晶泰率先盈利背后：AIforScience的“数据工厂”模式

过去一段时间，智谱、Minimax等港股AI资产出现了一轮明显上涨。

但如果拆开来看，这轮行情背后有一个更重要的变化：被市场重点定价的，不再只是模型能力本身，而是已经跑出收入、验证商业路径的公司。

这对应的，是AI产业逻辑的一次切换。

过去两年，行业的主线是模型迭代——参数更大、能力更强、推理更好、成本更低，资本市场为“智能能力”定价。

但随着模型能力逐渐收敛、推理成本持续下行，AI开始进入规模化落地阶段。于是，一个更关键的分水岭开始出现：AI正在从“能力验证”，走向“结果交付”。

在这个节点上，晶泰科技成为一个具有代表性的样本。

从业绩来看，它已经成为国内最早实现年度盈利的AI应用公司之一。2025年，全年营业总收入达8.03亿元（人民币，下同），同比激增201.2%；经调整净利润额2.58亿元，首次实现全年扭亏为盈，成为港股首家盈利的AI4S（科学智能）股。

这件事的意义，并不在于利润本身，而在于它第一次在高度复杂的产业场景中，跑通了一条完整的商业闭环。

而这背后，对应的不是单个产品的成功，而是一种范式的转变。与其他“用AI做药”的公司不同，晶泰更像是一家“用AI重新定义科学研究方式”的公司。

前者是应用层，后者是基础设施层。也正是在这个差异之下，它们的价值开始走向分化。

/ 01 / 当数据资产成为商业壁垒

作为国内首个实现年度盈利的AI应用公司，这件事的意义不在于赚了多少钱，而在于它第一次在高度复杂的产业场景里，跑通了一条完整的商业闭环。

回过头来看，这条闭环的核心，是一套极其“重”的系统能力组合：

模型负责预测与设计，机器人实验室负责执行与验证，数据持续回流，而Multi-Agent系统作为调度中枢，拆解任务、统筹资源，让整个研发流程可以持续运转。

本质上，这更接近一套“自动驾驶式”的研发体系。而这套系统最关键的，不是某一个能力，而是数据闭环。

AI for Science长期存在一个根本问题：数据太少、太慢、太碎、太参差。

以蛋白质结构为例，AlphaFold2使用的是人类几十年积累的数据，但规模甚至不到大模型训练数据的0.3%。本质上，这是在用极其有限的数据，训练极其复杂的模型。

问题的根源在于传统实验室：数据由“人+设备”产生，生成速度慢、标准化程度低、难以复现复用，还有很多难以避免的纰漏和失误。大量实验结果在产生之后，无法成为模型的长期资产。

当AI 预测将分子、材料的设计效率极大地提高之后，人做实验的验证步骤就成了新的瓶颈。人工实验在效率、通量、产生的数据质量上，都无法与AI 匹配。

但更隐蔽的难点在于数据的“反馈周期”。大模型训练用的语料数据更加易得，且答案是“显而易见”的——一句话的对错、一段代码能否运行，人类可以在几秒内完成标注。有大模型公司曾在非洲等人工更便宜的地方雇佣了大量的“打分员”来为AI 生成的答案打分，帮助训练模型。

而AI for Science面临的是另一类问题：什么样的分子具备什么样的物理化学性质、乃至生物学功能，这样的数据稀缺而难得，且打分函数不是一眼能看出来的。

一个分子是否具备理想的生物活性、是否能够穿透细胞膜、是否在体内稳定存在——这些问题的答案，需要经历数周甚至数月的复杂实验才能获得。传统实验室里，一个实验从设计到出结果，周期以月为单位。研发数据因此更加稀缺珍贵，这样让模型训练面临挑战。

而晶泰做了一件本质上不同的事——把“数据生产”本身，变成一项能力。

它构建了一套完整“干湿闭环”的数据生产体系，即从AI模型设计实验（干），到机器人实验室执行（湿），再把结果结构化回流，最后去训练模型。

这样的好处在于两点：

一是数据质量高。除了量子物理计算生成的数据之外，晶泰的机器人实验室每月可以积累超过20万条高质量反应数据，覆盖80%以上常见药化反应类型。更重要的是，这些数据是“结构化”的——温度、时间、产率、纯度等关键参数都被系统化记录，可以直接用于模型训练。

二是数据可以复用。不同于人工实验，机器收集的是标准化、结构化、可回流的工业级数据，而不是传统实验室的一次性结果。传统实验室里，一个实验做完，数据往往被归档、闲置，且过程数据与失败数据往往不会被记录下来；晶泰的系统里，每一组数据都是下一轮模型训练的燃料。

这也带来了一个本质变化：传统实验室的数据是通向终点过程中的“消耗品”，而晶泰的数据是“资产”。

更进一步，这些数据会持续反哺模型。这意味着，使用晶泰平台的客户越多、项目越多，数据积累越快，模型预测越准，平台价值越高，形成一个典型的数据飞轮。传统实验室是“做一次，消耗一次”；晶泰的实验室是“做一次，积累一次”。

众所周知，在AI时代，真正稀缺的资源，从来不是算力，而是高质量、可复用的垂直数据。而晶泰，就是少数有能力把“数据生产”变成核心能力的公司。当其他AI公司还在为找不到高质量数据发愁时，晶泰已经建了一座“数据工厂”。这让晶泰能够用一个通用底座切入新药、新材料等高门槛领域，并挑战一些原本就没有先验数据可供训练的创新体系、问题。

这也是它能够率先跑通商业闭环的关键原因。

/ 02 / 价值走向商业兑现

从目前看，上述价值已经逐渐在商业层面兑现价值。2025年，公司药物发现解决方案业务收入为5.38亿元，同比大幅增长418.93%。

增长背后，并不是单一订单的放量，而是一个更关键的变化：平台开始进入“兑现期”。

一方面，是研发项目逐步进入关键节点。

越来越多由晶泰平台推动的管线，正在从早期研究走向IND乃至临床阶段。

以与孵化公司希格生科的合作为例，其开发的弥漫型胃癌靶向候选药物SIGX1094，在I期临床中已初步验证安全性，并在部分患者中观察到疾病控制与肿瘤缩小的效果，预计将于2026年三季度进入II期临床。

另一条潜在首创新药SIGX2649也已完成临床前研究，即将申报IND，并入选AACR年会。这些节点的意义在于，它们开始对应真实的里程碑付款、分成以及后续商业化收益。

而比单个项目推进更重要的，是商业模式本身的变化。

晶泰不再局限于单一项目服务，而是逐步走向“平台授权 + 联合开发 + 里程碑收益”的合作结构。

以大分子药物研发为例，公司已与礼来达成总额3.45亿美元的多靶点战略合作及平台授权协议。这类合作，本质上已经不再是“卖工具”，而是将平台嵌入客户的核心研发流程，并参与长期价值分配。

同时，公司也在与DoveTree等创新生物医药机构合作，围绕肿瘤、自身免疫及神经系统疾病等高价值靶点，持续推进候选药物开发。

当这些合作逐步展开时，一个更清晰的变化开始浮现：晶泰正在从“提供工具”，转向“参与结果”。

这也意味着，它与传统CRO，已经不再处在同一套商业逻辑之下。

传统CRO，是典型的项目制，做一个项目，收一笔服务费；项目结束，关系解绑。收入随项目数量线性增长，本质上是“人头驱动”。

而晶泰的平台模式，则是另一种结构。即通过平台授权、联合开发、里程碑付款和商业化分成，把自身嵌入客户研发流程与价值链之中，凭借独特的研发优势与可靠的交付能力，兑换未来的收益空间。这一模式下的客户也需要对晶泰的研发能力乃至不可或缺性有充分的认可和依赖，才会愿意与其分享未来的潜在收益。

这背后，对应的是两种完全不同的增长逻辑。前者是线性增长，边际成本随人力同步上升；后者是非线性增长，随着数据积累和模型优化，边际成本逐步下降。一个靠堆人，一个靠堆AI+自动化——这是两种商业模型的天壤之别。

而这种能力，也开始向医药之外扩展。

在新能源领域，公司与晶科能源合作，共建“AI决策—机器人执行—数据反馈”的全闭环叠层电池研发体系，将材料设计、工艺优化等核心环节数据化、模型化，推动钙钛矿等下一代光伏技术加速产业化，并有望分享后续商业化收益。

从药物研发到电池研发，底层是同一套方法论：预测+实验+反馈。晶泰的平台，本质上是一套处理物质科学问题的通用操作系统。

在消费健康领域，晶泰也已经完成从“研发”到“产品”的跨越。

其自主开发的小分子Remeanagen™和多肽AquaKine™已完成INCI注册，并实现产品落地。基于两者的组合配方Groland，在人体实验中验证了生发、防脱效果及安全性，目前已完成商业化上市，并快速获得市场反馈，登顶天猫同品类的新品榜榜首。

这意味着，AI能力正在从实验室走向真实消费场景。从抗癌药到防脱发产品，底层逻辑是相通的：都是AI筛选靶点、设计分子、优化活性、验证效果。只不过消费品的审批和上市周期显著更快，而晶泰已经被充分验证的药物研发平台可能会更加得心应手。

从医药到新能源，再到消费健康，这些跨场景的落地，本质上说明了一件事：晶泰的商业逻辑开始真正跑通了。

/ 03 / 被验证的全球化能力

全球化能力，是晶泰另一大核心看点。

这不仅是业务拓展的问题，更是一种能力验证。

截至目前，晶泰已经覆盖全球TOP20药企中的17家，包括辉瑞、礼来、强生等头部客户，同时也在向巴斯夫、罗氏、JW制药等国际龙头持续交付解决方案。

在新材料、新能源领域的首批客户也都是中石化、晶科能源这样标杆性的行业龙头。

比如，公司向巴斯夫交付配方稳定性测试智能工作站，与罗氏合作落地了智能化合物仓储系统等等。

这背后意味着，它不仅进入了全球最严苛的研发体系，也在不同场景下完成了实际落地。能被17家全球TOP药企反复采购，本身就是最硬的背书。而晶泰似乎正在更多材料、能源领域复刻这一成功。

与此同时，晶泰的全球化布局一直未变，海外客户仍然占领其营收的大头，不过开始从“项目出海”走向“能力出海”。

2025年，公司完成对英国Liverpool ChiroChem（LCC）的收购，并成立LCC Technologies Ltd.，将其自动化手性化学平台与自身AI+机器人研发体系深度整合。

这次收购的意义，不只是补充一项技术能力，更是全球化布局的关键一步。怀揣 70 亿现金及等价物的晶泰科技，有机会用并购补全更多的技术模块，成熟盈利的上下游业务，或有相对更高BD门槛的海外客户。

总的来看，晶泰能够把技术卖到欧美市场，本身就说明其模型能力、工程能力和交付能力，已经达到了国际一线水准。

而当一家中国AI公司，开始在全球头部客户体系中稳定交付时，它的意义就不再只是“出海成功”，而是进入了全球产业分工体系。

/ 04 / 当价值的锚转向结果兑现

回到资本市场，作为一家率先实现盈利的AI应用公司，我们该如何理解晶泰的价值？

如果把视角拉到更广的行业层面，你会发现，晶泰所代表的，并不是一个孤立的公司，而是一种正在成形的范式——即Physical AI的兴起。

过去十年，人工智能主要停留于数字世界——理解语言、生成内容、分析数据；而下一阶段，AI不再停留在数字世界，而是进入物理世界，直接参与研发生产，实时做出分析纠错和决策，并对结果负责。

尽管这一领域的公司，目前大多仍停留在“范式验证”的样板机或早期融资的PPT阶段，但仍然获得了投资人的高度看好。

比如，去年年底，美国马萨诸塞州剑桥的初创公司Lila Sciences完成了3.5亿美元A轮融资，总融资额达到5.5亿美元，估值突破13亿美元，正式跻身独角兽。

其背后的投资方，包括英伟达、Flagship Pioneering、ARK Venture Fund以及阿布扎比投资局（ADIA）等一线机构。

Lila所讲的故事并不复杂，用AI+自动化实验室，构建“预测—实验—反馈—再优化”的闭环，让AI真正参与科学发现过程。

在其设想的“AI科学工厂”中，人类研究员与软件系统协同开展自动化研究，并将实验结果持续反馈给模型，从而实现自我进化。这是一个典型的Physical AI叙事。

问题在于，Lila成立时间尚短，并没有晶泰科技这样丰富的技术与产业布局，产品仍未规模化落地，商业路径也仍处在验证阶段。换句话说，资本为其支付的，并不是已经发生的现金流，而是对未来范式的预期。

但即便如此，投资人依然愿意给出高估值，本身就说明一件事：AI for Science这个赛道，并不缺想象力。

在这个定价框架下，再回头看晶泰，位置就变得非常清晰。

成立近10年，已经实现年度盈利，覆盖全球TOP20药企中的17家，用8.03亿元收入和2.58亿元利润，证明了商业闭环的存在。一个还在打磨技术，一个已经开始兑现结果。

而当这两类公司同时出现在市场中时，估值逻辑就会发生切换：

一开始，市场为“叙事”付费，但当真正能兑现商业回报的公司出现时，估值逻辑会迅速从“押注叙事”转向“押注结果”。也就是，投资人常说的押注确定性。

也正是在这个意义上，晶泰的价值，不只是财务意义上的盈利。

更重要的是，它把一条原本停留在叙事层面的路径，变成了一条已经被验证的商业路径。

当行业还在讨论“AI能否改变科研”时，晶泰已经在用收入、利润和客户结构，回答“AI如何在科研中赚钱”。

AI for Science的终局不仅是“更聪明”，还有“更能干”。同样的平台与底层能力可以规模化复用到更多的项目中，并且以更少的时间、团队、成本，完成更多的研发任务。

而一旦“结果交付”成为新的定价锚点，那些能够持续进入真实产业流程、稳定产生现金流的公司，就会被重新估值。

晶泰，恰好站在这个拐点上。

​