计算机行业深度报告：科学发现的第五范式AI4S从基础模型、算力底座到产业落地

目录TOC\o"1-2"\h\z\u一、Ifrcce（I：科学究的五式 5AI4S成为AI新方向和国科技竞争力新制高点 5AI4S是大模型迭代的“下站” 7AI4S逐步进入价值变现期 8二、模：AI4S对型能力重新义 8AI4S模型核心能力要求科学场景的特殊刚性约束 8技术架构演进：从专用域模型走向通用科学一体化模型 10三、算：AI4S对基础设的重性需求 13AI4S需要超算-智算深度合的新型异构算力架构 13曙光8000集群为AI4S造全国产算力底座 15四、应：AI4S在多域技术地验证 16AI制药：从药物筛选到床开发，AI重构制药底座 17工业设计与仿真：AI4S建“数据+物理”双驱动新范式 19环境科学：AI天气预测先进入业务化运行 22农业育种借助AI4S加速种效率，缩短育种周期 24五、投建议投资的 26模型层：从“通用智能”向“学智能”深度演进 26算力层：持续赋能基础学突破与产业端技术创新 27应用层：从赋能科研走产业落地 28六险提示 33图表目录图1：科研范式正逐步走向AI4S为代表的“第五范式” 5图2：AI4S在诸多领域加速学研究过程和推动创新 5图3：伴随时间推移，同等性能模型对应的定价持续下降 7图4：药物研发等领域可以接受价格远高于其他领域 7图5：生物药研发时间周期长、商业化成本高，使得AI降意义显著 7图6：AI4S在能源、材料、球科学及生命科学等领域拥有诸多具体应用 8图7：AI4S需要的模型能力盖多模态表征、科学机理约束和长周期时序推理和决策 9图8：上海交通大学提出科学基础模型+专项能力实现AI4S的架构 10图9：中科院推出“磐石”基础学大模型 图10：上海人工智能实验室出“书生”科学多模态模型 图通过科学大模型+学领域模型，磐石可以处理多领域科学问题 图12：中科院推出科学多模统一推理模型—S1-Omni 12图13：上海人工智能实验室出“通专融合”SAGE架构 12图14：中科院推出依托磐石学大模型的一体化智能科研平台 13图15：上海人工智能实验室出以科学基础模型为底座的一站式科学发现平台 13图16：太初元碁推出新一代产AI4S计算平台 15图17：中科曙光推出“曙光8000”十万卡超智融合计算集群 15图18：中科曙光超智融合方架构 16图19：AI从小分子药物发现端到端与多模态应用拓展，以颠覆成本优势重构制药底座 17图20：靶点发现是药物发现核心难题 17图21：大语言模型在药物靶发现中的应用 18图22：REINVENT4可实现从头分子设计、连接子设计、骨架修饰及定向优化等核心任务 18图23：AI使得临床试验从传事后审查走向实时连续审评，有望缩短临床试验周期 19图24：Autodesk生成式CAD完整工作流 20图25：AutodeskneuralCAD能够依据文本提示自动创建设计方案 20图26：浩辰软件推出AI图转CAD、AI设计助手、AI染等产品 20图27：Ansys推出SIMAI推动仿真提速 21图28：Ansys推出AnsysGPT仿真助手 21图29：Cadence通过AI实从芯片到系统的整体加速 21图30：EDA的AI能力将持迭代，AgenticAI将更加闭地完成IC设计任务 22图31：广立微基于良率大数底座，构建AI赋能的全新产生态 22图32：GraphCast模型首次明AI气象可对标顶尖传统数模式 23图33：WeatherNextCyclones迭代预测全球天气模式和细尺度气旋路径 23图34：盘古气象大模型精度过传统数值预报方法 23图35：中科天机研发全球-域一体化数值气象模式动力内核 24图36：国能日新旷冥模型精服务能源数智化场景 24图37：常规育种面临瓶颈 24图38：“人工智能+”产业发展容 25图39：AI赋能植物表型解析 26图40：拓扑云农打造智能人环境缩短育种周期、加速作物品种改良 26图41：ScienceOne科学基大模型在多个领域加速科学发现 27图42：ScienceOne通过多态统一推理服务于专用科学任务 27图43：中科曙光2025年发标准化超智融合算力平台Nebula800 27图44：中科曙光2026年建成10万卡规模超智融合计算集群 27图45：国家超算互联网高性计算服务平台支持复杂的科学计算和工程设计任务 28图46：国家超算互联网基于光8000构建AI4S计算服务台 28图47：公司人工智能驱动纳材料平台技术的基石NanoForge 29图48：剂泰科技建立了多元的管线产品矩阵 29图49：英矽智能Pharma.AI台：端到端赋能药物研发全流程 30图50：晶泰控股推出的XtalPiScience是全球首个AI4S综性平台 30图51：晶泰智能机器人实验驱动实验范式从“以人为主”向“自主实验”迈进 31图52：国能日新通过“旷冥”型提高气象预测即时性和精准度 31图53：华大九天EDA工具统均开始与AI进行结合 32图54：托普云农AI赋能农科研布局 33表1：谷歌DeepMind推的AlphaFold在生命科学领域得突出成果 6表2：2025年以来，各国政密集制定政策推动AI4S发展 6表3：通用大模型和AI4S科智能模型在诸多方面存在不同 8表4：科学领域专用模型、工具增强型模型和科学基础模型对比 10表5：AI算力、超算算力以及AI4S所需要的算力比较 13表6：AI在临床开发应用快发展，聚焦数据整合与患者管理 19一、AIforScience（AI4S）：科学研究的第五范式AI4SAIAIforScience（AI4S），学研究任务的一种新模式，其本质是通过人工智能解决过去无法解决的重大科学难题，加速原始创新步伐，学界普遍将其视为继实验科学、理论科学、计算科学和数据科学发现范式之后的“第五范式”。此外，AI4S（AIforScience）AIAI图1：科研范式正逐步走向AI4S为代表的“第五范式”上海仪电、上海人工智能协会等《科学计算与AI4S基础设施白皮书》AI4SAI当前的AI4SAI物规律的能力，提高科学研究效率、突破人类认知极限，形成科学研究全新范式。图2：AI4S在诸多领域加速科学研究过程和推动创新中国科学技术信息研究所《AIforScience创新图谱》2018“AI4S”的概念并推动其落地，201812月，谷DeepMindAlphaFold，旨在解决预测蛋白质等生物分子三维结构等复杂科学问题，2024年，因在蛋白质结构预测方面的贡献，AlphaFold的核心开发者德米斯·哈萨比斯（DemisHassabis）和约翰·詹珀（JohnJumper）共同获得了诺贝尔化学奖，意味着AI4S已经可以实现“诺奖级”成果。表1：谷歌DeepMind推出的AlphaFold在生命科学领域取得突出成果时间事件意义2018.12DeepMindAlphaFold初版发布首次将深度学习用于蛋白质结构预测，在当年国际蛋白质结构预测竞赛（CASP）上以绝对优势拔得头筹2020.11AlphaFold2在CASP14竞赛中取得革命性突破蛋白质结构预测精度接近实验水平，被视为AIforScience元年2021.7AlphaFold2开源，预测2亿种蛋白质结构人类花数十年未完成的工作，AI数月完成2023.11DeepMind发布GNoME，发现220万种新晶体材料其中38万种稳定，相当于人类800年工作量2024.05AlphaFold3发布并开源从蛋白质扩展到所有生命分子相互作用预测2024.10诺贝尔化学奖授予AlphaFold团队及DavidBakerAIforScience获得科学界最高认可百度百科，央视新闻、华尔街见闻、北京科协，深科技、量子位等，东方证券研究AI4S被普遍视为影响未来科技竞争力的重要方向，已引起全球主要经济体的高度重视。各国政府正通过制定国家战略、启动重大计划、增加研发投入等方式，系统性布局这一新兴赛道。截至2025年底，美国、欧盟、中国、英国等主要经济体，均已发布专项战略布局文件，通过“顶层战略牵引-算力数据底座-组织化投入-场景任务牵引”的组合拳，系统性布局AI4S赛道。20258“人工智能+”行动的意见》，明确提出“加快实施‘人工智能+’科学技术行动，加快科学发现进程，率先建立基于AI的新型科研和研发范式”，中国在国家AIforScience提升至科研范式变革的战略高度，202510AIAI驱动的科研创新体系，将欧盟打造为全球人工智能驱动科学研究的高地；202511月，特朗普政府签署""（GenesisMission），由美国能源部牵AI4S上升为"等同于曼哈顿计划"202511AI赋能科学战略》，未来五年内投入高1.37AI技术在科学研究中的深度应用。表2：2025年以来，各国政府密集制定政策推动AI4S发展时间发布政策政策内容2025.8国务院印发《关于深入实施“人工智能+”行动的意见》，明确提出“加快实施‘人工智能+’科学技术行动中国在国家层面首次将AIforScience提升至科研范式变革的战略高度2025.10欧盟发布《欧洲科学AI战略》，旨在构建AI驱动的科研创新体系目标将欧盟打造为全球人工智能驱动科学研究的高地2025.11特朗普签署"创世纪计划"，推动AI4S发展将利用人工智能（AI）变革科学研究方式、加速科学发现上升为国家战略2025.11英国科学创新与技术部（DSIT）发布《AI赋能科学战略》推动AI技术在科学研究中的深度应用，确保英国在全球AI科学革命中保持领先地位中科院网信工作网，东方证券研究AI4S从技术演进逻辑看，AI4S场景进行渗透的必然结果：一方面，文本模型实现海量科研文献、符号知识、异构科研文本的统AI证、方案规划的能力，支撑完整的科研工作流自动化；而另一方面，传统科研范式面临着明显的效率瓶颈：药物研发、材料等领域的研发本质都是在规模庞大的候选空间内找到少量有价值的方案，传统的数值模拟+人工实验的方法，早已无法应对这样的高维度、长周期研发挑战，而AI4S依托智能推演实现高通量筛选，大幅压缩研发周期，显著提升科研探索效率与发现概率。此外，随着通用大模型能力的日益增强，寻找更高价值落地场景、解决更重要问题成为模型公司发展方向，而科学研究场景因其对技术能力要求的严苛性、产出价值的高回报性，自然成为行业头部机构的核心选择。我们注意到，随着模型架构与推理技术持续迭代，近年来，具备同等智能TokenToken度不完全相同：常见的对话、搜索、翻译等应用，模型之间性能差异较小、创造的价值量也相对较低，因此单位TokenAI制药等高价值科研场景，Token直接关联管线Token图3：伴随时间推移，同等性能模型对应的Token定价持续下降ArtificialAnalysis图4：药物研发等领域可以接受Token价格远高于其他领域 图5：生物药研发时间周期长、商业化成本高，使得AI降意义显著腾讯研究院 爱康得生物AI4SAI“辅助工具”的特征，AI4S“信息处理工具“科学发现引擎”层科学秘密。在政策加大支持力度、科研与产业界持续投入，模型、算力、数据等产业链资源不断完善的背景下，AI4SQYResearch数据，2025AI4S45.382032262.3亿28.9%。当前，AI4S巨大：从生命科学中的蛋白质结构预测，到材料科学中的新型配方设计，再到地球科学中的气候建模与能源系统优化，AI正深入嵌入科学发现与工程实践的各个环节。跨领域的深度应用不仅体AI4S图6：AI4S在能源、材料、地球科学及生命科学等领域拥有诸多具体应用沙利文分析《2025中国AI4LS行业发展蓝皮书》二、模型：AI4S对大模型能力的重新定义AI4SAI4S的核心任务是解决真实世界中的高复杂度科学问题，这类场景对大模型能力提出了更高的约束与要求：科学场景的结论必须满足客观自然规律、经得起不同实验环境下的重复验证，这一要求远高于通用模型应用时“符合人类主观认知”的标准。因此，区别于通用大模型以“泛化能力、用户体验”为核心指标的技术逻辑，而AI4S对大模型的技术能力提出了完全不同的刚性要求，包括多模态统一表征能力、强科学机理约束、以及长周期时序推理与端到端的决策能力，具备以上能力才有资格支撑真实场景下的科研任务。表3：通用大模型和AI4S科学智能模型在诸多方面存在不同关键维度通用大模型(LLM)AI4S科学智能模型核心目标拟合人类语言逻辑，追求生成内容的流畅与连贯拟合客观世界科学规律，追求预测与决策的准确可靠数据特征主要处理文本、图像等人类生产的标准化通用数据处理传感器、测序、遥感等产生的高维异构科学数据核心价值提升通用场景下的信息处理效率与内容生成能力加速科学发现、辅助复杂系统建模与实验方案优化《科学计算与AI4S基础设施白皮书》、MedPeer，东方证券研究多模态统一表征能力AI4S征，不同学科的科研数据格式差异显著：生命科学领域的蛋白质序列、显微影像数据，材料科学领域的晶体结构、合成配方数据，气候科学领域的卫星遥感、地面观测数据，高能物理领域的粒子探测信号数据，这类多模态数据的表征逻辑和标准化程度存在天然差异。AI4S模型必须能够将这些异构多模态数据，统一映射到一个高维共享表征空间，这样才能实现对不同类型科学数据的精准理解，以及跨学科的关联分析。这一技术要求的标准远高于通用大模型“理解文本+基础图像”的多模态能力要求。强科学机理约束：AI4S区别于通用大模型的核心特征。通用大模型的核心训练目标，是“拟合人类的语言表达和逻辑”AI4S“拟合客观世界的科学规律”成的任何结果都必须严格符合科学原理约束，包括守恒定律、几何约束、运动学规律、行业学术共识等。为实现这一目标，AI4S“物理信息神经网络”等专属技术机制，在模型训练阶段就将已知的科学规律作为硬性约束条件注入模型；同时，模型需要具备可微分性，能够和传统数值模拟工具中的物理模型进行端到端的对接，以确保最终生成的方案在机理层面上具备完全合规性。长周期时序推理与端到端的决策能力：AI4S学研究的流程天然具备长链路、强时序依赖的特征，往往需要覆盖数小时、数天、数月甚至数年的连续时序数据，且前序环节的输出结果，是后序环节的输入约束。这对模型的长时序推理能力提出了极高的精度要求；另外，模型还必须具备端到端的决策能力，将科研目标转化为符合科学“生成短篇幅流畅文本”的能力要求。图7：AI4S需要的模型能力涵盖多模态表征、科学机理约束和长周期时序推理和决策东方证券研究近年来，人工智能赋能科学（AI4S）从模型层面主要沿着三条互为补充的技术路线持续发展，包括科学领域专用模型、工具增强型模型、科学基础模型。领域专用模型以AlphaFlod系列模型为代表，主要围绕特定领域开发并在目标任务上表现优异，但难以拓展到其他科学领域；工具增强通用模型的典型代表是OpenAI的GPT-Rosalind和Anthropic的ClaudeScience，往往在通用语言模型基础上引入智能体、科学工具与自动化工作流，实现科学任务的调度与执行，但科学知识与任务执行逻辑仍高度依赖外部工具与工作流，尚未内化为统一模型自身具备的科学能力；而科学语言模型旨在将各类科学对象映射至可联合建模的统一表征空间，以此提升异构科学数据之间的互通性，但此类模型仅仅实现统一表征，无法实现完整的统一科学智能，难以内置科学规律、实现稳定的跨任务推理。表4：科学领域专用模型、工具增强型模型和科学基础模型对比对比维度领域专用模型工具增强通用模型科学基础模型代表性模型AlphaFold3/ESM3GPT-Rosalind/ClaudeScienceNatureLM/LOGOS等核心范式与能力一个模型解决单一科学任通用大模型+Agent调度外部专业工具，将通用模型的基础能力和外部工具专业度结合异构科学对象统一Token、共享表征空间联合建模，有一定跨对象推理能力科学知识来源内置领域物理/结构先验，任务定向训练知识来源于文献，定量计算依赖外部程序海量跨模态科学数据本体是否懂结构是，原生三维结构建模否，仅能调用外部结构预测工具尝试原生建模，但成熟度不足端到端科研流程不支持，只能输出单项计算结果适合科研工作流中长期潜力大，当前工程成熟度不足瓶颈泛化能力不足，无法拓展任务模型本体不掌握科学规律，依赖调用外部工具统一表征与物理先验难以融合、精度不足ScienceOneAI、WengerAI，东方证券研究目前行业正积极构建通过科学基础模型+领域专业模型的方式实现“通专融合”能力，以精准适配科学任务对泛化能力与专业能力的双重要求：科学基座模型具备跨领域泛化能力，能够理解不同学科的通识性科学逻辑，但科学任务天然具备各异性特征，当前的基础模型还无法解决多领域科研需求，因此在科学基座模型基础上迭代领域专业模型，借助后者对不同领域的科学规律、据格式的理解和掌握，才能较好地解决科学研究任务。图8：上海交通大学提出科学基础模型+专项能力实现AI4S的架构智源社区AI4S“技术躯干”识理解能力和基础推理能力，也为后续所有垂直领域专精化模型提供技术基础。目前业内主流的技术路径并非从零开始训练，而是在相对成熟的通用大模型基础上，基于海量科学文献、公开科研数据、基础学科资料进行二次预训练和微调，完成从通用大模型到科学基座模型的深度定制。例如，中科院研发的“磐石・科学基础大模型”，采用异构混合专家架构，在国产开源通用大模型基础上进行定制，并整合了AlphaFold、MatterGen等领域专业模型；上海人工智能实验室研发的Intern-S1Qwen-3235BMoE5token2.5tokenAI4S图9：中科院推出“磐石”基础科学大模型 图10：上海人工智能实验室出“书生”科学多模态模型 中科院自动化研究所官网 上海人工智能实验室领域专用模型是AI4S解决特定学科领域问题的核心技术载体，专用模型针对不同领域的科学数据结构、任务类型与尺度体系，设计与之对应的架构，将通用科学知识转化为领域专属能力。例如，在材料、化学这类以分子空间结构、晶体结构为核心研究对象的领域，通常采用图神经网络（GNN）、深度电势模型（DPM）来表征原子间空间关系；而在生命科学领域，由于蛋白质序列的生成逻辑是“全局约束下的局部迭代优化”，完全契合扩散模型的技术特质，因此主要采用扩散大语言模型（dLLMs）架构；而在物理学领域，研究对象多为具备海量关联关系的高维复杂系统，需要更强的全局信息捕捉能力，往往采用以Transformer图11：通过科学大模型+学科领域模型，磐石可以处理多领域科学问题中科院自动化研究所官网无论是单独的领域专用模型、工具增强大语言模型与科学语言模型，还是近年来迅速发展的科学基础模型+领域专业模型架构，均未能在单一模型中融合跨学科知识、科学原理与各类约束条件，因此国内多家机构正尝试用统一的融合式架构来实现科学数据统一表征和现实世界知识对齐，通过通用科学一体化模型形成科学理解、预测与生成的完整能力。AI4S20267S1-Omni，该模言模型。AI4S—上海人工智能实验室则提出“通专融合SAGE架构，由基础模型层、融合协同层、探索进化层三层并行、闭环反哺，用于打造“可深度专业化通用科学基础模型”绝非静态的架构，而是一个递归运行的活体生态，它通过双向循环实现全栈进化：一方面，底层解耦的表征自下而上地支撑推理策略的生成；另一方面，顶层主动发现获得“未知”转化为新的训练信号，这种闭环机制确保了SAGE不仅能实现模型参数的优化，更能推动认知策略本身的持续进化，使大模型在科学发现中由“工具”升维为“引擎”。图12：中科院推出科学多模统一推理模型—S1-Omni 图13：上海人工智能实验室出“通专融合”SAGE架构 新智元 上海人工智能实验室基于模型为底座，中科院自动化研究所磐石团队还发布了基于科学基础大模型的智能科研平台ScienceOne8000覆盖“人工智能赋能科学研究”核心生产资料和要素，为各领域场景应用提供共性智能服务，并支持科研人员快速按需定制专用模型与科研智能体。而在WAIC2026Intern-S2-Preview-397B科学大模型，打通从科研设想、仿真计算到实体实验验证的完整科研链路，覆盖生命科学、半导体、量子、材料等六大核心科研赛道，该平台的发布标志着我国科学智能正式迈入全流程闭环自主验证的全新阶段。图14：中科院推出依托磐石科学大模型的一体化智能科研平台

图15：上海人工智能实验室推出以科学基础模型为底座的一站式科学发现平台 中科院自动化研究所官网 上观新闻三、算力：AI4S对算力基础设施的重构性需求AI4SAI4S核心是机理仿真叠加AI模型的紧耦合混合计算，算力底座既不能直接复用现有的通用大模型智算集群，也不能继续采用传统的超算体系。从计算负载看，智算集群主要以低精度矩阵计算、高吞吐Token生成为核心，而传统超算集群主要以双精度数值求解、大规模物理仿真迭代运算为核心，而AI4S需要把物理、化学、生物等领域的机理约束与AI模型结合，其计算特征主要包括：混合精度计算与负载混合性：同一作业内部交替运行传统科学求解器（PDE、有限元、分子动力学）与神经网络模型，FP64/FP32/BF16AI矩阵运算；4-8卡中小仿真任务，也有几十至数百卡甚至数万卡大规模科学仿真；长周期高稳定性要求：作业连续运行数天至数月，节点抖动、通信异常会造成整个仿真任务作废，容错与可靠性优先级高；软硬件栈双重生态依赖：既要深度学习框架，又要HPC生态（MPI、科学仿真库、FFT、稀疏求解器），AI集群。表5：AI算力、超算算力以及AI4S所需要的算力比较维度AI智算集群HPC超算集群AI4S算力集群精度要求低精度为主，主要是FP16/BF16/FP8/INT8甚至FP4高精度为主，FP64优先，FP32为辅全精度覆盖，低精度BF16/FP16用于AI计算；FP32/FP64用于物理约束求解，不可随意降精度计算范式概率性计算，数据模型驱动的统计拟合、内容生成等高精度浮点求解、大规模偏微分方程仿真迭代为核心确定性与概率性结合，数据模型与机理模型深度融合数据与IO特性高并发、低延迟，大块文件连续读写为主，数据范式单一高频输出仿真快照，大小文件混杂中低并发、高计算量，存在频繁小文件随机读写，数据范式多元内存特征参数量大，KV-Cache瓶颈主机大内存优先，GPU多作加速缓存AI4S算力集群需存储海量中间结果通信与网络带宽AllReduce为主参数GPU互联带宽MPI高频小消息，带宽+低延迟双敏感混合通信，CPU-GPU-存储间跨范式高速传输典型硬件GPU为主CPU为主科学计算CPU+全精度GPU中科曙光，太初元碁，中国计算机学会，OSTI.GOV，51CTO.com，星融元，百度百科，东方证券研究AI4S-AI叠加智能建模的耦合式混合负载量身定制，从算力精度、硬件互联、存储架构、软件生态四大核AI4S周期的计算需求。在算力精度层面，超智融合架构构建了全精度兼容、动态适配的算力体系。一方面原生支持FP16、BF16低精度浮点运算，满足AI4S各类神经网络模型的训练、正向推理加速需求，最大化智能模型的计算吞吐与算力利用率；另一方面保留充足、高性能的FP64双精度算力冗余，专门适配物理约束校验、数值迭代求解、仿真精度校准、分子势能计算等对数值精度极度敏感的科学计算环节，实现同一作业内多精度算力的无缝切换、协同调度。在硬件互联设计上，超智融合架构往往需要同时兼顾超算的低延迟与智算的大带宽通信能力。AI4S等超算任务的低延迟并行迭代，支撑大规模域分解并行计算稳定高效运行；又具备超大带宽，可AI4S作业中“仿真迭代+练”交替运行的复杂场景。AI4SIO负载特征。AI4S并行存储系统可同时承载两类核心IOAI量科研数据集的高频顺序读取，保障模型持续迭代训练；另一方面可承接长周期仿真任务的高频写入需求，稳定存储仿真迭代断点检测、三维物理场数据、分子轨迹数据等超大体量、多类型文AI4S作业写放大、大小文件混杂、IO能仿真任务的存储稳定性与读写效率。在软件栈生态层面，超智融合架构实现HPC科学作业与大模型分布式训练的双栈兼容、统一协同。集群原生适配MPI、OpenMP等传统超算编程范式，可稳定运行各类传统数值仿真作业；同时深度适配PyTorch、MindSpore等主流深度学习框架，能够高效承载各类科学大模型的研发与训练任务。依托一体化软件调度体系，集群可实现传统科学仿真作业与AI大模型训练作业的混合部署、统一调度、资源共享，打破了传统超算与智算集群生态割裂、资源无法互通复用的壁垒。图16：太初元碁推出新一代国产AI4S计算平台太初元碁官网8000AI4S作为国内高性能计算产业龙头，中科曙光在光合组织2026智能计算应用大会期间宣布，中国首个全国产十万卡AI集群——曙光8000（登峰）正式落成，并同步接入国家超算互联网。8000（登峰）型计算的原生一体化融合，兼容高精度科学计算和低精度智能计算的复合需求，支持FP64到INT8全精度，不仅支持大模型训练和推理，可覆盖科学计算、工业仿真等多类科研和产业场景。图17：中科曙光推出“曙光8000”十万卡超智融合计算集群新京报在系统建设上，曙光8000（登峰）具有“芯片、计算、存储、网络、散热、应用、服务”全链路全AI基础设施能力。其中，海光等国产芯片为系统建设提供底层支撑；scaleFabricIB原生RDMA高速网络实现十万卡集群高可靠连接；ParaStor分布式存储支撑大模型训练和科学计算中过国产冷媒、全年自然冷却等方式提升集群能效。同时，在平台和调度软件方面，通过OneScience科学大模型一站式开发平台、Gridview集群运维系统等，实现从物理集群数字孪生到智能化调度的全流程管理，系统可用性高达99.99%，大幅降低AI落地与前沿科研的使用门槛。图18：中科曙光超智融合方案架构中科曙光官网基于曙光8000（登峰）超智融合集群，我国科学家已经取得了一系列世界级的科研成就：“万亿原子”分子动力学模拟：龙讯旷腾、苏州实验室及樊哲勇教授团队，依托曙光8000集群与MatPLM机器学习力场软件，在全球范围内首次实现具备量子力学精度的“万亿原子”分子动力学模拟，刷新多尺度模型世界纪录：对比国际同类技术方案，仿真单原子单次更新运算速度领先全球顶尖成果100倍；算力并行拓展层面，从单卡扩容至大规模并行集群的整体弱扩展效率高达86.9%，意味着可以近乎线性拓展算力规模，去挑战任意庞大的原子体系。加速蛋白质折叠过程模拟：在生命科学领域，曙光8000支撑昌平实验室团队，采用分子指纹Transformer1000随着曙光8000（登峰）正式落地，全国产十万卡级AI基础设施的技术、生态、应用、服务标准已完成闭环验证。除了郑州项目外，曙光还与北京科学智能研究院达成战略合作，启动第二套全国产十万卡超智融合算力系统研制与建设，从而使得十万卡级全精度算力中心从示范性工程走向规模化复制，成为支撑“人工智能+”应用全面落地、惠能科学发现与产业经济的新一代基础设施标配。四、应用：AI4S在多领域技术落地验证AI4S正在重构传统科研范式，对众多学科与产业领域形成深度赋能。在生命科学领域，可实现蛋白质结构解析、靶点挖掘、分子药物与抗体设计，显著压缩新药研发周期与试错成本，推动生物医药研发模式变革；材料科学方面，依托大模型完成海量组分快速筛选、晶体与性能逆向设计，加速固态电池、半导体、高端合金等关键材料的研发迭代；能源领域助力催化材料开发、能源系统仿真优化、新型储能技术探索，为能源转型提供技术支撑；环境领域提升气候模拟、污染溯源、碳循环仿真效率，支撑生态治理与双碳相关研究；农业领域结合基因组与表型数据，实现智能育种、作物性状预测，缩短良种培育周期，助力粮食安全；高端制造端可优化工艺仿真、流程参数 CAE、CADAI的链路。整体来看，AI4S不再局限于单一学科的工具辅助，而是打通基础科研与产业应用的边界，推动生命、材料、能源、环境、农业、制造等领域实现从试错式实验向数据驱动、预测优先的科研模式跃迁。AIAIAnthropic、OpenAI等模型供的商业闭环和业绩兑现，AI早已不再是叙事，其背后是源源不断的资本投入和全球政策支持。在制药领域，AI已从早研工具演进为覆盖研发全链条的端到端体系，并逐步从小分子和大分子扩展至更多新兴模态。图19：AI从小分子药物发现向端到端与多模态应用拓展，以颠覆成本优势重构制药底座BCG分析AI模化落地集中在药物发现阶段。而靶点发现是药物发现的核心难题。药物发现主要分为：靶点发24500具备潜在成药性。但截至目前，已获批药物所作用的独立靶点仅716个。这意味着大量潜在靶点仍未被挖掘，靶点发现仍然是药物研发最核心的难点。图20：靶点发现是药物发现的核心难题7164500716450020000具备成药性靶点潜在靶点0 5000 10000 15000 20000 25000naturereviewsdrugdiscovery（FrankW.Pun等），东方证券研究AI组、蛋白质组学和单细胞组学等方面取得显著进展，为药物靶点发现提供了多维生物学证据，并有助于更高效地筛选靶标。例如，BioGPTChatPandaGPTTransformer图21：大语言模型在药物靶点发现中的应用FrontiersinPharmacology（XinyuLiu等），东方证券研究此外，化合物设计过去是药物研发最依赖经验的环节，但已被生成式模型颠覆。近五年，RNNVAE、GAN、Diffusion、AAE等深度生成模型快速迭代，将化合物搜索从已有分子库的组合扩展至无限广阔的化学空间，算法在小分子设计上已表现出接近工业级应用能力。国内外多个公开案AI30天内完成从靶点确定到先导化合物生成全流程，大幅压缩研发周期。与此同时，生成式算法正从小分子向蛋白质设计、抗体优化、RNA—结构双向预测模型、抗体亲和力优化模型、核酸折叠预测网络正在逐步形成跨模态的统一框架，使AI化合物设计具有更广泛的药物形式适用性。图22：REINVENT4可实现从头分子设计、连接子设计、骨架修饰及定向优化等核心任务JournalofCheminformatics（HannesH.Loeffler等）整体来看，AI（PCC）通常需要2.5~4.0Pharma.AI29条管1218PCC50%-70%，80%-90%。AI最被低估和潜在价值最大的领域。I-III60%-70%，耗时6-7年，同时也是失败最高发环节。值得注意的是，临床失败并不总是源于分子本身无效，30%-40%AI重构的环节。图23：AI使得临床试验从传统事后审查走向实时连续审评，有望缩短临床试验周期中国食品药品监管杂志，FDA，东方证券研究AIAIAI作用更偏向于数据整合与患者管理。其中，AI在文档生成、信息检索、试验设计、患者招募、实验结果预测、流程自动化等应用已经展现出明确的效率价值。表6：AI在临床开发应用快速发展，聚焦数据整合与患者管理AI应用作用试验设计AI能够基于历史研究、真实世界数据、指南与监管文件，自动分析可借鉴的试验结构，通过模型推演风险、优化试验终点选择，并帮助缩小排除标准范围。如TrialPathfinder能够基于真实世界数据模拟不同入排标准对试验结果的影响，为更合理的试验设计提供量化依据。患者招募AI通过自然语言处理解析病历、实验室数据和影像报告，并与试验入组标准自动匹配，极大提高招募效率。最新研究显示，AI的匹配准确率已可达到90%以上，且能显著缩短招募周期，为III期高成本试验带来巨大利好。患者筛选和分层真实世界数据模型可以协助药企进行患者筛选、试验人群构建和入组预测；临床文本模型能够从过往的试验记protocol层依据，提高试验成功率。实验结果预测近年来基于图神经网络的预测模型开始出现，通过整合患者特征、疾病信息、机制数据和历史试验信息，实现对试验成功率的预测。尽管领域仍处于早期，但已有模型在公开数据上表现出可观的预测能力，例如HINT模型在I–III期的试验预测中取得良好表现。智药咨询，《2025年AI智药报告》，东方证券研究AI量方案、入组标准、对照设计等问题，都可以与全球范围内的历史成功案例、失败教训和监管反馈进行系统比对，从而让决策更加一致、透明、可追溯、可审计。AI业专家与监管机构完成最终决策，人机协同能够显著提升新药研发成功率、优化研发资金使用效率。AI4S工业设计与仿真承载着产品创新迭代、降本增效的核心使命，而传统仿真发展至今，面临着计算效率瓶颈、多物理场耦合复杂性剧增、全流程协同不足等挑战，难以满足科学研究领域对实时性和精准性的要求，而当前AI技术的突破性发展，包括大模型、物理信息机器学习、生成式AI等领域的演进，为工业仿真注入全新动能，通过构建“数据+物理”双驱动的智能仿真范式，不仅能够提升仿真效率，更能在多目标优化、叙事交互决策等场景开辟新路径，推动工业设计与仿真向全生命周期中枢跃迁。AICAD标和约束条件（如材料、成本、性能等）的情况下，探索出比传统方法更广阔的设计空间，自动生成多样化、创新性强的方案。国外头部工业软件企业率先发力“AI+CAD”，AutodeskFusion360Neural CADAutodeskAssistant智能助手，实现草图约束自动识别、图纸智能处理，打通概念设计到详细建模流程。达索系统则在CATIA、SOLIDWORKSAura、LEOAIAI生成能力嵌入完整研发链路，侧重实现设计任务自动化与多学科协同优化。图24：Autodesk生成式CAD完整工作流 图25：AutodeskneuralCAD能够依据文本提示自动创建设计方案JounalofMechanicalEngineeringDesign（Rocco.Furferiet.al） Autodesk官网CADAI-CAD3DAI自动编程等功能，搭配AICADLCMAI助手，支持自然语言驱动绘图编辑、AICADAI功能迭代，推进国产设计软件智能化升级。图26：浩辰软件推出AI图片转CAD、AI设计助手、AI渲染等产品浩辰软件官微，DOIT人工智能赋能CAE的本质是对通过“机理+数据”双驱动的方式，重构仿真全流程，实现仿真前处理自动化、依托代理模型等技术加速仿真计算，完成结果智能诊断与报告生成；支持多目标优化推动仿真左移，并通过仿真Copilot沉淀专家经验、降低使用门槛。AI+CAECAD荐材料、载荷等参数，减少人工调试；在求解环节依托代理模型实现仿真加速，PINN则针对复杂工况开展原型探索；后处理阶段可识别仿真异常、修正模型偏差并自动生成报告，同时借助算CopilotCAE赋能普通设计人员。从实际案例来看，全球CAE龙头Ansys推出SimAI代理模型平台以及AnsysGPT仿真助手。SimAI依托海量仿真样本训练代理模型，面向汽车、船舶、热管理实现仿真加速，可将仿真周期压缩一个数量级；AnsysGPT聚焦工程问答、仿真设置辅助，降低工程师使用门槛，已经实现海外工业客户规模化商用。图27：Ansys推出SIMAI推动仿真提速 图28：Ansys推出AnsysGPT仿真助手《数据冰山》微信公众号 ANSYS官网而在EDA方向，随着先进制程演进，芯片晶体管规模持续扩张，传统EDA在PPA（性能-功耗-面积）收敛、仿真验证效率、多约束优化等方面逐步触达算法天花板，AI可以通过机器学习、大模型、强化学习对现有工具链进行增强，覆盖架构探索、逻辑综合、物理实现、验证仿真、良率分析全流程，缩短芯片研发周期、降低算力消耗、提升设计收敛成功率。图29：Cadence通过AI实现从芯片到系统的整体加速Cadence官网AI当前在物理实现拥塞预测、良率分析、仿真代理模型、EDACopilot辅助等单点场景已经实现AgenticEDAAIEDAAgenticEDA度自主设计演进。图30：EDA的AI能力将持续迭代，AgenticAI将更加闭环地完成IC设计任务ZelinZang等《TheDawnofAgenticEDA:ASurveyofAutonomousDigitalChipDesign》国内厂商机会集中在良率分析、模拟射频加速、EDAAIEDAVisionAI图像处理技术实现全链路协同分析自动PyAetherAetherCoderArgusFPDTriageAI，提升了工具智能化水平。而广立微则依托成熟的良率大数据基座，构建了“INF-AI学习平台”与“SemiMind”INF-AIAI管控，实现良率从被动排查转为主动预测，而SemiMindAgent智能体架构，复用工程师沉淀的工艺良率经验，催生了工艺、质量、设备在内的全方位智能体矩阵。图31：广立微基于良率大数据底座，构建AI赋能的全新产品生态广立微官网AIAI4S在环境科学中的应用涵盖天气预测、气候模拟、大气污染预报、海洋预报、地质灾害预警等多个子领域。其中，天气预测是AI4S最先实现精度超越传统方法、率先进入业务化运行的领域，具有较强的标杆性意义。传统数值天气预报（NWP）以大气、海洋动力学方程组为核心，将地球大气网格化，通过超级计算机求解偏微分方程，迭代推演温度、气压、风场、湿度等气象要素随时间演变，不过这种方式算力成本高昂且预报精度提升面临瓶颈，在极端天气、次季节尺度预测方面存在明显短板。而AI4S则开启了气象预报的新范式，通过深度学习算子、图神经网络、物理信息约束神经网络等工具的使用，把传统模式难以高效求解的复杂非线性关系交给神经网络拟合，从而显著降低推理算力开销，在预报速度、中长期预报能力上实现重大突破。DeepMind2023AIGraphCast，被认AI4S110AI对标顶尖传统数值模式；2024DeepMindWeatherNext2模型，升级为傅里叶图神FGN15GenCast832：GraphCastAI气象可对标顶尖传统数值模式

图33：WeatherNextCyclones迭代预测全球天气模式和细尺度气旋路径 昇思社区 ScienceAI而国内众多气象大模型经过近年来的持续发展与迭代，也进入了全球第一梯队，如2023年推出的华为盘古气象大模型采用3DEarth-specifictransformer架构处理三维气象数据，0.25°×0.25°分辨率可做10天中期预报，台风路径预测速度远快传统模式，被香港天文台、欧洲中期天气预报中心采纳和使用。图34：盘古气象大模型精度超过传统数值预报方法最科技中科曙光旗下中科天机自主研发了“全球-区域一体化数值模拟系统”，成功破解了气象领域长期存在的高分辨率模拟中的“灰区问题”及高分辨模拟的时效性问题，使得气象预测数据具有“精准、高效、智能”等特性，而在应用方面，中科天机持续深耕“气象+AI+能源”融合创新，围绕新能源功率预测、电力交易、储能优化等应用场景，不断推动高精度气象预测技术与人工智能深度融合，为行业提供更加精准、稳定的气象数据服务和智能决策支撑。而国能日新自研“旷冥”AI4S-区域-场站三级嵌套框架，输出针对风电、光伏等全链路的关键气象要素，实现从高度层次到复杂地形、从短临到中长期的全尺度适配，为新能源企业提供精细功率预测、极端天气预测与电力市场化交易决策，进而全面协同至能源数智化应用场景。图35：中科天机研发全球-域一体化数值气象模式动力内核 图36：国能日新旷冥模型精服务能源数智化场景中科曙光官网 上海证券报AI估和专业行业服务等领域发挥更大价值，逐步实现从辅助预报到驱动决策的角色转变，并以其高精度、高频次、低成本特性，使气象服务能够深度嵌入新能源、农业、航空、金融、低空经济等垂直行业，催生"气象+金融""气象+能源"、"气象+"农业育种借助AI4S育种是国家战略核心议题，现实面临巨大挑战。种业作为农业的“芯片”，关乎国家安全，目前20218-105-6要数年。此外，传统育种效率也较低。图37：常规育种面临瓶颈“稻亦有道科学”公众号农业育种是《国务院关于深入实施“人工智能+”行动的意见》的重要内容。258月发+6“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。二是“人工智能+”产业发展，其中明确提及要“加快农业数智化转型升级。加快人工智能驱动的育种体系创新，支持种植、养殖等农业领域智能应用。”图38：“人工智能+”产业发展内容搜狐网AI加速育种效率，缩短育种周期。AIAI质资源鉴定、育种加代、逆境胁迫研究等核心场景，大幅提升农业科研效率与数据精度。通过机器学习算法高效解析海量表型组数据，科研人员能够快速定位与抗逆、高产、优质等性状相关因子，将传统的育种周期大幅缩短。在育种决策支持方面，通过整合历史育种数据与环境信息构建预测模型，AI能够有效预估杂交组合的后代产量与品质潜力，从而科学辅助亲本选配与高价值品系的早期筛选，大幅提升育种效率。AI通过AI算法深度整合表型数据、基因组信息与环境因子，构建“表型-基因型-环境”关联模型，支撑品种改良。此外，智能人工环境的构建，对缩短育种周期、加速作物品种改良至关重要。图39：AI赋能植物表型解析 图40：拓扑云农打造智能人工环境缩短育种周期、加速作品种改良托普云农公众号 托普云农公众号五、投资建议与投资标的AI4SAI4SAI4sAI制药、AIAI气象、AI模型层，相关标的包括中科闻歌(01956，未评级)、智谱(02513，未评级)；AI4S算力底座方面，推荐中科曙光(603019，买入)，应用领域相关标的包括剂泰科技-P(07666，未评级)、英矽智能(03696，未评级)、晶泰控股(02228，未评级)、国能日新(301162，增持)、华大九天(301269，买入)、中望软件(688083，买入)、托普云农(301556，未评级)。中科闻歌：与中科院联合打造“磐石”基础科学大模型公司成立于2017年，由中国科学院自动化研究所科学家团队创立，专注于研发企业级大模型驱动的决策智能操作系统及服务。根据灼识咨询数据，按2025年收入计，中科闻歌在中国企业级大模型驱动的决策智能服务商中排名第一，市场份额为10.2%。除了提供决策智能模型及服务之外，公司还联合中国科学院团队联合打造了“磐石”（ScienceOne）科学基础大模型，并承担其中模型工程化和产业化落地工作，目前，ScienceOne已在数十家科研单位推广，赋能百余个科研场景，在化学性质预测、谱到分子结构预测、蛋白质位点预测等任务20268ScienceOneAI4SAI4SAI4S图41：ScienceOne科学基大模型在多个领域加速科学发现 图42：ScienceOne通过多态统一推理服务于专用科学任务 ScienceOne官网 ScienceOne官网中科曙光：超智融合计算集群落地郑州，未来将向更多区域复制中科曙光自超算时代起便深度参与国内科研算力基础设施建设，是我国AI4S算力底座建设与科AIAI4SAI2025Nebula800超智融合算力平台，实现以一套系统打通超算与智算之间的技术、AI4S任务，完成从硬件产品向融合算力平台的能力跃迁。20267108000AI4S基础设施推向超大规模级别。该集群实现计算、网络、存储、散热、调度管理层全栈自主可控，具备支撑极端规模科学仿真的硬件与软件能力，已落地多项代表性科研任务，可完成蛋白质折叠模拟、万亿原子级水分子动力学模拟百万亿网格湍流模拟等高难度计算，大幅压缩大型科研仿真的计算周期，为前沿基础研究与产业研发提供硬核算力支撑。图43：中科曙光2025年发布标准化超智融合算力平台Nebula800

图44：中科曙光2026年建成10万卡规模超智融合计算集群 中科曙光官网 中科曙光官网此外，依托集群资源，曙光8000同步接入国家超算互联网体系，重构科研算力的供给模式。广大科研用户无需投入高额成本自建重型算力设施，即可按需调用集群算力资源，有效降低高端科 研算力的使用门槛，推动国内高端科研算力普惠化落地。 45计算和工程设计任务

468000AI4S计算服务平台 国家超算互联网官网 国家超算互联网官网整体来看，中科曙光凭借从标准化产品平台到国家级大型集群的完整落地能力，既补齐了国内AI4S底层算力底座的自主可控短板，又承担起算力供给服务的枢纽职能，在我国AI4S产业基础设施建设、科研算力公共服务体系构建过程中扮演关键性角色，持续赋能基础科学突破与产业端技术创新。剂泰科技：AI赋能纳米材料创新，平台授权+管线授权双路径兑现产业价值2020NanoForgeAI4S“AI大模型-千万级脂质库-高通量湿实验验证”全链条，覆盖小分子制剂、LNP递送、mRNARNA、基因药物、蛋白药物的递MTS-004AiTEM人工智能制剂平台将处方筛选环节由1-23公司打造的NanoForge是全球首个AI驱动的靶向药物递送综合创新平台，可实现分子生成和特性预测、人工智能驱动的干湿实验室迭代以及剂型设计和优化。凭借可扩展、可适配的设计，NanoForge成为公司在人类疾病治疗及更广阔的领域革新纳米材料发现与应用的基石。在NanoForge平台中，数据生成、模型开发与实际应用持续相互赋能，共同构成一套自我强化循环体系，能够持续优化数据资产、模型性能以及下游研发发现效率。图47：公司人工智能驱动纳米材料平台技术的基石NanoForge剂泰科技招股书利用独有的生物纳米平台及脂质库，剂泰科技发现并开发了覆盖肿瘤、免疫、新陈代谢及中枢神经系统等多个治疗领域的差异化疗法。公司已建立起一个多元化的管线产品矩阵，拥有10余种管线产品，包括数种处于发现阶段的候选产品、4种临床前候选产品、3种临床阶段产品、1种pre-NDA产品及2种动物保健产品。图48：剂泰科技建立了多元化的管线产品矩阵剂泰科技官网英矽智能：全球AI制药赛道领先者，Pharma.AI平台赋能端到端药物研发2014Pharma.AIAI4S平台，提供包括新靶点识别到小分子生成及临床结果预测的Rentosertib（ISM001-055），4–518IIIAI发现全新靶点并设计全新分子、完成临床概念验证的药物。Pharma.AIAI药物创新平台，可实现疾病靶点识别与优先级排序、人工智能驱动干湿实验闭环迭代以及候选分子设计、优化与临床开发预测。凭借模块化、可拓展的架构设计，Pharma.AIPharma.AI能，共同构成一套自我强化的飞轮循环体系，能够持续迭代数据资产、模型能力以及新药研发产出效率。图49：英矽智能Pharma.AI平台：端到端赋能药物研发全流程英矽智能招股说明书利用独有的端到端AI药物研发平台与自动化实验室体系，英矽智能发现并开发了覆盖纤维化、肿瘤、免疫学、新陈代谢、疼痛及中枢神经系统等多个治疗领域的差异化疗法。公司已建立起一个多元化的管线产品矩阵，拥有三十余项管线产品，包括多项处于早期发现阶段候选产品、31个临床前候选化合物、13项获得IND许可的候选