AI for Science：AI走向物理世界的第一站

过去几年，谈到AI，我们谈的多是聊天、写代码、agent、机器人。但这一轮AI最大的生产力机会，或许不在屏幕里，而在原子和分子构成的物理世界里。

AI for Science（下文简称AI4S），简单说，就是用AI来帮助科学研究、增强科研能力。例如让AI学习物理、化学、生物的知识和规律，去计算和设计原子、分子层面的东西，比如蛋白质、药物和新材料。它是AI走进物理世界的第一站。

2024年10月，诺贝尔化学奖颁给了蛋白质设计和AlphaFold2的研发者，AI4S站上了科研范式的转折点。两年后再看，变化比多数人预想的更快：两年前，AI制药还常被质疑"做不出药"；如今，晶泰、英矽、剂泰先后在港股上市，AI参与设计的药物进入了III期临床，礼来、辉瑞、GSK等跨国药企开始花重金绑定拥有专属模型能力的AI原生公司，抗体甚至可以"零样本"直接算出来。

我们持续关注AI4S领域的技术发展，如果你是相关创业者或者从业者，欢迎联系本文作者马睿（marui@freesvc.com）。

黄仁勋在介绍英伟达的战略时，常提到一个AI 产业全栈分层图，或者叫"AI五层蛋糕"：从下往上依次是能源、芯片、基础设施、模型和应用。用这五层对比中美：

· 能源：中国占优。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：美国领先，中国紧追。在先进制程上（7nm以下），中国与美国有差距，但如果看芯片制造产能，中国正在在追赶。

· 基础设施：中国整体占优，无论是电网、储能、变压器这些硬的设施，还是互联网和AI infra这些软的底座，中国都有扎实的产业基础。

· 模型：最前沿的模型仍在美国，但差距正在缩小，且中国在开源模型上领先。

· 应用：这是中美AI竞争的胜负手所在。AI应用包括agent、具身智能、AI4S和AI+各行各业。目前美国先行一步，编程类agent已经跑出规模化收入：Anthropic的Claude Code上线半年，年化收入就达到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、字节等巨头正在为应用层注入竞争力，中国的强势产业链也为AI落地提供了土壤。

历史上，一项技术从被发明到它被广泛应用并真正带来生产力提升，往往要十几到几十年。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，一直延续到1940年代。

看美国的全要素生产率（TFP，即资本和劳动力投入之外、由技术进步带来的增长）就更清楚。Astera Institute的Eli Dourado指出，1947–1972年，美国TFP年均增长约2.1%；2005年移动互联网时代以来，只有约0.17%。核心原因是，过去20年的创新主要局限在数字世界，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

但这二十年做成了一件关键的事：把与人相关的各类数据（包括人的语言、文本、图像、视频，以及搜索等行为）都数字化了。这正是今天大模型的数据基础。

AI无疑是本轮科技革命最大的技术突破，甚至可以和电力相提并论，但从现有数据看，生产力的全面提升尚未来到——大规模的应用落地还在初期。最大的生产力进步，或许不在在数字世界，而在AI、生物、材料和能源的交叉领域，在数字世界与物理世界的融合之处。

AI的发展依赖三要素：数据、算力、算法（模型）。如今，大语言模型几乎吞尽了可用的文本数据，迭代速度在变慢。它要继续往前走，需要三样新武器：

· 新模型：黄仁勋在前述"五层蛋糕"的长文里也强调，模型不仅要理解语言，还要理解生物、化学、物理和物理世界本身；他认为模型在编程、机器人、数字生物和药物发现等领域已经展现出很强的产品市场契合（PMF）。物理AI正变得前所未有的重要。无论是微观的AI4S、三维重建的模型，还是世界模型，都是下一步的关键。新的模型可能会需要新的架构。

· 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，比如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之间的相互作用；也需要与人相关的数据，它们可能产生于新型传感器、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推进，会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 （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NVQLink，实现了量子处理器与GPU超级计算机的直接连接。

很多人以为AI只是带来效率提升，没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》里把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起加速。换句话说，AI像一场龙卷风，把周围的创新和行业都卷进来。下面是四个例子。

蛋白质结构预测。输入一条蛋白序列，AlphaFold2就能给出它的三维结构，而且精度首次和实验方法相当。在此之前，人类花了约六十年，才用实验解析出约20万个蛋白结构；而AlphaFold数据库则在2022年给出了约2亿个预测结构。这项工作获得了2024年诺贝尔化学奖。在蛋白结构预测这个领域，AI已经是主要驱动力。

电池材料。过去150年，从铅酸电池到锂离子电池，能量密度只提升了约5倍，年均进展小于1%，非常缓慢。美国电池材料公司Feon Energy用基于生成式AI的分子设计平台EDGE，在2周时间内，从头设计电解液分子：用它的电解液，锂金属电池的能量密度超过400Wh/kg，比现有锂离子电池高约50%；它的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，把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，一边是大幅缩短的研发周期，AI在材料设计里也在变成关键驱动力。

生物制造。生物制造在常温、绿色的条件下进行，最大优势是环保，以及得率高。通俗地说，得率就是投进去的原料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，但绝大多数是当时未在生物体中见报道。未来用AI来设计代谢路径，是生物制造里最大的变量。

未来医疗。美国公司Tempus把病人的临床数据、分子生物、影像等多模态数据汇集起来并对齐，用生成式AI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83%左右（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%，公司把全年营收指引上调至约16亿美元。

把这些例子串起来，就是我们对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正处在这个链条的关键位置：它把大模型的进步翻译成各学科的底层创新，再由产业链逐层放大。

这个过程分两步。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：把这些底层创新和中国的强势产业链结合，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；把它立起来排成立体结构，就是金刚石或者钻石。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，就是电动车里三元锂电池的正极材料。

从元素周期表里挑选元素、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"：当原子或分子数量变多，计算复杂度就指数级上升。比如完全从头计算（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，只对部分体系做精确的第一性原理计算，用AI学习这些精确值；下次再算，就不必从头计算所有的原子或分子，直接调用AI，计算量降到与原子数成正比。结果是既准又快：用经验力场的速度，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，把垃圾过滤掉，留下真正有用的部分。就是用AI生成，用science来验证。

AI4S旨在用AI赋能基础科学研究。在数学领域，它可以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。这是它的重要性所在。

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参与设计的药物进入了III期临床，还卖出了高价。

• 峰瑞已投企业剂泰科技自研的MTS-004口崩片，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达成三特异性T细胞衔接器（TCE）MTS-128的全球独家授权，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，一起探索用AI解锁新一代组织和细胞靶向LNP递送技术，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，正在被越来越多药企和材料企业采纳。2025年8月与美国公司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，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抑制剂治疗特发性肺纤维化（IPF），2025年6月在《自然·医学》发表IIa期阳性结果，这是AI发现靶点+生成式AI设计分子的代表案例。2026年9月，它在中国启动的III期临床完成首例患者给药。英矽的BD（复星、礼来、赛诺菲、齐鲁、施维雅、美纳尼亚等）总额，超过30亿美元+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）用AI做双特异性抗体：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。它的商业化表现亮眼。

• Generate：Biomedicines于2026年2月在纳斯达克上市，募资4亿美元。它用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期只用了约四年。

所以，AI制药确实做出了临床阶段的资产，而且BD在源源不断为AI制药公司带来现金流。尽管上一代的不成果多是在已知成药分子的基础上做微调；但今天药企手里的模型武器，已经又往前走了一大步。

过去一两年涌现的前沿模型，还没有被药企广泛采用。我们的判断是，未来1–2年它们将迎来规模化应用。谁能率先把这些模型进展"翻译"成药物和商业价值，谁就能抢到先机。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为代表的蛋白设计路线：过去5年，Baker团队蛋白设计从基于物理计算，全面转向基于AI设计，成功率至少提高了10倍，代表模型是RFdiffusion，RFdiffusion3，和RFD4。

• 以DeepMind为代表的AlphaFold系列：从获诺奖的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从只能算蛋白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：从只能做预测，到能做设计和生成。

AlphaFold系列，是把主流AI最大的两个算法创新——Transformer和扩散模型（Diffusion）用到生物数据上。AlphaFold2靠Transformer预测蛋白结构；AlphaFold3则把生成结构的模块换成了扩散模块，并变成"全原子"模型：不再区分蛋白、多肽还是小分子，只认原子坐标。

基于AlphaFold3，DeepMind成立了Isomorphic Labs，专门做药物研发。2025年3月，它完成首轮外部融资6亿美元；此前它与礼来、诺华签下合计约30亿美元的合作。这也说明，模型就是生产力。

但问题也随之而来。出于商业利益考量，AlphaFold3不像2那样彻底开源：2024年11月，只开源了代码，模型参数需申请且仅限非商用。所以，如果想和Isomorphic竞争，第一步就是复现AlphaFold3。

复现者已不在少数：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）在2026年2月发布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58.2%，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在和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-抗原高精度预测上，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），FEP是过去几十年CADD（计算机辅助药物设计）物理计算里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借鉴的是AI图像生成中的扩散模型：给一张图不断加噪点，直到变成随机噪声；随机噪声一步步降噪，变出能被辨识的图像。让AI学习加噪降噪的过程，它就能从噪声里"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结构，还能加入约束条件来引导生成。

Baker团队把结构预测模型RoseTTAFold微调成了RFdiffusion（2023年发表于《自然》）。过去，每个设计任务往往要通过测试成百上千甚至更多蛋白，用RFdiffusion有时只需测试十几个蛋白，就能找到一个命中。该模型已被用于针对多种靶点设计结合蛋白，部分设计达到纳摩尔级亲和力，并在特定优化案例中达到皮摩尔级（数值越小结合越强，纳摩尔一般就是能成药的水平）。

2025年9月，RFdiffusion3又往前推了一步：受AlphaFold3启发，它把建模单元从氨基酸变成了原子。这意味着设计师可以做原子级的控制，比如指定某个原子是否形成氢键。速度也比上一代快约10倍。

基于Baker团队的这套技术，前基因泰克首席科学官、斯坦福大学前校长Marc Tessier-Lavigne创立Xaira Therapeutics，2024年4月公司正式亮相时宣布获得超过10亿美元的投资承诺。这是2010年以来美国生物科技最大的几笔风险融资之一。

抗体这个模态被AI渗透的速度，也远超预期。AlphaFold2唯一解决不好的就是抗体：抗体是免疫系统新生成的，没有进化历史可以参考，所以MSA帮不上忙。但到了2026年，抗体已经基本可以被AI模型"零样本"生成，即不需要针对这个靶点的已有抗体数据，就直接算出来。

最先做到这一点的是Chai Discovery于2025年6月发布的Chai-2。过去的计算方法命中率低于0.1%，仍要依赖大量实验筛选。Chai-2测试了52个靶点，每个靶点只测不超过20个设计，第一轮就有一半靶点出现命中，结合力在几百皮摩尔到纳摩尔级别；整体命中率约16%，是过去方法的约100倍。像TNFα这样过去很难做的靶点，Chai-2也算出了抗体。

后续xaira therapeutics、nabla bio、latent labs等公司也纷纷拿出了零样本生成全新抗体的结果，结合亲和力普遍达皮摩尔甚至纳摩尔级，设计成功率20%~50%，进一步验证了AI生成抗体在技术上的可靠性。

抗体研发是一个约3000亿美元的市场。未来，抗体发现很可能不再需要免疫动物或噬菌体展示，只需要计算就能完成。我们认为这会颠覆抗体的研发范式。

这一点也能从上游产业链得到印证。AI设计抗体的时代：先算出抗体序列，再请基因合成公司合成DNA，放进细胞里"生产"抗体来做验证。所以DNA合成的需求应该会变大，下单最多的应该是做AI抗体的公司。

我们调研下来确实如此：Twist Bioscience 2025财年交付约93.8万条基因，同比增长约22%；金斯瑞2025年一体化蛋白表达服务收入增长50%，从基因合成流入蛋白表达平台的订单同比增长160%，公司将其归因于AI驱动药物开发和多抗体药物开发需求的持续增长。

2026年初，头部药企纷纷绑定了一批有专属基础模型能力的AI原生公司。

1月8日，辉瑞与Boltz、GSK与Noetik同日宣布合作。

Boltz将基于辉瑞的私有数据训练专属模型，为辉瑞打造专属的下一代生物分子AI 模型与工作流，从而加速并优化辉瑞临床前药物发现决策。

GSK 则是获得 Noetik OCTO-VC 虚拟细胞基础模型在非小细胞肺癌和结直肠癌领域的非独家授权，GSK承诺为这笔为期5年的交易支付5000万美元预付款及近期里程碑款，后续GSK 还需支付年度订阅费来维持模型的使用权限。这被业界视为"生物基础模型像软件一样订阅授权"的早期大额案例。

同一周，礼来与Chai也宣布合作。与辉瑞-Boltz 的模式相似，礼来与Chai基于礼来的历史私有数据，共同训练一个礼来专属的模型，据报道礼来每年为此支付数千万美元。

这不是试点，而是把AI直接写进了研发体系。这种合作的合理性非常明确：模型能力最强的公司，帮行业数据最多的公司，训练一个归后者独有的大模型。就这样，百年药企一下子站到了AI浪潮的前端；加上它们有数据壁垒，一旦再掌握模型能力，就能持续立在潮头。

类似的合作逻辑在随后两周内延续，且合作形态更加多元化：1月12日，英伟达与礼来宣布在5年内最多投入10亿美元共建AI联合创新实验室；1月13日，阿斯利康收购了做肿瘤多模态基础模型的Modella AI；一周后，Isomorphic Labs与强生达成跨模态、多靶点研究合作。

这股潮流仍在加速。据DealForma数据，2026年上半年AI靶点与药物发现领域的授权交易总额达471亿美元，已超过2025年全年的446亿美元。2026年7月，诺华与Chai达成抗体发现合作，Chai随后以38亿美元估值完成4亿美元C轮融资；10月，阿斯利康又与insitro达成总额最高约15亿美元的合作。

RNA是另一个被AI深刻改变的模态。

峰瑞天使轮领投的衡昱生物（Raina Biosciences）2025年8月在《科学》发表了论文：其开发的生成式AI平台用Transformer学习RNA序列、不设定任何人工规则，生成的mRNA序列使荧光素酶的体外表达水平提高了41倍。这意味着AI可以在没有湿实验的条件下，直接给出高表达、高稳定、低免疫原性的全长mRNA序列。

新模态的另一大难题是递送：如何把药精准送到体内特定的组织，比如去脾而不去肝。主流做法是在脂质纳米颗粒表面加载一个抗体或配体来"导航"，即靶向脂质纳米颗粒（tLNP），递送设计于是又变成了抗体和蛋白设计的问题。

用tLNP在体内生成CAR-T细胞的Capstan Therapeutics，2025年6月被艾伯维以最高21亿美元收购；峰瑞投资的剂泰科技用自己筛选的LNP加靶向配体，在代谢和自身免疫管线上也推进顺利。

把生物模型的变化放进"序列→结构→功能"的框架里看：

序列层，用大模型学习DNA、RNA和蛋白序列，代表是Evo 2、GEMORNA和ESM3；

结构层最为关键，因为结构左连序列、右连功能，生物的基础模型就在这一层，关注点正从蛋白本身转向相互作用、颗粒度从氨基酸走向全原子；

功能层，相比于序列和结构，目前功能的数据量是最少的，且目前多用小模型，未来很可能要靠量子计算来解决。

值得一提的是，序列-结构的协同设计，序列（离散扩散）+结构（连续扩散）被越来越多地采用。

在应用层面，蛋白是被AI解决得最彻底的；抗体是第一个引爆点；多肽、环肽、分子胶、TCE、RNA等高价值以及新的药物模态是当前的热点；最后一个堡垒是小分子，因为它的化学空间极大、难合成，而且分子小，需要高的精度才能算清楚。

AI制药发展到如今，公司可以按代际划分：第一代公司商业上非常成功，尽管在药或AI上不是最前沿的，第二代公司能拿出很多药，但并非AI native，第三代公司则是真正基于最前沿模型的AI原生公司。如果说上一代公司能做出5个药，AI原生公司有机会做出50个甚至更多。

前面讲的AI制药是目前走得最靠前的AI4S赛道。我们认为，AI制药的成功将外溢到AI+材料、AI+化学、AI+脑科学、AI+量子、AI+聚变、AI+生物制造等领域。当下很热的是AI+材料，还没有被广泛关注的是AI+量子、AI+脑科学和AI+聚变。

AI+材料是现在一级市场最热的投资领域之一。

2025年11月，美国总统签署行政令，推出"创世纪计划"（Genesis Mission），把AI驱动的科学发现提升到国家战略层面；英伟达、微软、亚马逊等随后成为美国能源部的合作方。

美国与英国已经有一些公司融了很多钱：Periodic Labs 于2025年9月拿到3亿美元种子轮；Lila Sciences累计融资约5.5亿美元；CuspAI 2025年9月完成1亿美元A轮；做"自驾驶"材料实验室的Radical AI 2025年7月融资5500万美元；DeepMind前研究员创办的Orbital Industries 2026年5月完成5000万美元B轮。在这个方向，中国也有深势科技（2018年成立）、深度原理（2024年成立）等一批公司。

这些公司用AI设计高价值材料：算力设备所需要的冷却液与光刻胶，能源行业需要的电解液与补锂剂，未来能源领域的超导、聚变和裂变材料，以及碳中和需要的MOF（金属-有机框架）材料。2025年诺贝尔化学奖就颁给了MOF领域的开创者，可见其重要性。

这里我们介绍两个里程碑式的工作：

· DeepMind 2023年发布的AI驱动的材料发现平台 GNoME（材料探索图形网络）。它用图神经网络表征晶体结构，用密度泛函理论（DFT，一种精度较高的量子力学计算）来验证稳定性，再用主动学习决定哪些结构交给DFT算、哪些交给AI判断。只花了很短的时间，它就发现了约220万种稳定晶体，把人类已知的稳定材料扩大了一个数量级；经过反复迭代，预测命中率从不到6%提高到了80%以上。其中有528种是有前景的锂离子导体。

· 2025年1月，微软在《自然》发布了一项工作 MatterGen，它被视为AI材料生成领域的范式级突破。它和蛋白设计一样用扩散模型：给稳定材料加噪声、再学会降噪，给定元素组成，就能生成对应的稳定材料。它的厉害之处在于泛化性，它生成的材料里61%是全新结构，还能生成体积模量大于400GPa这样的极端性能材料。材料生成的MatterGen，与图像生成的Stable Diffusion、蛋白生成的RFdiffusion其实底层是一脉相承的，只是用在了不同的地方。

GNoME有点像材料领域的AlphaFold，它把材料的分子组成，和这个分子组成的结构能否稳定存在联系起来；而MatterGen有点像RF diffusion，是一个材料生成的利器，输入分子组成，输出材料结构。当我们发现在材料领域有了很好的生成式AI，那么验证算法会变得越来越重要：某个分子组成形成的结构能不能稳定存在？在一定的结构下某种材料会具有哪些功能？

这些重要工作也催出了一批创业团队和公司。

OpenAI、GNoME和MatterGen团队的前成员创办了Periodic Labs，2025年9月融资3亿美元，用生成式AI设计高温超导和下一代半导体材料。

放到AI4S领域，这或许只是一个小切入点，但一代材料的革新，往往带来一代产业：比如能把聚变堆做小，核心就在于用上高温超导材料。Periodic Labs强调agent和agent驱动的自动化实验室：由agent主导不断迭代实验、采集数据，形成数据飞轮，再训练出材料大模型。

与Periodic Labs类似，Lila Sciences的使命是打造"科学超级智能"。它用agent加高通量实验去设计生命科学、化学和材料分子，包括抗体、小分子、催化剂、半导体和超导材料。这家公司由孵化出Moderna的美国生物科技孵化机构Flagship Pioneering孵化，据报道累计融资约5.5亿美元。

以Periodic Labs和Lila Sciences这两家公司为对标，中国也有很多AI+材料公司值得关注。

自动化实验室也已经有了早期样板。

A-Lab是由UC Berkeley和劳伦斯伯克利国家实验室合作开发的自主实验室系统，让机器人和AI在无需人为干预的情况下自动完成材料合成实验。在17天的连续实验中，A-Lab合成了57个目标无机化合物中的36个，成功率63%。

过去，设计一款新材料往往要十年。如今，具身机器人、自动化实验室和AI agent组合在一起，有望改变材料发现的研究方法并优化其过程。

基础大模型再强，有时也解决不了简单的数学和化学问题，因为它缺乏专业知识。

面向化学研发的大模型agent框架ChemCrow，由瑞士洛桑联邦理工学院与美国罗切斯特大学的研究团队合作开发。ChemCrow以GPT-4为基座模型，整合了18个专家设计的化学工具，涵盖化学合成、文献检索和实验安排，并能连接自动化实验室，表现大大优于只用基模。

在化学领域，生产力的提升可能就来自把基础模型和化学垂直工具结合起来。

很多时候，问题不在于列不出方程，而是列得出却解不了。因为许多物理原理实在太难用，数据驱动又面临数据不足，这正是AI4S的用武之地。

以深势科技和北京科学智能研究院为例，它们一直在用AI把不同尺度的物理模型连起来，比如从微观层面的薛定谔方程、密度泛函、分子动力学、粗粒化分子动力学，到介观层面的玻尔兹曼方程，再到宏观层面的连续介质力学和湍流模型。最后落到应用上，可以覆盖包括火箭和发动机、柔性材料、地质、动力电池设计、半导体等各种不同的模拟等。

人类对大脑的研究正不断深入，而AI等前沿技术正在加速这一过程。以Neuralink的脑机接口系统为例，AI 已成为其运转的核心环节。但更有想象空间的，是形成一个真正完整的闭环：读取大脑—理解信号—干预调控—观察反馈。

顺着这个闭环看，峰瑞在这一方向的投资布局刚好落在不同环节上。

昆迈医疗侧重于"读脑"。它的核心技术是脑磁图（MEG），通过探测大脑神经活动产生的磁场，更清晰地反映大脑功能的动态变化，进而赋能精准的神经解码与神经调控。

穹顶医疗则在用无创的方式"调控脑"。不用开颅，穹顶医疗选择用时间干涉刺激（TI）技术，把调控信号送到大脑深部，精准调节特定核团，用来治疗帕金森、特发性震颤等疾病。

优脑银河把"读脑"和"调控脑"串起来了。它用功能性核磁共振（fMRI）对每个人进行约 20 分钟的测量，再用 5–10 小时做个体化的脑功能分区计算，找到每个人特异性的刺激靶点，再用经颅磁刺激（TMS）治疗脑疾病。公司数据显示，其产品化原型在 75 例抑郁症患者中的有效率为 81.2%。

更重要的是，"数据 + AI"还帮助发现了帕金森病的新靶点。过去帕金森病的治疗靶点都在深脑（如丘脑），如今在皮层上找到了新的靶点：TMS 治疗两周后，新靶点组的有效率达到 55.6%，而传统运动区靶点组仅为 22.2%，效率提升一倍以上。这项研究于 2026 年 2 月发表在《自然》上。

AI也在向量子领域渗透。

美国公司SandboxAQ做的就是AI+量子，2022年从Alphabet拆分出来，2025年4月又融资超过4.5亿美元。它的理念和黄仁勋差不多：不能只有大语言模型，还需要在物理、化学、生物上训练的"大定量模型"（LQM），应用场景包括生物医药、材料科学、金融和国防等领域。

AI和量子擅长的事不一样。

AI擅长处理海量数据；量子计算擅长解决"小数据、大组合"的问题，比如给婚礼上的300位嘉宾排座，或者计算500个原子多体系统的能量。量子计算本质上等效于在解薛定谔方程，它能产生大量媲美真实世界的高质量合成数据，为物理AI提供数据。反过来，AI和GPU可以帮量子计算做纠错、解码和前后处理；如果把GPU里适合量子的那部分计算交给QPU，AI的能耗有望得到降低。

因此我们认为，AI和量子的结合可能是AI4S很多问题的下一步解决方案。2025年6月，黄仁勋在巴黎GTC大会上表示："量子计算正在到达一个拐点。"而就在5个月前，他还说，"非常有用"的量子计算机15年实现算早、30年算晚，"如果说20年，我们很多人都会相信"。

AI 在核聚变领域也发挥着非常重要的作用。

托卡马克作为"人造太阳"最核心的技术路线，是当前全球可控核聚变领域技术最成熟、最接近商用化的主流装置。然而，很多专家指出，没有AI帮助做预测和控制，托卡马克几乎很难稳定运行。AI 不仅可以用来设计整个核聚变的反应堆的构造，它还能够去预测、设计和控制等离子体的运行。

我们来看看这个方向的进展。2022年，DeepMind 与EPFL瑞士等离子体中心合作，已经利用深度强化学习控制了瑞士TCV托卡马克的等离子体位置、电流和形状，相关研究发表在《自然》。2025年10月，DeepMind宣布与Commonwealth Fusion Systems（CFS）合作，将其开源的等离子体模拟器TORAX用于SPARC运行方案的模拟、测试与优化。

整体而言，在聚变领域， AI是个重要变量。与此同时，聚变也是未来AI发展的能源保障。

生命不仅可以被理解，也可以被设计。生物制造是一种关于制造的学问。其核心是"细胞工厂"，也就是一个能自我复制、设计即制造的菌株，让人类的设计借由细胞变成现实中想要的物质。

合成生物学想把生物变得像芯片一样可设计，但这非常困难，因为生物系统太复杂，人类对生物系统和生物进化的了解远远不够，对化学生物空间的探索也较为缺乏。

AI和计算在一定程度上有帮助，但生物系统越复杂，预测就越难。据文献整理，DNA/RNA层面的预测准确度约80%，蛋白质层面约50%，把一串元件连成基因线路后的预测准确度只有约10%，整个细胞则只能做定性预测。

随着AI基础模型能力的持续增强，以及AlphaFold系列等AI4S的突破性进展，生物分子之间相互作用的预测准确度大幅提升，AI+合成生物正在成为最受瞩目的方向之一。

从发现、设计到制造，AI正在把生物制造从"经验驱动"推向"数据与模型驱动"。

在新物质发现方面，人能探索的空间有限，AI可以为人类引路，预测基因簇和化合物，探索全新功能的分子。

在酶和元件设计方面，AI可以驱动酶的设计和进化。

在传感器设计方面，由于生物制造长期缺乏高通量表征数据，好的传感器恰恰能够帮助采集数据，助力设计与特定代谢物结合的蛋白。

在代谢途径设计方面，代谢网络如一张地铁图，AI可以规划底物如何更多更好地变成产物，哪里不通就要设计关键的酶把它修通。

再到发酵过程控制方面：AI还能基于实时发酵参数来预测和控制发酵过程，比如在发酵早期就预判出发酵效果不佳的批次，及时止损。

过去二十年，创新从原子世界来到了数字世界。下一个十年，创新会带着AI回到原子世界，而AI for Science就是这条路的起点。

越来越多的例子证明，AI4S已经来到突破的边缘。我们即将进入数据驱动、小样本甚至零样本生成、端到端优化的研发新范式。作为早期投资机构，我们希望能在未来十年投到更多AI原生的AI4S公司。往未来看，我们有五个判断。

1. AI制药的主战场在蛋白和抗体，小分子颇具潜力

AI制药是AGI应用的重要方向，重点在于用好外溢的技术，踏实落地，做出好药和好分子。

虽然AlphaFold3和下一代模型不断把模型界限往前推，但AI原生的小分子设计仍有难度，小分子合成也是瓶颈。它不像蛋白或抗体，知道序列、合成出基因就能表达出来。所以当前主战场仍在蛋白和抗体。抗体、环肽、多肽、三元复合物等高价值的分子模态，将是应用落地的重要方向。

不过，AI + 药物研发，对团队的复合能力要求极高，既要非常懂模型，也要非常懂药。最典型的就是David Baker团队和DeepMind。

2. 谁掌握前沿模型，谁就有生产力

从Isomorphic、Xaira到Generate，每一个前沿模型背后都站着现象级公司和大量的钱。而这些模型还没有被药企广泛采用，未来1–2年将形成规模化应用。与此同时，AlphaFold3半开源、下一代模型闭源，最重要的生物基础模型已经构成"卡脖子"。能复现并超越AlphaFold3的团队，以及能把最新模型翻译成药物的AI原生公司，是我们格外关注的。

3. 数据会由机器人、自动化设备和agent来产生

不同行业的数据化程度各不不同。受益于测序技术的发展，生物属于数据丰富的领域；AI+材料、核聚变、具身智能、脑科学则都面临"数据墙"；量子科技处在两者之间。未来十年，各行业的数据化都是重要任务。数据的重要来源将是具身机器人+自动化实验室+AI agent，Periodic Labs和Lila Sciences走的就是这条路。

4. 关注新的算力：AI+量子

评判新算力的标准是：能不能产生媲美真实世界数据的合成数据。量子计算有望最终解决AI的数据问题，成为下一代算力；量子模拟有可能成为量子计算最先落地的方向。当然，通用容错的量子计算还需要比较长的时间才能成熟。

5. 从0到1，到从1到100：中国机会在于AI4S底层创新与产业优势结合

0到1的底层创新可能是中美竞争的焦点，而中国产业最大的机会在1到100。AI制药的成功将外溢到材料、聚变、量子、脑机接口、生物制造等领域，而这些恰恰是「十五五」的未来产业：生物制造、脑机接口、具身智能是AI重要的应用方向，核聚变是AI未来的能源保障，量子计算可能成为AI算力的补充。毫无疑问，中国在发酵产能、制造能力、电力电子和超导材料生产上都有扎实的产业基础。谁能把AI4S带来的底层创新和这些强势产业链接在一起，谁就能在下一个十年胜出。