2026年，AI4S已经不缺热度。
资本、药企、科研机构和创业公司早已入场。过去几年，从AI制药到蛋白质设计，再到合成生物、材料研发，AI正在越来越多地进入真实的科研和产业流程。
但热度越高，市场反而开始变得谨慎。
此前市场更关心“AI有多强”，如今投资人开始追问的却是另一件事：AI到底解决了什么过去解决不了的科学问题？
模型能力在快速普及，真正稀缺的东西却开始向另一端移动——科学问题、实验能力、真实世界数据，以及最终能够落到研发和产业结果上的能力。
AI4S，正在变“硬”。
而这一变化，也正在悄悄改变投资人的判断方式。
AI4S很热，
但“模型好不好”已经不是唯一的问题
AI在药物研发中的角色变化，或许最能说明这个行业正在发生什么。
2018年至2021年，AI被视作“颠覆药物研发”的神谕。模型参数、Benchmark排名、算力规模成为重要的能力证明，市场关注的是“AI到底有多强”。
2022年至2024年，AI开始真正融入研发流程。虚拟筛选、分子生成、蛋白结构预测等工具逐渐进入研发体系，AI不再只是实验室之外的新技术，而开始参与研发人员每天面对的具体工作。
到了今天，行业的关注点正在变化。
模型本身仍然重要，但它越来越像研发工具箱中的一种基础能力。开源模型不断出现，大模型能力持续提升，大药企也开始建立自己的AI研发团队。对于创业公司而言，仅仅拥有一个更好的模型，已经很难像几年前那样自动形成一个完整的商业故事。
投资人开始把问题往后推。
从“谁的AI最强”，变成“谁能把AI变成真实研发结果”。
道彤投资近期对AI4S赛道的一项内部研究，将这一变化概括为从“AI Capability”走向“R&D Outcome”。
这也是今天观察AI4S公司的一个重要切口。
模型在公开数据集上的排名，只能说明它在特定任务中的能力。真正进入研发之后，还要面对全新的科学问题、实验验证和临床转化。换句话说：Benchmark是起点，不是终点。
越往研发链条后端走，验证就越难。
AI带来的增量能否最终变成科学发现、研发管线甚至商业价值，正在成为投资人更关心的问题。
当模型越来越容易获得，壁垒开始变“重”
模型能力越来越强之后，AI4S的竞争并没有因此变得简单。
一个越来越重要的问题是：AI究竟应该被用来解决什么问题？
如果传统方法已经能够解决，一个AI模型可能带来的只是效率提升；但对于一些长期缺乏有效解决方案的科学问题，情况就不同了。
Undruggable靶点、蛋白质设计、递送系统、新型疗法以及复杂生物学问题，都是这一逻辑下值得关注的方向。
AI4S真正有想象力的地方，并不只是“把研发做得更快”，而是让一些过去很难做、甚至做不到的事情，有机会被重新做一遍。
另一个变化发生在实验端。
“干湿闭环”已经成为AI4S行业里的高频词，但真正做过科研的人都知道，模型跑得快，并不意味着研发跑得快。
科研智能平台企业欧世盛科技CFO史禹宸在交流中提到，现实中的一个问题是，模型迭代的速度已经很快，但实验数据产生的速度却未必跟得上。
模型几个小时就能完成一次计算，实验却可能需要几天、几周甚至更长时间。如果两边长期不匹配，所谓的数据飞轮就很难真正转起来。
因此，实验本身的效率开始变得重要。实验周期能不能缩短、数据质量能不能提高、单个数据点的成本能不能下降，都会直接影响AI4S公司的研发效率。
这也是自动化实验室、机器人、高通量实验设备等过去看起来更“重”的基础设施，重新受到投资人关注的原因之一。
AI可以生成预测，但真实世界的数据仍然需要实验产生。
而当AI继续往前走，实验室之外的物理世界也开始成为新的场景。
上海交通大学教授李金金创立的金珵科技，就是一个例子。其工业时序控制大模型ManuDrive已经进入真实生产线。在生物发酵等复杂工业场景中，AI开始从分析数据、提供建议，进一步参与生产过程。
当AI开始进入实验室、产线以及更多真实的物理系统，AI4S的边界也随之被推开。
它不再只是“AI制药”的另一个说法，而开始成为AI进入科学和产业的一条路径。
AI4S变“硬”之后，投资人也要重新学习
赛道的变化最终会传导到投资端。
过去看一家AI4S公司，模型、算法团队、Benchmark和算力能力是重要指标。如今这些能力依然重要，但已经不足以回答投资人最关心的问题。
这个Science Problem是真问题吗？传统方法为什么解决不了？AI到底提供了什么增量？模型有没有真正改变实验？实验结果有没有回来？最终研发结果又能不能变成商业价值？
这些问题，很难从一个模型Demo里得到答案。
赛乔生物联合创始人刘楚南曾分享过一个场景。团队为海外客户开发新靶点药物时，尝试过市场上的多种蛋白结构预测模型。但面对训练数据中没有覆盖的新靶点，模型往往只能给出几个并不确定的候选结合面。
“这种时候我们就直接做实验。”
这句话其实很能说明AI4S目前的状态。
AI可以缩短很多环节，但面对未知问题时，实验仍然是绕不过去的一关。
百曜科技创始人李鑫也提到，模型擅长寻找关联，但面对因果机制和未知生物学问题，最终仍然需要湿实验完成验证。
所以，一支真正有竞争力的AI4S团队，并不是简单把AI人才和生物人才放在一起。更关键的是，两种能力有没有真正进入同一个研发过程。
AI有没有改变靶点选择？有没有影响分子设计？实验结果有没有进入下一轮模型？如果没有，AI可能只是研发流程里的一个工具。如果这些环节真正开始循环，AI才有机会成为研发体系的一部分。
这也是AI4S投资越来越难但同时也更有价值的地方：投资人需要同时理解模型，也要看得懂实验，更要知道研发结果最终如何进入产业。
一个样本：道彤为什么提前押注AI4S
8月28日，上海。
“先导Link × 彤学会｜AI4S：智能时代的科学革命”交流活动现场，坐在台上的企业来自不同方向。
清衍华智、元示科技、赛乔生物、百曜科技、NewPro、水木分子、欧世盛科技、金珵科技，覆盖蛋白质设计、合成生物、AI制药、科研智能平台、未来食品和工业生产等多个领域。
表面看，这是一场AI4S企业的集中交流。
但如果把时间轴拉长，会看到一个更有意思的细节：这8家公司均已获得道彤投资。
而且，这并不是道彤在AI4S成为热门之后的一次集中下注。
其中两笔投资发生在2024年。彼时，AI4S远没有今天这样的市场关注度。道彤以天使投资人身份进入水木分子，并以Pre-B轮投资人的身份投资欧世盛科技。
到了2026年上半年，道彤又连续投资了其余六家公司。
从时间上看，这更像是一条逐渐形成的投资路径，而不是围绕一个热门概念做出的短期布局。
更有意思的是，这8家公司并没有被简单归到“AI制药”这一标签下。
如果顺着这些公司的业务往下看，会发现AI正在进入科学和产业的不同环节，例如用于蛋白质设计和药物研发，合成生物和科研自动化，也有人已经开始让模型进入真实的工业生产线。
这也让8月28日的这场活动呈现出一个颇有意味的结构：AI4S不是一个单一赛道，而正在成为AI向科学与产业纵深渗透的一条路径。
道彤真正关注的，可能不是“AI”本身
为什么是这些公司？
道彤投资创始管理合伙人孙琦在活动中谈到，过去几年，大量资本和产业资源首先集中在AI上游基础设施层。但技术最终还是要进入产业。
现实是，除了少数大型科技企业，大量传统企业并没有能力和资源自建大规模AI团队。
因此，AI真正进入千行百业，需要一个从基础能力到产业应用的中间环节。AI4S承担的，正是把上游AI能力转化为科学发现能力和产业创新能力的角色。
这也解释了为什么道彤的投资组合看起来并不“纯粹”。
从药物研发到合成生物，从科研智能到工业生产，AI正在进入越来越多过去高度依赖科学家经验和工程能力的领域。
与其说道彤在投AI，不如说它在寻找AI进入产业之后会发生什么。
这也是一家长期深耕生命科学的投资机构，正在发生的一个变化。
过去，投资人更多关注药物、医疗器械和生命科学企业本身。
但当AI逐渐成为一种通用能力之后，真正值得关注的机会开始出现在AI与科学问题、实验系统和产业场景交叉的地方。
投资人的能力圈，也因此被拉得更宽。
AI4S的下一站，不只是“AI制药”
AI4S未来很难只有一种商业模式。
有的公司提供通用能力，有的公司解决具体科学问题，也有公司掌握实验和数据基础设施，还有企业试图直接把AI能力变成研发管线和产业产品。
这些公司的价值捕获方式并不一样。
AI-CRO可能卖的是效率，Platform卖的是能力和数据，而TechBio更接近研发结果和管线价值。
因此，未来判断一家AI4S公司，可能不必太在意它给自己贴了什么标签，更应该看它最终拿到了什么。
如果一家企业拥有漂亮的AI平台，却始终没有真实客户、研发结果或者能够独立验证的产品价值，那么模型本身很难支撑长期估值。
从这个意义上看，AI4S正在从“技术叙事”慢慢进入“结果叙事”。
当生命科学开始显现更多“硬科技”属性
AI4S带来的另一个变化，是它正在重新打开“硬科技”的边界。
过去谈硬科技，人们很容易想到芯片、半导体、机器人、新材料等领域。
但生命科学其实一直具有非常典型的硬科技属性。复杂的科学原理、极高的实验门槛、漫长的研发周期、强物理约束，以及无法通过简单复制获得的技术壁垒，都决定了生命科学并不是一个“软”的行业。
只是这些壁垒过去更多藏在实验室和研发管线中。
AI出现之后，算法、实验、数据和工程能力开始被重新连接。原本分散在不同环节的能力，有机会形成新的研发闭环。
从这个角度看，道彤近年来在AI4S上的连续布局，提供了一个值得观察的样本。
从2024年的两笔先手，到2026年上半年的连续投资，再到如今覆盖AI制药、合成生物、科研智能和工业AI的一组投资组合，道彤正在从一家长期深耕生命科学的投资机构，向更大的硬科技投资边界移动。
这并不是说生命科学突然变成了硬科技。
更准确地说，AI让生命科学中原本就存在的科学和工程壁垒，开始以新的方式被放大和连接。
而对投资人而言，真正的变化也许正在这里：未来需要理解的，不只是AI本身，也不只是某一个垂直行业，而是AI进入真实世界之后，究竟哪些事情会被重新定义。
答案出现之前，先要看到问题
8月28日的活动最后，道彤没有试图给AI4S下一个确定的结论。
相反，投资团队留下了几个暂时没有答案的问题：Foundation Model和AGI最终会不会让大多数垂直模型失去价值？AI到底能不能提升临床转化率，而不仅仅是提高研发效率？数据飞轮究竟是不是长期壁垒？有没有可能一项AI技术本身成立，但企业却无法捕获足够的经济价值？
这些问题现在都没有标准答案。
但对于投资人来说，答案并不一定要等到行业已经形成共识之后才出现。
孙琦在活动中提到，道彤内部正在尝试建立自己的“AGI测试”，关注的不是AGI什么时候出现，而是随着AI能力不断提升，今天已经存在的产业会发生什么变化，以及哪些过去因为技术和认知限制而不存在的机会，可能因此出现。
这其实也是AI4S给投资行业提出的问题：
当AI开始进入科学，投资人究竟应该站在哪里？
模型之外，是科学问题；实验室之外，是物理世界；技术之外，是产业结果。
AI4S真正困难的地方，正在于它必须穿过这几层之间的距离。
从Model Capability，到Physical Ground Truth，再到R&D Outcome，最后走向Economic Value。
链条越来越长，验证越来越难。
但也正因为如此，真正能够穿越这条链条的公司，可能拥有比单纯模型能力更长久的壁垒。
模型正在祛魅。
AI4S的下半场，才刚刚开始。
而对于道彤这样的投资机构而言，当生命科学开始变硬，最懂生命的人，先拿到了入场券。（内容出处：融中财经）
