—— 专访创腾科技CEO曹凌霄用三层架构打通数据、AI与实验把AI4S做成赚钱的生意。科学软件是一个很难讲故事的赛道。没有社交裂变没有流量逻辑也少有爆款产品——它服务的是药企实验室、材料研究院、半导体工艺工程师讲究的是数据严谨、行业深度和长期交付。也正因如此大多数投资人对这个领域保持着听上去很重要但不知道怎么投的距离感。曹凌霄坐在我对面语速平稳措辞精准像极了他所在行业的气质。创腾科技成立至今他很少出现在创投媒体的聚光灯下但公司已经完成了一次在行业内颇具分量的转型从国际科学软件大厂的代理商与服务商蜕变为拥有自主产品体系的科学软件公司从传统的实验室信息化工具升级为面向AI for ScienceAI4S时代的研发数据与智能决策平台。更少见的是在完成这一转型的同时公司实现了正现金流和盈利。我们不是靠PPT长大的公司。曹凌霄说这句话的时候语气里没有炫耀更像是一种自我定位的陈述。一、从代理起家在别人的地基上学会盖房子创腾的起点是一家典型的科学软件代理商。彼时达索系统、赛默飞等国际科学软件巨头的产品在国内医药、化工、材料、半导体等高研发密度行业几乎是标配而代理商和服务商则承担着本地化实施、客户培训和日常支持的角色。那个阶段我们是离客户最近的人。曹凌霄说我们知道客户的实验室里有多少台仪器知道他们每天产生什么数据也知道他们最头疼的问题是什么。这种最近的距离在他看来是创腾最重要的早期资产。代理商的角色让创腾积累了跨行业的客户关系和实施经验也逼着团队真正理解科研场景的复杂性——不是从产品说明书上读来的理解而是在客户实验室里摸爬滚打出来的理解。但这条路也有它的天花板。你永远是别人产品的延伸客户忠诚度在产品方不在你。一旦厂商调整政策或者有新的合作伙伴你的位置就很尴尬。曹凌霄没有回避代理模式的结构性弱点更根本的问题是你没有办法帮客户解决真正的问题因为产品不是你的你改不了。转折点出现在几个信号的汇聚。一是国产替代和数据安全需求的兴起。越来越多的大型央企和科研机构开始对使用境外科学软件系统保持谨慎数据主权、系统可控、安全合规成为明确诉求。二是AI技术的快速演进让科学软件的可能性边界大幅扩展。三是创腾自身积累的客户场景和行业知识已经到了可以支撑自主产品研发的临界点。我们决定转型的时候内部也有过争论。代理业务有稳定收入自研产品要烧钱、要时间初期很可能拿不到大客户。曹凌霄说但如果不转我们就永远没有定价权没有护城河。二、三层架构一个AI4S时代的研发操作系统转型不是一次性的。创腾用了数年时间逐步构建起以iLabPower、SDH和MaXFlow为核心的自主产品体系。在曹凌霄看来这三款产品不是独立的工具而是一套完整的研发操作系统构成了面向AI4S落地的三层平台架构。第一层iLabPower数据底座。iLabPower是创腾的研发创新数字化平台覆盖电子实验记录ELN、项目管理、化学品与试剂耗材管理、仪器管理、样品检测流程、生物样本管理和仪器数据采集等应用。很多人觉得ELN是很基础的东西不就是把纸质实验记录电子化嘛。曹凌霄说但这个认知是错的。数据底座的质量决定了上层AI能力的上限。你输入的是混乱的、不完整的、非结构化的数据AI给你的也只能是垃圾。iLabPower的核心价值在于帮助企业实现高质量、结构化、可追溯的实验数据采集。对医药企业它同时要承接GLP、GMP、GCP等合规要求对材料和化工企业则关系到配方、工艺、检测和项目经验能否长期沉淀下来。这是整个AI4S闭环的起点。第二层SDH科学数据基因组平台。SDHScientific Data Hub是创腾的数据融合中台负责打通企业内部多源异构数据并连接外部公共科学数据库实现科学数据的治理、融合和资产化。现实中的困境是很多企业已经上了ELN、LIMS、PLM、MES但化学结构、活性数据、实验记录、仪器数据、工艺参数之间彼此割裂科学家仍然要在多个系统之间来回切换靠人工复制粘贴完成分析。创腾把这种现象称为研发中的转椅接口问题。药企的数据往往分散在ELN、分析仪器、CRO系统、文献数据库等不同来源格式各异关联关系复杂。SDH要做的就是把这些数据变成可以被AI读懂的科学数据资产。曹凌霄打了个比方就像基因组测序你要先把数据的结构和关联搞清楚才能进行下一步的分析。第三层MaXFlowAI与科学计算平台。MaXFlow是创腾面向AI建模、分子模拟和科学计算的核心平台通过可视化工作流和智能体封装把分子模拟、机器学习、深度学习、贝叶斯优化、虚拟筛选、配方优化和实验设计等能力交到科研人员手上。在新药研发领域MaXFlow已应用于分子设计、虚拟筛选、ADMET预测、抗体设计、人源化优化、亲和力成熟、药物溶解度预测以及处方与工艺优化等场景。在半导体和先进材料领域MaXFlow可支持分子结构设计、性能预测、配方优化、实验设计和材料筛选。我们不是把通用大模型套一个界面接进实验记录系统然后说自己做了AI4S。曹凌霄说这句话的时候语气难得有些直接真正的AI4S难在数据底座和行业知识难在把AI和真实研发流程结合起来难在能交付、能落地、能被科学家信任。一个具体的例子OLED材料的干湿实验室飞轮三层架构听上去抽象落到具体行业就清晰了。以OLED材料研发为例企业通常要在分子设计、性能预测、合成路线、样品检测、工艺放大和批次管理之间反复迭代传统方式高度依赖专家经验和试错一轮下来动辄数月。创腾的思路是用三层平台的协同帮企业转起一个干实验室湿实验室的飞轮MaXFlow用计算和AI提出更优的候选分子与配方iLabPower记录湿实验验证的完整过程——包括那些没成的批次SDH再把结果沉淀为结构化的数据资产回过头训练更准的模型。飞轮的意义在于企业每做一批实验模型就更准一点而这份积累留在企业自己的系统里不随合作方更替而流失。三、客户说话那些已经在用的名字比产品架构更有说服力的是客户名单。目前创腾已服务的客户包括中石油、中石化、中化集团、中国航天、鼎龙控股、鼎材科技、京东方材料、齐鲁制药、恒瑞医药、华东医药、东阳光药、中国生物、宜联生物等。这份名单横跨了生命科学、先进材料、能源化工、半导体材料和高端制造多个赛道且不乏头部央企和行业龙头。我问曹凌霄面对这些大客户一家体量不算大的科学软件公司是如何获得信任的他停顿了一下说两个字做过。我们很多核心客户是在代理阶段就开始服务的。他们见过我们怎么实施项目怎么处理问题怎么跟他们的科学家沟通。等我们推自主产品的时候他们是愿意给我们机会的因为他们知道我们懂他们的场景。这也解释了为什么创腾的转型能够相对平稳——多年的代理服务经历不只是收入更是信任资产的积累。四、为什么这件事很难AI4S的真正壁垒过去两年AI for Science在投资圈热了一轮。但在曹凌霄看来很多打着AI4S旗号的项目距离真正的落地还很远。AI4S听起来很美但做起来要同时具备几种能力理解科学数据、理解行业场景、有工程交付能力还要能让科学家真正用起来。缺任何一块都很难落地。他总结了AI4S赛道的几个典型误区一是大模型万能论。把通用大模型直接套用到科学场景往往效果有限因为科学数据的专业性、结构性和稀缺性与通用互联网数据差异极大。二是数据洁癖。一些团队在数据治理上过于追求完美但真实企业的数据从来都是脏的、缺失的AI4S系统必须有足够的鲁棒性来应对这一现实。三是忽视交付。科学软件的客户是科学家不是IT部门能不能让研究人员在日常工作中真正用起来是产品价值的终极检验。我们做的事情本质上是要在科研人员的工作台上把AI变成一个他们信任的助手而不是一个黑盒。五、盈利与增长一家现金流健康的AI公司在当前AI创业公司普遍面临商业化压力的环境下创腾的财务状况显得有些另类。曹凌霄透露近年来创腾自主产品业务保持了年复合增长率50%以上的高速增长同时实现了正现金流和盈利。公司此前已分别于2018年完成Pre-A轮融资、2022年完成A轮融资。我们没有靠烧钱换增长他说科学软件的客户是很理性的群体他们要看产品能不能解决真实问题他们不会为了概念付钱。所以我们只能把产品做扎实。正现金流在科学软件行业并不罕见但能在完成自主产品转型、同时保持高速增长的前提下实现盈利在AI4S这个细分赛道上确实少见。2026年以来随着企业研发部门对AI落地需求的快速提升创腾的AI相关业务出现了明显的加速。曹凌霄用了突破性增长这个词但没有透露具体数字。过去企业对AI4S的态度是想了解现在越来越多的头部客户开始说要落地这个变化是很实质性的。六、下一步研发基础设施的国产机会谈到未来曹凌霄的话变多了。生命科学、先进材料、半导体这些产业正在进入高质量创新阶段。研发数字化和AI4S平台正在从一个有了更好的工具变成企业的研发基础设施。他说这个变化对我们来说是一个很大的机会窗口。在他的战略判断中有几个趋势值得重点关注。一是国产替代持续深化。数据安全和自主可控的诉求让越来越多的大型研发机构开始系统性地审视现有的科学软件栈寻找可替代的国内方案。创腾的产品能力和客户口碑让它成为这一趋势的潜在受益者。二是AI4S从单点工具走向平台化。早期AI4S项目大多是针对某个具体科学问题的单点工具但随着落地深化客户开始需要覆盖数据采集、数据治理、AI建模和实验反馈的完整平台。这正是创腾三层架构的核心价值。三是两大主战场继续下沉。在医药领域创腾的重点会围绕药物发现、CMC、生物药、ADC、处方工艺和合规数字化展开在材料领域则聚焦OLED、半导体材料、电子化学品、高分子材料、新能源材料和化工配方等场景。这些方向研发周期长、试错成本高、对自主可控要求强恰恰是AI4S价值最容易被验证的地方。四是AI智能体与科学工作流的结合。曹凌霄判断未来的科研AI不会只是一个独立的问答机器人而是能够在特定研发任务中调用数据、模型、工具和流程的智能体系统——它可以理解科研任务调取历史数据选择合适模型生成实验方案并在实验反馈后持续迭代。这也是MaXFlow下一阶段的重要演进方向从科学计算与AI建模平台走向智能体驱动的研发工作流平台。企业需要的不是一个会聊天的AI而是能够真正帮助科学家做设计、预测、优化和决策的系统。他说。我们比较早地把实验数据采集、科学数据融合和AI建模应用这三层能力搭在了一起。这不是一年两年能搭起来的是十几年沉淀的结果。尾声慢就是快采访结束前我问了一个有点老套的问题如果用一句话描述创腾的创业逻辑会是什么曹凌霄想了想说了四个字慢就是快。科学软件的客户不会因为你讲了一个好故事就付钱他们会因为你真的解决了问题才续签、才转介绍。所以你只能把基础做扎实把产品做好把客户服务好然后等时间来证明。AI的时代来了我们的积累反而更值钱了。他补充说。走出创腾的办公室我在想在那么多喧嚣的AI4S概念公司中这家从代理商出身、没有太多媒体曝光、靠客户口碑一步一步走到今天的科学软件公司或许本身就是一个值得认真对待的答案。来源36氪