科学大模型可以生成一条看似合理的合成路线，但当它落到实验室里，加料顺序、搅拌速率、温控曲线、氮气保护下的称量方式，任何一处细节没有被准确执行，预测就只是预测。过去几年，AI4S领域最活跃的公司大多从计算侧切入，用文献、数据库和仿真结果训练模型，再试图把结论“翻译”给实验室。问题在于，实验室并不按照论文的格式运行。公开数据往往缺少完整的实验条件记录，失败样本很少被发表，而真实实验中的偏差、异常和重复性信息，恰恰是模型提高决策能力最需要的那部分。
青葵智造想从另一端切入。这家成立于2021年的公司，把机械自动化、软件和AI作为底层能力，反过来进入化学实验场景，试图把“干实验”的智能决策与“湿实验”的物理执行放进同一个闭环里。据36氪硬氪报道，青葵智造近日宣布完成亿元A轮融资，由创东方投资、飞荣达股份及金辉大数据共同参与。公司称，资金将重点用于核心技术研发、重点行业拓展以及云实验室建设，加速自驱动实验室的产业化落地。
这笔融资的金额以“亿元”表述，具体币种与精确数值未披露。对一家同时销售自动化硬件、实验室操作系统和科学大模型的公司来说，这轮资金既是对其“软硬一体”路线的下注，也把一个问题推到台前：当AI4S从计算发现走向自主实验，执行鸿沟与数据鸿沟是否真的能靠一家创业公司的闭环方案打通。
| 字段 | 内容 |
|---|---|
| 公司 | 青葵智造 |
| 轮次 | A轮 |
| 金额 | 亿元（具体币种与精确数值未披露） |
| 投资方 | 创东方投资、飞荣达股份、金辉大数据 |
| 总部 | 未披露 |
| 创始人 | 陈南江 |
| 官网 | https://www.quiktech.cn/ |
用机器人把化学实验拆成可复用的标准动作
青葵智造的产品结构分为三层。最底层是NexoLab自动化实验工作站，据公司介绍，它将经典化学实验动作和流程标准化、数字化、模块化，覆盖标准化执行单元、投料合成、样品处理及分析、分离纯化等工作站。中层是AI-LabOS，把物理设备抽象为可调用的智能体，将实验流程分解为标准化实验动作，并通过调度仿真与数字孪生实现多台套机器人协同调度。顶层是科学大模型MoleMind，基于湿实验室产生的多维数据训练，用于智能实验设计、设备状态预测、实验数据可靠性评价、实验优化及自迭代、反应条件优化等任务。
这套架构的叙事逻辑并不复杂：硬件负责执行，操作系统负责调度，模型负责决策。但真正困难的环节在于，化学实验中的大量隐性知识如何被转化为软件界面和底层算法。公司创始人、董事长陈南江在36氪硬氪的访谈中举了一个例子：氮气环境下不同形状物质的加样及称量，平行反应器如何进行热设计和结构设计以保障搅拌和温度曲线的一致性。这些细节很难从论文中直接获得，却决定了自动化设备能否在真实场景中替代人工。
公司称，相较于传统人工实验模式，NexoLab可以将实验效率提升数十倍。这一表述来自公司方面，尚无独立第三方验证。效率提升的基数、实验类型和对比条件均未披露，因此很难判断“数十倍”在多大程度上可迁移到不同行业场景。不过，从产品逻辑看，青葵智造并非只卖一台机器，而是在卖一套将实验动作标准化后的可配置系统。如果底层模块化程度足够高，同一套工作站可以通过重新组合适配不同反应条件，这在一定程度上解释了公司所称的跨行业适配性。
将化学实验拆解为标准化动作，难点不在于单台设备的精度，而在于动作之间的边界是否足够稳定。氮气保护下的称量、平行反应器的热设计等细节，意味着同一动作在不同反应条件下可能需要不同的参数约束。如果这些约束不能沉淀为可复用的软件模块，硬件模块化就只是机械层面的拼接，难以支撑公司所称的跨行业适配。因此，NexoLab能否从“可配置工作站”进一步形成可迁移的实验动作库，可能是判断其软硬一体路线是否成立的关键。
科学模型不靠通用语料，而靠湿实验室回流数据
青葵智造对科学大模型的态度相当克制。陈南江在访谈中明确表示，不能用通用语言模型直接做实验，而是在通用大模型底座上，用湿实验室跑出来的真实垂直数据来训练模型，以消减幻觉。他还承认，目前在全球范围内，AI自动生成的实验方案仍需要化学家最终核准，现阶段是人机结合，没有完全无人。
这一表态与公司整体商业叙事形成了一种有意义的张力。一方面，青葵智造强调“AI设计—自动化执行—多模态数据回流—模型自适应迭代”的闭环；另一方面，它并不宣称已经实现完全自主实验。这种克制反而让公司的技术路线显得更具体：模型的价值不在于替代科学家，而在于把实验设计、执行和反馈压缩进同一个数据循环里，让每一次湿实验都成为下一次模型迭代的训练样本。
数据质量是这个循环能否成立的关键。陈南江指出，公开数据往往存在实验条件记录不完整、失败样本不足等问题。模型可以提出很多假设，但如果缺少真实实验验证和持续的数据反馈，就很难不断提高预测和决策能力。这意味着，青葵智造的竞争壁垒并不只在于模型算法，而在于它能否持续产生高质量、结构化的湿实验数据。公司今年下半年建成首个自持的全自动AI化学机器人实验室，并开始对外提供实验即服务，正是为了把数据生产从客户项目制中部分解放出来，形成自有数据资产。
青葵智造把模型训练建立在自持实验室产生的湿实验数据上，这使数据采集的标准化程度成为模型能力的上游约束。公司称AI-LabOS能够实现覆盖执行单元、实验节拍、反应条件、实验室运营管理等多维度的数据采集和追溯，这意味着回流到MoleMind的数据可能不仅包含反应结果，还包含操作过程与设备状态。若这类过程数据能够稳定记录，模型对失败原因和条件偏差的学习可能比仅依赖公开文献更具体；但这一优势能否转化为预测准确率的提升，仍需在真实实验任务中验证。
从卖设备到卖实验服务，第二曲线仍待验证
青葵智造目前的客户覆盖制药、精细化工、新材料、新能源及科研院所等领域，据公司披露，包括中科院、勃林格殷格翰、恒瑞医药、国轩高科等。陈南江称，由于底层实验环节已实现高度模块化和标准化，公司产品跨行业适配性较强，客户复购率表现良好。复购率的具体数值未披露，但复购本身在科学仪器行业是一个有意义的信号，因为这意味着客户在首次采购后，愿意继续为耗材、模块扩展或服务付费。
设备交付之外，青葵智造正在尝试实验即服务。客户可以通过云端实验入口提交实验任务，远程获得实验结果，并实时查看水氧环境、加热曲线、分析图谱等数据。这一模式在海外已有先例，但国内仍处于早期。它的吸引力在于，客户无需一次性投入建设自动化实验室，而是按需购买实验能力。对青葵智造而言，云实验室既是收入来源，也是数据来源。公司称，自持实验室除了对外服务，也为自己的模型训练提供高质量数据。
但实验即服务的商业化仍面临几个现实问题。首先是实验类型和通量是否足以覆盖足够多的客户需求；其次是远程实验的信任成本，客户是否愿意把关键研发任务交给第三方平台；第三是数据归属与保密，制药和材料客户对实验数据高度敏感。青葵智造尚未披露云实验室的规模、设备数量、可承接的实验类型和客户数量，因此这一业务目前仍处于早期验证阶段。
实验即服务的客户价值，可能不仅在于省去一次性设备投入，还在于把实验执行从内部产能约束中释放出来。对研发周期波动较大的制药和材料团队而言，按需调用外部实验能力可能比维持常备自动化实验室更灵活。但这一模式的前提是云端实验入口能够稳定复现客户指定的实验条件，并让客户远程确认过程合规。公司称客户可实时查看水氧环境、加热曲线、分析图谱等数据，这类过程透明化设计可能有助于降低远程委托的信任成本，但能否覆盖客户对方法保密和结果归属的要求，仍取决于合同层面的安排。
产业资本进入，材料与热管理协同大于财务回报
本轮三家投资方中，飞荣达的身份值得注意。飞荣达是一家以电磁屏蔽材料、功能性材料、热管理材料及液冷技术为主业的上市公司。据飞荣达声明，随着AI算力基础设施快速发展，液冷散热及热管理技术对材料性能、研发效率和工艺优化提出了更高要求，青葵智造在智能实验、材料配方筛选及自动化测试方面的技术积累，与其业务布局有协同潜力。
这意味着，飞荣达的参与可能带有产业资本逻辑。它不只是押注AI4S赛道，而是希望把青葵智造的自动化实验能力引入自身材料研发体系。这种协同如果落地，可能为青葵智造带来真实的高通量材料筛选场景；但如果协同停留在战略层面，其商业价值就难以量化。创东方投资的表态更偏向赛道逻辑，称看好AI4S从技术验证走向产业应用，并认为青葵智造围绕科学智能决策、实验自动化与数据闭环构建了系统性技术能力。金辉大数据未在报道中给出具体表态。
从资本结构看，A轮引入一家产业方和两家财务投资方，说明公司既需要资金，也需要产业场景。对青葵智造这类软硬一体公司来说，单纯财务投资很难解决客户验证和行业Know-how问题，产业资本的价值在于提供真实需求。但产业资本也可能带来客户冲突风险，尤其是当投资方自身业务与公司其他客户存在竞争时。目前尚无信息表明这种冲突已经出现。
飞荣达所提的协同方向集中在材料配方筛选和自动化测试，这与青葵智造已披露的客户行业存在部分重叠。若协同进入实际项目，青葵智造可能获得一个持续迭代的材料研发场景，但也需要处理产业投资方与同类客户之间的边界问题。目前公开信息只显示双方存在协同潜力，尚未披露是否已有联合研发项目或采购安排，因此这一产业协同仍属于待验证的战略预期，而非已经兑现的商业合作。
海外市场被寄予厚望，但本地化验证刚刚开始
青葵智造已在新加坡和韩国设立办公室，并与当地高校、科研院所及产业客户展开合作。陈南江认为，海外人力成本更高、对环境与安全性要求更严，自动化实验方案的价值更容易被认可。这一判断有其合理性：在人力成本高的市场，自动化替代的回报周期更短；在安全监管严格的市场，机器人操作的合规优势更明显。
但海外拓展也意味着更复杂的本地化要求。不同国家和地区的实验室规范、数据合规、售后服务网络和客户信任建立方式差异很大。新加坡和韩国是亚太地区科研资源密集、自动化接受度较高的市场，选择这两个市场作为切入点相对务实。不过，公司尚未披露海外收入占比、合作项目数量和交付进展，因此海外业务目前更多是方向性布局，而非已验证的收入来源。
另一个值得关注的事实是，青葵智造已获批成为工信部人工智能标准化技术委员会成员单位，并牵头建立市重点实验室。这类资质本身不直接产生收入，但它意味着公司在标准制定和公共科研体系中获得了一定位置。对于一家试图定义“实验动作标准化”的公司来说，参与标准制定可能比短期订单更具长期价值。
新加坡和韩国市场的共同特点是科研机构密度较高，且对实验室安全和数据合规有较成熟的管理框架。青葵智造选择这两个市场，可能不只是看重人力成本，也是在测试其标准化实验动作能否适配不同监管环境下的实验室流程。若海外高校和科研院所愿意采用其自动化工作站，公司可能获得更接近公共科研体系的验证场景；但海外交付还涉及设备认证、售后响应和本地数据存储等环节，这些成本目前均未披露。
资金用途指向云实验室，但数据规模优势尚未形成
公司称，本轮资金将重点用于核心技术研发、重点行业拓展以及云实验室建设。其中，云实验室建设直接关系到公司能否积累足够的高质量结构化数据。陈南江在访谈中提出，AI4S细分竞争的本质是真实实验数据的竞争，公司希望在一两年内让云实验室形成规模优势，把数据池做大。
这是一个清晰但难度很高的目标。云实验室的规模优势需要大量设备投入和持续运营，而设备利用率、客户复购和实验通量决定了数据积累的速度。如果云实验室主要服务于外部客户，数据归属和保密条款会限制公司对数据的自由使用；如果主要服务于自有模型训练，则商业收入可能有限。青葵智造需要在数据资产和商业服务之间找到平衡，目前公司尚未披露这一平衡的具体机制。
从已披露信息看，青葵智造的技术路线和商业逻辑是自洽的：用自动化硬件产生结构化数据，用数据训练科学模型，再用模型提升实验设计和执行效率。但这一闭环的成立依赖于几个尚未被充分验证的假设：客户是否愿意为闭环本身付费，而不仅仅是购买设备；湿实验数据的质量是否足以显著提升模型表现；云实验室能否在合理时间内达到规模经济。这些问题的答案，可能需要比一亿元融资更长的时间来揭晓。
公司把云实验室的规模优势作为一两年内的目标，这意味着资金投入将同时指向设备扩张和运营能力建设。设备数量增加可以提升实验通量，但数据池的价值还取决于实验类型的多样性和数据标注的一致性。如果云实验室主要承接重复性较高的标准化实验，数据规模可能增长较快，但对模型泛化能力的帮助有限；如果承接高复杂度实验，则单次实验成本更高，规模扩张速度可能受限。公司尚未披露云实验室的实验类型结构，因此“数据池做大”的实际质量仍难以评估。
RecodeX 极客视：AI4S的叙事正在从“模型能预测什么”转向“实验能执行什么”。青葵智造的软硬一体路线切中了执行鸿沟与数据鸿沟，但真正的考验不在架构图，而在云实验室能否持续产生高质量数据、客户是否愿意为闭环付费。当化学家仍然需要对AI方案做最终核准时，这家公司的价值不在于替代人，而在于把人从重复劳动中解放出来，同时把每一次实验变成下一次决策的燃料。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。