華爾街見聞近日發表評論文章指出，在Coding之後，AI下一個能夠承接大規模付費的場景可能正在浮現，AI4S（AI for Science）重新成為資本市場焦點。文章認為，科學模型正在與科研Agent、自動化實驗室連線，AI的角色從預測結構、篩選分子，走向設計實驗和讀取結果；與此同時，醫藥領域的平台公司收入開始放量，DNA合成、蛋白表達和早研服務也出現增量需求。當科研的瓶頸從“設計太慢”轉向“驗證不夠快”，AI4S能否成為下一個真正改變行業成本曲線的AI應用，成為市場關注的核心問題。

文章首先分析了AI4S升溫的背景。過去兩年，生成式AI的應用故事很多，但真正率先跑通商業模式的是Coding。程式碼任務高頻發生，結果容易校驗，工程師的時間價值足夠高，因此模型能力提升可以迅速轉化為呼叫量、訂閱和企業支出。當這一邏輯成為共識後，市場開始尋找下一個類似場景，辦公Agent、多模態、機器人等都在候選名單中，而AI4S近期升溫，本質上是在回答同一個問題：還有什麼工作既足夠昂貴，又適合AI反覆執行，並且結果可以被客觀驗證？科學研究恰好符合這些要求——藥物、材料、化工、能源和晶片研發每年消耗鉅額預算，其中大量工作本身就是搜尋、計算、試錯和驗證；科研結果不像文案好壞那樣依賴主觀判斷，一個分子能否合成、一種材料是否達到效能要求，最終都能通過實驗回答。政策層面也在提升這一方向的定位，“人工智慧+科學技術”被放在“人工智慧+”六大重點行動的首位，覆蓋科學發現、研發模式創新和未來產業突破。

文章指出，這輪行情與前幾年AI製藥行情並不完全相同。過去市場關注“AI能不能找到一個更好的分子”，現在的問題已經變成：AI能不能真正進入企業研發預算，成為持續使用的生產工具。技術拐點在於科研開始形成閉環。早期AI4S更像高階計算工具，AlphaFold是最典型的例子：科學家提出問題，模型給出預測，實驗仍主要由研究人員繼續完成。現在變化發生在模型和實驗之間——科研Agent開始負責理解目標、拆解任務、呼叫不同的專業模型和計算工具，機器人實驗室則把數字世界裡的方案變成真實反應和測試，再把實驗資料送回模型。晶泰科技今年推出的XtalPi Science已經嘗試把Agentic AI、Scientific AI和Physical AI放進同一系統，形成“數字假設—專業預測—物理驗證—資料反饋”的連續過程。這使科研過程第一次有機會被重新組織為一個不斷迴圈的系統：設計—執行—觀察—修正，再重新設計。只要實驗能夠自動執行、結果能夠機器讀取，AI就不必每次等人重新發出指令，而可以在一定邊界內連續執行，原來一天只能完成幾輪的研究過程，理論上可以向更長時間、更高頻率的迭代推進。AI4S因此從“給研究人員一個答案”，開始接近“參與完成一個研究任務”。

更重要的是，技術故事開始出現收入和訂單的落點。部分上市公司已通過AI4S產生實質性的營業收入。以晶泰科技為例，其2026年上半年實現收入3.8-4.0億元，剔除BD因素後收入不低於2.5億元，同比增長超過65%；其中AI4S智慧解決方案收入超過1.8億元，同比增長超過120%，機器人解決方案和智慧服務亦維持較快增長。文章認為，這些數字表明AI4S正從概念走向商業化，其能否成為下一個改變行業成本曲線的AI應用，取決於科研閉環能否在更多領域複製，以及企業研發預算是否願意持續買單。