如果AI只是帮人写文案、做PPT，它改变的可能只是办公室；但如果AI开始自己提出假设、设计实验、操纵仪器、分析结果，甚至决定“下一轮实验做什么”，它改变的可能是一整个科研产业。

这个变化已经不是科幻。2026年6月，上海一座AI驱动的自驱动实验室投入运行，实现AI计算与自动化实验设备直接联动，并已经在生物医药、能源材料等领域进行验证。更值得资本市场注意的是，7月北京提出，到2028年推动具备自主感知、自主决策、自主执行能力的自主实验室建设，并明确提出研发科研智能体和工具集，打造“AI科学家”。(上海市经济和信息化委员会)

AI竞争，正在从“谁的大模型更聪明”，进入“谁能让AI真正干活”的下一阶段。

而实验室，可能恰恰是智能体最有价值、也最容易产生高壁垒的场景之一。

AI为什么突然开始“接管”实验？

传统科研有一个长期存在的问题：太依赖试错。

研发一种新材料、一种药物或者一种化合物，往往需要科研人员先阅读大量论文，再提出假设、设计实验，然后反复调整配方和参数。失败一次，再做一次；一个方向走不通，重新寻找方向。

真正消耗时间的，很多时候不是那个灵光一现的科学发现，而是后面成百上千次重复实验。

科研智能体想解决的恰恰是这一部分。

未来的流程可能变成：科研人员提出目标，AI阅读文献和数据库，提出候选方案；模型先完成计算和模拟，筛掉大量低概率路线；智能体调用机械臂、高通量仪器进行实验，再把结果自动反馈给模型，决定下一轮参数。

于是科研开始形成一个闭环：

计算—实验—数据—再计算—再实验。

今年发布的北京相关方案，已经把这种模式概括为从“假设提出、方案规划、数据采集、计算仿真、实验验证”一直延伸到“创新发现”的全流程自主运行。(北京市政府)

这就意味着，AI的价值不再只是“帮科学家查资料”，而是在逐渐进入科研生产流程本身。

最先被改变的，可能是两个烧钱行业

为什么资本市场应该关注？

因为科研智能体最适合率先切入的领域，往往恰恰是研发时间长、实验成本高、试错次数多的产业。

第一个就是创新药。

传统药物研发需要从大量候选分子中不断筛选。AI如果能够提前预测分子性质、寻找靶点，再连接自动化实验平台，就可能明显压缩早期药物发现周期。

路透社7月报道，AI药物研发企业英矽智能表示，利用AI和自动化，其部分项目从传统约4.5年的候选药物发现过程，已经可以压缩至约一年，最快约9个月。(Reuters)

第二个是新材料。

一种电池材料、催化剂、涂层或者半导体材料，配方和工艺参数组合可能极其庞大。过去依靠工程师逐个实验，未来可能首先让AI预测，再让机器人实验。

中国科学院深圳先进院今年已经披露由多个智能体和专业工具组成的系统，用于闭环自主材料研究；上海的自驱动实验平台，也已经在能源材料等领域展开验证。(中国科学院智能科学与技术研究所)

因此，AI for Science最大的想象空间并不是“多卖一个软件”，而是缩短整个研发周期。

对一家一年研发投入几十亿元甚至上百亿元的企业来说，如果研发效率提高几个百分点，对应的经济价值都可能非常可观。

真正值得投资人看的，是背后四层产业链

如果科研智能体继续发展，受益的不会只有“大模型公司”。

第一层是算力和科学数据。

普通聊天机器人主要处理文字，而药物、材料、气象、物理等科研任务往往涉及海量专业数据和模拟计算，对GPU、高性能计算、数据中心以及专业科学数据库提出更高要求。

第二层是科研大模型和智能体软件。

未来不同学科很可能出现自己的专业模型：化学模型、蛋白质模型、材料模型、气象模型，再由科研智能体负责调用这些模型和工具。

第三层反而更加值得关注——科学仪器和实验自动化设备。

因为AI可以生成实验方案，但最终还需要机械臂、液体工作站、高通量检测设备、光谱仪以及各种精密仪器把实验真正做出来。

北京最新政策已经明确提出推动科研仪器自动化、智能化和高通量升级，并推动智能体与实验平台融合。(北京市政府)

第四层则是创新药、新材料、能源化工等应用企业。

它们未必直接出售AI产品，却可能因为研发效率提升而成为最终受益者。

这也是科研智能体与普通消费级AI最大的区别：前者最终连接的是几千万元甚至上亿元的研发预算。

但这还不是一个可以闭眼追的概念

越热门的赛道，越需要区分“演示”和“商业化”。

科研最大的难点在于容错率极低。聊天机器人答错一句话，用户可以重新问；但药物实验或者材料实验如果判断错误，浪费的可能是真金白银。

人民网8月26日的报道也提醒，AI进入科研之后，同时带来了算法偏见、虚假内容、结果可解释性以及科研诚信等新问题。AI成为科研基础设施的同时，可靠性、数据质量和责任边界也必须解决。(人民网)

因此，对投资者来说，未来真正有价值的公司未必是最会讲“AI科学家”故事的，而是能够回答三个问题的企业：

有没有真实科研客户？有没有接入真实实验设备？有没有帮助客户减少实验次数、缩短研发周期或者降低成本？

能够跑通这三个环节，科研智能体才可能从一个AI概念，变成真正的产业。

从办公助手到程序员，从工厂机器人再到今天的实验室，AI正在不断进入成本更高、专业壁垒更深的场景。

如果说上一轮AI行情交易的是“模型有多聪明”，下一阶段市场可能开始重新定价一个更现实的问题：一个AI，到底能够替人完成多少价值百万甚至千万级的工作？

当科研智能体真正开始连接模型、机器人、科学仪器和实验数据时，一个过去主要属于高校和科研院所的市场，也可能逐渐变成新的产业赛道。

这或许才是“AI走进实验室”最值得投资人关注的地方。

参考资料：

1. 光明日报、人民网：《AI参与科研，边界在哪里》，2026年8月26日
2. 北京市人民政府：《北京市加快推进人工智能赋能科学研究实施方案（2026—2028年）》
3. 北京市科委、中关村管委会：2026自主实验室大会相关资料
4. 上海市经济和信息化委员会：Golab物质科学智能研发工厂相关资料
5. 中国科学院深圳先进技术研究院：自主材料研发智能体相关研究
6. Reuters：AI在药物发现与研发周期中的应用报道