从代理到自研，从工具到平台：创腾科技的AI for Science破局之路

时氪分享·2026年08月18日 16:13

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 Science（AI4S）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。

SDH（Scientific 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：MaXFlow，AI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。"