AI for Science：AI走向物理世界的第一站

过去几年，人们谈论AI时，更多聚焦于聊天、编写代码、智能体以及机器人。然而，这一轮AI所蕴含的最大生产力机遇，或许并不存在于屏幕之内，而是在由原子与分子构筑的物理世界中。

AI for Science（以下简称AI4S），简而言之，就是运用AI来辅助科学研究、提升科研水平。例如，让AI学习物理、化学、生物领域的知识与规律，从而在原子、分子层面进行计算与设计，如蛋白质、药物及新材料。它是AI踏入物理世界的首个落脚点。

2024年10月，诺贝尔化学奖授予了蛋白质设计及AlphaFold2的开发者，这标志着AI4S站上了科研范式的转折点。两年后再回看，变化的速度超出了大多数人的预期：两年前，AI制药还常被质疑“无法产出药物”；而今，晶泰、英矽、剂泰已相继在港股上市，AI参与设计的药物已进入III期临床，礼来、辉瑞、GSK等跨国药企开始投入巨资绑定拥有专属模型能力的AI原生公司，抗体甚至能够通过“零样本”直接计算得出。

大模型发展放缓后，AI的决胜领域在于物理世界

中美AI竞争：能源方面中国占优，芯片领域美国领先，决胜关键在于应用

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，或称为“AI五层蛋糕”：自下而上依次为能源、芯片、基础设施、模型和应用。用这五个层面来对比中美两国：

· 能源：中国占据优势。2025年，中国的发电量约为美国的2.3倍，能源总量优势显著。

· 芯片：美国处于领先地位，中国正在追赶。在先进制程（7nm以下）上，中国与美国存在差距，但若论芯片制造产能，中国正在逐步接近。

· 基础设施：中国整体上更占优势。无论是电网、储能、变压器等硬件设施，还是互联网和AI基础设施等软件底座，中国都拥有扎实的产业根基。

· 模型：最前沿的模型仍集中在美国，但差距正在缩小，且中国在开源模型方面处于领先。

· 应用：这是中美AI竞争的关键所在。AI应用涵盖智能体、具身智能、AI4S以及AI与各行各业的结合。目前美国先行一步，编程类智能体已产生规模化收入：Anthropic的Claude Code上线半年，年化收入便达到10亿美元；Cursor的年化收入也在2025年突破了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，中国的强势产业链也为AI的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，即除资本和劳动力投入外，由技术进步带来的增长）就能更清楚地看到这一点。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，这一数字仅为约0.17%。核心原因在于，过去20年的创新主要局限于数字世界，而上一次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。

然而，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、视频以及搜索等行为）都数字化了。这正是当今大模型的数据基础。

AI无疑是本轮科技革命中最大的技术突破，甚至可以与电力相提并论。但从现有数据来看，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，或许并不在数字世界，而是在AI与生物、材料、能源的交叉领域，在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，大语言模型几乎用尽了可用的文本数据，迭代速度正在放缓。要继续前进，它需要三种新武器：

· 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、数字生物和药物发现等领域已展现出很强的产品市场契合度。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，都是下一步的关键。新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，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。英伟达超越英特尔的背后，是GPU凭借并行计算优势，在AI时代逐步取代CPU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，量子计算被寄望为下一代算力。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的能力正在向基础科学领域加速外溢。ARK Invest在《Big Ideas 2026》中将AI称为“中央发动机”，它带动机器人、储能、多组学等创新平台共同加速。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，人类花了约六十年时间，才通过实验解析出约20万个蛋白质结构；而AlphaFold数据库则在2022年提供了约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三四个月。一边是每年不到2%的进步，另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、绿色的条件下进行，其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被报道。未来，利用AI来设计代谢路径，将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。

AI4S正处在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的方式溢出到其他学科，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。碳原子排列成平面六边形，是铅笔里的石墨；将其立起来排列成三维结构，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列，就是电动车里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，计算复杂度会呈指数级上升。例如，完全从头计算（即仅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。结果是既准又快：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，将错误的部分过滤掉，留下真正有用的部分。也就是用AI生成，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。在一定程度上，AI4S就是一种物理AI，或者说是微观世界的世界模型。这正是其重要性所在。

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“做不出药”。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，总额达16亿美元。2026年10月19日，剂泰科技与礼来签署了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，以加速药物抵达患者。

· 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，正被越来越多的药企和材料企业采纳。2025年8月，其与美国公司DoveTree达成了总额约60亿美元的管线合作；2025年11月，其全资子公司Ailux与礼来达成了最高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了潜在总额超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已向美国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。英矽的BD（包括复星、礼来、赛诺菲、齐鲁、施维雅、美纳尼亚等）总额已超过30亿美元及20亿港币，随着管线的不断推进，里程碑付款将持续兑现。

· 华深智药（海外公司Earendil Labs）利用AI进行双特异性抗体研发：2025年4月，将两款双抗授权给赛诺菲，总额达18.45亿美元；2026年1月，又与赛诺菲达成了潜在总值25.6亿美元的发现合作；2026年3月，完成了7.87亿美元的融资。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（用于治疗严重哮喘），亲和力提升了约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期仅用了约四年时间。

因此，AI制药确实产出了临床阶段的资产，并且BD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，但如今药企所拥有的模型武器，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：从获得诺贝尔奖的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从只能计算蛋白质发展到能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“卡脖子”

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替换为扩散模块，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。

进行复现的团队已不在少数：包括Chai-1、MIT的Boltz-1、字节跳动的Protenix和SeedFold等。峰瑞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-抗原预测成功率达到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在2026年2月发布的IsoDDE，并且不再开源。

IsoDDE在与训练集相似度较低的测试样本上，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声，直到变成随机噪声；再从随机噪声一步步降噪，变成能被辨识的图像。让AI学习加噪和降噪的过程，它就能从噪声中“画”出图像。蛋白质也是如此，学会降噪，就能从噪声中生成多样的蛋白质结构，还能加入约束条件来引导生成。

Baker团队将结构预测模型RoseTTAFold微调成了RFdiffusion（2023年发表于《自然》）。过去，每个设计任务通常需要测试成百上千甚至更多的蛋白质，而使用RFdiffusion有时只需测试十几个蛋白质，就能找到一个命中目标。该模型已被用于针对多种靶点设计结合蛋白，部分设计达到了纳摩尔级的亲和力，并在特定优化案例中达到了皮摩尔级（数值越小结合越强，纳摩尔级通常就是能成药的水平）。

2025年9月，RFdiffusion3又向前迈进了一步：受AlphaFold