二級市場從不缺少「萬億空間」的故事，真正稀缺的是一條能夠從技術進步傳導至訂單、收入和現金流的確定性路徑。
如果我們把時鐘撥回2022年到2023年，GitHub Copilot的商業化證明了一件至關重要的事情：生成式AI最先實現規模化商業落地、並讓客戶心甘情願掏錢的地方，往往不是開放式、無邊界的通用聊天任務，而是那些工作流已經數字化、結果可以驗證、且單位人力成本極高的專業場景。軟件工程之所以能成為AI商業化的第一站，正是因為它的輸入輸出高度結構化，且編譯器提供了完美的「即時驗證」。
今天，資本市場正在尋找生成式AI的下一個平原。當大模型在泛泛的文案生成中面臨ROI（投入產出比）質疑時，生命科學、新材料和能源等領域動輒千億美元的研發池，成為了承載巨頭野心的新土壤。從數字生產率走向科學生產率，AI for Science（AI4S，科學智能）正在以極快的速度復刻三年前Coding的商業軌跡。
戰略拐點：從科研議題升格為「國家與巨頭開支」
這一輪AI4S的升溫，並非純粹的產業敘事，而是建立在中美頂層戰略與巨頭資本高度共振的基礎之上。
政策信號的轉變往往是預算遷移的先導。美國政府近期高調啓動「創世紀任務」，並發布《科學：一個新的黃金時代》官方報告，直接提出整合國家實驗室超算、科研數據與自動化設施，要在十年內將科學研究的生產率翻倍。而在國內的WAIC（世界人工智能大會）以及多地出台的「人工智能+科技創新」政策中，建立高質量科學數據集與自主實驗室，已經從學術界的討論變成了實打實的新型基礎設施建設。當政府與國家實驗室開始聯合主導這一進程時，AI4S就不再是停留在論文上的前沿探索，而開始形成可以被產業鏈承接的龐大資本開支。
頂尖科技巨頭的動作則是最直白的風向標。今年6月，Anthropic推出了面向科研人員的Claude Science，它不再是一個簡單的對話框，而是預置了幾十項科研連接器，試圖直接佔據科研人員調用文獻、處理基因組學和化學計算的工作入口。與此同時，英偉達發布了BioNeMo Agent Toolkit，並聯合賽默飛將智能體延伸至實驗室硬件設備；DeepMind旗下的Isomorphic Labs頻頻與全球藥企簽下重磅訂單；國內的字節跳動、騰訊等大廠也紛紛在蛋白質計算、分子動力學等底層設施上跑馬圈地。巨頭們不僅在提供算力，更在爭奪科學計算時代的「操作系統」。
商業降維：Physical AI的第一站不在客廳，而在實驗室
在這個宏大的敘事中，Physical AI（具身智能）扮演了將AI推向物理世界的「手與腳」。然而，市場對具身智能的狂熱往往錯配了商業化的時間線，許多人依然在期待家政機器人迅速走進千家萬戶。
這種期待忽視了真實世界的長尾複雜性。消費級機器人面對的是一個毫無邊界的開放世界，不同家庭的光照、雜物、生活習慣千差萬別。在容錯率極低的家庭場景中，哪怕1%的邊緣陷阱（Edge Cases）都足以讓整個商業模型崩潰。
相比之下，科學實驗室纔是Physical AI最理想的「降維沙盒」。這裏是物理世界中被高度結構化的微觀宇宙：幾百種試管、微孔板和移液槍擁有統一規格，儀器接口、操作步驟和恒溫恒溼的環境可以被精確記錄。更重要的是，科學探索本身就是一個高價值、高標準化、高度可控、也是高價值的過程。一次實驗驗證的失敗，其錯誤原因可以被傳感器精準捕捉並反饋，成為模型下一輪學習迭代的養料；而一旦成功，其商業價值無可估量。因此，當具身智能還在客廳的泥潭裏苦苦打轉、不時上演「太奶」級的操作表現時，它在高度可控的實驗室裏卻能率先跑通「智能決策與物理執行」的閉環。誰能讓機器人接管實驗室裏的枯燥微操，誰就能拿到Physical AI領域的第一張大額商業支票。
核心壁壘：科研的「編譯器」與真實的數據飛輪
軟件工程的編譯器是代碼，而科學研究的編譯器是物理法則。AI4S的競爭經常被粗暴地概括為「誰擁有更多的科研數據」，但這是一種極其殘缺的認知。
公開的學術論文與專利只是第一層靜態數據，它們不僅人人可得，而且存在嚴重的「陽性偏見」。無數失敗的陰性實驗結果被永久鎖在了實驗室的抽屜裏，但對於訓練一個懂物理和化學規律的大模型來說，「為什麼失敗」往往比「碰巧成功」具有更高的信息熵。
在這個賽道里，真正的護城河是擁有一套可驗證的動態數據閉環。它要求AI智能體提出分子假說，通過實驗室的機械臂自動完成配藥與合成，最後由檢測儀器將無論是陽性還是陰性的真實物理數據實時回傳，用於模型的下一輪強化學習。能夠建立這種閉環的企業，不僅跨越了AI專家不懂「溼實驗」、科學家不懂模型架構的產業鴻溝，更能在日常的工作流中源源不斷地生成競爭對手用錢也買不到的專屬高精數據。沒有基於真實物理驗證的反饋，再龐大的靜態數據集，也可能只是在重複放大既有的認知偏差。
投資邏輯：Beta來自預算遷移，Alpha來自閉環所有權
資本市場需要清晰地認識到，AI4S不會以同一種速度重估整條產業鏈。距離現金流越近的環節，Beta屬性越強；對單次科學突破依賴越大的環節，Alpha屬性越強。
第一階段的Beta兌現，大概率出現在算力、科研軟件、實驗儀器設備和數據管理平台。這些「操作系統」提供者不需要等待某一款新藥或新材料經歷漫長的監管審批和臨床驗證，只要科研機構和企業的研發預算開始向數字化和自動化遷移，它們就能獲得實實在在的規模化訂單與遞延收入。
而第二階段與第三階段的超額收益，則屬於那些掌握了垂直科學大模型、並將AI原生資產推向市場，能夠從創新中獲得分成的 AI 驅動型企業。這類資產蘊含着極高的估值彈性，但投資者必須區分「潛在合同總額」與「當期收入」的口徑差異，認清里程碑付款背後的風險。規模化的操作系統與單點創新的爆發式預期的結合，有望解鎖全新的藍海市場，成為 AI 在攻克編程後的又一重要
三年前，資本市場尋找的是AI時代的編程入口；今天，AI4S的商業化不需要等待科學奇蹟的降臨，它的爆發建立在算力成本崩塌、自動化設備成熟與產業剛需的交匯點。A/H股對這條新主線的映射已經從科研算力延伸至實驗與物理世界：中科曙光（603019.SH）、浪潮信息（000977.SZ）和工業富聯（601138.SH）對應算力與服務器，晶泰控股（02228）定位為算法+機器人的AI4S平台，優必選（09880）、中控技術（688777.SH）、匯川技術（300124.SZ）和越疆科技（02432）則覆蓋機器人本體、智能製造與工業自動化。相關領域佈局者衆多，最終誰能率先把技術曝光轉化為可重複訂單，並真正掌握「模型—實驗—數據」閉環的定價權？
更多港股重磅資訊，下載智通財經app
更多港股及海外理財資訊，請點擊www.zhitongcaijing.com（搜索「智通財經」）；欲加入智通港股投資群，請加智通客服微信(ztcjkf)