克制，是人工智能公司最大的商业野心

一家人工智能公司终于掌握了一种领先的能力。

它接下来最自然的冲动是什么？

找到利润最高的行业，拿着这种能力亲自下场，从客户手里分走更多价值。既然人工智能能够设计分子，为什么不自己做药？既然它能够发现材料，为什么不自己做产品？既然它可以完成专业工作，为什么还要满足于向别人收取软件费？

这种逻辑听起来很有野心，但它可能恰恰是一种较小的野心。

真正大的机会，不是利用暂时领先的智能去争夺每一个行业的利润，而是不断降低智能的价格与使用门槛，让整个产业建立在自己的能力之上。

克制不是一种道德美德，而是人工智能公司最大的商业野心。

两种完全不同的公司

我越来越愿意把人工智能公司区分为两类。

第一类是武器型公司。

它把智能理解成一件自己独有的武器，然后寻找利润丰厚的行业，用这件武器取代现有从业者、持有下游产品，或要求分享最终收益。它不断扩大自己的业务边界，希望进入足够多的高利润环节。

第二类是基础设施型公司。

它把智能理解成一种应该被大规模生产和分发的能力。它不接管客户的产品，而是不断优化模型、软件、硬件与部署方式，让更多客户能够用更低成本调用更好的智能。它扩大的不是自己的下游业务边界，而是智能的可用边界。

两类公司都可以很贵，也都可以赚很多钱。它们的区别不在于是否商业化，而在于利润函数不同。

武器型公司的收入来自它能够从下游拿走多少利润；基础设施型公司的收入来自有多少人开始使用它生产的智能。

前者的天花板是部分客户原有的蛋糕，后者的天花板是整个行业新增的生产力。

不争客户的蛋糕，才能获得更大的市场

一家人工智能公司掌握了模型能力，并不意味着它同时掌握了每一个行业的产品定义、生产、认证、渠道和客户关系。

更重要的是，一旦它准备使用客户的数据和问题反过来与客户竞争，它就不再是值得信任的基础设施。

科研数据尤其如此。一家药企不会轻易把未公开靶点、失败实验和候选化合物交给潜在竞争者；一家材料公司也不会把配方、工艺窗口和客户验证问题交给随时可能自己做产品的平台。

中立性因此不是客套的企业价值观，而是获得真实问题、数据与反馈的前提。只有当客户确信你不会拿走它的产品，互相竞争的企业才可能同时把你作为基础设施。

客户越多，系统遇到的真实负载越丰富；负载越丰富，模型、工具链、推理引擎和计算硬件的协同优化越充分；单位智能成本越低，又会吸引更多客户和今天根本不存在的需求。

这才是基础设施的飞轮。

DeepSeek 给出的线索

我们几乎不会追问：DeepSeek 最终会亲自做出哪些人工智能应用？

这个问题之所以显得奇怪，是因为我们已经默认：DeepSeek 更大的价值不是亲自做完所有应用，而是让更多开发者与企业能够以更低门槛获得高质量智能。

2026 年 4 月，DeepSeek 发布 V4 预览版，同时提供了开放权重、在线服务与兼容两种主流接口格式的服务。截至 2026 年 8 月 2 日的官方价格页显示，V4-Flash 在缓存未命中时，每百万输入 Token 价格为 1 元，每百万输出 Token 为 2 元。价格会变，单次模型水平也会被追上，但开放权重、通用接口和明确定价同时存在，体现的正是一种分发思维。

DeepSeek 并不需要靠亲自经营每一种应用，才能证明自己的价值。它每让一家企业、一个开发者或一个新产品更容易获得智能，就在扩大自己所处的市场。

同样的判断，也应该被用来理解科学智能。

科学智能行业可能正在问错问题

人工智能赋能科学研究（Artificial Intelligence for Science，AI4S，指使用人工智能改进科学发现、计算与实验流程）当下最容易获得关注的叙事，往往是“用人工智能做出了什么”。

它发现了哪一种药物，设计了哪一个分子，找到了哪一个新材料，又准备取代哪一类研发企业。

这些问题都在用最终产品的尺度衡量科学智能公司。它们默认，智能的价值只有在被公司自己持有并变成下游产品时，才能完整兑现。

但更大的科学智能公司，或许根本不应该用“我发现了什么”定义自己。

它应该回答的问题是：如何让整个科学行业都能更便宜地完成文献推理、分子设计、性能预测、仿真计算和实验规划？

科学智能的最大生意，不是持有一件强大的武器，而是建设生产和分发科学智能的系统。

从文本 Token，到科学智能 Token

大模型公司通常以 Token 计量输入和输出。一个 Token 可以是一个词、数字、标点或文本片段。

但对科学智能来说，纯文本 Token 还不是最有意义的成本单位。

用户真正在意的是：完成一次有效文献调查要花多少钱？筛选一批候选分子要消耗多少计算？一次材料仿真需要等待多久？一个实验方案的结果有多大概率可以被复验？

因此，本文所说的“科学智能 Token”，是一个抽象的计量单位：它衡量完成一份可用科学工作所需要的模型、软件、计算、时间和验证成本。它不是新的技术标准，而是一种商业思考方式。

一家科学智能公司的进步，不应该只用模型参数、论文数量或演示效果衡量。更重要的指标是：

完成同一项科学任务，成本是否持续下降；
结果是否更可靠，能否进入后续计算与实验；
从问题到有效结果的时间是否缩短；
过去买不起这种能力的机构，是否开始用得起。

最终的竞争，是谁能够持续生产更好用、更便宜、更可控的科学智能 Token。

科学智能 Token 工厂

如果产品目标是降低单位科学智能成本，那么只优化一个模型远远不够。

真正的产品应该是一套软硬件全栈协同的科学智能生产系统。

第一层是标准化科学智能引擎。

模型只是其中一部分。在它周围，还需要专业数据、文献与专利检索、科学计算工具、仿真软件、任务编排、结果校验与专用评测。这些部件共同决定系统能否从“给出一个答案”走到“完成一份科学工作”。

第二层是计算与部署基础设施。

模型结构、推理引擎、精度、缓存、任务调度、芯片、内存、网络与存储需要围绕真实科学负载共同优化。同一个分子模型是在通用云端运行，还是使用针对性优化的本地系统，会直接影响速度、成本、数据边界与可用性。

这种产品形态已经出现了雏形。NVIDIA 将 BioNeMo 定义为用于构建、训练和部署生命科学模型的软件生态；其框架文档明确支持本地工作站、数据中心与多种云环境，生物分子模型推理服务也可以在客户自有环境部署。

这并不证明某一个产品已经实现了科学智能的终局，但它证明了一件事：科学模型、优化软件、计算硬件和多环境部署，完全可以被设计为同一个产品体系。

第三层是实验设备与行业系统连接。

科学智能不能永远停留在屏幕上。它需要读取仿真结果、设计实验步骤、调用仪器，并把实验反馈重新带回计算系统。

连接并不必然意味着每个项目都从零定制。例如，Opentrons 为其实验机器人提供了应用程序编程接口（Application Programming Interface，API，指软件之间按约定调用功能的标准接口）。其 Python 协议接口可以控制移液器、抓手和可选硬件模块，网络接口则暴露了机器人状态、校准、协议管理和运动控制等能力。标准化连接层，可以让科学智能扩展到物理实验，而不必把自己变成每一种仪器的制造商。

这三层共同组成一家科学智能基础设施公司。标准化引擎负责生产能力，计算与部署系统负责降低成本并扩大分发，实验连接层负责让智能进入真实科学流程。

本地部署不是补充，而是分发

在普通消费者应用中，云端服务往往是最简单的产品形态。但科学智能面对的不是普通对话数据。

一个未公开靶点、一组分子库、一份材料配方、一段工艺参数和一批失败实验，都可能是客户最核心的知识产权。如果使用智能的前提是把这些数据送离客户环境，那么大量最有价值的科学任务从一开始就不会进入市场。

因此，本地服务器、私有云、一体机与完全离线系统，不应该被视为云端产品的次等版本。它们是科学智能触达敏感数据与核心研发环境的主要分发方式。

这也要求产品在底层尽可能标准化。同一套模型、推理引擎、工具链、权限系统和评测方法，应该可以被部署在公共云、客户数据中心或本地硬件中。客户购买的不是一次性定制项目，而是以适合自己数据边界的方式，获得同一种可持续升级的智能能力。

谁能把更强的智能送到数据所在的位置，谁才可能建立科学智能真正的分发网络。

基础设施不等于简单接口

对这条路径，至少存在三个常见误解。

第一个误解是，基础设施意味着做一个薄薄的模型接口。

事实恰好相反。越是希望屏蔽使用门槛，公司越需要处理专业数据、科学工具、计算硬件、部署、安全、可靠性与实验接口。客户看到的可以是一个简单接口，但背后必须是一套复杂的全栈系统。

第二个误解是，智能更便宜，公司的利润就一定更少。

如果需求数量固定，降价当然会压缩收入。但对科学智能而言，大量需求今天尚未存在，不是因为问题不重要，而是因为计算、软件、专家和实验验证太贵。当单位成本降低到某个阈值，过去不值得做的计算、无法反复迭代的实验、买不起专业系统的中小机构，都可能成为新市场。

基础设施公司赚的是分母扩大的钱，而不是单个客户被抽取更多利润的钱。

第三个误解是，本地部署必然是难以复用的定制项目。

定制的可以是硬件规格、安全策略和工具连接，但模型、推理引擎、容器、评测体系和升级机制完全可以保持标准化。正如同一套数据库既可以运行在公共云，也可以运行在客户的数据中心，科学智能也可以通过工程化而不是人肉项目化完成本地分发。

让整个科学行业建立在你之上

最小的野心，是利用人工智能成为一家更强的药企、材料公司或研发机构。

更大的野心，是让所有这些公司都使用你生产的科学智能。

前一条路径要求公司不断进入自己不熟悉的下游产业，承担产品、临床、认证、生产和渠道风险。后一条路径要求公司把所有精力放在同一件事上：如何让智能更好用、更便宜、更可控，并被分发到更多真实科学环境。

这就是克制的商业意义。

它不是放弃价值，而是拒绝用有限的下游利润，交换成为全行业基础设施的可能性。

真正有可能成为行业基础设施的人工智能公司，最终不会反复追问“我还能取代谁”，而会持续回答另一个问题：

还有多少人，今天仍然用不起智能？

参考资料

资料核验截至 2026 年 8 月 2 日。

JVC