AI for Science：AI走向物理世界的第一站

过去几年，提及人工智能，人们讨论的多是对话、代码编写、智能体以及机器人。然而，这一轮AI可能带来的最大生产力机遇，并非存在于屏幕之内，而是位于由原子与分子构成的实体世界之中。

AI for Science（以下简称AI4S），简而言之，就是运用人工智能来辅助科学研究、提升科研能力。例如，让AI学习物理、化学、生物领域的知识及其规律，进而计算并设计原子、分子尺度的物质，如蛋白质、药物及新材料。这标志着AI迈入物理世界的起点。

2024年10月，诺贝尔化学奖授予了蛋白质设计及AlphaFold2的研发者，这标志着AI4S站上了科研范式变革的关键节点。时隔两年再看，变化的速度远超多数人的预期：两年前，AI制药还时常被质疑“无法产出药物”；如今，晶泰科技、英矽智能、剂泰科技已相继在港股上市，AI参与设计的药物已进入III期临床试验，礼来、辉瑞、GSK等跨国药企开始投入巨资与拥有专属模型能力的AI原生公司建立合作，抗体甚至能够通过“零样本”方式直接计算得出。

大模型发展放缓后，AI的决胜点在于物理世界

中美AI竞争：能源领域中国占优、芯片领域美国领先，决胜点在于应用

黄仁勋在阐述英伟达战略时，常提及一个AI产业全栈分层图，或称“AI五层蛋糕”：自下而上依次为能源、芯片、基础设施、模型及应用。以此五层对比中美两国：

• 能源：中国占据优势。2025年，中国发电量约为美国的2.3倍，能源总量优势明显。
• 芯片：美国处于领先地位，中国正在奋力追赶。在先进制程（7nm以下）方面，中国与美国存在差距，但若论芯片制造产能，中国正逐步缩小差距。
• 基础设施：中国整体上更具优势。无论是电网、储能、变压器等硬件设施，还是互联网与AI基础设施等软件底座，中国都拥有扎实的产业根基。
• 模型：最前沿的模型仍在美国，但差距正在收窄，且中国在开源模型领域处于领先。
• 应用：这是决定中美AI竞争胜负的关键。AI应用涵盖智能体、具身智能、AI4S以及AI与各行各业的融合。目前美国先行一步，编程类智能体已实现规模化收入：Anthropic的Claude Code上线半年，年化收入即达10亿美元；Cursor的年化收入也在2025年突破10亿美元。中国有望后来居上，腾讯、阿里、字节等巨头正为应用层注入竞争力，中国强大的产业链也为AI落地提供了良好土壤。

技术突破不等于生产力提升：美国TFP年增速从2.1%降至0.17%

从历史来看，一项技术从被发明到被广泛应用并真正带来生产力提升，往往需要十几到几十年的时间。电力发明于19世纪后期，但生产力的真正爆发是在1900年之后，并一直延续到1940年代。

观察美国的全要素生产率（TFP，即剔除资本和劳动力投入后，由技术进步带来的增长）就能更清晰地看到这一点。Astera Institute的Eli Dourado指出，1947年至1972年间，美国TFP年均增长约2.1%；而自2005年移动互联网时代以来，TFP年均增长仅约0.17%。核心原因在于，过去20年的创新主要局限于数字世界，而上一轮创新发生在物理世界：电力、火车、汽车带来的生产力提升，远大于计算机和互联网。

美国自1947年以来的全要素生产率（TFP）发展趋势

但这二十年完成了一项关键任务：将与人相关的各类数据（包括语言、文本、图像、视频以及搜索行为等）全部数字化。这正是今天大模型赖以发展的数据基础。

AI无疑是本轮科技革命中最大的技术突破，其重要性甚至可与电力相提并论。但从现有数据看，生产力的全面提升尚未到来——大规模的应用落地仍处于初期阶段。最大的生产力进步，或许不在数字世界，而在于AI与生物、材料、能源的交叉领域，在于数字世界与物理世界的融合之处。

大模型已几乎耗尽现有文本数据，AI需要新模型、新数据、新算力

AI的发展依赖于三个要素：数据、算力、算法（模型）。如今，大语言模型几乎消耗了所有可用的文本数据，迭代速度正在放缓。要继续向前发展，需要三样新武器：

• 新模型：黄仁勋在上述“五层蛋糕”的长文中也强调，模型不仅要理解语言，还要理解生物、化学、物理以及物理世界本身；他认为模型在编程、机器人、数字生物及药物发现等领域已展现出很强的产品市场契合度（PMF）。物理AI正变得前所未有的重要。无论是微观层面的AI4S、三维重建模型，还是世界模型，都是下一步发展的关键。新的模型可能需要新的架构。
• 新数据：新数据是模型进一步迭代的新燃料。我们既需要物理世界的数据，例如3D高斯重建、深度数据、3D空间中的交互数据、空间智能、具身操作，以及生物制药中分子间的相互作用；也需要与人相关的数据，这些数据可能来源于新型传感器、智能硬件；还需要脑科学数据，毕竟，AI历史上的多次重要突破都源于脑科学的启发，随着脑机接口和脑科学的进一步发展，将带来大量可用的高质量数据。
• 新算力：新模型和新数据对算力提出了更高要求。英伟达超越英特尔背后，是GPU（图形处理器）凭借并行计算优势，在AI时代逐步取代CPU（中央处理器）成为主流算力架构。而当黄仁勋开始谈论GPU与QPU（量子处理器）的协同时，量子计算被寄予厚望，成为下一代算力。2025年10月，英伟达发布了NVQLink，实现了量子处理器与GPU超级计算机的直接连接。

AI正成为各学科发展的“关键变量”

许多人认为AI仅仅带来效率提升，无法成为一门学科的核心驱动力。但我们确实观察到，AI的能力正加速向基础科学领域外溢。ARK Invest在《Big Ideas 2026》中将AI称为“中央发动机”，它带动机器人、储能、多组学等创新平台一同加速。换句话说，AI像一场龙卷风，将周围的创新和行业都卷入其中。以下是四个例子。

• 蛋白质结构预测：输入一条蛋白质序列，AlphaFold2就能给出其三维结构，且精度首次与实验方法相当。在此之前，人类花费了大约六十年，才通过实验解析出约20万个蛋白质结构；而AlphaFold数据库在2022年就给出了约2亿个预测结构。这项工作获得了2024年诺贝尔化学奖。在蛋白质结构预测领域，AI已成为主要驱动力。
• 电池材料：过去150年，从铅酸电池到锂离子电池，能量密度仅提升了约5倍，年均进展小于1%，速度非常缓慢。美国电池材料公司Feon Energy利用基于生成式AI的分子设计平台EDGE，在两周时间内，从头设计了电解液分子：使用其电解液，锂金属电池的能量密度超过400Wh/kg，比现有锂离子电池高出约50%；其另一款快充锂离子电解液支持6C快充。据斯坦福大学技术许可办公室介绍，Feon用电池配方和性能数据训练AI预测模型，将电解液的研发周期从一年以上压缩到了三到四个月。一边是每年不到2%的进步，一边是大幅缩短的研发周期，AI在材料设计领域也正变成关键驱动力。
• 生物制造：生物制造在常温、绿色条件下进行，最大优势是环保以及得率高。通俗地说，得率就是投入的原料中有多少变成了目标产物：化学反应走上20步，得率往往不到1%；生物路线走上20步，得率可以达到80%甚至更高。但生物制造的难点在于如何设计路线和途径。ATLAS of Biochemistry数据库收录了超过13万条理论上可行的代谢工程反应，但绝大多数在当时未在生物体中有过报道。未来利用AI来设计代谢路径，是生物制造中最大的变量。
• 未来医疗：美国公司Tempus将病人的临床数据、分子生物学数据、影像等多模态数据汇集起来并进行对齐，利用生成式AI进行分析，再将洞察输出给药企和诊断企业。2025年，Tempus全年营收约13亿美元，同比增长约83%（含收购的遗传检测公司Ambry），同年它与70多家大中型药企签署了数据合作协议；2026年上半年营收7.31亿美元，同比增长约28%，公司已将全年营收指引上调至约16亿美元。

级联放大：从0到1，再从1到100

将这些例子串联起来，就是我们对于AI如何带来生产力跃迁的判断：最底层是AI和大模型本身的进步；它外溢到数学、物理、化学、材料、生物——这就是AI4S；再往上，影响材料设计、蛋白质设计、超导材料和新一代芯片；再往上，催生生物制造、AI制药、量子计算、核聚变、脑机接口、具身智能等未来产业；最后，放大到生物医药、新能源、新材料、航空航天等战略性新兴产业。

AI级联放大——五个层次，两个阶段

AI4S正处于这个链条的关键位置：它将大模型的进步转化为各学科的底层创新，再由产业链逐层放大。

这个过程分为两步。第一步，从0到1，以模型为核心：AI通过AI4S的方式外溢到其他学科，完成底层科技的从0到1革新，这是中美竞争的焦点。第二步，从1到100，以价值效果为核心：将这些底层创新与中国的强势产业链相结合，实现科技创新与产业创新的融合。这是中国科技创新的长期机会所在。

AI4S在做什么？以经验力场的速度，达到量子力学的精度

AI4S研究的是原子、分子等微观粒子及其相互作用。它是数字世界和物理世界之间最重要的桥梁：以前我们只能在计算机里进行计算和设计，有了AI4S，设计结果可以变成物理世界里实实在在的原子和分子。

原子和分子之所以重要，是因为它们构成了物理世界的基础。碳原子排成平面六边形，是铅笔里的石墨；将其立起来排成三维结构，就是金刚石或钻石。碳原子加上氢、氧、氮、磷，按双螺旋排列，就是生命的基础DNA。锂、锰、钴、镍和氧按特定间距排布，就是电动车中三元锂电池的正极材料。

从元素周期表中挑选元素、组成分子，如果我们知道了分子的结构和动态，就知道了它的功能和作用。AI4S所做的，就是沿着序列（分子组成）→结构→动态→功能这条链条，去计算一个分子能做什么。

难点在于计算。传统的计算方法是分子模拟，但它面临“维度灾难”：当原子或分子数量增多，计算复杂度就会指数级上升。例如，完全从头计算（即只依据量子力学基本方程、不借助经验参数）的分子动力学模拟，计算量大致随原子数的三次方增长。

深势科技的思路是，只对部分体系进行精确的第一性原理计算，用AI学习这些精确值；下次再计算时，就不必从头计算所有的原子或分子，直接调用AI，计算量降至与原子数成正比。结果是既准确又快速：以经验力场的速度，达到量子力学的精度。这就是AI4S的核心原理。

还有一种更通俗的理解：AI是一台“猜测机器”，输出能力很强，但常常出错；Science这部分，就是用科学验证的方式，把错误的部分过滤掉，留下真正有用的部分。就是利用AI生成，利用科学来验证。

AI4S旨在用AI赋能基础科学研究。在数学领域，它可以用来严格验证数学证明；在物理领域，它能在量子力学与经典粗粒度模型之间架起桥梁，打通不同尺度的模型——物理问题一旦解决，就能精确计算能量，进而为分子设计打下基础；在此基础上，化学可以用AI设计化学分子和反应，生物可以用AI设计生物分子乃至药物，材料科学则可以用AI发现新材料。一定程度上，AI4S就是一种物理AI，或者说是微观世界的世界模型。这就是它的重要性所在。

AI制药：从工具走向产品，从概念走向现金流

AI制药进入2.0时代：上市、辅助成药、获得大额BD

过去两年半，我们看到以晶泰科技、英矽智能、剂泰科技为代表的“港股AI制药三小龙”相继上市，标志着AI制药1.0时代的头部公司已被资本市场接受。此外，两年前，AI制药最常被诟病的是“无法产出药物”。现在，证据已经足够充分：AI参与设计的药物已进入III期临床，并且卖出了高价。

• 峰瑞已投企业剂泰科技自研的MTS-004口崩片，于2025年10月宣布III期临床达到主要终点，据报道这是国内首个完成III期的AI赋能制剂新药。2026年6月，剂泰科技与Boulevard Bio就三特异性T细胞衔接器（TCE）MTS-128达成全球独家授权，总额16亿美元。2026年10月19日，剂泰科技与礼来签署11亿美元的战略合作，共同探索利用AI解锁新一代组织和细胞靶向LNP递送技术，加速药物惠及患者。
• 峰瑞已投企业晶泰科技的“AI设计-智能体调度-机器人实验验证-数据反馈-模型优化”研发范式，正被越来越多药企和材料企业采纳。2025年8月，其与美国公司DoveTree达成总额约60亿美元的管线合作；2025年11月，其全资子公司Ailux与礼来达成最高3.45亿美元的AI双抗研发合作。2026年6月，它又与一家国际知名药企就GPCR靶点口服小分子药物达成潜在总额超4亿美元的合作。2026年，它还为礼来、巴斯夫交付了自动化实验系统；9月，其自研药物KQTD-126向美国FDA提交了临床试验申请。
• 英矽智能的TNIK抑制剂用于治疗特发性肺纤维化（IPF），于2025年6月在《自然·医学》上发表了IIa期阳性结果，这是AI发现靶点加上生成式AI设计分子的代表案例。2026年9月，其在中国启动的III期临床完成了首例患者给药。英矽智能的BD（涉及复星、礼来、赛诺菲、齐鲁、施维雅、美纳尼亚等）总额已超过30亿美元加20亿港币，随着管线不断推进，里程碑付款将持续兑现。
• 华深智药（海外公司Earendil Labs）利用AI开发双特异性抗体：2025年4月将两款双抗授权给赛诺菲，总额18.45亿美元；2026年1月又与赛诺菲达成潜在总值25.6亿美元的发现合作；2026年3月完成7.87亿美元融资。其商业化表现亮眼。
• Generate：Biomedicines于2026年2月在纳斯达克上市，募资4亿美元。其利用AI深度优化的抗TSLP抗体GB-0895（治疗严重哮喘）亲和力提升约20倍，可每六个月给药一次，已进入III期。值得一提的是，从分子合成到进入III期只用了大约四年。

**因此，**AI制药确实产出了处于临床阶段的资产，而且BD交易正源源不断地为AI制药公司带来现金流。尽管上一代的成果多是在已知成药分子的基础上进行微调；但如今药企手中的模型工具，已经又向前迈进了一大步。

3条前沿模型路线，未来1-2年有望被药企规模化采用

过去一两年涌现的前沿模型，尚未被药企广泛采用。我们的判断是，未来1到2年它们将迎来规模化应用。谁能率先将这些模型进展“翻译”成药物和商业价值，谁就能抢占先机。这也是我们认为当下最有价值的信息。

技术上，有三条核心路线：

• 以David Baker为代表的蛋白质设计路线：过去5年，Baker团队的蛋白质设计已从基于物理计算全面转向基于AI设计，成功率至少提高了10倍，代表模型包括RFdiffusion、RFdiffusion3和RFD4。
• 以DeepMind为代表的AlphaFold系列：从获得诺奖的AlphaFold2，到覆盖所有生物分子的AlphaFold3，再到泛化能力更强的下一代模型，AI已从只能计算蛋白质发展到能够覆盖包括小分子在内的所有生物分子，并能预测分子间的相互作用。
• EvolutionaryScale的大模型路线：从只能进行预测，发展到能够进行设计和生成。

AlphaFold3半开源、AlphaFold 4闭源：最重要的生物基础模型开始出现“卡脖子”现象

AlphaFold系列，是将主流AI中最大的两个算法创新——Transformer和扩散模型（Diffusion）应用于生物数据。AlphaFold2依靠Transformer预测蛋白质结构；AlphaFold3则将生成结构的模块换成了扩散模块，并转变为“全原子”模型：不再区分蛋白质、多肽还是小分子，只识别原子坐标。

基于AlphaFold3，DeepMind成立了Isomorphic Labs，专门从事药物研发。2025年3月，它完成了首轮外部融资6亿美元；此前它与礼来、诺华签署了合计约30亿美元的合作。这也说明，模型本身就是生产力。

但问题也随之而来。出于商业利益考量，AlphaFold3并未像AlphaFold2那样完全开源：2024年11月，仅开源了代码，模型参数需申请且仅限非商业用途。因此，如果想与Isomorphic竞争，第一步就是复现AlphaFold3。

复现者已不在少数：包括Chai-1、MIT的Boltz-1、字节跳动的Protenix和SeedFold等。峰瑞资本天使轮领投的探序秩元（IntelliGen AI）于2026年2月发布了IntelliFold 2，在FoldBench基准上超越了AlphaFold3的主要指标，其中抗体-抗原预测成功率为58.2%，而AlphaFold3为47.9%，高出10个百分点以上。

目前，AlphaFold3已经迭代到了下一代。它并不叫AlphaFold 4，而是Isomorphic Labs于2026年2月发布的IsoDDE，并且不再开源。

IsoDDE在与训练集低相似度的测试样本上，成功率是AlphaFold3的两倍以上；在抗体-抗原高精度预测方面，是AlphaFold3的2.3倍、Boltz-2的19.8倍。更关键的是，它对亲和力的预测超过了FEP（自由能微扰），而FEP是过去几十年CADD（计算机辅助药物设计）物理计算中精度最高的方法之一。

AI又一次超越了基于第一性原理的最佳能力，而且计算成本远低于后者。我们认为，它有望颠覆小分子药物的研发范式。

RFdiffusion：用“生成图像”的方法设计蛋白质

RFdiffusion借鉴的是AI图像生成中的扩散模型：给一张图不断添加噪点，直到变成随机噪声；再从随机噪声一步步降噪，变出能被识别的图像。让AI学习加噪和降噪的过程，它就能从噪声中“画”出图像。蛋白质也一样，学会降噪，就能从噪声中生成多样的蛋白质结构，还能加入约束