🔬 AI4S · 科学智能基础设施
AI4S 原生操作系统发布：多智能体矩阵打通从数字假设到物理验证的科学发现闭环
7 月 29 日，晶泰科技发布 XtalPi Science 与 Genius Agents，并把模型、专业工具、智能体和自动化实验封装为可调用的 Science Token。平台给出的核心方向，是将 AI4S 从数字推理推进到可验证的自主科学发现。
事件时间：7 月 29 日•
科技与产业•
全文约 6 分钟读完
#XtalPi Science
#Genius Agents
#Physical AI
#AI for Science
20+
已覆盖工业场景
50万+
累计真实实验记录
近200家
截至发布当日提交试用申请的机构
⚡ 30 秒速览
- 发生了什么：晶泰科技推出 XtalPi Science 科学智能平台与 Genius Agents 多智能体矩阵，目标是把 AI 推理接入真实实验。
- 核心机制：用 Science Token 统一封装模型、工具、智能体和自动化实验资源，让外部科研组织按需调用。
- 凭什么可信：平台已在 20 多类工业场景、100 多个新药与新材料项目中运行，累计沉淀超过 50 万条真实实验记录。
- 数据亮点：公司披露，SureRoute 化学幻觉率降至 4.6%，SureRNX 对失败实验的预测准确度达到 81%—89%。
- 需要保留的判断：这些成绩主要来自公司披露的真实业务与专项评测，尚不能直接等同于跨平台、第三方统一基准结果。
01发生了什么？从内部研发体系走向开放平台
这次发布不只是上线一个科研助手。XtalPi Science 被设计成一层面向科研组织的基础设施：上层可以调用 AI 应用和专业模型，下层连接自动化机器人实验，中间由 Genius Agents 负责目标拆解、路径规划、工具调用与结果回流。
关键变化，是把“猜想”接上“验证”。
平台层
XtalPi Science 正式发布
整合大语言模型、科学智能体、专业工具和大规模自动化机器人实验，面向全球科研组织提供可调用能力。
调度层
Genius Agents 作为研发矩阵
自主理解复杂科研目标，调度跨学科专家智能体与数百项专业工具，执行跨学科长程任务。
资源层
Science Token 成为统一调用单位
平台将模型、工具、智能体与实验资源封装为可按需调用的资源单元，并记录过程与贡献。
生态层
科学智能开放生态联盟成立
成员可接入模型与工具、调用自动化实验资源，参与联合开发或选择私有化部署。
注：时间线按平台“能力—调度—资源—生态”的产品逻辑排列，不代表各模块的独立发布时间。
生物医药 · 新药发现
先进材料 · 配方优化
科学仪器 · 实验自动化
AI 基础设施 · 算力与模型
具身智能 · 物理执行
高校与资本 · 协同创新
注：发布现场披露的联盟规模存在两种表述：前文为 26 家产业、高校及科研生态伙伴，后文称由 27 家领先企业联合发起；本文保留这一口径差异。
02为什么可信？真实物理数据给模型加上纠错能力
AI4S 的难点不在于生成更多科学猜想，而在于判断哪些猜想值得实验。公开论文和数据库往往记录成功结果，失败实验、无效路线以及隐性操作经验却很少被系统保存，模型因此容易在未知空间里“自信地犯错”。
晶泰科技披露，其数据资产中约 80% 是失败负样本。这类数据并不漂亮，却直接决定模型能否提前识别不可行的反应条件和合成路径。
SureRoute · 化学幻觉率
4.6%
在 350 个真实工业分子的专项评测中，约为前沿通用大语言模型的六分之一。
更低更好
SureRoute · 首条路线准确率
51.7%
同一组 350 个真实工业分子评测，衡量首条合成路线是否准确。
专项评测
SureRNX · 失败实验预测
81%—89%
公司披露的模型准确度，对照资深化学家为 38%—60%。
负样本能力
真实服务合作 · 平均试错次数
1.19 次
传统合成目标分子通常需要 5—10 次试错迭代，模型将其压缩到平均水平。
业务口径
注：四项数据均按公司披露的真实业务或专项评测口径呈现；它们并非同一张第三方统一榜单，不能简单横向合并为单一分数。
“未经验证的假设无法转化为知识。”
——晶泰科技 CEO 马健在发布活动中对科学智能闭环的概括
03它到底能做什么？从单点预测到完整研发任务链
Genius Agents 的产品形态并不是让科学家多一个聊天窗口，而是把传统 DMTA——设计、制造、测试、分析——重构为上百类研发意图，再由不同智能体和工具协同执行。
🧬 药物研发：跑通从文献到实验的长链路 跨学科任务
- 从文献研读、构效分析开始，形成候选分子与研发假设。
- 继续调用分子设计、ADMET 预测和合成路线规划等专业模型与工具。
- 将数字世界中的路线提交给自动化实验系统，在物理世界完成测试，并把结果返回下一轮决策。
判断：价值不在某一个环节的单点准确，而在于减少任务衔接、等待决策和跨团队沟通造成的空转。
🔋 材料研发：把多年迭代压缩到数月 产业场景
- 公司称，传统复杂电池材料往往需要 3—5 年迭代，如今依托 AI 智能体系可在数月内完成优化。
- 目前已实现上百种新材料配方的快速验证，将配方设计、实验测试与结果分析连接起来。
- 实验结果持续沉淀为训练数据，为下一轮材料预测提供反馈。
判断：材料场景的优势在于实验目标清晰、结果可量化，但规模化仍取决于硬件泛化和数据标准化。
🧪 研发组织：让专家经验变成可复用工作流 组织智能
- 平台将科学家的隐性知识固化为标准化 Skills，减少经验只停留在个人脑中的损耗。
- Genius Agents 负责大规模探索和步骤衔接，科学家仍保留目标设定与关键路线决策权。
- 在内部真实研发中，部分原本需要数周甚至数月的验证流程，被压缩到以天为单位。
判断：这是一种“AI 扩大探索范围、科学家掌控方向”的协作模式，而不是完全无人值守的自动科研。
04为什么能做到？十年数据、硬件与场景的复合积累
科学智能的底层门槛，不是把通用模型接进实验室就算完成。模型需要理解专业目标，智能体需要调用工具，机器人需要稳定执行，实验结果还必须以结构化方式回流。任何一环断开，数字猜想都无法转化为可复用知识。
核心不是会猜，而是能复盘。
01
数字假设
生成研发目标与候选方案
02
专业预测
调用垂直模型筛选路径
03
物理实验
机器人执行高精度验证
04
结果分析
记录成功与失败样本
05
模型进化
反馈下一轮决策与预测
注：闭环图展示的是 XtalPi Science 的系统逻辑；“模型进化”并不意味着每次实验结果都会即时更新基础模型，具体更新机制取决于平台的模型与数据治理流程。
工业场景覆盖
生命科学、先进材料等真实研发环境
20+ 类
累计真实实验记录
其中约 80% 为失败负样本
50万+ 条
注：数据按发布方披露的规模口径展示；“月度数据量”与“累计实验记录”属于不同统计维度，不应直接相加。
智能体
把复杂目标拆解为可执行的研发意图与 Skills。
物理智能
让自动化实验系统完成真实世界的测试与反馈。
这也是为什么科学实验室被视为 Physical AI 的优先落地场景：相比家庭环境，实验室的耗材边界更清晰、流程更结构化，而且每一次高质量实验都具有较高的研发价值。
05怎么判断这次发布？能力已经出现，规模化仍待验证
XtalPi Science 的战略野心很清楚：把一家公司的内部研发能力，转化成外部科研组织可以调用的基础设施。联盟、Science Token 和私有化部署，解决的是资源如何被组织起来；机器人实验和真实负样本，解决的是模型如何接触物理世界。
但平台化并不等于已经完成规模化。真正的检验将发生在不同机构、不同实验设备、不同保密要求和不同学科流程接入之后。
在 20 多类工业场景、100 多个真实项目中持续运行。
内部项目经验能否稳定迁移到外部机构和新实验室。
SureRoute、SureRNX 在专项评测中展现出较低幻觉率和较高失败预测准确度。
模型在更大规模、跨学科、统一第三方基准中的表现。
近 200 家企业、高校、科研及投资机构提交试用申请。
申请数量能否转化为长期使用、实际合同和可复现的研发产出。
公司透露一款 AI 深度参与的肺癌新药已推进至临床阶段。
预计 2026 年下半年获批上市仍属于公司预测，不是已完成结果。
注：左栏是发布活动披露的事实与数据，右栏是基于这些信息提出的验证问题；二者不代表同等确定性。
编辑核心判断
AI4S 的竞争焦点正在从“谁能生成更多科学猜想”，转向“谁能用更低成本、更高可追溯性完成真实验证”。XtalPi Science 把模型、智能体和实验机器人装进同一套基础设施，是一次方向正确的系统级押注；但它最终能否成为通用科学基础设施，取决于外部复现、跨实验室泛化和持续商业交付，而不是发布会上的平台规模。科学智能的行业门槛，最终会落在能否把失败也变成可复用资产的物理闭环上。
▶如何获取试用
截至 7 月 29 日中午，已有近 200 家企业、高校、科研及投资机构提交平台试用申请。联盟成员及部分深度合作高校、科研院所，可优先获得 Science Token 免费试用额度。
提交 XtalPi Science 平台试用申请
核心保密要求较高的企业，可进一步了解私有化部署方式。