大胆假设，小心求证。
ChatGPT 爆发数年以来，在 AI 泡沫与 "X 时刻 " 的中间地带，人们以各种方式，探索 AI 浪潮的分水岭。从聊天机器人、AI 数字员工到具身智能，从 " 内容生成 " 到 " 任务执行 "，再到各种形态的智能体，不断涌现。
2026 年以来，AI 迈入复杂的物理世界。数字世界与物理世界的交汇处，以生命科学、制药、新材料为代表的科学智能（AI for Science）成为新风口：顶级 AI 大厂、跨国药企、Biotech 企业和创业公司纷纷入局，希望借助 AI 加速科学发现，同时寻找新的 AI 产业化路径和增长点。
新的科研范式发生之前，挑战也变得更为复杂。
" 加速科学发现，不是单纯的工具或者模型问题，而是基础设施的挑战。" 深耕生命科学和智慧实验室领域多年，镁伽科技创始人兼首席执行官黄瑜清近日接受《财富》（中文版）采访。在他看来，科学智能发展，需要解决虚拟与真实世界持续交互、高价值科学数据稀缺、作业流复杂，以及 " 干湿实验闭环 " 等一系列问题。简单来说，就是怎么让 AI 提出好实验，怎么同时跑一百万个实验，" 这和之前大语言模型不同，需要完全不一样的基础设施支撑。"
作为科学智能赛道的重要玩家，镁伽为科研机构和生命科学、先进制造等产业客户，提供硬件、软件和模型 " 三位一体 " 的基础设施级能力；同时，自建 " 所见即所得 " 的多智能体协同镁伽鲲鹏实验室，以及 " 数字首席科学家 " 等端侧服务，从交付工具、交付全链基础设施到交付结果，不断创新产品服务，帮助 1,000 多家客户加速科学发现，成为 2026 年《财富》中国科技 50 强上榜企业。
这家年轻的独角兽科技公司，如何从工具型创新切入，融合 AI 和自动化能力，在产业场景中规模化落地，成为科学智能的加速器？
AI4S 牵引物理 AI 元年
生命科学成为 " 主战场 "
2026 年世界人工智能大会（WAIC）前夕，一场持续五天的无人科研试验直播，引发网络 " 围观 "。
由上海科学智能研究院牵头建设，其重点孵化企业格物智研打造运营的干湿闭环技术体系 "Golab 物质科学智能研发工厂 "，在无人干预的情况下，独立完成 135 项真实科研任务，覆盖药物发现、催化剂设计、材料研发、电解液筛选等场景。值得注意的是，在实验中，部分 AI 模拟结果进入自驱动实验室，在真实物理世界中完成合成与测试。
这种 AI" 新物种 " 和应用的背后，镁伽为其干湿闭环实验体系提供了重要的基础设施与技术支撑。
2025 年 7 月，镁伽与上海科学智能研究院达成战略合作，携手推动 AI 与全自动化实验室深度融合，打造干湿一体的科研平台，并成为后者星河启智平台湿实验基建设施和科学服务的关键合作伙伴。
在黄瑜清看来，AI 上半场在数字世界，大量生成内容，下半场将进入到产业。
产业里面，备受瞩目的场景，就是医疗、健康、生命科学，" 属于刚需和长线赛道 "，以及具有规模效应的制造领域。尤其是生命科学，" 不仅仅是 AI 可以落地应用的场景，更可能就是下半场的主战场之一。" 黄瑜清表示，现在不单是大厂，即使是相对保守的传统药企，也在大量使用 AI，从简单的文献查询，到假设生成、数据分析，再到下游各类应用。
但真实世界落地和规模化，依然面临很多的链条缺口和空白地带。
"AI 可以把人类几千年的文字和知识压缩进大模型，生成高质量内容，但今天，AI 依然无法真正理解细胞的生老病死。" 黄瑜清表示，其中一个原因就在于，生命科学领域缺少足够丰富、标准化且高质量的数据和知识去训练 AI。长期以来，传统实验室更多依赖人工操作和经验驱动，实验数据分散、标准不一、可追溯性不足，难以支撑 AI 持续学习和迭代。
另一个问题在于让 AI 进入真实世界完成验证。以生物医药研发为例，AI 已经可以在很短时间内生成上万甚至上百万个候选分子和蛋白序列。" 但 AI 的价值，不仅仅是生成序列，而是能够更快地把设计出来的序列带到真实世界，从表达、验证到产生真实实验数据，再反哺给模型，持续生成更优的结果。
"
黄瑜清认为，加速科学发现，需要全新的基础设施能力，" 先修跑道，再谈起飞。"
一方面，是面向科学发现的 AI 基础设施（AI Infrastructure for Science），让 AI 具备理解科学、辅助决策和持续学习的能力；另一方面，则是原有科学工具或者硬件，更好地适配甚至 AI 原生化，也就是 Science Infrastructure for AI，不再是传统经验和人工驱动的设计理念，而是以 AI 原生视角来重构实验室，让机器人、仪器设备、实验流程和数据采集体系都围绕 AI 进行设计，实现实验可验证、可复现，数据可回流，模型可迭代，最终形成干湿闭环的自主实验体系。
在 WAIC 亮相的超级科研工厂，就是这一理念的探索成果。
"AI4S 在生命科学领域仍然有大量关键问题需要持续探索与突破，也蕴藏巨大的发展前景和产业价值。这也是镁伽持续投身于此，并定位基础设施提供商的核心所在。" 黄瑜清表示。
硬件、软件和模型 " 三位一体 "
镁伽如何构建科学智能基础设施
从自动化、智能化的科学工具，到 AI4S 基础设施，镁伽走了十年。
" 我们希望帮助科研和实验人员从低效重复，且有危险可能性的工作中解放出来，投入到更有价值和创新的工作中。" 黄瑜清回忆道，在这一初衷的基础上，镁伽进行了不同阶段的探索和实践。
首先是升级科学工具，通过提供更高通量、自动化工具加快实验速度。当工具效率提升之后，镁伽又发现生成科学假设的速度还是不够快，进一步引入 AI 来辅助。而当前更重要的一步，则是打通 " 干湿实验闭环 " 的能力：让 AI 在真实的实验验证、数据反馈过程中，不断学习和迭代，指导下一轮任务改进。
黄瑜清将这一演进过程概括为三个阶段：第一阶段 " 解放双手 "，借助自动化减少重复劳动；第二阶段 " 武装头脑 "，利用 AI 辅助科学决策；第三阶段就是当下，让 AI 可以自我迭代，形成自主学习、自主优化的 AI4S 基础设施。" 现在镁伽可以提供的不再是单点的工具或者实验仪器设备，而是覆盖硬件、数据、模型、工艺和作业流程的系统性基础设施能力。"
如今，包括众多知名科研机构、大型药企在内的客户，都通过与镁伽合作，部署构建新一代的科学智能基础设施，打通 " 干湿闭环 " 能力，加快创新想法落地。
例如，2025 年，清华大学药学院团队与镁伽合作，打造行业首个工业级高通量蛋白质定向进化系统。系统通过 " 自动化执行 +AI 决策 "，实现无人值守蛋白进化实验，仅用 25 天便实现蛋白质从 " 零功能 " 到 " 具备完整功能 " 的连续进化。而以往依赖人工操作，需要数年甚至更长的时间，这一成果也登上国际权威学术期刊《Nature》子刊。
而在产业界，一家医药 CDMO（合同研发与生产业务）头部企业，原来依靠人工分析调整蛋白纯化过程中的参数，产率只能达到理论值的 80%。通过与镁伽合作，应用 AI 模型，结合产业现场环境，学习历史数据，发掘出产率影响关键变量，再通过三到四轮迭代优化，产率提升 16 个百分点。" 客户每年可以减少 2,000 多万的原料成本，同时，研发、生产组织效率也大大提升。" 黄瑜清透露。
这些合作方，结合不同的课题、任务和场景需求，相当于是镁伽能力应用的子集，镁伽自身体系的 " 鲲鹏实验室 "，则是镁伽技术储备、模型能力、数据沉淀和复杂作业流兼容性最强的 " 练武场 "。
黄瑜清介绍称，镁伽鲲鹏实验室的一大特点是高通量，" 同样时间，操作实验数量是传统实验室的上百倍甚至上千倍。" 第二个，数据丰富，镁伽鲲鹏实验室希望打造 " 生命科学数据工厂 "，通过平台服务、自研课题等方式，积累专属数据集和专用科学模型能力。比如抗体早期发现领域，形成覆盖 100 余个创新靶点、20 万条抗体序列、2000G 单细胞 VDJ 数据及多维实验数据的高质量资源库。
自 2019 年以来，镁伽鲲鹏实验室持续迭代，并在药物开发、生物合成等领域应用。黄瑜清希望实现 " 最快的交付速度、最低的单次试验成本 "，帮助更多无需自建复杂科研基础设施的企业，提供开箱即用、干湿闭环的科学服务能力。
值得一提的是，镁伽还在不断升级自己的服务形态。
基于十多年的技术积累，镁伽把复杂的工程化和科学能力，进一步封装，推出面向终端科研用户的极简产品——永不下线的 " 数字首席科学家 "，并在深度合作客户中内测使用。在一个简单的对话框里，研究人员通过自然语言描述科研目标，系统便能理解需求，自主驱动实验过程，完成任务验证。而在背后，是镁伽系统性能力的支撑，从语义理解、文献查询、假设生成，到自动化调度复杂作业流、任务执行、数据产生，再到数据回流模型、模型学习迭代，整个体系、流程形成闭环。
" 通过 AI 科学家，人机协同，科研人员可以用极低成本，享受最前沿干湿闭环工程能力，从‘想到’，实现‘做到’。" 黄瑜清表示。
从生命科学到先进制造
"1+N" 的螺旋发展
如果说，生命科学的 " 干湿实验闭环 " 之旅，是 AI 跨越数字与物理空间的星际之门。
先进制造，则是镁伽在另一个物理 AI 探索中的 " 极限挑战 "：多样化的 AI 智能体，在严苛、复杂、高精度的工业制造场景中，规模化落地赋能，帮助产业伙伴提质、降本、创效，成为大国制造的硬核能力。
以晶圆缺陷检测为例，这是半导体制造中的关键环节，对检测精度和良率控制都有极高的要求，行业壁垒深。" 我们的识别能力，就像在 960 万平方公里土地面积上，快速、准确地寻找一枚硬币。" 黄瑜清表示，镁伽多年积累，拥有高精度运动控制、光学成像、图像分析处理等技术能力，但更为差异化的优势，则是 AI 持续学习和自主迭代能力。不同于传统检测系统 " 一次交付、长期使用 " 的模式，镁伽的自主智能体可以持续学习每一批次的生产数据，不断优化检测模型和工艺参数；同时，打通不同设备、不同产品、不同工序的数据，实现跨设备、跨流程协同优化。
据黄瑜清透露，镁伽 Manavis 系列晶圆缺陷检测设备，已经可以把漏检率做到万分之五以内，同时把过检率降低到千分之一，解决了传统漏检与过检两难平衡问题，每年为客户减少上亿元损失。
" 生命科学和先进制造，两个行业看起来跨度很大，但镁伽底层解决的是同样的命题，比如微观认知、高精度、高通量执行等，让 AI ‘看得见’微观世界，‘看得懂’微观世界。" 黄瑜清告诉《财富》（中文版），镁伽已经服务超过 1,000 家客户，场景聚焦在两个大类，其中一大类是 AI for Science，包括生命科学、制药、材料等等，另外一大类是 AI for Semi，半导体、新能源等高端制造，围绕两个大类再产生更多的细分场景，" 我们也是一家 1+N 的公司。"
这种场景丰富的背后，是镁伽在长期产业实践中，积累沉淀的方法论：
首先是底层技术 " 共享 "，形成复用、共性能力，构建技术货架。大量的原子操作被模块化，并可以根据客户需求，快速组合出合适的解决方案，就像搭建乐高积木一样，这样形成一体两面的效应：兼顾客户差异化、柔性化需求，与镁伽自身技术和产品的标准化，从而能够快速切入新行业、场景。
" 我们通过硬件、软件和模型三位一体构建了自己的核心能力，再把这套能力复制到越来越多的产业场景中进行落地应用。现在进入新业务场景，60% 到 80% 的工作，可以从镁伽既有平台上继承，20% 的工作就是搭积木的过程，结合现场数据，让模型学习迭代，尽快达到更高的标准。" 黄瑜清表示，镁伽还在学习、实践和探索更为前沿的研发与交付服务模式，加速科学发现和 AI 规模化产业落地，" 我们希望成为最好的基础设施提供商。"
