AI这一年能做的事越来越多，但落地速度差得很远。有的已经进入日常工作，有的还在实验室里反复验证。

差别不在模型强弱，在两件事：一是错了代价大不大，二是能不能快速验出对不对。

代码是个极端例子。写完跑一遍就知道对不对，错了改一行重来，验证几乎不花钱，容错空间又大。所以这一类最先跑出规模。

顺着这个梯度往下看，今年进展明显的三条线，共同点是都有一套能把结果验明白的办法。

第一条是AI安全。

模型能力越强，能被利用的攻击面反而越大，攻击门槛在降低。这个方向的需求不是靠预算撑起来的，是靠风险本身撑起来的，所以它从可选项变成了基础设施。验证方式也很直接：攻防对抗，防住了就是防住了。

第二条是AI4S，也就是用AI做科学研究。

这条线过去被质疑最多的是：模型预测出来的东西，是真的吗？

答案是看有没有湿实验兜底。有团队做过这样一个实验：让AI设计候选蛋白，再拿到实验室里逐个测，能不能结合，试管说了算。

注意这里的关键：不是AI说它行，是试管说它行。有了这道验证，AI就从"提供思路"变成了"参与科研闭环"。

第三条是AI EDA，也就是用AI做芯片设计。

逻辑完全一样。芯片设计出来的东西可以仿真、可以流片验证，对不对有客观答案。所以智能体能在这条流程里真正接手工作，而不只是给工程师提建议。

反过来，那些错了代价大、又没法快速验证的场景，AI再强也只能停在辅助位置。

所以AI应用的兑现顺序，不是谁的模型更强谁先跑出来，而是谁的结果更容易被检验，谁先跑出来。

下面按三条线，看各环节上有哪些公司在做什么。

AI安全这一头。深信服做的是网络安全、云计算和AI基础设施，AI安全方向覆盖了安全运营、办公安全、保护AI等场景。绿盟科技做的是网络安全，AI安全相关能力已在运营商、金融等场景落地。

AI4S这一头。剂泰科技做的是AI驱动的纳米递送平台，技术底座是它的AiLNP平台，今年与一家跨国药企达成了递送方向的合作。晶泰控股走的是机器人实验室加AI的路线，把实验流程自动化，让AI设计出来的东西能快速被合成和验证。英矽智能做的是AI药物研发，核心管线已经推进到三期临床。

这三家有个共同点：都不只是做预测，而是把设计、合成、测试串成闭环。这也是AI4S跟单纯的分子生成模型最不一样的地方。

AI EDA这一头。华大九天做的是国产EDA工具，产品覆盖全定制、数字电路、晶圆制造、先进封装等全流程。它在原有全定制平台基础上做了PyAether生态，把大量接口开放出来，并在此基础上做了智能体Aether Coder，用自然语言描述需求就能检索接口、生成脚本。

公司董事长在公开演讲里这样描述这种变化：工程师只需设定设计目标，智能体就能自动拆解任务、调用工具、迭代优化，最后回到人工决策。他强调，人类始终掌握最终决策权。

这三条线放在一起，能看出一个共同点：它们都能被验证。

湿实验能验证分子，仿真能验证电路，攻防能验证安全产品。能被验证的部分，才谈得上交付结果；验证不了的部分，只能按工具和时长计价。

而行业现在真正的变化是，能被验证的那一块正在变大。

风险提示

本文不构成任何投资建议，亦不构成买卖依据，文中提及的公司仅作为产业环节的例证，不代表对其证券价值的判断。AI应用在各行业的落地节奏差异较大，技术路线与产品形态尚未收敛，从验证到规模化应用存在较长周期。不同场景的验证标准与数据基础各不相同，实验室结果向真实场景迁移的效果有待观察。业务进展以公司定期报告为准。