AI4S 不是「AI 帮科学家干活」这么简单，它的定义是把机器学习深度嵌进「假设生成—实验设计—结果验证」的完整科研流程，被视为继实验、理论、计算、数据之后的第五科研范式。鄂维南 2018 年提出这个概念，核心诉求是绕开「人工试错」，让模型直接驱动发现。理解了这一定义，才能看懂为什么资本押注的不是某个模型，而是整条「干湿闭环」的科研基础设施。

行业共识正在从「模型强就赢」转向「谁能生产数据谁赢」。一个 AI4S 项目从想法到可复现结论要过六个环节：算力调度、数据清洗、模型训练推理、湿实验验证、数据回流。前四步是「干实验」，第五步是「湿实验」，第六步决定整个系统能不能自迭代。矛盾在于：算力和模型已基本就位，但物理实验的数据产出速率远跟不上模型训练需求——所以自动化湿实验室从「配套」变成了「核心壁垒」，这也是文章说「壁垒从算法转向干湿闭环」的技术底账。

AI4S 的商业化正裂成两条路：一条是「创造新物质」——做管线、造材料，重资产、长周期、高风险，回报上限极高，但收入绑在临床成败上，回款动辄 5–10 年；另一条是「赋能科研人」——科研 SaaS、文献与数据处理平台，轻资产、高频复购、快速回款。文章说的「论文变订单」更多是前一条路的信号。投资人眼下真正纠结的是：押高弹性的管线叙事，还是押现金流稳定的工具赛道，这两套估值逻辑几乎没法用同一把尺子量。

一边是 2026 年前 10 个月 80 余笔、超 200 亿元融资，成立一个月就拿钱；另一边，全球 AI 制药累计投入约 600 亿美元、约 175 个 AI 起源药物进入临床，FDA 批准上市数仍是零。AI 药物 I 期成功率高达 80%–90%，但 II 期骤降至约 40%，与行业均值持平——效率优势在验证阶段被吐了回去。质疑者据此认为估值与药品上市周期严重错配；拥护者则强调这次融资节奏快但有订单支撑，和纯 PPT 叙事不同。分歧的核心不是技术真假，而是「商业闭环何时兑现」。

文章把「国资从 LP 走到直投桌边、种子轮就定价」当成 2026 年爆发的第四块拼图。但值得追问：当财政性耐心资本接管了本应由市场化 VC 承担的高风险早期定价，它到底是补上了长周期缺的那一段，还是把估值提前推到项目自身无法消化的位置？一个可观察的切口是——这些国资项目在下一轮融资时，能否找到不带政府背景的市场化接盘方。如果接盘方缺席，「耐心资本」就可能变成「退出真空」。