从代理到自主研发，创腾科技如何在AI4S赛道实现盈利与增长？

科学软件：难讲故事的赛道

科学软件，是一个很难"讲故事"的赛道。它没有社交裂变，没有流量逻辑，也少有爆款产品，服务的是药企实验室、材料研究院、半导体工艺工程师，讲究数据严谨、行业深度和长期交付。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。

曹凌霄与创腾科技的转型

曹凌霄坐在对面，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。曹凌霄表示："我们不是靠PPT长大的公司。"这语气里没有炫耀，更像是一种自我定位的陈述。

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。曹凌霄说："那个阶段，我们是离客户最近的人。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。但这条路也有它的天花板。曹凌霄没有回避代理模式的结构性弱点："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。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；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。曹凌霄说："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。但如果不转，我们就永远没有定价权，没有护城河。"

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。曹凌霄说："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。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，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。曹凌霄打比方说："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。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。曹凌霄语气直接地说："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。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。

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。有人问曹凌霄，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。"他解释道："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。

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。他说："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。曹凌霄说："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。"

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。他说："我们没有靠烧钱换增长，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。他说："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。"

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。他说："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。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。他说："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。"他还表示："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，有人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。"他解释道："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。"他补充说："AI的时代来了，我们的积累反而更值钱了。"走出创腾的办公室，不禁让人思考，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？