产品尚未公开、公司甚至还没有正式名称，围绕它的市场估值却已被报至7.5亿美元，并计划募资1.5亿美元。这家由Kevin Weil筹备的新公司，目标不是让AI更会写论文，而是为AI模型提供科学数据。
注：以上为报道中披露的融资与估值信息；公司尚未公开产品和正式名称，数字不等同于已完成融资。
Kevin Weil今年早些时候离开OpenAI，正在推进一项尚未公开产品、也尚未确定公司名称的创业计划。其核心定位是为AI模型收集科学数据。这与他离开前参与推动的Prism形成明显反差：后者把前沿大模型嵌入科学家的工作流，前者则把科学家掌握的数据送入模型供给链。
这不是一个普通的产品方向切换。
帮助科研人员写论文、排版、管理引用并进行LaTeX协作，解决的是“把科学表达得更高效”。
面向模型收集和结构化实验数据，试图解决“让AI获得可训练、可调用的科学素材”。
注：对比展示的是两种产品逻辑，而非已公开的完整商业计划；新公司的具体产品细节目前仍有限。
这背后的判断是，科研数据并不缺少，真正稀缺的是可获得、可理解、可复用的数据基础设施。数据可能散落在实验室笔记、Excel表格和私有数据库中，格式不统一、权限各异，也很难直接用于模型训练。
过去，AI4S更像一个宏大的概念集合：让AI帮助科学家发现新材料、设计芯片、研究药物。但近期几家公司的方向开始分化，分别占据数据、模型和应用位置。
收集实验室中的科学数据并进行结构化，目标是成为模型训练与调用的上游入口。
由Jeff Dean等人创立，关注在材料科学、芯片设计、生物计算等领域，让模型自动运行大量科学研究循环。
尝试建设“AI科学家+自动化实验室”，让机器人直接执行实验并生成新的训练数据。
注：三层并非严格互斥的公司分类，而是按当前公开方向梳理出的产业链位置。
理想状态下，这三类玩家可以互相供给：数据层提供素材，模型层完成推理和实验规划，应用层执行实验并产生反馈。AI4S由此不再只是一个“科研助手”命题，而是一条需要持续循环的产业链。
Weil曾公开判断，2026年可能成为“AI与科学的一年”，就像此前一年属于AI与软件工程。Prism的实践说明，通用模型已经能够改善科研表达，但在实验设计、假设验证和数据洞察等“科学发现”环节，产品能力仍然有限。
Jeff Dean对AlphaFold的复盘则给出了另一种解释：它的成功并不只是算力堆叠，更来自一个规模很小、对特定领域极度专注、拥有顶级技能的研究团队。通用大模型的大部分资源会持续流向主航道，组织规模越大，越难长期维护某个冷门而深的科学垂直领域。
注：徽章是对公开观点的编辑归纳，不代表三家公司已披露统一的组织策略。
因此，Weil和Jeff Dean的离开释放出相近信号：AI4S需要的不只是更大的模型，还需要能够长期投入数据清洗、领域适配、实验验证的独立组织。大厂并非做不到，但通用业务的优先级、合规要求和资源配置，可能让这类“脏、慢、重”的工作难以排在最前面。
7.5亿美元的潜在估值，一部分来自Weil在OpenAI、Meta和Twitter积累的产品履历，另一部分来自他在Prism阶段可能建立的科学家网络。对数据公司而言，知道数据在哪里、知道实验室如何沟通，可能比先做出一个漂亮界面更重要。
注：两张卡分别呈现潜在机会与现实约束，不能据此推导公司的最终估值或融资结果。
AlphaFold已经证明，AI可以在特定科学问题上产生改变研究流程的结果。但从模型给出预测，到实验验证，再到形成可复用的新知识，中间隔着大量缺乏故事性的工作：数据要被整理，模型要适配领域，实验要能自动执行，失败结果也要回流系统。
真正困难的，往往不是演示一次成功。
把分散在实验室中的数据变成可调用资产，并让数据、模型、实验之间形成连续反馈。
跨学科标准难统一，数据授权周期长，科学结果需要真实实验验证，资本不能替代这些基础工作。
注：这里的“拿诺贝尔奖”是行业愿景表达，不代表任何具体项目已有诺奖级成果。
所以，AI4S的竞争焦点正在从“谁能做出一个科研工具”，转向“谁能搭出一条可持续的科学发现流水线”。Weil押注数据，Discovery Loop押注模型，Periodic Labs押注实验，三者之间能否真正形成闭环，才是这场竞赛的验证标准。
AI4S的下一轮赢家不会只是最会讲“AI发现科学”的公司，而会是能在数据授权、领域标准和实验反馈中持续积累真实壁垒的基础设施玩家；在这些问题被解决前，7.5亿美元更接近一张高价入场券，而不是成功证明。
Weil新公司的产品和正式名称尚未公开，当前没有可供公众体验的入口。想跟踪这一赛道，可重点观察三件事：首批数据来自哪些领域、如何取得授权，以及是否能形成模型与实验之间的闭环。
暂无公开产品入口 · 等待后续披露