计算机行业GenAI系列70暨AI4S入门篇：AI4S当科技乘以科技

投资案件结论和投资分析意见维持行业“看好“评级。本报告从AI4S（AIforScience）作为“人工智能+”行动核心方向第一位开始论述，指出其是新质生产力与未来产业发展的关键乘法因子，具备政策高度加持、技术从理解到渗透、标的不断登陆资本市场的确定性。从投资布局来看，按照技术环节划分了上下游环节。建议沿技术链核心环节+场景高潜力赛道布局，优先关注上游AI4S专属算力/底层工具、中游跨尺度计算/结构生成平台、下游前沿材料/创新药等高适配场景的核心标的。同时重视一级市场领军的登陆资本市场潜力，以及二级市场具备AI4S赋能潜力的前沿材料/制造领军企业。此前，AI4S行业的技术要点不易被投资者理解的特点，反而加大了其投资潜力。原因与逻辑“微观-介观-宏观”技术链闭环落地，我们正文提供了六层细切和详细解释。AI+DFT/MD/实验机器人为代表，实现研发提效与成本节约；ROI定量支撑明确，下游长周期行业刚需强烈；产业链商业模式与估值体系清晰，国产替代与技术创新驱动本土企业崛起。有别于大众的认识投资者对AI4S的定义尚不明确。我们认为：并非仅局限于医药/材料/能源，而是覆盖全基础科学与未来产业。大众多将AI4S等同于AI制药、新材料设计，实则其已渗透物理、数学、天文、气象、中医现代化等全基础学科，同时是半导体、量子技术、核聚变等国际博弈焦点领域的核心研发工具，是支撑所有未来产业的通用技术底座，产业延展性远超预期。投资者对DFT、MD这些理工难点容易不理解，限制了对AI4S的关注。我们通俗解释并比喻：底层理论可通过通俗类比降低理解门槛。如将AI4S跨尺度推导类比为“股票基本面研究→组合设计→收益表现”的投资决策流程，或“像素提取→中层特征→语义识别”的图像识别过程，让非理工背景投资者也能清晰把握“生成结构-预测性能”的核心逻辑。诸多技术领域提供了类似处理，并且附录技术说明。投资者对产业链不熟悉，难以界定AI4S我们认为：AI4S产业链按技术环节可清晰划分为上中下游，上游聚焦算力/数据库/底层工具，中游核心是跨尺度计算/结构生成平台/真实世界交互/实验室机器人，下游覆盖狭义（材料/医药等）与广义（例如高能物理/地质等）应用场景。真伪界定，核心看是否具备技术闭环，是否有明确的DFT/MD/MLFF/实验机器人等技术布局。再往后，数据源也会成为鉴别的关键。而客户的Buy-out目录前言：续与众 5自上下：AI4S，基础学的法 5A4S“人工智能”政策发文第一位 5基础科学加速器 6国际博弈焦点领域 8下而上：AI4S的技链与ROI 8技术链初探：微观介观-宏观的六层细切 8狭义AI4S：用比帮助理解 10广义AI4S：科技方方面面 12AI4S的ROI 13产业：技分，商模式15整体上中下游，出技术 16上游-中游-下游细 16AI4S算力专属问题 19一二级参与者 21二级市场TMT（医药+TMT）/中控技术(机械+TMT)/润达医疗（医药+TMT）/华大天/海光信息/索辰科技/中科曙光等 21二级市场应用：英矽智能/宁德时代/康众医疗/志特新材/药明康德/道氏技术等，多个有拓展潜力 24一级市场部分代表：思朗科技/深势科技/芯培森（道氏技术）/深度原理/全芯智造/分子之心等 26风险示：术/竞争/市场/政策/盈率等 28附录：术说明 28钱学森《物理力学讲义》的指引 28密度泛函理论DFT 29分子动力学MD 31图表目录图1：为何AI实现“生成结构-预测性能”对应关系？微观-介观-宏观的技术解释 9图2：用比喻金融投资者理解，为何AI实现“生成结构-预测性能”映射 11图3：狭义AI4S的示意图，为何节省时间与财力 13图4：AI4S的上中下游一览表 16图5：AI4S的算力问题，未必需要过去的通用算力 20表1：《国务院关于深入实施“人工智能+”行动的意见》（国发〔2025〕11号），AI4S实际是第一位 6表2：AI4S对各领域的发展与加速，尤其基础科学，超过较多投资者预期 7表3：国际博弈焦点领域，恰好可以AI4S帮助研发 8表4：AI4S的典型ROI测算表，并提供信息来源 14表5：典型AI4S的成本节约率（单位：万美元，%） 15表6：AI4S的上游，包括国内外、一二级。按照技术环节划分，方便投资者 16表7：AI4S的“上中下游“产业链表，包括国内外、一二级。按照技术环节划分，方便投资者 17表8：AI4S的“上中下游“产业链表，包括国内外、一二级。按照技术环节划分，方便投资者 18表9：相关AI4S公司（或潜力公司）的估值表（对未披露利润预告的厂商使用 一致预期，单位：市值亿元人民币，利润百万人民币，%。时间选择2026年2月27日收盘后）...................................................................................................................................................21前言：延续与受众延续两篇 。2024年4月《科技：东西合璧，世界领军-重新审视TMT地位、壁垒与估值》、2024年9月《泛科技估值：从西方到“东西合璧”！-连接实业与金融》分别论述：从底层原理开始推导，东方的科技已经是世界领军级，但经管金融理论应当跟上。因为这些理论起步于西方体系，很难解释东方体系，更难解释“东西合璧”的未来产业。伴随202409至今波澜壮阔的科技股行情，或许预判在验证。本篇AI4S（AIForScience，缩写为AI4S，下同） 旨在论述如何加强上技术优势，并弥补暂时的技术短板。本篇的受众是各家现代公司的研发部、技术部、产品部、战略部，尤其以结构生成为特征的领域，例如化学、高分子、新能源、医药、医疗。最终或许涉及所有未来产业的研发部。本篇也力争能对一二级市场的投资者产生影响，实现深入浅出的说明效果。自上而下：AI4S，基础科学的乘法本章自上而下解释AI4S。它排在《国务院关于深入实施“人工智能+”行动的意见》（国发〔2025〕11号）第一位，即“人工智能+”科学技术。它不仅已经渗透到国内外诸多基础学科的研发中，且可以帮助国际博弈焦点领域的研发。换句话说，只要新质生产力、未来产业存在，AI4S就是它们的加速器，它们的乘法。这或许是国家自上而下重视AI4S的重要原因。自上而下分析产业很重要，我们2025年1月对机器人产业也做类似预判。2025年1月机器人 《机器人：三层融合，2025年产业质变》也做了自上而下预判：1）人口红利、工程师红利是我们长期优势；2）机器人帮助解决未来人口红利问题；3）结合软件大模型、硬件机器人，人口红利和产能问题可以更好地解决。I4S+”政策发文第一位如前论述：《国务院关于深入实施“人工智能+”行动的意见》中，AI4S排在第一位。我们在2025年10月深度《“人工智能+“应用爆发的奇点即将到来》对此评论为：《意见》将人工智能驱动创新置于核心位置，明确强调以人工智能技术突破带动生产力实现革命性跃升，并将其作为赋能经济社会发展的主线。具体体现在四个方面：一是加速科学发现，通过“加快探索人工智能驱动的新型科研范式，加速‘从0到1‘重大科学发现进程，加快科学大模型建设应用”，推动基础研究跨越式进步。二是提升研发效率，借助“人工智能驱动的技术研发、工程实现、产品落地一体化协同发展”及“智能化研发工具和平台”的推广应用，打通从创意到产品的关键路径。三是赋能制造业升级，通过“加快工业软件创新突破，大力发展智能制造装备”并“推进工业供应链智能协同，加强自适应供需匹配”，实现生产与运营的整体优化。四是加速未来产业突破，通过“加强人工智能与生物制造、量子科技、第六代移动通信（6G）等领域技术协同创新”，并“加快与元宇宙、低空飞行、增材制造、脑机接口等技术融合和产品创新”，拓展新一轮科技革命的发展边界。这些路径共同构筑了“人工智能+”驱动生产力质变的核心框架。表1：《国务院关于深入实施“人工智能+”行动的意见》（国发〔2025〕11号），AI4S实际是第一位标号大类小类标号大类小类一“人工智能+”科学技术加速科学发现进程驱动技术研发模式创新和效能提升创新哲学社会科学研究方法四“人工智能+”民生福祉打造更有品质的美好生活二“人工智能+”产业发展培育智能原生新模式新业态五“人工智能+”治理能力开创社会治理人机共生新图景培育智能原生新模式新业态打造安全治理多元共治新格局加快农业数智化转型升级共绘美丽中国生态治理新画卷三创新服务业发展新模式六“人工智能+”全球合作推动人工智能普惠共享共建人工智能全球治理体系“人工智能+”消费提质拓展服务消费新场景培育产品消费新业态中国政府网了解AIForScience的投资者，往往将其视为“AI帮助制药、材料生成、高分子结构生成、新能源创新”。这种判断不无道理，但还有更强的技术纵深和延展性。一方面，我们把基于化学、高分子、新能源、医药、医疗的AI结构生成叫做“狭义AI4S”，把更多基础学科的AI加速叫做“广义AI4S”。另一方面，我们提供了这些领域的过去状态/大模型风靡后的世界标杆项目/大模型风靡后的中国标杆项目，详见表格。这些对比，可以视作AI4S未来的空间。不仅仅是业务发展的空间，还有投资者去理解它们的空间。表2：AI4S对各领域的发展与加速，尤其基础科学，超过较多投资者预期领域语文数学物理化学生物医学大模型之前平台CoreNLP工具AIMNIFACSPublications基因测序项目临床研究中心主体美国斯坦福NLP美国国家数学研究所美国国家点火装置美国化学会Broad研究所梅奥诊所大模型之后-世界代表项目/1OpenAIGPT-4VAlphaTensorNASAAI4-AstrophysicsSchrödingerAIDeepMindAlphaFold3MayoClinicPlatform主体OpenAIDeepMindNASA薛定谔公司谷歌EliLilly-NVIDIAAIJointInnovationLab代表项目/2GoogleGeminiGoogleResearchDeepMindIsingModelAIIBMResearch合成生物AI平台礼来+英伟达主体谷歌谷歌谷歌IBMGinkgoBioworks辉瑞Pfizer大模型之后-中国代表项目/1古籍修复与语义解析盘古数学大模型量子物理AI模拟平台AI分子设计AI代谢路径设计阿里健康AI医疗平台主体字节跳动豆包华为上海AI实验室晶泰科技中科院合成生物学研究所阿里巴巴代表项目/2LTP工具拓扑数据分析AI平台FAST射电望远镜DeePMD-kitUni-Fold药明康德AI主体哈工大+科大讯飞中科院自动化所科学院国家天文台深势科技深势科技药明康德领域地理历史哲学中医复合领域-能源复合领域-材料大模型之前平台NASAEarthObservatory史密森研究所哈佛大学哲学系HarvardTCMResearchCenterExxonMobil3M材料研发中心主体NASA史密森学会哈佛大学哈佛大学埃克森美孚3M代表项目/1GoogleEarthEngineAIMITDigitalArchaeologyStanfordAIPhilosophyLab中医辨证辅助GoogleDeepMind半导体材料AI大模型之后-世界主体代表项目/2谷歌NOAAAIMIT麻省理工Arts&CultureAI斯坦福大学OpenAIGPT-4IBMWatsonTCMMayoClinicTCMAI谷歌固态电池AIIBMResearch3D打印AI主体美国国家海洋和大气管理局谷歌OpenAI梅奥诊所QuantumScapeCarbon代表项目/1盘古气象大模型百度文心文物AI哲学论证分析阿里健康中医AIAIforMaterial光刻胶AI研发大模型之后-中国主体/2主体华为武汉大学遥感AI平台武汉大学百度“平台字节-北京大学字节跳动豆包清华大学AI伦理实验室清华大学阿里巴巴（方剂优化）腾讯宁德时代华为数字能源AI华为华大九天合金材料AI设计思朗+芯培森+深势等1AI4S/生物结构/新药创制/无机材料/高能物理等），也未涉及常见工具（分子指纹MolFP/MLFF/蒙特卡洛方法/分子动力学/AI）AI4S注2：LTP工具、FAST项目算AI4S典型代表，但未必严格算AI大模型各公司官网还有一个“自上而下”的重要视角。国际力量博弈和竞争的焦点领域，应当都可以使用AI4S方法。表3：国际博弈焦点领域，恰好可以AI4S帮助研发领域博弈目标关键限制手段与AI4S的关联半导体与先进算力先进制程与算力突破出口管制+FDPR规则AI4S加速:EDA、制造设备、新型半导体材料、存算一体架构等人工智能通用AI与高阶应用出口限制自主体系量子技术下一代科技竞争核心器件与算法管制AI4S加速:量子模拟、量子算法、量子器件材料设计等医药生物创新药与生物制造管制+投资禁令(焦点领域)AI4S全面加速下一代研发，尤其药物发现、生物制造、基因治疗、中药现代化、合成生物、医药数据库等新能源与先进材料高端制造竞争力核心材料/设备/工艺管制(焦点领域)AI4S全面加速下一代研发，尤其新能源材料、航空材料、材料数据库等航天与国防关联技术特殊领域应用两用技术管制+1260H清单AI4S加速材料、设备、仿真等BIS官网，美国国防部官网，CFIUS官网，欧盟委员会官网自下而上：AI4SROI上一章是自上而下视角，本章是自下而上视角。对于不利于金融一二级投资者的技术问题，都提供了通俗的比喻。把狭义AI4S关键的“微观-介观-宏观”做了六层细切，每一层指出关键输出。然后做了两种比喻，或许方便投资者理解。通过计算ROI，验证AI4S的投入划算。对于攻克“新质生产力”、“未来产业”的诸多难点，AI4S帮助研发，省钱省时间。所以我们称它为“乘法效应”-介观-下图绘制了典型AI4S的技术原理：为何AI可以实现“生成结构-预测性能”对应关系，并提供“微观-介观-宏观层级“的技术解释。首先在底层的量子力学层，属于微观。该层面包括薛定谔方程、电子密度公式、Hohenberg-Kohn定理、Kohn-Sham方程，实现了部分投资者了解的密度泛函理论（DFT）。相当于用AI加速了量子力学的计算，得到粒子的静态特征，例如电子密度、化学键能、晶体能带、散射参数、等效U参数等核心静态参数等。其次在较底层的统计力学层，属于微观。上述量子力学层主要聚焦在静态，但对动态的评估还不足，而本层即关键动态补充。玻尔兹曼方程（BTE）是连接微观量子态和宏观输运性质的核心。它是对微观量子态到介观/宏观输运的核心补充，弥补了DFT仅能计算基态性质的局限。这样用AI可以得到电导率、热导率、折射率、载流子迁移率等，这是动态场景重要的参数。图1：何实现“生成结构-测能”应？微观介观宏的术释 钱学森《物理力学讲义再次中间层的“经典力学+统计力学层“，属于介观。上述微观层虽然精细，但对于中高空间尺度或时间尺度的场景，计算量太大，于是AI4S可以在介观层处理。当前一二级AI4S公司经常采用分子动力学MD，即在该层级。该层包括经典力学+统计力学、分子动力学（MD）、牛顿第二定律（原子级）、机器学习力场（MLFF）等。此层承接前两层的微观参数，将量子力学推导的原子间作用力、化学键能，拟合成MD可直接调用的精准力场参数，聚焦10³~10⁶个原子规模的介观精细动态行为。这样用AI可以得到扩散系数、原子配位数、界面结合能等介观核心参数。这是连接微观量子规律与介观实际结构动态的核心层。接着中间层的“介观动力学+统计力学层“，也属于介观。上述层级仅能处理小尺度介观精细体系，无法适配微米级大体系与相变过程。该层通过“平均场近似”，聚焦介观大体系的整体行为与相变过程。该层面包含格子玻尔兹曼方法（LBM）与相场法（PFM）等。借助AI拟合碰撞参数、自由能泛函系数，可高效模拟电解质离子流、材料相分离、固-液相变、液-气相变、界面演化等，输出相图特征、界面迁移速度、流体流动速率等参数。这样介观尺度从“精细原子级”到“整体体系级”拓展。5）随后在上层的“热力学+统计力学层“，已经属于宏观。上述层级处理长时间、稀有事件比较薄弱。此层承接介观尺度的动态与结构参数，应对上述问题，直接输出工程可用宏观物性。该层核心为动力学蒙特卡洛（KMC）。通过统计前述介观尺度的稀有事件（如缺陷演化、催化反应、充放电循环）发生概率，结合热力学相平衡规律，AI统计拟合，可直接输出熔点、沸点、刚性（弹性模量）、延展性（延伸率）、热膨胀系数等材料核心宏观物性。它6）最后，最上层的“连续介质力学层“，属于宏观工程。上述层级还不是实际工程。此层承接宏观物性层的基础物性参数，适配实际工程工况的问题，聚焦产品级的宏观工程性能模拟。较多熟悉工业软件的投资人员，会接触到有限元计算（FEM）。尽管其较为高深，但仅是AI4S的上层应用。该层代表为有限元计算（FEM），以固体力学平衡方程弱形式为核心求解方程。将此前层级推导的弹性模量、泊松比、热导率、熔点等物性参数，AI自动映射为有限元模型的本构关系参数，结合实际工程工况（温度、压力、载荷），模拟产品在实际应用中的应力分布、温度场、使用寿命、结构稳定性等工程性能。它是AI4S跨尺度体系从“材料研发”到“产业落地”的最终应用层。上一节的“微观-介观-宏观”切分，可以归纳为：跨尺度模拟推导性能，用AI实现“结构-性能”精准映射。讲的通俗一些，用AI生成结构，且可以相对精准的预测性能。我们把它叫做狭义AI4S，因为它对基于粒子的科学（计算物理、计算化学等）更加有效，例如大家较为熟悉的AI帮助材料与医药创新。超越这个范畴的，我们称之为广义AI4S，在后续论述。下面用两种比喻，方便投资者理解狭义AI4S。图2：用喻融资理解何实现“生成结构-测能”射 钱学森《物理力学讲义第一种比喻是，用股票投资来类比理解。AI4S从微观到介观再到宏观的跨尺度推导过程，类比为专业机构从个股基本面研究到持仓组合设计，再到组合收益风险表现的完整投资决策流程。AI在其中扮演智能投研、量化建模的角色。AI4S的微观层，对应投资中的个股基本面 。微观层的薛定谔方程、Sham方程等量子力学理论，就像投资中分析个股的财报、估值模型、核心竞争力的底层方法。这些方法算出的电子密度、化学键能、带隙等微观参数（AI4S领域），类比为个股的净资产、ROE、净利润增速等底层价值指标（股票投资领域）。AI4S的介观层，对应投资中的最优持仓组合设计。介观层的分子动力学、机器学习力场、介观动力学等方法，就像投资中的量化模型与组合构建工具。介观层输出的扩散系数、界面结合能等结构特征（AI4S领域），类比为组合的夏普比率、波动率、行业配比等组合特征（股票投资领域）。AI4S的宏观层，对应投资中的组合收益与风险表现。宏观层通过动力学蒙特卡洛、有限元计算推导出的熔点、刚性、导电性、工程性能等宏观指标，如同由持仓组合特征推导的年化收益、最大回撤、收益稳定性等投资落地指标。宏观性能的可预测性（AI4S领域），源于微观到介观的精准对应和层层推导，就像组合收益的稳定性，源于个股基本面到持仓组合的严格匹配（股票投资领域）。第二种比喻是，深度神经网络图像识别。把AI4S的跨尺度推导，类比为深度神经网络图像识别从像素特征提取到中层特征整合，再到语义结果输出的完整过程。AI4S的微观层，对应图像识别的像素级原始特征。微观层通过量子力学方法算出的电子密度、波函数、化学键能等参数（AI4S领域），可以类比为图像中每个像素的RGB值、亮度、对比度等基础信息（图像识别领域）。AI4S的介观层，对应图像识别的中层结构化特征。介观层从微观原始特征中提取、生成的原子排布、分子构象、晶界结构等介观结构，是对微观特征的结构化整合（AI4S领域），可以类比为从图像像素特征中提取的线条、轮廓、形状、纹理等中层特征，是对像素点的整合与加工（图像识别领域）。AI4S的宏观层，对应图像识别的宏观语义化输出。宏观层从介观结构化特征中推导的熔点、刚性、导电性、工程性能等宏观指标，是对介观结构特征的最终解读与落地（AI4S领域），可以类比为从图像中层特征中识别出的猫、狗、汽车、建筑等语义结果，是对中层特征的最终解读与应用（图像识别领域）。广义AI4S中，“宏观-介观-微观跨尺度对应”的关系不明显。下面列举几个案例：理论物理/天体物理领域：聚焦规律挖掘与现象预测。如引力波探测、宇宙学模拟、黑洞演化研究，研究对象是宇宙时空、引力场等无明确“宏观-介观-微观结构“的物理存在，无需结构生成。但AI4S可通过机器学习挖掘天文观测数据的规律，通过AI加速复杂的广义相对论方程计算，实现引力波信号的快速识别、宇宙演化的精准模拟。比如激光干涉引力波天文台（LaserInterferometerGravitationalWaveObservatory，缩写为LIGO）利用AI从海量天文数据中筛选引力波信号，效率大幅提升，属于典型的AI4S应用。计算数学/应用数学领域：聚焦方程求解与算法优化，无物质结构。如高维偏微分方程求解、复杂拓扑学分析、数值算法优化，研究对象是数学模型与算法，无任何物质结构与跨尺度关联。但AI4S可通过神经网络逼近方程解、通过GenAI生成最优算法框架，比如盘古数学大模型将高维偏微分方程的求解速度提升数量级，解决了流体力学、气象学中的复杂计算难题，这是AI4S在数学领域的核心应用。生命科学/生物信息学领域：聚焦数据挖掘，非结构生成。如基因组数据分析、蛋白质互作网络预测、罕见病基因靶点筛选，部分场景无需生成新的基因/蛋白质结构，而是通过AI挖掘海量生物数据中的规律。比如用AI分析肿瘤基因组的突变特征，快速定位致癌靶点，用AI构建蛋白质互作网络，预测疾病的分子机制，这一场景核心是数据驱动的规律发现，属于AI4S的重要应用。气象学/地球科学领域：聚焦复杂系统预测，无物质结构生成。如全球气象预测、地质灾害预警、海洋环流模拟，研究对象是大气、地质、海洋的复杂动态系统，无明确的物质结构层级，无需结构生成。但AI4S可通过多模态大模型融合卫星遥感、气象站、海洋监测数据，实现台风路径、地震风险、极端天气的精准预测。比如盘古气象大模型将全球10天气象预测的精度大幅提升，这一场景是AI4S在复杂系统预测中的应用。人文科学计算领域：AI赋能人文研究，无物质结构基础。如古籍文本智能解析、历史文献规律挖掘、语言演变分析，属于AI4S在人文科学的跨界应用，研究对象是文本、语言、历史数据，无物质结构与跨尺度关联。但AI4S可通过大模型实现古籍残缺文字补全、历史文献的知识图谱构建、语言演变的规律预测。比如识典古籍平台用AIAI4SROI下图中，右上角是湿实验，时间长、花费大。左下角是AI方法，时间与花费有优势，但精度未必佳。中间的方法较为折中，尤其基于密度泛函理论DFT、分子动力学MD的AI4S方法。以上仅为典型示意图。实际折中、延展、变化，层出不穷。精度湿实验帮助ML湿实验帮助计算ChemicalSynthesis合成典型工具:微波合成仪WetLabPerformance StructuralTesting 测试 表征典型工具: 典型工具电化学工作站 XRD一种精度和效率折中DeePMDComputation典型工具:VASP精度湿实验帮助ML湿实验帮助计算ChemicalSynthesis合成典型工具:微波合成仪WetLabPerformance StructuralTesting 测试 表征典型工具: 典型工具电化学工作站 XRD一种精度和效率折中DeePMDComputation典型工具:VASP计算方法DFT实际转化密度泛函分析数值PDE数值求解分子动力学典型工具:LAMMPS/GROMACS平衡精度和效率MD高精度小体系静态KMC蒙特卡洛统计 典型工具:KMCLib/SPPARKS长时间稀有事件MachineLearning机器学习方法MLFF机器学习力场 典型工具:DeepMD/MACEMolFP分子指纹，Molecular 典型工具:RDKit/DeepChemFingerprintGenAI生成式人工智能典型工具:ReactiveAI/ReactGenPyTorch/TensorFlow/JAX(Alphafold)0.01美元/计算10-100美元/计算10K+美元/样品成本小时/天月注1：右上角是传统研发流程，依赖经验积累+财力投入+实验时间。注2：左下角是依赖生成式AI的流程，成本与时间均优化，精度未必高注3：中间是折中的方式，尤其密度泛函理论DFT、分子动力学MD的AI4S方法注4：以上仅为典型示意图。实际折中、延展、变化，层出不穷申万宏源研究从中已经可以定性看出AI4S省时间、省钱，提高了研发的ROI。下面两张表，用典型的场景计算了AI4S的ROI、成本节约率，并提供信息来源。这是AI4S效果的定量测算。核心变化逻辑AI4S研发模式核心变化逻辑AI4S研发模式(AI-Driven)传统研发模式(Traditional)测算维度适用阶段 早期发现 早期发现 聚焦于研发最前端、试错成本最高的环节36-48个月12-18个月提速2-3倍典型研发周期(3-4年)(1-1.5年)参考英矽智能ISM001-055(188-12实验策略高通量筛选(HTS)生成式AI+主动学习从“随机筛选”转变为“理性设计”“大海捞针”式盲目试错“按图索骥”式定向验证湿实验次数1,000-5,000次100-200次减少90%+(含大量阴性结果)(高命中率验证)AI虚拟筛选富集因子提升10-50倍单次综合成本$3万-$5万/次$3万-$5万/次单价不变，但总实验支出大幅降低(不含分摊的失败成本)(单次物理成本不变)算力/算法成本忽略不计$50万-$100万/项目新增成本项(仅基础分子对接)(大模型训练+推理)但远低于节省的实验费用人力投入结构大量化学家/生物学家“AI科学家”+自动化实验人力从“重复劳动”转向“策略制定”(手工设计+操作)(人机协同)注1:典型研发周期案例，例如英矽官网和论文披露的ISM001-055项目（18个月完成PCC选定）注2：湿实验次数减少基于“虚拟筛选富集效应”。传统HTS命中率<0.1%（需筛数千次， J.Med.Chem.2008）；AI辅助可将富集因子提升10-50倍，使典型验证命中率（或成药性）升至1-5%（ Nature2021,Cell2020）。结合Insilico/Exscientia等公开案例，AI通过“计算预筛+主动学习”消除了约90%的无效湿实验，仅需100-200次定向验证即可完成PCC选定。注3：值得注意的是，在用2026年的AI富集成功率（或成药性）与2008-2021年的研发命中率比较，不够公允。因此表中”湿实验次数“仅仅是代表性说明，未必是实际情况。2023年10月Nature论文指出该数据为”时间与成本至少下降25%-50%，更加符合实际情况。注4：上文中，HTS命中率来自JournalofMedicinalChemistry2008年经典研究《Comprehensivemechanisticanalysisofhitsfromhigh-throughputanddockingscreensagainstbeta-lactamase》（DOI:10.1021/jm701500e），提升10-50倍来源是2020年Cell《Adeeplearningapproachtoantibioticdiscovery》（DOI:10.1016/j.cell.2020.02.004）注4：单次试验成本包含：1)合成与测试的直接执行费（参考CRO外包报价）；2)科研人员工时及设备场地折旧分摊；3)无效试错成本（基于传统模式低命中率，将多次失败成本计入单次有效验证）JournalofMedicinalChemistry,NatureBiotech，Cell,BCG咨询，英矽智能官网表5：典型AI4S的成本节约率（单位：万美元，%）成本类型 传统研发 AI4S研发 成本节约 成本节约 关键驱动因总成本(万美元) 总成本(万美元) 金额(万美元) 率湿实验成本2,500(5000次×$0.5万)100(200次×$0.5万)2,40096%核心节约点：AI消除无效试错计算/算力成本50(基础模拟)150(AI模型训练+云算力)-100(成本增加)AI带来的新增必要投入人工成本

800 400(200万/年×4年) (200万/年×1.5年+AI团队100万)

400

研发周期缩短直接降低人力占用设备/场地折

200 75 125 62.50% 时间缩短导致固旧 (4年占用) (1.5年占用)总计 3,550 725

定资产分摊减少2,825 79.60% 著10.5败试错沉没成本”，5000/200注2：Nature2023年10月版《IsAIstartingtoacceleratedrugdiscovery?》指出：“BCGandtheresearchfunderWellcome,saysthatAIcouldyieldtimeandcostsavingsofatleast25–50%",和表格结论一致，只是数据不同Nature,申万宏源研究产业链：技术切分，商业模式明朗投资者往往从商业模式角度研究产业链。此处刻意调整为按照技术环节切分产业链。因为每个技术环节的研究（例如渗透率与国际对标）更有意义，而且可能需要给底层技术做金融估值。假如基于商业模式，反而较为简单。以下为参考结论：上游偏重基础设施，偏重硬件，往往是销售产品的商业模式，可以采用和AISaaS的估值方法；中游理论上高通用性、强壁垒、可复用（类似SaaS的估值方法），实际上存在高价项目定制（项目制估值方法）；下游定制化强、与产业绑定深、验证成本高。可能是Buy-out模式按照“在研管线”估计收入并估值。其中，Buy-out模式可以参考医药在研管线（Pipeline折现）估值方法，定制项目可以用项目制估值方法。下面是技术切分的上中下游。图4：AI4S的上下览表 钱学森《物理力学-中游-。表6：AI4S的上游，包括国内外、一二级。按照技术环节划分，方便投资者上中下游环节模组子环节 明细1（公或工具）明细2明细3明细4上游模组设备硅光存储PCB液冷电源算力（AI4S）GPU+超算+DPU英伟达海光信息中国太湖之光AI4S算力+一体机思朗科技（一级）芯培森（道氏技术）深信服云服务思朗科技（一级）谷歌CloudDFTAWSBatch上游数据库国外数据库MaterialsProjectOQMDJARVIS-DFTPubChem国内数据库华大基因（多组学）智研院（中国材料基因库）晶泰科技上游底层工具软件与算法DFT工具MD+MLFF工具Quantum 深势科技 思朗科技ESPRESSO （一级） （一级）思朗科技 深势科技LAMMPS GROMACS （科学计算算 （DeePMD-子） kit）KMC工具KMCLib有限元工具ANSYS索辰科技安世亚太（一级）EDA工具华大九天概伦电子芯和（一级）AI算法框架GNNMLFF（DeepMD/MACE）工作流引擎AiiDApymatgen注1：由于投资者面对的往往不是通用上下游环节，而是细分技术领域。所以优先按照技术环节/技术路线划分，方便投资者。注2：上中下游已经有初步商业模式。上游重资产，销售产品；中游理论上高通用、可复用，主要是产品模式、SaaS模式、高价值项目模式；下游定制化强，产业绑定深，IP授权、Buy-out模式。申万宏源研究表7：AI4S的“上中下游“产业链表，包括国内外、一二级。按照技术环节划分，方便投资者上中下游环节子环节明细1（公司或工具，下同）明细2明细3明细4明细5中游技术-跨尺度计算引擎微观计算AI+DFTSchrödingerVASP晶泰科技分子之心（一级）介观模拟AI+MD/MLFFLAMMPSGROMACS思朗科技（一级）深势科技（一级）宏观预测AI+KMC/有限元ANSYSKMCLib索辰科技安世亚太（一级）中游技术-结构生成与优化平台GenAI结构/多目标优化晶泰科技英矽智能深度原理（ReactiveAI）药石科技（结构合成配套）蛋白/生物大分子结构预测DeepMind（AlphaFold3）分子之心（一级）晶泰科技（Xtalfold）字节跳动（Seedfold）技术-分子表征与性质预测分子指纹（MolFP）RDKit/DeepChem晶泰科技药石科技深势科技（一级，Uni-Mol）技术-实验闭环计算化学平台SchrödingerDeepMind药明康德晶泰科技AI+实验AI+实验机器人Schrödinger晶泰科技晶泰科技镁伽（设备）药明康德智化科技（化学方案）英矽智能标智未来聚光科技(配套）依华（厦大）注1：由于投资者面对的往往不是通用上下游环节，而是细分技术领域。所以优先按照技术环节/技术路线划分，方便投资者。注2：上中下游已经有初步商业模式。上游重资产，销售产品；中游理论上高通用、可复用，主要是产品模式、SaaS模式、高价值项目模式；下游定制化强，产业绑定深，IP授权、Buy-out模式申万宏源研究在中游，有个重要新增环节为实验机器人。一方面，无论是物理模拟还是AI预测，都停留于虚拟世界，其计算结果需要真实世界检验。这正是构建机器人自动化实验平台的价值。它以标准化、高通量的方式执行AI设计的实验方案，快速完成合成、表征与测试，产生真实、可追溯的实验数据。另一方面，这些数据不仅验证准确性，更重要的是回流入AI模型，持续优化预测能力，为物理模拟提供参数，形成“计算预测-实验验证-数据回流-模型迭代”飞轮。这样，中游的自动化实验平台能打破虚拟计算与真实结果之间的鸿沟，让AI模型从静态预测进化为动态演进的“科学大脑”。表8：AI4S的“上中下游“产业链表，包括国内外、一二级。按照技术环节划分，方便投资者上中下游环节场景应用层AI4S子环节明细1（公司或工具，下同新能源电池材料明细2 明细3 明细4 明细5下游新能源材料（电池/光伏/催化）半导体材料金属材料 钙钛矿QuantumScape、FirstSolar、宁德时代、晶泰科技、协鑫光电（一级，钙钛矿AI）等南大光电 深势科技 芯耀辉Synopsys (AI光刻胶应 （一级） （一级）用）高端金属/合金材料中科三环 深势科技（一 智化科技（一蒂森克虏伯 （应用） 级，合金AI设 级，催化合金计）下游场景应用层AI4S新医药高能物理小分子药物 生物药 晶型优化 ADMET预测Pfizer、Schrödinger、英矽智能、晶泰科技、分子之心（一级）等粒子碰撞模拟 量子场论计算地质学地震波模拟 矿产资源勘探 地质灾害预测中医中药成分筛选 经络理论量化 方剂优化思朗科技（一级）本草智研 深势科技（一（一级） 级）其他：气候模拟 核聚变实验 天体物理建设计注1：由于投资者面对的往往不是通用上下游环节，而是细分技术领域。所以优先按照技术环节/技术路线划分，方便投资者。注2：上中下游已经有初步商业模式。上游重资产，销售产品；中游理论上高通用、可复用，主要是产品模式、SaaS模式、高价值项目模式；下游定制化强，产业绑定深，IP授权、Buy-out模式注3：部分环节的明细领域/公司较多。那么就一行陈述领域，紧挨着一行罗列公司。申万宏源研究算力专属问题一个存在争议的话题是：当年英伟达、CUDA、transformer都有一定偶然性，从一个细分小众领域裂变成普适领域。尽管它们当时技术上有较大优势，但商业原因很重要（产业和资本需要，推它们划算），而非技术本身是唯一解。这个历史话题需要讨论的原因是：待AI产业链全面成熟后，三者均非不可替代，AI4S领域有望诞生专属通用算力。英伟达：崛起于游戏和图形渲染，初衷是解决CPU并行计算瓶颈，2012年后偶然适配AI深度学习需求，并非天生布局AI算力。CPU架构为“少核心、深流水线”，擅长串行任务，但在游戏渲染、图形处理中，需要同时计算成千上万像素的颜色、光照、纹理，CPU效率极低，形成严重性能瓶颈。比如早期3D游戏用CPU渲染，一帧画面往往需要几秒计算，无法满足实时交互需求。1999年英伟达发布GeForce256，提出“GPU（图形处理器）”概念，聚焦图形渲染的并行计算需求，这实质是个小众领域。转机是AlexNet：2012年AlexNet借助GPU并行算力实现图像识别准确率的突破性提升，拉开AI革命序幕，而英伟达GPU的多核心并行架构，恰好适配深度学习中矩阵乘法、梯度下降等海量重复计算需求，游戏成为重要领域。有了规模后，下一步投身AI，从“游戏硬件”偶然转型为“AI算力领军”。CUDA：于2006年推出，2008-2009年持续投入，2013（StarboardValue致信英伟达董事会，认为CUDA是“烧钱无希望的钱坑”），黄仁勋坚持保留至2014年，因AI产业爆发、市场急需成熟计算引擎而被动胜出。其存活与普及并非技术必然。CUDA2014年后的爆发的核心是资本与产业需要一款成熟的通用并行计算引擎，而CUDA恰好是当时的“较优选项”，相较于AMD的OpenCL等竞品更成熟，而非“技术唯一选项”。Transformer：架构当年凭借解决长距离依赖、并行效率高的优势成为NLP主流。但2024年后，随着AI模型向长文本、复杂推理场景延伸，TransformerOn²Transformer研发初衷仅为解决“TPU算力利用率低、长距离依赖建模弱”的具体问题，而非预判到其会成为AGI的技术底座。当前为了解决其短板，注意力机制优化（FlashAttention等）、混合架构设计、新架构（状态空间模型类例如Mamba、融合型轻量架构如RWKV、高效替代算子架构如Hyena）都是为了解决transformer的问题。这再次说明transformer并非不可替代。三者的领先，本质是产业起步阶段“即拿即用、降低成本”的产业与资本诉求，而非技术不可超越。产业成熟后，需求将从“快速落地”转向“多元化适配”，三者的“唯一“优势或消失。类比Groq（初期小众领域，推理市场崛起后，主打ASIC推理芯片），随着AI4S产业规模提升、资本投入增加，其作为AI4S的细分赛道，因场景特殊性（多尺度模拟、工业仿真等），有望孕育出贴合自身需求、或不依赖以上三者的专属通用算力。AI4S专用算力可能也会从小众领域裂变成普适领域。形态未必是GPU，或未来的量子计算。下面思朗科技的示意图即为一个说明，来源是官网《科技智能2.0星河启智科学智能开放平台正式发布，思朗科技受邀首批入驻》1。AI4S的典型算子未必是FlashAttention、TensorCore计算等，而可能是快速傅里叶变换FFT、LDPC编解码、PolarAI4S算力、AI4S一体机，都有可能崛起。AI4S专用算力的拓展崛起，可能会类似于GPU从游戏到AI训练的拓展崛起。图5：AI4S的算问未必要去通算力 思朗科技官网1科技智能.时代“最强大脑”星河启智科学智能开放平台正式发布，思朗科技受邀首批入驻，/ ，思朗科技官网AI4S一二级参与者表9：相关AI4S公司（或潜力公司）的估值表（对未披露利润预告的厂商使用 一致预期，单位：市值亿人民币，利润百万人民币，%。时间选择2026年2月27日收盘后）市值（亿 利润市值（亿 利润2025 利润2026 利润2027元人民币） （百万元） （百万元） （百万元）PE27EPB PE25A/E PE26E名称代码2228.HK 晶泰控股 5.7 -- -- 273 446 -145 -39 1633696.HK英矽智能------5,554354-53-66688777中控技术6.114157446354501,1111,448603108润达医疗2.4-19413597-518238275301269华大九天10.7319180119551173306465688041海光信息26.4239131916,0692,5424,6506,660688507索辰科技3.2--8264920112144603019中科曙光6.36444371,3492,1133,0563,682300750宁德时代5.323181515,76068,80887,713106,686688607康众医疗5.3------47------300409道氏技术2.94421132355301,1191,745300986志特新材6.0724941124173254307603259药明康德4.21519162,96219,15115,53018,084002865钧达股份5.4--4022242-1,3505991,084688116天奈科技4.9--27201750636862600549厦门钨业5.94836331,1142,3113,0983,419688223晶科能源2.8--46.222754.4-6,4001631.93,494一级市场思朗科技----------------一级市场深势科技----------------一级市场芯培森----------------一级市场深度原理----------------一级市场全芯智造----------------一级市场分子之心----------------注1：润达医疗、道氏技术、药明康德、钧达股份、晶科能源，其 一致预期数据于公告的业绩范围之外。基于严性，把业绩预告范围中值作为2025年利润，并计算PE倍数注2：计算PB时，港股用MRQ（基于最近一个季度的净资产），A股用LF（最新完整财年），二级市场TMT：晶泰控股（医药+TMT）/中控技术(机械+TMT)/润达医疗（医药+TMT）/华大九天/海光信息/索辰科技/中科曙光等晶泰科技（02228.HK，港股）：AI4S干湿闭环的核心平台。晶泰科技是全球领先的AI4S平台型公司，核心是AI+物理建模+机器人实验的干湿闭环。AI4S定位：以量子力学、分子动力学为底层，用深度学习加速药物与新材料研发，覆盖小分子药物、抗体、固态电池材料等。技术能力：自研IDM（IntelligentDigitalMolecule）平台，整合DFT、MLFF、KMC等多尺度模拟，结合自动化实验机器人，实现“计算预测→实验验证→数据反馈”的闭环。重要进展：1）港股18C特专科技第一股，2024年上市；2）与辉瑞、强生等药企合作AI药物发现，多个小分子管线进入临床；3）与礼来、强生、UCB等药企合作抗体类新药发现平台；4）公开披露与晶科能源合作。中控技术（688777.SH，申万机械）：国内工业自动化领军，在AI4S中聚焦工业过程智能仿真与优化。AI4S定位：将AI与流程工业机理模型结合，用于化工、石化、冶金等行业的工艺优化、能耗降低与安全管控。技术能力：自研“流程工业智能优化平台”（例如流程工业过程模拟与设计平台APEX、仿真平台InPlantOTS等），融合机理模型（如反应动力学、热力学）与机器学习；支持数字孪生，实现全流程实时仿真与预测性维护。重要进展：预计与万华化学、巴斯夫等头部企业合作，AI优化项目落地后能耗降低(参见官网公开发布)；发布“工业元宇宙”解决方案，将AI4S与数字孪生深度融合。润达医疗（603108.SH，医药+TMT）：医学检验服务与IVD渠道领军之一，AI医疗大模型+国产化算力落地领先。AI4S定位：医疗检验场景AI4S，以临床检验数据与循证AI赋能诊断、病理与药物研发辅助。技术能力：基于昇腾算力+盘古大模型，自研AI产品，可达医疗级水平。重要进展：推出CDx良医小慧、华擎智医一体机，与华为深度合作，AI检验已规模化落地医院(基于官网公开发布)。华大九天（301269.SZ）EDA领军，在AI4S中聚焦AI驱动的芯片设计与物理仿真。AI4S定位：用AI的研发成本与周期。技术能力：覆盖全流程EDA工具，在SPICE仿真、时序分析等环节引入AI模型；可支持7nm/5nm等先进工艺，AI辅助的电路仿真速度提升数倍。重要进展：与半导体制造领军等深度合作，AIEDA工具在先进制程中落地；近年推出AIPPA（性能、功耗、面积）。海光信息（688041.SH，算力芯片）：国产算力芯片核心厂商，为AI4S提供高性能计算（HPC）与科学计算算力底座。AI4S定位：其CPU与DCU（深度计算单元）专为科学计算、分子模拟、流体力学等场景优化，是AI4S算力国产化的核心支撑。技术能力：兼容x86生态，支持VASP、LAMMPS等主流科学计算软件（光合组织披露）；预计DCU在分子动力学、有限元仿真中性能接近国际同类产品。重要进展：匹配AI4S平台，提供算力支撑，是超算中心核心算力供应商。2025年11月亮相全国声学大会，指出海光算力平台已在流体力学、材料科学、生命科学等多个领域展现出强劲的科研支撑能力。索辰科技（688507.SZ，CAE/工业仿真）：国内CAE（计算机辅助工程）领军，在AI4S中聚焦物理AI驱动的工业仿真。AI4S定位：用AI替代传统有限元/有限体积法的迭代求解，加速流体力学、结构力学等工业仿真，覆盖航空航天、能源、汽车等领域。技术能力：自研“天工・开物”物理AI平台，融合NS方程、弹性力学等机理与深度学习；仿真速度提升数量级，精度保持在工程可接受范围。重要进展：为特殊行业等提供AI仿真解决方案（基于招股说明书）；2025年3月发布会涉及“超大规模物理AI生成式流场计算引擎”。中科曙光（603019.SH，超算/算力）：国内超算与AI算力领军。AI4S定位：提供超算集群、AI服务器与算力调度平台，支撑DFT、MD、LBM等大规模科学计算。技术能力：科学大模型一站式开发平台OneScience。重要进展：2025年10月，在2025年中国计算机大会上，中科曙光发布了科学大模型一站式开发平台OneScience。该平台集成数十个AIforScience热点模型及数据集，支持地球科学、生物信息、流体仿真、材料化学等领域用户进一步开发新模型。二级市场应用：英矽智能/宁德时代/康众医疗/志特新材/药明康德/道氏技术等，多个有拓展潜力该环节与前一章节差别是：更加注重应用，往往是甲方。而前一章节往往是乙方。英矽智能（03696.HK，港股）：AIAI4SAI4S定位：通过生成式AI与靶点预测、分子生成、ADMET性质预测等模块，将靶点发现至临床前候选化合物的研发周期从数年压缩至12-18个月。技术能力：自研Pharma.AI平台，整合深度学习与分子模拟；全球首个用AI发现全新靶点并推进到临床的公司。重要进展：与礼来、施维雅等合作，多个管线进入I/II期临床；2026年发布MMAIGym训练环境，以提升通用大语言模型在药物研发领域的能力；管线ISM001-055完成2a期临床验证，并取得出色的临床有效性数据。宁德时代（300750.SZ，新能源）：创新性的将AI4S用于电池材料研发与工艺优化，并做更广的拓展。AI4S定位：用AI加速正极/负极材料、电解质的筛选与设计，提升电池能量密度、循环寿命与安全性。技术能力：搭建AI+DFT+实验平台，预测材料性能与老化行为；用机器学习优化电池制造工艺，降低能耗与成本。重要进展：与思朗科技等合作，共同开发未来电池材料（基于溥泉资本投资思朗科技推测）；发布新一代电池产品，预计AI起到作用。宁德时代通过旗下产业投资平台溥泉资本（CATLCapital）领投思朗科技D轮融资。康众医疗（688607，医疗）：X射线平板探测器核心厂商，以AI+影像硬件切入基层智能诊疗。AI4S定位：医学影像物理层AI4S，聚焦低剂量成像、4D定位与边缘AI推理。技术能力：DAEC精准剂量控制、智能束光器与AI摆位算法，边缘算力端到端优化。重要进展：7000万元战略投资脉得智能布局超声AI，推进基层医疗AI落地。志特新材（300986.SZ，新材料）：明确重大投入AI4S的新材料企业，聚焦AI驱动的先进材料研发。AI4S定位：用AI预测材料性能，结合自动化实验平台，加速新能源、电子材料的研发与产业化。技术能力：可以构建“量子计算+AI+机器人”，覆盖从分子设计到中试放大；与伙伴合作开发AI材料数据库。重要进展：根据其官方网站，在上海举办AIforScience新型材料发布会，活动邀请来自高校、科研机构与产业界的专家出席交流，并邀请海外客户ConcreteStoneCorp董事长FrancisLloydChua到场见证相关新产品发布。药明康德（603259.SH/02359.HK，AH股）：措辞较保守，可推测正密切关注AI4S赋能药物研发。重要进展：一方面，2025年3月药明康德在2024年业绩电话会指出：医药行业，尤其是在研发阶段，正在探索如何用AI加速创新药物研发，这处于比较早期的阶段，我们也有服务赋能很多这样的客户。但可推测公司在关注该领域。例如官网披露了AI改变药物研发（2025年1月）、谷歌AI生物学突破（2025年6月）、、DavidBaker成果（2025年7月）、英伟达礼来合作（2026年1月）、GenerateBiomedicines融资（2026年2月）。道氏技术（300409.SZ）：投资芯培森，参见后续章节。还有一批公司有AI4S的业务潜力：晶科能源：基于公开披露，已与晶泰科技开展AI依托AI高通量虚拟筛选、分子模拟与自动化实验平台，开展材料组分、界面结构与工艺参数优化，属于AI4S在光伏前沿材料领域的典型落地。我们预计公司向太空光伏场景延AI4S赋能路径。钧达股份：自主研发钙钛矿叠层电池，并积极推进太空光伏场景测试与验证。钙钛矿材料的成分设计、稳定性优化、极端环境适配均为AI4S典型应用场景，公司当前虽AIAI4S潜力。天奈科技：主营单壁碳纳米管，是固态电池导电剂与固–固界面改性的核心材料。单壁碳纳米管的管径控制、生长工艺、分散性与界面适配均依赖多尺度模拟与高通量优化，该领域属于AI4S在前沿电池材料中最具落地价值的方向之一。公司尚未披露AI4S相关进展AI4S潜力。厦门钨业：重点布局固态电池硫化物电解质。该材料的离子电导率、界面稳定性、合成工艺均为AI4S典型优化对象，依赖原子尺度模拟、组分预测与缺陷调控。公司目前以材料研发与送样验证为主，尚未披露直接合作AI4S潜力。一级市场部分代表：思朗科技/深势科技/芯培森（道氏技术）/深度原理/全芯智造/分子之心等思朗科技（一级，算力及平台）：国内AI4S综合领军，主要算力基础设施和重要行业平台适配。AI4S定位：提供AI4S专用算力一体机与云超算平台，支撑DFT、MD等大规模模拟。技术能力：自研AI4S算力与主要应用，包括材料、医药、半导体等重大领域，优化科学计算任务的并行效率；重要进展：为国内多家高校与科研院所提供AI4S算力服务；获一线VC投资，估值快速增长，成为算力赛道独角兽。宁德时代通过旗下产业投资平台溥泉资本（CATLCapital）领投思朗科技D轮融资。深势科技（一级，平台）：国内AI4S平台型企业之一，主要聚焦多尺度建模与机器学习力场（MLFF）。AI4S定位：用AI替代DFT，实现百万原子级分子动力学模拟，覆盖药物、材料、催化等领域。技术能力：自研DeePMD-kit开源框架，是主流的MLFF工具之一。重要进展：“2024科学智能峰会-AI4S产业及行业实践论坛”上，深势科技分别与宁德时代、东阳光科、依华智慧等签署战略合作。2025年下半年，完成总额超8亿人民币的C轮融资。本轮融资由达晨财智、京国瑞基金、北京市人工智能产业投资基金、北京市医药健康产业投资基金、联想创投、元禾璞华等机构共同出资。芯培森（一级，道氏技术参股，算力芯片）：原子级科学计算专用芯片（APU）公司，道氏技术为重要参股方。AI4S定位：推出专为分子模拟、量子化学设计的APU芯片，将AI4S算力成本降低一个数量级。技术能力：全球首款原子级科学计算专用芯片，性能远超通用GPU；兼容主流科学计算软件，支持端到端加速。重要进展：获道氏技术投资；基于第一代"非冯·诺依曼"专用芯片架构技术的APU服务器已经被多个重点高校科研团队采购使用。深度原理（一级，AI算法）：深度原理是AI4S领域的算法创新企业，聚焦物理信息神经网络（PINNs）与多尺度模拟。AI4S定位：用AI直接求解偏微分方程（PDE），替代传统有限元/有限体积法，加速流体力学、传热等工业仿真。技术能力：自研PINNs框架，在NS方程、弹性力学等问题上实现高精度快速求解；支持从微观到宏观的多尺度耦合。重要进展：AI仿真方案实现工程落地；获A轮融资，由戈壁创投管理的阿里巴巴创业者基金大湾区基金(简称AEF大湾区基金)与蚂蚁集团共同领投。全芯智造（一级市场，EDA/AI4S半导体方向）：国内专注半导体制造EDA的头部企业，典型面向半导体制造的AI4S工业软件平台。AI4S定位：机理模型+机器学习重构芯片制造仿真与工艺优化，覆盖计算光刻、OPC/MPC模型校准、蚀刻仿真、CMP化学机械抛光仿真、器件仿真、良率分析六大制造环节，服务先进制程晶圆厂，缩短工艺收敛时间、提升良率、降低制造成本。技术能力：1）构建计算光刻、“设计-制造“协同、智能制造、工艺器件仿真四大平台，支持14nm及以下先进制程；2）核心AI4S技术：将CMP物理模型与神经网络融合，在表面形貌预测中兼顾高精度与速度；3）把AI用于OPC/MPC模型构建与光刻仿真，显著提升传统工艺仿真效率；4）累计专利众多，是国内稀缺的制造EDA全流程厂商。重要进展：1）核心产品：ASEDAC®计算光刻系统，已在头部晶圆厂量产落地，填补国内空白；2）AI相关：我们预计AI已规模化用于光刻/蚀刻/OPC等多个制造环节；3）融资与股东：C轮融资，大基金二期、武岳峰、人保资本、合肥高投等参股。分子之心（一级，AI制药/结构预测）：AI驱动的蛋白质结构预测与药物发现企业，聚焦生物大分子AI4S。AI4S定位：对标AlphaFold等，用AI预测蛋白质、抗体等生物大分子结构，加速抗体药物、疫苗研发。技术能力：自研Uni-Fold等模型，在蛋白质结构预测精度上接近AlphaFold；支持蛋白质设计与功能预测，覆盖免疫治疗、基因编辑等领域。重要进展：2024年的A轮融资，谢诺投资等联合领投。风险提示：技术/竞争//政策/市盈率等技术风险：AI4S属于AI验证周期长。例如：机器学习力场（MLFF）精度不足、多尺度模拟耦合难度高、物理机理与AI融合不稳定、工业场景泛化性弱、底层算法与算力架构依赖度高，对企业长期研发与工程化落地能力要求极高。竞争风险：全球科技巨头、高校团队、国产工业软件、AI大模型公司、海外专业厂商均在加速布局，国内外参与者数量多、跨界渗透强，赛道拥挤。国内AI4S仍处于早期商业化阶段，部分领域同质化竞争加剧，同时面临海外成熟工具（如VASP、ANSYS、Schrödinger）的竞争。正因为此，预计未来AI4S标的会陆续登陆A+H资本市场。市场风险：AI4S下游药物、新材料、半导体、化工、能源均为长周期、重验证行业，落地节奏慢于通用AI。市场可能存在预期先行、落地滞后的情况；部分场景仍依赖专家经验、实验验证，渗透率提升速度存在不确定性。需持续跟踪干湿闭环、高通量筛选、工业化仿真等关键节点的放量进度。政策风险：AI4S涉及科学计算、底层工业软件、数据安全、知识产权、跨境算法与数据合规。国内外监管政策、出口管制、算力限制、行业标准均可能发生变化；不同国家的监管差异，可能影响企业全球化拓展与供应链安全。正因为此，国内“人工智能+”政策发文，把“人工智能+科学技术”放在醒目位置。供应链与算力风险：AI4S依赖高端算力芯片（GPU/DCU/超算）、科学计算软件栈、自动化实验设备等。上游算力供给紧张、专用芯片受限、软件生态薄弱、实验机器人供应链不稳定，均可能影响研发效率、项目交付与成本控制。高市盈率风险：AI4S属于高研发、高投入、长周期赛道，相关公司估值普遍偏高，业绩兑现节奏与估值消化存在不确定性，可能伴随较大股价波动。附录：技术说明钱学森《物理力学讲义》的指引给投资者推荐钱学森先生《物理力学讲义》2的经典教材。1000多页的经典模型推导，再辅以当前AI算法/算力/数据，有可能会带来AI4S大放异彩。其编后记指出：1）思路与狭义AI4S一脉相承。“物理力学是一门新兴的学科，它从物质的微观结构出发，提供计算工程技术中所用介质和材料的热力学性质的方法。钱学森是这门学科的开创者之一“。2物理力学讲义（典藏版（sonPialcacs）,钱学森，上海交通大学出版社，2）70余年前的设想，一样是为了节省实验的花费与时间，与当前AI4S发展一致。“钱学森关于物理力学的研究成果主要是在1950年到1955年这一时期取得的。1946年他将稀薄气体的物理、化学和力学特性结合起来研究，这是先驱性的工作。他起初从事这项研究，仅仅是为了搞清火箭发动机中气体的物理和化学性能。因为这时气体处于高温高压的极端条件之下，这些性能参数无法用实验手段测得.。怎么办？他设想通过理论计算，获得这些参数”。3)学科和版本历史，预计AI工程能大大加速该学科发展。钱学森发表了“液体特性”、“气体在高温高压下的热力学性质”、“关于谱线吸收系数的某些积分的计算”等数篇论文。1962年2月科学出版社将该讲义正式出版，命名为《物理力学讲义》。2007年曾出版《物理力学讲义（新世纪版）》，后再版，称为《物理力学讲义（典藏版）》。伴随2016年小模型新一轮热潮、2023年起大模型新一轮热潮，应当能大大在工程上加速这个学科的发展。期待研发圈、产品圈甚至投资圈，可以适度参考钱学森先生著作的范畴。这或许会指引以后我们AI4S产业解决的底层理论，尤其微观和介观基础问题：首先论述量子力学（包括薛定谔波动方程、波函数、谐振子、电子自旋、双原子分子、多原子分子等），其次涉及统计力学、恒定体系、输运过程、扩散和热传导、热辐射，接着论述不同形态（理想气体、固体、非理想体系、液体和稠密气体等）。这些底层基础理论大量在微观层（少部分介观层），敏锐的研发圈和投资圈可以据此找到新方向。密度泛函理论DFT密度泛函理论（DensityFunctionalTheory,DFT）是量子化学与材料科学领域核心的简化计算方法，核心价值在于搭建量子力学与材料宏观性质的桥梁，为AI+材料研发提供微观层面的理论支撑与计算基础。其核心逻辑是通过“电子密度替代波函数”的简化思路，大幅降低量子力学计算维度，实现量子级精度与计算效率的平衡，是AI4S产业链中游跨尺度计算、分子表征等技术环节的底层理论基石。DFT理论核心背景：薛定谔方程的计算困境破解薛定谔方程（HΨ=EΨ）是描述微观粒子（电子、原子）运动状态的核心方程，其中H为哈密顿算子、Ψ为波函数、E为体系能量。该方程虽能精准表征微观粒子的状态与能量关系，但波函数Ψ的维度为3N维（N是体系电子数），计算复杂度呈指数级增长（O(eN)），对于多电子体系（如材料、分子），直接求解几乎不具备工程可行性。DFT的核心突破的是，用“电子密度n(r)”替代波函数Ψ作为核心表征量，将3N维的高维计算简化为3维空间的电子密度计算，大幅降低计算复杂度，使多电子体系的量子级精准计算具备实际应用价值。两大核心定理：DFT的理论支撑DFT的简化计算逻辑基于Hohenberg-Kohn定理与Kohn-Sham方程两大核心定理，二者共同构成其理论基石，确保简化计算的科学性与精准性。Hohenberg-Kohn定理核心结论：多电子体系的基态所有性质（能量、电子分布等），均可由基态电子密度n(r)唯一确定，无需追踪单个电子的运动轨迹，仅需掌握电子的空间密度分布即可。核心价值：彻底打破“必须通过波函数才能求解体系性质”的局限，将高维波函数计算简化为3维电子密度计算，类比“用演唱会观众密度图替代记录每个观众的具体信息”，在不损失核心信息的前提下，实现计算复杂度的量级降低。Kohn-Sham方程公式：(−1/2∇²+Veff(r))ϕi(r)=ϵiϕi(r)核心结论：将复杂的多电子体系，等效简化为“独立单电子在等效势场中运动”的体系，其中Veff(r)（等效环境势）整合了外部势、电子间排斥力、交换关联势等所有影响因素，ϕi(r)为单电子轨道波函数，ϵi为单电子轨道能量。核心价值：搭建起量子理论与实际应用的桥梁，将“多电子体系总能量计算”转化为“单电子轨道能量计算”，进一步降低计算难度，是DFT能够落地应用于材料、分子计算的核心关键。n(r)电子密度n(r)是DFT的核心核心表征量，其定义与价值如下：公式：n(r)=∑i=1N∣ϕi(r)∣²，即空间某位置r的电子密度，等于所有单电子在该位置