核心观点
　　AI4S正由模型能力竞赛迈向产业化临界点，技术、产业、需求、政策四重共振，价值锚点由模型能力向科研生产力、数据资产与系统化生物设计升维。科研Agent由回答问题升级为拆解目标、调用专业模型并衔接实验，推动AI从单点工具跃迁为执行复杂研发任务的科研生产力，Science Token等按量计费模式打开平台化变现空间；模型生成候选速度快于实验验证能力，实验产能与反馈周期成为研发效率的主要约束，掌握真实数据入口者借干湿闭环沉淀数据飞轮，焦点由模型性能转向实验吞吐量、数据质量与反馈效率；AI能力由小分子向抗体、蛋白及核酸等大分子延伸，研发由生成单一候选升级为贯通成药性优化、递送与体内验证的系统化成药设计，有望打开产业价值空间。
　　摘要
　　四重共振驱动AI4S迈向产业化临界点。技术端，生成式生物设计由单分子预测拓展至完整基因组；产业端，通用模型厂商延伸至湿实验，MNC横向结盟共建研发基础设施；需求端，候选供给放大合成与高通量验证需求，上游服务商率先兑现；政策端，AI制药、高质量数据集和科研基础设施纳入体系化布局，技术、资本、订单与政策形成合力。产业价值锚点正由单一模型能力向科研生产力、数据资产与系统化生物设计升维，主要体现在三方面：
　　（1）范式演进：Agent延伸研发链条，TaaS打开价值空间。Agent正由回答问题升级为拆解科研目标、调用专业模型并衔接真实实验，使算法、数据和设备形成连续工作流。Science Token将模型、算力、任务编排与机器人实验封装为标准化服务，客户按调用量付费，平台则可将可复用的科研能力转化为持续、高频的平台收入。
　　（2）壁垒深化：干湿闭环构筑数据飞轮，湿实验室沉淀数据资产。模型生成候选的速度已快于实验验证能力，实验产能、成本和反馈周期成为研发效率的主要约束。科技巨头通过自建湿实验室及连接CRO、自动化实验平台，掌握真实数据生产入口；实验结果持续回流训练，形成“设计—验证—反馈—迭代”的自强化飞轮，竞争重点也由模型性能转向实验吞吐量、数据质量和反馈效率。自动化湿实验室有望成为物理AI落地的重要场景。
　　（3）边界拓展：从“选分子”走向“造体系”，大分子有望抬升产业天花板。小分子仍是数据基础、建模工具和临床验证最成熟的主战场；蛋白结构预测、蛋白语言模型与生成式生物学的发展，则推动抗体、蛋白及核酸药物迈向预测驱动和可编程设计。由于序列、结构、成药性、递送与体内效应高度耦合，大分子AI将从生成单一候选升级为多目标协同优化的系统化成药设计。
　　风险分析
　　（1）AI4S技术能力与科学验证不及预期风险。科学模型在公开基准上的性能提升，不必然转化为真实科研场景中的泛化能力。若模型在未知靶点、复杂生物体系及分布外任务中出现幻觉、结果不可复现或实验成功率偏低，可能削弱AI4S的实际研发价值及客户付费意愿。
　　（2）高质量数据供给与合规风险。AI4S模型训练依赖高质量、标准化且带有实验标签的科学数据，但行业数据仍存在分散、标准不一及失败负样本稀缺等问题。若数据获取成本上升，或知识产权、患者隐私及跨境流动监管趋严，可能限制模型训练、数据闭环和商业化合作。
　　（3）干湿闭环建设与商业化进展不及预期风险。自动化实验室涉及仪器集成、实验标准化和流程数字化，前期资本及研发投入较高。若实验设备兼容性、数据回流效率或实验室利用率低于预期，或客户订单未能从一次性项目转向持续采购，可能导致数据飞轮形成缓慢并拖累盈利兑现。
　　（4）研发转化及临床试验失败风险。AI有望提升靶点发现、分子设计和临床前研发效率，但无法消除人体生物学复杂性及新药研发固有风险。若AI设计候选药物在临床阶段出现疗效、安全性或入组问题，可能导致管线终止、BD里程碑无法兑现，并对行业估值体系形成冲击。
　　（5）开源竞争、知识产权与生物安全监管风险。开源模型快速迭代可能缩短算法领先窗口，压缩单一模型能力的商业溢价；同时，蛋白、基因组及生物系统设计能力增强，也可能引发知识产权归属、双重用途及生物安全风险。若相关监管明显收紧，可能提高模型开放、数据使用和实验验证的合规成本。