AI for Science狂热背后，基础设施成为关键变量：数据之墙与工具之困驱动范式转移，600亿美元投入至今零获批
AI for Science的瓶颈已从算力转向实验通量，数据生产能力成为新壁垒，只有重构实验工具并实现干湿闭环，才能让AI真正落地物理世界。
狂热与困境：AI制药的冰火两重天
2025年底英矽智能上市获1427倍超额认购，股价涨超90%，但谷歌DeepMind解散AlphaFold团队，多家AI制药Biotech转向CRO业务，BCG报告揭示全球600亿美元投入至今零获批。
英矽智能IPO成功
Biotech退回CRO业务
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。
数据之墙：生命科学的数据缺口远超想象
大模型在文本图像领域势如破竹，但生命科学面临本质数据缺失：从结构到药效再到临床反应，每一层数据都差着数量级。
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。
人类的实验速度追不上AI学习的需求：一个研究员一天几十次实验，AI需要几千万次、几亿次实验数据。
工具之困：现有实验工具是为人类设计的，不是为AI
镁伽科技创始人黄瑜清指出：现有工具在通量、数据质量、反馈速度、知识形态四个维度与AI需求不匹配。
现有的实验工具都是给人用的。我们以前做的很多事情，本质上是解放了人的双手……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。
实验工具需要革命，镁伽从底层重构仪器设备，打造 PCE架构（感知－构思－执行），实现端到端闭环。
镁伽的PCE架构与闭环能力
真正的Physical AI需具备从感知到构思到执行的端到端闭环能力：AI在数字世界感知、生成假设，自动化设备在物理世界执行实验、采集数据，数据回流迭代假设。
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。
某知名药企与镁伽合作：6个月完成3轮“设计→验证→迭代”闭环。
AI 干侧设计 + 自动化湿侧验证，数据实时回流迭代。
镁伽十年能力阶梯：
数据工厂：从实验副产品到主要产品
当PCE架构跑通，数据从稀缺资源变成可规模生产的资产。镁伽提出“数据工厂”概念，鲲鹏实验室成为验证AI能力、积累实验数据的重要载体。
2021年启动鲲鹏实验室，2026年基于 CellVue® T 系列高内涵细胞成像系统的两项成果分别发表于《Nature Communications》和《Nano Today》。
结核病持续感染机制、肿瘤免疫治疗——背后是高通量高精度成像分析获取真实数据。
为了得到结果
为了积累数据
数据从实验的副产品，变成主要产品。
只有两层基础设施都建好了，Science as a Service才真正成立。
加速分化：从讲算法到建基础设施
当大模型开源化、算力如水电，竞争焦点转向持续生产高质量数据的能力——谁能在物理世界跑通干湿闭环。
模型能力会随着时间的推移越来越趋同……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。
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——这将会给行业带来巨大信心。
镁伽 2022—2024 三年累计研发投入超 10 亿元，团队近千人，研发人员占比超 50%。
显示出工业化运转而非概念验证的规模。
AI for Science的竞争已从算法和算力转向数据生产能力和物理闭环能力，基础设施型企业（如镁伽）将在未来占据核心位置。行业正加速分化，只有真正建立干湿闭环的公司才能跨越“零获批”的尴尬，迎来实质性突破。
本文以 AI for Science 的狂热与困境为切入点，深入剖析了数据之墙和工具之困两大瓶颈，并以镁伽科技为案例，展示了从底层重构实验工具、构建 PCE 架构和数据工厂的解决方案。文章逻辑清晰，数据详实，对行业分化趋势的判断具有前瞻性。