连接科研创新与产业转化。

晶泰想做的，不只是推出一个平台，而是让XtalPi Science成为更多科研机构、企业和开发者共同创新的底座。晶泰将这一愿景概括为Global Scientific Utility——全球科学基础设施。

生态已在多个前沿赛道跑出了亮眼的结果。

泰衍科技依托Physical AI开展太阳能电池材料研发，机器人与智能体已协同完成50764组实验，沉淀5.78亿Token研发数据；耀速科技的肝器官芯片平台，将综合预测准确率提升至92.3%，数据解析时间缩短90%以上；超衍智能自主科研Agent几乎无需人工干预，已独立完成34项科研任务，其中2项进入人类研究者样本前1%。

这些伙伴的成果进一步验证了晶泰对未来的设想，且在产业需求、模型工具、实验设备和成果转化等环节与XtalPi Science形成互补。

因为科学平台真正的网络效应，不只是用户数量，而是可被调用的“科研能力密度”。

当平台可以处理更多类型的任务，更多客户愿意接入；更多任务带来更丰富的验证与反馈，又会提高平台解决下一类问题的能力。这也是XtalPi Science从药物研发延伸至新材料、能源化工等领域的基础：行业对象不同，但底层基础设施具有共性。

XtalPi Science希望改变的，不只是科研效率，还有科研能力的交付方式。企业既可以调用AI应用开展研发，也可以接入晶泰的自动化实验资源形成数据闭环；对有核心保密诉求的龙头企业，系统支持私有化部署。

发布当日，已有近200家企业、高校、科研院所及投资机构提交试用申请。可以预见，这一平台有望在全球范围内加速铺开，成为科研人员手中的标准工具。

如果这种调用模式得到验证，其更长远的想象空间在于：小型研发团队无需先行承担完整模型与实验室的重资产投入，也可能调用接近大型机构的研发能力，“小团队、大科研”由此具备现实基础。

伴随XtalPi Science的发布，晶泰正在从以项目交付为主的AI4S平台，走向可被持续调用的科学智能基础设施。资本市场有了新的观察维度：传统合同与项目收入决定当期业绩，平台调用、实验利用率与数据飞轮决定长期天花板。

Jeff Dean的新公司验证的是行业方向，晶泰十余年的积累提供的是一条已经进入工程实践的兑现路径。

前者让全球资本重新认识“研发系统自我进化”和“自动化科学发现”的价值；后者的稀缺性则在于，已经提前搭建起最重、最慢、也最难临时补课的物理一侧——真实项目、机器人实验与结构化反馈。

AI Coding证明了AI可以重写数字生产率；AI for Science要证明的，则是AI能否重写人类创造新药、新材料与新能源技术的速度。

行业贝塔已经启动，而这场长跑中，率先完成闭环的人，已经提前越过起跑线。

— The End—