AI for Science:化学研发的超级范式
作者：微信文章摘要
Abstract
AI for Science：下一个超级应用。AI for Science（AI4S）即人工智能驱动的科学研究，2024年的英伟达GTC大会中，黄仁勋将大语言模型、具身智能、AI4S并列为AI三大关键方向。通过建立相应的AI垂类模型，AI4S可以对产品配方进行优化、研发出升级迭代的新品、对测试结果进行建模预测，为企业研发效率带来切实的大幅提升。数据和算法能在多维复杂问题中比人脑更好地抓住规律，一方面，AI4S可以由原子尺度深入化学反应的本质，并通过AI与超算结合的方式寻求合成路径、化合物结构、复配体系的最优解；另一方面，近年来快速发展的机器人“黑灯实验室”可以7×24小时高效进行海量实验，让数据迎来质与量的同步飞跃，加速训练AI模型，形成飞轮效应。
新材料是AI4S的星辰大海。在新能源、半导体显示、化工、合金材料四大新材料领域，AI4S具备巨大的应用潜力。新能源：随着晶泰科技签订五年10亿元钙钛矿订单，新能源产业开始了对AI4S如何赋能钙钛矿、固态电池等前沿赛道的加速探索；半导体显示：AI4S在光刻胶、OLED有机发光材料等迭代型产品方面应用潜力巨大；化工：传统化工市场巨大，不乏有子行业面临同质化竞争，亟需研发变革，而AI4S在配方优化、过程优化、新材料迭代、自动化等领域有望全方位给化工赋能；合金材料：组合可能性极丰富，AI4S可以从微观出发提供全新的思路，助力寻找下一代超级合金；在生物医药领域，曾困扰业界50年的蛋白质折叠问题因AlphaFold而取得了巨大突破，晶泰将辉瑞新冠药上市时间缩短六个月亦是标志性案例，AI for生物医药已经迎来加速渗透的“甜蜜点”。
商业化多级跳，AI for Science远期拥抱万亿蓝海。受AI技术的发展驱动，AI4S也从早期的“科学辅助”跨越到了“范式革命”的新阶段。而DeepSeek的问世令企业可以本地化部署DeepSeek私域模型，解决了算力瓶颈，促使AI4S企业专注于能提供深度与经验的垂类模型的搭建。远期，AI4S的空间能有多大？根据深势科技创始人：AI4S有望成长为千亿美金的巨大市场。在化工、医药、新能源、合金、显示、半导体六大领域中，AI4S合计可覆盖的下游市场规模接近11万亿美元。当研发渗透率达到2.5%时，AI4S行业的规模约149亿美元，若渗透率能提升至25%，则AI4S将成长为年产值突破1400亿美元（近万亿人民币）的巨大市场。
我国拥有诞生AI for Science巨头最好的土壤。根据深度原理创始人：“在美国去工业化的背景下，材料化学领域的中国企业，正积极从生产转向研发，故AI for Science在中国的落地机遇更为丰富”。我们观察到，在AI4S先行者中，不乏有晶泰科技、深度原理等海归派（均孵化自美国MIT），在美国创新药产业发达的情况下毅然决定回国拥抱更大的材料市场。我国拥有最齐全的化学制造业门类、最完备的产业链。我们认为，未来的AI4S全球龙头有望率先诞生在中国。
投资建议：重视立足医药基本盘正在进军新材料的AI4S龙头晶泰控股，以及携手中科大孵化企业正进军AI4S的行业新锐志特新材。
风险提示：技术路线渗透不及预期，下游盈利不及预期，计算存在误差。
目录
Content
1. 什么是AI for Science？
1.1. AI for Science是化学研发的超级范式
1.2. 远景：从超算跨越至量子计算
2. AI for Science蕴藏着巨大的应用潜力
2.1. 新材料：AI for Science的星辰大海
2.1.1. 新能源：AI4S正在探索固态电池、钙钛矿等前沿领域的性能边界
2.1.2. 半导体、新型显示：行业高频迭代，AI4S助力迭代加速
2.1.3. 合金材料：AI4S正在改写研究范式
2.1.4. 化工：市场巨大、传统领域亟需变革，AI4S大有可为
2.2. 生物医药：AI4S或已进入加速渗透的“甜蜜点”
3. 商业化多级跳，AI for Science远期拥抱万亿蓝海
3.1. AI进化史即AI for Science的发展史
3.2. Deepseek解决算力瓶颈，AI4S再加速
3.3. AI for Science的远期空间有多大？
4. 我国拥有诞生AI for Science巨头最好的土壤
4.1. 晶泰控股（2228.HK）：全球AI4S标杆企业
4.2. 中科大孵化：机数量子、微观纪元
4.2.1. 机数量子：AI+机器人实验驱动新材料研发
4.2.2. 微观纪元：量子计算驱动的AI4S材料研发软件商
5. 风险提示
什么是AI for Science？
1.1. AI for Science是化学研发的超级范式
AI for Science（AI4S）即人工智能驱动的科学研究，2024年的英伟达GTC大会中，黄仁勋将大语言模型、具身智能、AI4S并列为AI三大关键方向。通过建立相应的AI垂类模型，AI4S可以对产品配方进行优化、研发出升级迭代的新品、对测试结果进行建模预测，为企业带来研发效率切实的大幅提升。
AI for Science能为化学研发做什么？以材料为例：传统的材料研发模式近乎“炼金术”，而AI能够在“读-算-做”各环节全面赋能材料研发。1）读：AI的文献阅读速度显著快于人类。通过阅读文献，AI可以识别现有论文大纲中的分子式、图片、表格等多模态数据，总结已有研究并生成新的研究思路；2）算：各种垂类模型为AI提供了进行科学分析的工具，AI可以从设计仿真、表征测试、优化制备工艺等方式实现提速增效；3）做：再与自动化流程衔接后，AI可以指导机器人自动完成试验过程，调用预训练模型分析所获得的大量真实数据，不断重复“Design-Build-Test-Learn”的闭环过程，就能得到最终优化后的产品解决方案。
数据和算法能在多维复杂问题中比人脑更好地抓住规律。在问题维度少的时候，人脑相对容易找到规律。然而对于多维复杂问题而言，数据和算法往往能够相比人脑更好地抓住规律。同时在原理层面，AI建模可以由原子尺度深入到化学反应的本质，从而全方位地赋能化学研发。此外，AI算法的核心之一是对工具的运用能力，目前已有的工具箱已经足够丰富，因此更为核心的是知道在什么场景下去选择运用哪种工具来解决问题的能力。
将AI算法应用于科研领域时，还必须借助强大算力硬件、多尺度理论模型的帮助，进而提升速度、改善精度。
多尺度建模——提高精度：在材料研发领域，科学家需要解决从亚原子到宏观物体、从飞秒级运动到小时级生物过程等各时空尺度下的复杂问题，需要在各个尺度上进行建模。量子力学第一性原理能够在最小尺度上精确模拟物质，AI4S可以从第一性原理出发（一般深入到原子、电子尺度）进行运算，确保精度。此外，AI4S也能够综合利用分子动力学、计算流体力学等更宏观尺度下的模型，跨尺度研究，规避单尺度的局限性。
超级计算——提升速度：过去，在第一性原理精度下模拟具有 1亿个原子的体系需要用时60年，但超算时代，用时可缩短至仅1天。2023年底，GNoME（谷歌DeepMind的材料研发模型）准确预测了一系列稳定的晶体结构，并从中生成了220万种材料，但如果凭借人力计算出这些材料，需要花费800年。
AI模型的训练离不开数据的积累，近年来快速发展的机器人自动化实验能让数据迎来“质”与“量”的同步飞跃，促使AI模型加速进化。高质量数据如同大语言模型的“语料”，是AI4S的金矿山。传统科学实验过程中的数据（尤其错误的数据）往往不会被很完整地记录下来，造成化学领域数据的缺失，因此需要通过AI4S结合自动化的方式积累用于训练垂类模型的数据。AI4S企业的数据来源有干实验、湿实验两种，前者是数字化建模、提供用于虚拟筛选的数据，而7×24小时不间断运行的机器人直接参与湿实验，自动化完成投料、合成、稀释、过滤和液质分析等系列过程，同时提升数据的规模和标准化程度，最终反哺给模型学习迭代，形成量变到质变的数据飞轮效应。
沉淀了模块和系统能力的软件架构是实现“黑灯实验室”的关键，例如，晶泰通过智能调度系统远程可以操控百台规模自动化工站和AGV小车，相比传统方式效率大幅提升。
AI4S大体上具备两类商业模式：1）依托数据库与技术平台，担任“卖铲人”角色。业内已经涌现出一批以AI4S为核心的企业，这些企业既可以为客户定制用于全新细分领域的AI垂类模型，赋能特定管线，又可以将反复淬炼后得到的AI垂类模型、平台工具授权给客户使用，平台化发展。举例而言，前者如晶泰控股为辉瑞新冠特效药确定稳定晶型，后者如深势科技开发的“材料智能设计”科研软件SimpFine，能够广泛应用到电池原材料配方设计、溶液性能调优、合金材料成分设计、陶瓷工艺性能设计等多个领域；2）通过AI+自动化的研发范式独立或与生产企业联合研发出“AI新材料”，产业化后销售盈利。时至今日，我们观察到已经有企业能借助算法研发出高度定制化的新材料，未来其中不乏能诞生出商业化前景巨大的超级“AI新材料”。
1.2. 远景：从超算跨越至量子计算
量子计算具备颠覆现有算力格局的潜力。据新华社，我国“九章三号”量子计算原型机求解特定数学问题只需要百万分之一秒，比超算快一亿亿倍，这种速度的差异核心在于两者并行计算的逻辑大相径庭。如果说超算是通过多核协作拆分任务的线性提速（如千万级CPU/GPU并行处理），量子计算则是借助量子叠加态和纠缠态实现的指数级并行（n个量子比特可同时处理2ⁿ种状态）。也即传统计算机只能依次尝试推开每扇门寻找出口，而量子技术如同施展了分身术——同时推开所有门寻找出口。依靠于“既在此处又在彼处”的量子叠加特性，量子计算在处理复杂组合问题时如鱼得水，运算速度爆炸式提升。
量子计算特别适合求解药物研发、分子模拟等具有“组合爆炸”特性的复杂优化问题。例如在药物研发领域，完整描述一个药物与其目标相互作用涉及数千个原子。自由能计算需要数十亿个单点计算，超算模拟分子相互作用时，需逐个验证数以亿计的原子排列组合，而量子计算机能利用量子叠加态同步生成所有可能的分子构象，直接锁定有效药物结构，避免算力和计算时间的指数性增长，有望开启药物、材料研发的新纪元。
未来，AI与量子计算的深度结合有望极大拓展AI4S的能力边界。现阶段，AI4S主要由AI与超算结合实现，而AI与量子计算的结合能够加速在混沌中开辟精准推演通道的进程。在实践方面，我国企业微观纪元已与阿法纳生物合作开发了国内首个基于量子计算和生物医药的药物设计平台MiQro RNA，该平台凝聚了经典算法和量子计算的强大力量，将AI技术与量子化学技术完美结合，提供了一个超越传统的设计平台，此平台的发布不仅意味着量子计算在实际应用中的重大里程碑，也同样预示着未来mRNA药物研发领域的跨越式发展。
AI for Science蕴藏着巨大的应用潜力
物质科学与生命科学是AI4S的两大主战场，开发材料与新药是最典型的应用场景。曾困扰科学家50年之久的蛋白质折叠问题就是典型的高维问题，该难题因AlphaFold的出现而取得了巨大突破。这是因为在目标函数明确、数据量足够的前提下，AI学习与高性能计算的结合能够以从头计算的精度来模拟数亿个原子的系统，模拟精度提升5个数量级，特别适合解决蛋白质折叠等传统物理计算失效的多维场景。不局限于蛋白质，生命科学和物质科学领域多维问题层出不穷，而材料和药物的开发正是典型的多维问题。
2.1. 新材料：AI for Science的星辰大海
材料研发的重点在于对“构效关系”的研究。不同服役环境下的材料开发过程涉及到“组分-结构-工艺-性能”多个环节，实际的研究工作非常复杂，研究时需要对材料和环境的物理、化学及力学性质进行耦合建模，例如需要求解热、力、电、辐照同时作用于固体、液体混合体系后的影响等复杂问题。针对于此，材料的研发需要采用不同尺度的模拟方法，对被研究对象的物理性质、化学性质、生物性质做分析，并用实验配合计算，以缩小材料创新的搜索空间，加速材料创新进程，尤其适合用AI智算来解决。
2.1.1. 新能源：AI4S正在探索固态电池、钙钛矿等前沿领域的性能边界
AI正加速钙钛矿、超分子、锂离子电池、正极材料、碳硅材料等材料的研发。新材料的研发多属于高维非线性优化问题，AI4S这一新研究范式可以凭借统一数据建模框架、跨尺度仿真能力和自主实验平台加速材料研发，推动材料科学进入“智能设计”时代。
AI革新钙钛矿电池开发。钙钛矿材料具有优异的载流子扩散性能、易于溶液加工等优势，有望成为下一代主流太阳能电池技术。AI4S可以从钙钛矿制备工艺优化、表征数据分析和钝化层材料筛选等多方面做出贡献。举例而言，传统钙钛矿材料光谱表征数据分析过程冗长，而AI深度迁移学习在学习大量理论模拟数据后，仅仅需要少量实验数据二次训练，就可以准确地从反射/透射光谱中获得薄膜厚度，大幅减少数据分析所用的时间。2024年8月，晶泰科技与协鑫集团签署了为期5年的战略研发合作协议，为其提供钙钛矿等领域的新能源材料研发服务。
AI正在颠覆电池材料研发。以电解液配方的开发为例。深势科技具备百万级电解液配方筛选与分子设计能力，基于其开发的Uin-ELF电解液配方设计模型以及高精度分子动力学方法，其可对电解液分子和配方物性进行高通量高精度的快速预测，实现配方的设计和筛选，最终令性质预测精度高达95%，配方设计研发周期缩短至原用时的1/3。
再以固态电池开发为例，全固态电池研发的一大难题是如何开发出稳定的电化学材料体系。受困于此，日本丰田在固态电池领域拥有全球最多的专利，过去30多年里尝试了数万种应用于电池的电解质，但至今未能实现量产。而AI可分析各类材料组合的稳定性和导电性，缩短传统实验中逐一验证的时间成本。举例而言，中科院物理所、字节跳动在共同开发新型硫化物固态电解质时都引入了AI4S的力量，借助基于深度学习的分子动力学方法DeePMD来模拟电解质的结构优化和离子迁移，研究团队令模拟时间从几十皮秒级别扩展到几十纳秒量级，模拟系统中的原子数也从几百个提高到几千个，通过减少重复性验证工作及加快相应工作速度，为企业省下巨量的时间和资源成本。
2.1.2. 半导体、新型显示：行业高频迭代，AI4S助力迭代加速
在光电领域，AI可以通过结合分子设计和构效关系模型，构建百万级化合物库，实现高通量筛选，更准确地预测材料或器件的光电性能，在光刻胶、OLED蓝光材料等难度最突出的领域做出贡献。
AI能够全面赋能半导体材料与器件的开发：在材料领域，光刻胶的开发无疑属“皇冠上的明珠”。而PAG光酸是光刻胶生产时必不可少的关键组分。据IBM，传统开发流程中发现新分子可能需要长达十年的时间，生成式 AI 可以在5 小时内完成 2000 个潜在PAG的建模工作，确定有前途的候选分子后，再结合自动化化学反应器系统合成。得益于此，IBM团队利用AI 在一年内合成了三种新型 PAG 候选药物，显著减少了时间和成本。在器件领域，名古屋大学开发出了可以预测长晶炉内部碳化硅单晶生长状态的AI可视化系统，便于调控合成参数，能够将大尺寸SiC晶体开发周期缩至原时长的1/10至1/100，并且将结晶缺陷数量降至原来百分之一，提高了碳化硅衬底的成品率。
OLED发光材料国产化程度低，尤其蓝光材料难度更上一层。OLED 终端材料具有较高的技术及专利壁垒，分子式结构复杂，且纯度要求6-8N。OLED 终端材料主要被日本、欧美企业垄断。其中蓝色材料由于激发能量较高，目前主要采用一代荧光技术，由日本出光兴产垄断，其专利端相较红色、绿色材料具有更严格的限制。
AI推助OLED材料迭代开发。传统Oled方法依赖于实验和量子化学模拟，但在分子空间探索上存在限制。AI可以通过主动学习算法生成分子结构、预测物质属性与合成方案。2024年，三星研究团队发表《A Novel OLED Material Discovery based on AI Technology》文章中提及，该团队采用生成对抗网络和变分自动编码器等人工智能技术来设计分子结构，成功设计了新型的蓝色TADF（热活化延迟荧光）材料，将材料的使用寿命提升了20%。此外，全球OLED材料领军企业UDC公司也表示其具备独有AI模型，用于加速磷光OLED的研发工作。事实上，UDC在全球掺杂及磷光领域占据绝对份额，已发布和在申请的专利超6000项，在蓝色磷光等产品体系布下层层专利封锁，与AI的结合是UDC在OLED材料领域久居霸主的关键支柱之一。
2.1.3. 合金材料：AI4S正在改写研究范式
金属新材料市场空间广阔，高端合金国产化率低。高端合金是重要的工业新材料，下游广泛应用于航空航天、军工、新能源汽车、消费电子等领域，市场需求巨大。根据2023年1-9月数据，金属材料产值占中国新材料行业比重约20%。而我国高端合金国产化率不足，根据创材深造创始人，我国钢铁产能全球占比超50%，但高附加值特种钢材产能占比不足5%，例如高温合金等品类进口率达50%。
AI4S在合金材料研发中具有应用的必要性。合金研究的主要关注点是“成分+加工工艺”，目标是“强度、塑性、抗蠕变性能”等材料的真实服役性能。AI4S可以从微观出发，提供全新解决方案与思路。理论上，研发高性能合金材料需要在数百万种可能的成分中确定左右性能组合的配方，AI4S在具备一定前期研发数据的基础上将会非常适用。通过AI技术的引入，一方面可以解决高熵合金等复杂配比产品研发问题，另一方面可以大大减少研发时间、降低研发成本：
赋能高熵合金的研发：高熵合金通常是5种或以上的金属形成的合金材料，每种元素的原子百分比在5-35%之间，配比复杂；而传统领域90%为低熵合金，单一元素占比高达80-90%。在高熵合金中，基于难熔过渡元素的难熔高熵合金（RHEAS）具有更高的硬度、强度、耐腐蚀性、高温抗力，高端领域应用潜力大。但难熔元素（如Ta、W和Mo）对于密度的增加在应用端形成了限制，一种解决方法就是引入低密度元素（如T、Al、V和Zr）来替代高密度元素。若使用传统方法探索，需要很多科学家积累几代人的经验才勉强能提炼出比较有限的物理模型，但是采用AI4S方法，可以建立“成分-结构-性能”之间的定量关系，通过数据融合处理、选择特征工程、训练模型学习数据集背后的规则并应用力学性能进行预测，筛选合金的相结构、密度、熔点、硬度和耐腐蚀性，从而得到所需的高熵合金。
提升合金研发速度、降低研发成本：高端合金材料的行业特点为研发时间极长、验证周期极短，研发时间极长：传统方法需要大量的试验和经验积累，耗费时间和资源，研发周期可达几十年，海外高端合金公司不乏起源于一战、二战的老企业，技术积累经历百年技术沉淀；验证周期极短：一旦金属材料性能达标则可以快速进入生产销售阶段。QuesTek是美国AI+金属龙头厂商，其Materials by Design®平台以高通量材料计算为核心，集成了从微观到宏观的多尺度计算工具，集成接入热力学计算、动力学计算、宏观有限元软件以及性能预测模型，面向航空航天、石油天然气、生物医药等行业，开发了一系列前所未有的合金、涂层以及其他材料，相比传统“试错法”，新材料研发周期缩短50%，成本降低70%，产品涉及高强钢、铝合金、涂层、高温合金以及新兴的高熵合金。
2.1.4. 化工：市场巨大、传统领域亟需变革，AI4S大有可为
化工材料的研发是AI可以大放异彩的领域。在化工材料领域，从单体合成到聚合物调控，再到复配体系筛选，AI都可以参与其中，大大加速化工材料行业的产品开发速度。
有机合成化学品（如农药、医药中间体、染料、催化剂等）：AI长处可以充分施展的领域。代表性产品包括农药、医药中间体、染料、有机颜料、催化剂、食品添加剂、合成香料等。究其原因，这些行业多涉及复杂分子设计和多步骤反应，AI既可以通过逆合成规划与应可行性预测筛选最优合成路径，也可以驱动自动化平台完成高效实验、对实验数据做分析，提升产物良率与选择性。以催化剂为例，所有工业制品中超过 80％都涉及催化剂。然而，现有催化剂面临着反应过程中动态微观结构演变不清晰、反应路径不明确、催化剂数据库缺失、全流程“炒菜试错”现象严重等问题，极大制约了催化剂的发展。AI4S能够揭示活性位点、表面吸脱附反应过程，深入理解催化剂构效关系等本质原理。例如，深势科技采用了基于机器学习分子动力学模拟与自由能计算的方法，发现纳米团簇的表面会出现预熔化现象，从而导致催化活性随温度呈现非线性变化，为纳米催化剂的设计与优化提供全新的思路。
聚合物（如塑料、弹性体）：AI驱动产业研发朝精细化持续深化。由于单体序列、分子量分布、交联程度等参数的复杂性，聚合物性能调控难度显著高于单一分子中间体，典型产品包括高性能工程塑料、柔性电子器件所需的介电材料、分离膜等功能材料。AI能够融合物理模型与深度学习，预测聚合物断裂行为、密度等复杂特性，突破人工试错法的局限性。举例而言，荷兰创新研究中心TNO正在借助AI加快可生物降解塑料的研发。传统上，开发一种新塑料，通常需要20-30年的时间。但利用可并行处理数千次计算的强大的算法，TNO子公司的速度比市场上领先的规划软件快1000倍，现已获得了160万欧元的投资，并已与纺织品制造商Senbis合作，利用生物降解聚酯制造纺织纤维，迈向商业化进程。
复配体系（如涂料、胶粘剂）：AI可充分发挥专长的舒适区。很多化工材料行业的专业壁垒高度依赖于know-how（可以理解为配方与经验），典型行业如涂料、油墨、胶黏剂等，都依靠复杂助剂、溶剂、添加剂复配体系实现特定功能。以涂料为例，作为具有树脂、溶剂、颜填料、助剂四大类共数千种原材料的行业，涂料的产品配方排列组合极其丰富，尤其适合用AI进行优化。多年来，KCC基于对液态涂料颜色和相关涂料涂装后干膜彩色数据的丰富积累和对其相互关系的深度研究，设计了大数据库。以此为基础，KCC开发出可以预测目标颜色的算法和利用AI技术的目标颜色匹配功能，构筑了即使不实际涂装涂料也能预测颜色并调色的生产-调色工程平台。
2.2. 生物医药：AI4S或已进入加速渗透的“甜蜜点”
AI与医药领域的结合能够大幅加速药物开发的进程。关于创新药研发，业内一直流传着三“十”定律，即研发需要“十万个化合物，十亿美金，十年时间”。自1950年以来，每10亿美元研发投入所产出的获批新药数量几乎每9年减少一半。药物研发的成功率低，主要来自于靶标与疾病的关系探索难度大，靶标成药难度高，和药物分子的开发难度大等几个方面。AI4S 带来的一系列高效高精度的计算工具，有望将单个药物和材料研发所需的湿实验降低至现在的百分之一。
AI制药对大分子药物、小分子药物的开发都有明显增益。小分子药物主要是指化学合成药物，结构简单，易于制造、成本低，由苯环、羧基和乙酰基等组成的阿司匹林就是典型的小分子药物；抗体、蛋白质、核酸、多糖等大分子药物又称为生物制品，主要是通过基因工程、细胞工程、蛋白质工程等生物技术生产，以注射或输液等方式给药，往往通过与特定细胞表面受体结合或者调节免疫系统来发挥作用。2024年5月，AlphaFold3横空出世，成为第一个在生物分子结构预测方面超越基于物理学工具的AI系统，能以前所未有的准确度预测包括蛋白、多肽、核酸等所有生命分子的结构和相互作用，在全原子尺度去学习生物分子间的相互作用，小分子、大分子药物开发的能力极大提升。
具体而言，AI在小分子领域的应用已经相对成熟，而大分子领域数据量更大，为生物大分子设计带来了巨大的机会：
小分子药物发现
AI在小分子药物发现领域的应用非常广泛，在蛋白质结构解析与可药性位点确证、候选化合物的发现与优化、临床前验证等各环节都有丰富实践。以药物晶型确认环节为例，相同的药物分子会因其晶型不同而具有不同的理化性质，最终又会影响到药效、给药形式和计量。目前晶泰科技整合了晶型搜索算法、XForce Field小分子通用力场，量子动力学计算与晶体自由能计算等技术来预测晶型热力学的相对稳定性。凭借着强大的计算预测能力，晶泰科技显著缩短了抗新冠病毒药物Paxlovid研发时间（2022年销售额189亿美元），仅用6周时间就完成了药物优势晶型确认工作，加速药物上市6个月。
大分子药物研发
在基因治疗领域，大分子药物正在多点突破。通过将外源基因导入靶细胞或组织，替代､补偿､阻断､修正特定基因，基因药物在治疗遗传病、癌症、糖尿病，预防传染病等方面正不断取得突破性进展，具体可以分为基于DNA、基于RNA两类。以DNA类药物为例， CAR-T离体基因治疗是这种疗法的典型手段，但传统的CAR-T细胞存在复发率较高等问题。CAR 分子的胞外结构域中识别抗原的单链抗体片段十分重要，AI可被应用于学习抗体片段规律，对抗体亲和力或人源化性质进行预测推荐。在商业化领域，我国企业莱芒生物的核心产品CD19 CAR-T疗法（Meta10-19注射液）在临床中以极低给药剂量（仅传统疗法1%）实现了肿瘤细胞的完全清除。此前，莱芒生物与晶泰科技合作开发了AI超级因子研发平台MetaAI-10，携手加速新型肿瘤免疫治疗药物研发。
当前用AI开发生物大分子药物有三大前沿模型，已吸引大药企签下数十亿美元订单。1）RF diffusion：通过逐步降噪的方式来设计蛋白质。由于扩散过程的每一步都可逆，所以只要“步子”足够小，就可以从简单的分布倒着推断出最初复杂的分布，荣获2024年诺奖。2）ESM3：直接用多模态的生成大模型“暴力”地进行计算，ESM3的训练数据集非常庞大，token总数达到7710亿。通过语言建模对蛋白质三大基本属性序列、结构和功能建模。团队成功模拟了一种自然界中不存在的蛋白质的进化过程，该过程在自然界中需要5亿年才可完成；3）DeepMind团队的AlphaFold3：输入蛋白的序列和小分子的SMILES文件后，模型可以在几秒的时间里给出共折叠的结构。2024年初，Isomorphic Labs（DeepMind孵化的以制药为目标的新公司）宣布与礼来和诺华签署了两笔总价值近30亿美元的大额订单。
AI4S+合成生物学：开启万物合成新范式。人类对于生物机制的全貌仍不了解，只能通过对黑盒的干扰-观察的方式来对这个复杂的编码调控系统进行学习。而合成生物学正是探测黑盒的工具，即通过工程化修改和重设计生物（通常是微生物）而使其产生新功能，而 AI 恰好可以通过以巨大参数空间对复杂系统的输入和输出进行拟合的方式，战略性地设计探测实验，从而加速对生物系统的了解与应用。
AI+抗生素筛选、合成：1）2023年12月，麻省理工学院 James Collins 教授团队在Nature上发表最新研究成果，该团队研究利用人工智能从超过1200万种化合物中识别出一种革命性的新型抗生素类型，可以杀死临床上常见的超级细菌 MRSA，是近60年以来的第一类可用于对抗MRSA的新型抗生素，凸显了AI在对抗抗生素耐药性方面的巨大潜力。2）在商业界，AI助力抗生素的研发生产也正在进行中，据川宁生物，其聚焦于硫氰酸红霉素的生产研发，利用合作对象金珵科技提供的AI模型做出分析和智能化改进方案，关键酶的构建、酶的活性和研发效率上均有明显提升。
医美日化领域：作为功效护肤领域的“主角”之一，多肽类原料一直以来都是化妆品行业绕不开的研究热点。近两年，有赖于合成生物学、AI技术等多学科、多领域的突破和发展，创新结构、更精准的作用靶点或功效正成为肽类原料的新突破方向。
AI加速了个护企业在新型多肽产品领域的推新节奏。Bota Bio恩和生物旗下个护子公司青然新护推出了两款利用AI技术精准筛选而来的可持续蛋白肽——璞生燕麦肽、璞生小果咖啡肽。这两款可持续蛋白肽均来源于含有丰富植物蛋白资源的植物废渣中，由AI技术从分子模拟、多肽预测到序列对比、生产模式演算的原料研发全过程筛选而来，能够精准指导可持续植物蛋白循环新生，符合当下的可持续发展理念。体内实验和临床试验结果表明，2%璞生燕麦肽可将水离子通道蛋白AQP3的表达量提高22%，有效焕活水润通道，并可实现24h长效保湿。2%璞生小果咖啡肽香波则可明显减少发束面积差值，即显著改善发束毛躁度，同时还可有效舒缓头皮不适。
商业化多级跳，AI for Science
远期拥抱万亿蓝海
3.1. AI进化史即AI for Science的发展史
早期的AI工具较为落后，一系列关键工具的出现使得AI实现了从“单一解题”到“通用智能”的跨越。进程中，AI技术的底层逻辑也发生转变，从依赖规则编程的“做题”模式，转变为基于数据驱动的端到端学习模式。AI的进化史，本质是能力泛化的历史——从解决特定问题（如棋类游戏）到预测、生成、推理等多模态任务的全面覆盖：
2012年，基于深度卷积神经网络（CNN）模型AlexNet模型在ImageNet图像分类比赛中大幅领先传统方法，AI开始突破传统算法的局限；
2015年开始，TensorFlow、PyTorch等框架的诞生标志着行业实现里程碑式突破，开源框架兴起，推动行业进入技术基础设施建设期。
2017年，Transformer架构通过自注意力机制统一了自然语言处理的范式，成为GPT、AlphaFold等模型的共同骨架。
2018年，预训练模型（如BERT）的出现让AI具备跨任务迁移能力；
2020年，GPT-3的发布则开启了通用智能的序幕，其1750亿参数的规模展示了语言理解和生成的新高度。至2023年，GPT-4和视觉模型Stable Diffusion进一步模糊了生成式AI与人类创造力的边界，AI从解题工具逐步进化为全能助手。
受AI技术的发展驱动，AI4S也从早期的“科学辅助”跨越到了“范式革命”的新阶段。AI4S最早远远达不到全能王的水平，其发展阶段可概括为三阶段，分别是：1.0模仿阶段，指基于实验数据的外推（如虚拟药物筛选）；2.0预测阶段是指建立有边界的可验证模型（如分子动力学模拟）；3.0搜索阶段功能尤其强大，已经可以实现自主设计最优解，可以完成材料组分智能生成等科研工作。回顾AI4S的发展历史，几大专业领域核心工具的协同演进是AI4S突破式发展的关键：
我们认为，当前我们已经迈入了AI4S商业化落地的关键转折年：
2016年是AI4S的起点：芝加哥大学许锦波团队尝试用深度神经网络预测蛋白质结构，普林斯顿大学鄂维南团队则开发深度学习分子势能模型（Deep Potential）。这一阶的AI4S尚处于概念导入期，科学家主导的探索以单点突破为主，AlphaFold初代模型的诞生是标志性事件。
2020年成为AI4S的关键转折点：AlphaFold2在CASP14竞赛中以原子级精度预测蛋白质结构，标志着AI4S正式进入基础设施建设期。这一阶段，工具的开源化（如AlphaFold2代码公开）和平台化加速了科学研究的效率，AI从“辅助实验”升级为“替代传统模拟方法”。
如今，AI4S的基础设施逐渐完善，开始进入商业化应用的关键年：AlphaFold3扩展至蛋白质-配体相互作用预测，开启药物设计新范式。2025年，AI4S基础设施逐渐成熟，进入以工程师为主导的应用期，AI开始系统性解决材料设计、药物研发等领域的核心问题。
3.2. Deepseek解决算力瓶颈，AI4S再加速
DeepSeek问世后，AI4S垂类模型开发企业可以本地化部署私域模型。DeepSeek通过强化学习技术实现了推理能力的全方位跃升，尤其在STEM领域展现出显著优势，其的推理能力已在多个国际权威基准测试中展现出与全球顶尖闭源模型并驾齐驱的实力。例如，在数学推理领域，DeepSeek-R1模型在MATH-500测试中达到97.3%的准确率，与 OpenAI-01-1217 表现相当，并显著优于其他模型。更为关键的是，Deepseek的推理API成本优势极其凸显，以DeepSeek-Chat3为例，其输入和输出定价分别为每百万tokens 2元和8元，而OpenAI GPT-4o输入/输出定价分别为2.5美元和10美元/百万tokens）。Deepseek堪称“普惠式”定价，使中小企业能以极低成本享受顶尖AI能力。
Deepseek可以从“读”、“算”两方面赋能AI4S企业。1）读： AI在文献阅读环节再次提速。而根据美国国家科学基金会，科研人员花费在查找和消化科技资料上的时间，需占去全部科研时间的 51%。在此基础上，AI4S企业可以将所有文献、实验数据等整合为知识库，通过结构化查询与智能算法对比分析，实现自动给出最佳合成化学路径等前序工作。2）算：此前，AI4S企业面临着算力成本高、数据不足、模型泛化能力不足等问题。而DeepSeek的MoE架构通过动态激活参数技术，实现了参数利用率与计算成本的革命性优化，采用3D并行等训练策略，671B参数量的大模型训练所需算力降低至原1/10。且DeepSeek将模型权重与工具链（如迁移学习框架）全面开源，企业可基于Hugging Face平台快速定制垂类模型。在以算法密度替代算力堆砌的新时代下，AI4S企业迎来了加速深挖自身垂类模型护城河的新时代。
可以预见，在不久的将来，具有垂类模型积累（数量、领域）、掌握高质量数据、具有二次开发能力的企业，将在算力平权时代更快速地诞生新成果。
3.3. AI for Science的远期空间有多大？
据深势科技创始人，AI4S未来有望成长为千亿美金的巨大市场。得益于底层数理方程和基本科学规律的强通用性，我们认为未来AI4S能够在物质科学、生命科学两大领域开拓出全新的巨大市场。我们认为AI4S市场规模取决于各个下游领域头部企业的研发支出规模，以及AI导入研发的渗透率。在此基础上进行测算，测算过程如下：
1）市场规模：我们对化工、医药、新能源、合金、显示、半导体六大领域做出了测算，其中化工、医药、新能源市场规模最为庞大，分别为5.8万亿、1.6万亿、2.3万亿美元，合金、半导体、显示市场也不容小觑，AI4S合计可覆盖的下游市场规模近11万亿美元。
2）AI4S领域的定价模式或为头部下游企业以研发支出形式实现付款。例如，在晶泰科技与协鑫集团签署的5年期战略合作协议中，协鑫将向晶泰科技支付约1.35亿美元用于研发费用，深势科技的直接服务对象为宁德时代而非锂电材料企业。因此，我们以中信分类下各行业内企业2023年研发支出占总收入的中位数作为计算依据。
3）我们计算了在AI渗透率分别为1%、2.5%、10%、25%的不同情况下，AI4S的合计市场规模。结果表明，在渗透率达到2.5%时，AI4S行业的规模约149亿美元（近千亿人民币），若未来该比重提升至25%，则AI4S将成长为年产值突破1400亿美元（近万亿人民币）的庞大蓝海。
事实上，AI渗透率的提升是锐不可当的大趋势。以医药行业为例，据《2024年中国医疗大健康产业发展白皮书》，AI在医药行业的渗透率将飞速提升，在AI医学影像领域已有超60个三类证产品获批上市，预期行业渗透率将由2020年的0.7%上升至2030年的41.3%。目前，AI在制药行业还没有达到普及阶段，全球处于临床阶段且保持活跃状态的AI参与研发的管线总计97项，大部分AI药物研发项目处于临床早期阶段，而进入临床三期的药物占比仅有6.2%，未来AI在医药领域的应用市场空间还将持续拓展。
我国拥有诞生AI for Science
巨头最好的土壤
与医药不同，全球材料科学下游化工业主要聚集在中国，同时中国材料科学科研实力也在加速崛起。根据中国化信咨询，2022年我国化学品产值已占全球45%。我国拥有最齐全的化学制造业门类、最完备的产业链，有望孵化出引领全球的AI for Science巨头。在AI4S先行者中，不乏有晶泰科技、深度原理等海归派（均孵化自MIT），在美国（特别是波士顿地区）医药产业发达的情况下毅然决定回国拥抱更大的材料市场，具有重要启示。引用深度原理创始人兼CEO贾皓钧观点：“在美国去工业化的背景下，材料化学领域的中国企业，正积极从生产转向研发，故 AI for Science 在中国的落地机遇更为丰富”。科研实力方面，中国材料科学也处在加速崛起中。根据Nature Index最新数据，2023年中国材料科学科研产出指数达到10597.4，全球份额占比超50%。
中国是全球第一大制造业国家，根据高盛最新数据，2023年中国光伏、锂电池、新能源车、功率半导体、钢铁供给占全球分别为86%、81%、66%、29%、54%。产业高度集中之于AI4S主要有以下显著意义：
快速积累数据：近产业者得数据，高质量的数据是训练AI垂类模型的必备素材，中国化学制造企业数目繁多，有利于AI4S企业快速积累数据；
快速融合产业：本质上，AI4S为跨学科领域，其产业的发展需要AI4S企业与不同细分领域生产企业的“双向奔赴”。由于过去AI4S在医药以外大部分细分领域尚未有过示范项目，因此“产、研”双方的对接以及对于互相能力圈的理解将成为促成合作的重要要素。在中国，AI4S企业在与不同化学制造门类、产业链环节企业交流探讨方面具有更大的便利；
示范效应：中国制造业容量大、密集程度高，过去产业对于AI4S范式革新趋势持观望态度。随着各个细分领域出现“第一个吃螃蟹”的玩家，更多的企业有望加速拥抱产业趋势，使得AI4S范式在中国各材料领域迎来“多米诺式”扩散。
我国AI4S势力强势崛起，领跑全球。AI4S材料制造底层科学原理具有统一性，受益于DeepSeek等国产大模型的渗透，跨行业知识学习变得高效且低成本，使得AI材料企业具备横向扩张的可能性。我们对全球AI4S生态进行梳理：海外聚焦AI4S的厂商主要包括薛定谔、Recursion、Isomorphic Labs等；国内方面，近年来我国一批平台型企业开始加速崛起，代表性的企业包括晶泰科技、中科大孵化企业（如机数量子、微观纪元等）、深势科技等。
4.1. 晶泰控股（2228.HK）：全球AI4S标杆企业
公司是全球领先的AI+自动化AI4S龙头。晶泰控股是基于量子物理、以人工智能赋能和机器人驱动的创新型研发平台，是AI4S的全球龙头。从业务模式上看，公司计算机模式和湿实验室实验的反复运算创造了一个良性循环，在这个循环中，数据生成、学习和确认相互促进，并通过分子和化学合成的真实世界实验数据不断强化，具有技术领先性。
三位MIT博士后联合创立，一级市场获得腾讯、红杉、软银、谷歌等机构入股。公司由温书豪、马健、赖力鹏三位麻省理工学院的博士后物理学家于2015年创立。目前公司拥有员工783人，其中科学家与技术专家超过500人。公司为港股18C新规第一家上市公司，一级市场获得腾讯、红杉、软银、谷歌、Successful Lotus等投资公司入股。其中，腾讯自2015年参与A轮融资以来多次增持。2021年D轮融资后，公司估值达到19.68亿美元。
2016年，公司参加了辉瑞举办的全球晶体结构预测盲测并夺魁，从而与辉瑞在技术创新和药物研发方面建立了长期的战略重要合作伙伴关系（曾帮助辉瑞进行COVID-19口服药晶体结构预测，缩短客户药物上市时间6个月），并逐步成为提供固态研发计算服务的全球领导者。随后公司建立了湿实验室并布局机器人自动化，以实现可扩展、灵活、多项目、更快速且更具成本效益的实验周期。2020年以来，公司药物研发、自动化两大业务营收、项目数高速增长，2024年上半年实现营收1.07亿元，同比增长34%；截止2023年可创收项目达504个，同比增长72%。
AI医药业务：国际领先的AI制药服务商，涵盖小分子、大分子药物研发能力。公司是国际领先的AI药物研发服务商，全球前20大生物技术与制药公司中16家为公司客户。区别于AI Biotech企业需要亲自下场做药，晶泰主要承接下游客户的订单。公司药物发现解决方案专注于识别和开发对特定疾病相关靶点表现出药物活性功能的分子，可为下游客户解决横跨药物发现及研究的整个过程（从靶点验证、苗头化合物识别、先导化合物生成、先导化合物优化至临床前候选化合物PCC），研发能力圈涵盖小分子、抗体、多肽、抗体偶联药物、蛋白降解靶向嵌合体等多模态。依托AI 药物研发平台“干实验室”与自动化机器人“湿实验室”结合的技术优势，2023年公司与礼来签署一项AI小分子新药发现合作，预付款及里程碑总收益可达2.5亿美元。根据2024年半年报，公司医药板块持续迎来进展，大分子业务交付成功率接近100%。同时与默达生物、希格生科、某美国领先制药公司、长江生命等客户药物研发进展顺利，锁定长期成长空间。
晶体结构预测是打开材料发现之门的钥匙，底层逻辑具有相通性。晶体结构预测是一类重要的物质结构预测技术，在新材料研发领域十分关键，而晶体预测正是公司一直以来的技术优势。2024年12月公司在剑桥晶体数据中心举办的物质结构预测CSP Blind Test中脱颖而出，成为表现最出色的两个团队之一。引用董事长温书豪博士观点：“准确预测物质结构需要处理非常复杂的高维问题和极高的计算精度。独特的物质结构会形成独特的材料，带来独特的性质。这些物质结构既可以是治病救人的药物物质结构，也可以是解决能源传递瓶颈的室温超导材料，甚至可以是量子计算机的底层器件材料。掌握了精确的物质结构预测技术，就像掌握了打开未来材料发现之门的预言钥匙”。
AI新材料业务：快马加鞭，卡位AI新材料业务星辰大海。基于底层技术相通性，公司积极拓展AI新材料业务，赋能客户实现更优的材料研发范式。目前公司在钙钛矿、固态电池、电解液人工智能配方推荐、电解液研发流程的全自动化、有机合成流程的全自动化操作、催化剂高通量合成、催化剂分析前处理、中药新药智能自动化融合创新平台、化妆品及食品新原料开发、非动物评价模型开发、高通量工程菌粉体自动分装及全自动样本前处理等方向均取得重要突破，实现全流程自动化、数字化及智能化。2024年8月，公司与协鑫集团签订价值1.35亿美元（约 10 亿元人民币）的研发委托协议，就钙钛矿、超分子、锂离子电池、正极材料、碳硅材料等领域高科技新能源材料研发的订单化服务，拿下进军AI新材料的第一个大订单，未来其他领域有望实现模式的复制，进而打开广阔成长空间。
4.2. 中科大孵化：机数量子、微观纪元
中科大拥有强大的AI4S研发实力。中科大作为中科院所属顶级高校，具有强大的理工科学术能力和研发实力，设有微尺度研究中心、精准智能化学实验室等国家级研究平台，深耕AI4S材料研发，取得积极的进展，具备卓越的综合实力。其中核心研究主体包括：
微尺度研究中心：合肥微尺度物质科学国家研究中心是科技部2017年11月批准组建的六个国家研究中心之一，依托于中国科学技术大学，是聚焦物理、化学、材料、生物、信息共5大一级学科融合，以国家重大战略需求和交叉前沿领域为导向的新型基础科学研究中心。中心坐拥中国科学院院士15位、中国工程院院士1位、国家杰出青年科学基金获得者97位、国家重大人才工程获得者22位，科研实力雄厚。中科大化学物理系执行主任罗毅任微尺度研究中心主任。
精准智能化学实验室：精准智能化学全国重点实验室是经中国科学院批准依托中国科学技术大学筹建的国家级研究平台，在江俊教授带领下（团队负责人），推出全球首个数据智能驱动的机器化学研发平台“机器化学家”。实验室面向世界科技前沿，聚焦如何改变化学研究范式，探索建立化学研究的精准化、智能化双驱动模式。实验室以中国科大化学与材料科学学院为主体，联合校内信息/工程/计算机/数学学科队伍共同组建而成，现有固定研究人员100余人，包括2位中国科学院院士。
4.2.1. 机数量子：AI+机器人实验驱动新材料研发
孵化自中科院顶级团队，机数量子是中国AI4S化学物理材料研发的先行者。机数科技是数据驱动材料开发新范式的领航者，以量子化学计算和人工智能分析，为新材料开发赋能。机数量子核心技术团队及研究成果孵化自中科大精准智能化学实验室及科技部下属微尺度研究中心。机数量子以“量子化学计算、大数据分析、人工智能预测”为核心技术，为企业与科研用户提供材料大数据检索、新材料智能开发服务和整体解决方案。
机器人化学家平台，自动、智能化程度超越欧美。机数量子机器化学家平台于2021年全球率先发布，集成了移动机器人、智能化学工作站、智能操作系统、科学数据与模型库，是全球首个“数据智能驱动的全流程机器化学家平台”。机器人化学家由“化学大脑”、机器人实验员和智能化学工作站三部分组成。其中核心的“化学大脑”通过分析大量化学实验和理论数据建立知识图谱，在智能阅读文献、自主设计实验、自动执行合成-表征-测试的化学全流程、智能优化化学创制等方面全面超越欧美同类平台；机器人实验员和16个化学工作站之间能进行数据交换和互动，精准配合执行化学实验。该平台还建立了包含8千万种化合物、1千万种化学反应等资源的数据库和检索引擎，并在此基础上开发了物理化学知识图谱。目前，该平台正应用于析氧反应催化剂、掺氢氧化物光催化剂、新能源电池的高熵催化剂等新材料开发。
数据库平台dcaiku为世界一流、亚洲最大的材料数据库平台。公司建成了世界一流、亚洲最大的材料数据库平台机数大材库（www.dcaiku.com），并开发了半导体数据库、磷矿数据库、催化数据库等软件，在量子化学计算、大数据分析、人工智能预测的技术上达到国际先进、国内领先。公司融合9000万化合物、1100万化学反应路径的庞大材料数据，将数千次实验优化过程缩短至 300 次以下，开发效率提升超百倍，大幅提升新材料研发效率。公司拥有新材料领域的独有数据，独享空白赛道；未来将积极进行自主研发，并与国内外一流大学的相关研究组合作，保持技术的前沿性、先进性、全面性。
在实际应用中大大加缩短研发时间、提升研发效率：高熵非贵金属产氧催化剂：高熵材料具有高混乱、高无序、高复杂度的特点，能提高能源电池的稳定性，对新能源发展非常重要。如果按照以往的方法，科研人员要从29种非贵金属元素中选出5种进行超过55万种配比组合，“试错”研究可能需要1400年。而机器化学家通过阅读1.6万篇催化论文，自主遴选出5种非贵金属元素，并融合2.5万组理论计算数据和207组全流程机器实验数据，建立并优化预测模型，将传统“炒菜式”遍历搜索所需的1400年，缩短为5周；基于火星陨石的制氧催化剂：如果用人工方式做实验，以5种不同的火星矿石作为原料，有超过376万个配方的排列组合。按每个实验验证至少5小时计算，找到最佳配方可能需要2000年，而机器化学家只用了5个星期就做完了实验。
4.2.2. 微观纪元：量子计算驱动的AI4S材料研发软件商
公司是中国量子计算工作组秘书单位，致力于AI4S赋能材料研发。微观纪元成立于2022年2月，核心技术负责人来自中科大体系，董事长、算法总监出自科大少年班。公司依靠自主创新的量子算法和融合各类量子计算机、图形GPU计算、经典CPU计算等多形式算力平台实现行业应用的自动化生产管线，构建了应用于组合优化方向的稳定子算法，用于金融、电力等行业，基于量子化学的生物制药药物筛选、新材料研发等管线。2022年中国信息协会量子信息分会量子计算工作组QIAC正式成立，微观纪元当选为秘书单位。
核心技术路径：量子计算驱动。引用中国工程院院士、中电科首席科学家陆军观点：“量子科技是新一轮科技革命和产业变革的前沿领域，量子科技的发展具有重大科学意义和战略价值，是一项对传统技术体系产生冲击、进行重构的重大颠覆性的技术创新”。微观纪元是一家量子计算驱动的AI4S研发服务商，现阶段公司以生物制药和新材料研发两个细分行业作为突破方向，产品包括量子-经典混合集群云平台、应用量子算法/量子启发式算法的应用软件及高精度计算服务等。从量子计算产业链来看，主要包括：上游：量子比特监控系统、量子比特环境、量子芯片；中游整机：超导、离子阱、光量子、中性原子、半导体等路径；软件：系统软件（包括量子编程软件、量子主机软件）、量子应用软件（包括药物、金融、化学化工等领域）；云平台：量子计算云平台。公司所在赛道为基于量子计算的药物、化学应用软件分支。
围绕量子计算化工应用，与多个国内科研机构以及上下游行业领军企业建立了深度合作。公司产品主要用于生物医药和新材料等化学领域，通过高精度的量子化学计算方法，帮助生物医药企业或新材料企业完成分子材料配方设计。通过两年多的技术及产业经验积累，目前微观纪元正在构建一套以量子计算+AI为基础的干湿结合实验及生产平台，聚焦高效节能生物能源及新材料的研发生产，公司与多个上下游核心客户达成战略合作：
与阿法纳合作发布MiQro RNA药物设计平台。2023年微观纪元与阿法纳生物合作开发了国内首个基于量子计算和生物医药的药物设计平台MiQro RNA；
与国仪量子达成战略合作。2023年1月，微观纪元与国仪量子达成战略合作关系，就量子计算软硬件一体化平台及行业应用领域开展长期合作。基于国仪量子在量子计算硬件平台及相关系统技术上的积淀，结合微观纪元在量子算法和融合计算平台等领域的研发优势，双方将共同构建硬件、算法、应用一体化的合作流程；
与中电信量子达成战略合作。2024年1月，微观纪元与中电信量子正式签约开展关于量子技术在产业应用合作，双方将围绕量子计算技术及算法的科学研究、产业化研究以及在生物医药、新材料等重要领域的应用实现组建联合攻关团队；
与量子科技长三角产业创新中心达成战略合作。2024年3月中国工程院院士、中国电科集团首席科学家、量子科技长三角产业创新中心主任陆军一行拜访微观纪元，并达成战略合作意向。创新中心将整合目前长三角量子中心的超导系统，与微观纪元一同开展应用算法研究，共同开发典型的量子计算应用示范。
志特新材（300986.SZ）：携手微观纪元、长三角产业创新中心，进军AI4S
2025年以来，公司陆续公告成立产业基金、战略合作协议、合资公司，携手量子计算“国家队”，切入AI4S材料研发蓝海。具体时间线包括：
成立产业基金：2025年2月19日，公司设立志特尖晶新材料数智化产业升级基金合伙企业（持股99.5%）布局新材料智能化研发等领域；
与微观纪元、量子科技长三角产业创新中心签订战略合作协议：2025年3月3日，公司与量子科技长三角产业创新中心（由工程院院士陆军担任主任，由中电科联合成立）、合肥微观纪元（注册地位于中科大先进技术研究院）签订三方战略协议，共同搭建基于量子科技和AI为支撑的新材料研发制造体系，推动量子科技成果转化与产业化应用。具体分工方面，量子创新中心提供量子科技前沿创新研究、量子硬件支持和关键人才支撑；微观纪元重点负责量子计算和AI技术为核心的新材料研发制造平台搭建；志特新材拟运用市场及产业相关优势资源，主要负责应用场景需求定义、产品验证量产以及产业化应用推广；
与微观纪元成立合资公司（志特控股）：2025年3月5日，公司携手微观纪元成立合资公司志特纪元产业科技有限公司（注册资本3000万元），其中全资子公司横琴志特持股51%，后续纳入母公司合并报表范围。通过合资公司的成立，公司进一步推动先前量子计算及AI新材料研发相关战略协议的落地，深化公司与微观纪元的战略合作关系，加速相关产品的研发和技术升级以及前沿科技领域的前瞻性布局。
量子科技长三角产业创新中心：背靠中电科，量子领域“国家队”级别研发机构。创新中心由苏州市、相城区、中国电子科技集团、中国电子科学研究院四方共建，由中国工程院院士、中国电科首席科学家陆军领衔并担任主任，目前已突破20比特量子芯片设计与制造、量子微波测控、量子芯片自动标校、0.9mK级极低温制冷、量子-电子混合算力控制等关键技术；成功研制了全自主可控的20比特超导量子计算机，初步构建量子算力网基础平台，形成支撑基础理论研究、计量基准标定、工业母机研发、产品研制和应用服务等任务的能力。2024年5月成功启动100比特实验样机集成联调联试，推动100比特实验样机测试验收。
主业方面，公司作为铝模板龙头迎“出海大时代”，拐点已至。公司是国内铝模板龙头企业，2014年开始布局“出海”业务，2014年到2023年海外收入从0.07亿元增长至3.67亿元，十年增长超52倍。同时，境外铝模板业务往往具备更优的盈利能力（2024年上半年，境外业务毛利率39.4%，境内业务毛利率20.4%）。2024年公司预计实现归母净利润6500-9500万元，其中下半年预计实现5742.81-8742.81万元，相比2023年强势扭亏，拐点已至。
风险提示
技术路线渗透不及预期：AI4S下游潜在应用领域众多，若下游客户技术扩散进展低于预期，或对行业需求增速带来影响；
下游盈利不及预期：AI4S下游产业包括化工、新能源、电子、医药等。若下游产业盈利不及预期，导致其缩减研发开支，或对AI4S企业收入增速带来间接影响。
计算存在误差：对于市场空间等方面采用权威公开数据测算，若数据来源存在误差可能导致测算结果出现误差。
本文节选自国盛证券研究所已于2025年3月9日发布的报告《基础化工：AI for Science：化学研发的超级范式》，具体内容请详见相关报告。
杨义韬 S0680522080002 yangyitao@gszq.com
尹乐川 S0680523110002 yinlechuan@gszq.com
宋雪莹 S0680123070011 songxueying@gszq.com
王瀚晨 S0680123070027 wanghanchen@gszq.com
点击下方获取正文PDF ↓↓
AI for Science：化学研发的超级范式
特别声明：《证券期货投资者适当性管理办法》于2017年7月1日起正式实施。通过微信形式制作的本资料仅面向国盛证券客户中的专业投资者。请勿对本资料进行任何形式的转发。若您非国盛证券客户中的专业投资者，为保证服务质量、控制投资风险，请取消关注，请勿订阅、接受或使用本资料中的任何信息。因本订阅号难以设置访问权限，若给您造成不便，烦请谅解！感谢您给予的理解和配合。
重要声明：本订阅号是国盛证券基础化工团队设立的。本订阅号不是国盛基础化工团队研究报告的发布平台。本订阅号所载的信息仅面向专业投资机构，仅供在新媒体背景下研究观点的及时交流。本订阅号所载的信息均摘编自国盛证券研究所已经发布的研究报告或者系对已发布报告的后续解读，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。本资料仅代表报告发布当日的判断，相关的分析意见及推测可在不发出通知的情形下做出更改，读者参考时还须及时跟踪后续最新的研究进展。
本资料不构成对具体证券在具体价位、具体时点、具体市场表现的判断或投资建议，不能够等同于指导具体投资的操作性意见，普通的个人投资者若使用本资料，有可能会因缺乏解读服务而对报告中的关键假设、评级、目标价等内容产生理解上的歧义，进而造成投资损失。因此个人投资者还须寻求专业投资顾问的指导。本资料仅供参考之用，接收人不应单纯依靠本资料的信息而取代自身的独立判断，应自主作出投资决策并自行承担投资风险。
版权所有，未经许可禁止转载或传播。
页:
[1]