永鑫行研 | 科学研究新范式之AI4S行业研究_展会资讯_资讯

永鑫行研 | 科学研究新范式之AI4S行业研究

本文是永鑫方舟团队第84篇原创行研

前言

AI4S（AI for Science，人工智能赋能科学研究）的概念源于人工智能技术与基础科学研究的深度融合，核心是利用人工智能的强大数据处理与复杂建模能力，突破传统科学研究的认知局限与效率瓶颈。AI4S正进入规模化应用阶段，逐步渗透到生命科学、材料科学、气候环境、工业制造等多个核心领域，成为推动科学发现与技术创新的新范式，确立了其在全球科技竞争中的核心战略地位。

一

行业概况

1.什么是AI4S？

AI4S即“人工智能赋能科学研究”，是指将人工智能技术（包括深度学习、强化学习、大模型、知识图谱等）与基础科学（物理、化学、生物、天文等）及应用科学（材料开发、医药研发、环境治理等）的研究场景深度融合，通过数据驱动、模型赋能、模拟加速的方式，解决传统科学研究中“理论难推导、实验难开展、模拟难高效”的核心痛点，实现科学规律的快速发现、技术方案的精准优化与研究效率的指数级提升。

AI4S的核心特征在于“跨学科融合”与“范式革新”：并非简单将AI作为辅助工具，而是重构了“科学问题提出-数据采集-模型训练-模拟预测-实验验证-知识沉淀”的完整研究闭环，其覆盖范围贯穿从基础理论研究到产业应用落地的全链条，是继经验科学、理论科学、计算科学、数据密集科学之后的第五种科学研究范式。

图1 科研范式发展历程

资料来源：《科技导报》2025年第18期

2.AI4S能够做什么？

借助数据计算、虚拟仿真与合成模拟等技术手段，AI正为企业研发环节注入高效动能。以材料领域为例，传统研发模式常因依赖经验试错而被比作“炼金术”，而AI则通过“文献挖掘-科学计算-实验落地”的全流程介入，实现了对材料研发的深度赋能。

图2：深势科技的材料研发服务

资料来源：深势科技官网

1）文献挖掘：AI的信息处理能力突破人力极限，可高效检索海量学术文献，精准识别其中的分子式结构、实验图表、数据表格等多模态核心信息。它不仅能系统梳理既有研究的核心结论、技术路径与数据关联，还能通过深度关联分析挖掘潜在研究空白，进而提炼出具备可行性的创新研发方向；

2）科学计算：依托材料领域专属的垂直算法模型，AI具备强大的科学分析能力。借助虚拟设计仿真、性能表征模拟、制备工艺参数优化等多元手段，AI可对材料成分配比、实验条件开展海量组合推演，高效筛选出符合目标性能要求的候选方案，大幅压缩传统研发的盲目试错成本，推动研发全流程提质增效；

3）实验落地：AI与自动化实验系统深度融合后，可全程指导实验机器人完成标准化、高精度的试验操作。同时，AI能调用预训练模型对试验产生的海量真实数据进行实时解析与结果反馈，持续迭代“设计-制备-测试-优化”的研发闭环，经多轮数据积累与算法迭代，最终输出经过充分验证的最优产品解决方案。

图3：无机材料制备自动化实验室

资料来源：晶泰科技官网

3.AI4S发展历程

广义的AI4S理念并非全新概念，但其技术突破与规模化应用的爆发期则集中于近十年：

1）2016年：AI4S的起点之年，芝加哥大学率先运用深度神经网络开展蛋白质结构预测研究，普林斯顿大学鄂维南团队开发出深度学习分子势能模型，同期AlphaFold初代模型应运而生，三大标志性成果为行业奠定发展基础；

2）2020年：AI4S的重要转折点，AlphaFold2实现原子级精度的蛋白质结构预测，加之相关工具的开源化与平台化推进，大幅提升科研效率，推动AI在科学研究中实现从“实验辅助工具”到“传统模拟方法替代方案”的关键跃升，AI4S的应用在生物医药领域率先落地；

3）2024年：AI4S的里程碑之年，诺贝尔物理学奖表彰了神经网络机器学习领域的基础性发现与发明，诺贝尔化学奖则授予“计算蛋白质设计”与“蛋白质结构预测”相关研究。这一历史性事件向全球宣告：AI不仅是技术工具，更已成为科学发现的核心方法，加速了学术界、产业界对AI4S价值的认知转变。2024年AlphaFold3进一步扩展到蛋白质-蛋白质、蛋白质-DNA/RNA复合物等多分子相互作用。与此同时，大规模语言模型和生成式AI在科研工具层面成熟，为AI辅助假设生成、文献分析等提供了强力支持。产业界关注度逐步提升，行业巨头战略升级：2024年GTC大会上，黄仁勋将AI4S与大语言模型、具身智能并列为AI三大战略方向，推出专为科学研究设计的计算平台和CUDA库，定义"科研范式革命"。

图4：2024年诺贝尔物理学家和化学奖均与AI4S相关

资料来源：公开信息整理

4）2025年：商业化关键年，AI开始系统解决材料设计、药物研发等领域的核心问题，推动行业从传统模式向“预测设计”和“精准创制”方向迈进。其核心驱动因素包括AI基础设施的迭代升级，实现了研发效率的质的飞跃；资本市场的持续加码，加速了产业生态的完善成型；从国家顶层战略到地方配套举措的全方位政策赋能，为行业突破提供了坚实支撑。

表1：2025年AI4S相关政策支持梳理

资料来源：公开信息整理

4.行业下游应用场景

AI4S正深刻革新科学研究范式，核心赋能物质科学与生命科学两大领域，其中生命科学领域的应用已率先步入成熟阶段。在生命科学领域，明确的目标函数与充足的数据积累，推动AlphaFold一举攻克蛋白质折叠这一世界级难题，成为AI4S成熟应用的标志性成果，AI与高性能计算的深度融合可实现数亿原子系统的精准模拟，精度提升5个数量级，破解了传统物理计算难以应对的高维复杂困境。这一成熟技术逻辑已快速向多领域延伸。

- 生物医药：

> 蛋白质结构：DeepMind的AlphaFold系列是AI驱动蛋白质结构预测的里程碑：AlphaFold2精度比肩传统实验方法，2024年推出的AlphaFold3进一步拓展能力边界，除蛋白质三维结构外，更能预测DNA、RNA、配体及修饰基团等生物分子复合物构象。在蛋白质结构预测的基础上，AI技术进一步推动了蛋白质设计的快速发展。通过深度学习和生成模型，AI技术能够快速生成具有目标功能的蛋白质序列。

图5：AI在蛋白质设计中的应用场景

资料来源：生物制品圈《人工智能驱动药物研发进展》

> 小分子药物：AI赋能小分子药物设计全流程，靶点识别阶段挖掘多组学数据，精准定位靶点并评估可药性；虚拟筛选环节克服传统方法痛点，通过数据建模或生成新化合物加速先导化合物发现；先导化合物优化中预测关键性质，指导结构修饰提升成药性；合成路线设计上预测反应特性，借强化学习探索最优路径，实现高效低成本合成。比如，晶泰科技参与辉瑞PAXLOVID研发，将原本需数月的传统研发流程压缩至6周，助力这款全球首款新冠口服药比竞争对手提前1天获FDA批准上市，2022年实现189亿美元销售额。

图6：晶泰科技苗头化合物发现流程

资料来源：晶泰科技官网

> 大分子药物：AI4S从靶点发现到临床阶段全流程赋能大分子药物研发，依托AlphaFold等模型解析靶点蛋白及抗原-抗体复合物构象，挖掘多组学数据识别新型靶点并评估可成药性；智能设计优化抗体CDR序列及双抗、ADC等复杂分子结构，提升亲和力与特异性；结合自动化平台高通量筛选候选分子，预测稳定性、溶解度等理化性质以降低试错成本；建模优化CHO细胞培养等生产工艺参数，规避放大风险；同时预测PK/PD特征与免疫原性，辅助临床患者分层，大幅缩短研发周期、提升成功率。

> 医美日化：近两年，受益于合成生物学、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化妆品中肽类原料的新突破方向。比如，恩和生物旗下青然新护推出两款AI精准筛选的可持续蛋白肽——璞生燕麦肽与小果咖啡肽。二者提取自植物废渣，AI全程参与分子模拟、多肽预测等研发环节，践行可持续发展理念。相关实验显示，2%燕麦肽可提升22%水离子通道蛋白AQP3表达，实现24h长效保湿；2%小果咖啡肽香波则能显著改善发束毛躁，舒缓头皮不适。

图7：青然新护通过AI技术进行肽类研发

资料来源：聚美丽官网

- 材料与化工

> 催化材料：工业制品超80%涉及催化剂，现代工艺对其耐久性、选择性及活性的要求持续提升。但传统催化剂研发面临动态微观结构演变与反应路径不明、数据库缺失、全流程试错等痛点。AI可揭示活性位点、表面吸脱附过程，厘清催化剂构效关系本质。如下图所示，深势科技通过机器学习分子动力学模拟与自由能计算，发现纳米团簇表面预熔化现象，揭示催化活性随温度的非线性变化规律，为纳米催化剂设计优化提供全新方向。

图8：原子尺度解析纳米催化剂表面结构动态效应与催化反应耦合机制

资料来源：深势科技官网

> 新能源材料：AI4S可以在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。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。对于固态电池的研发方面，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。

> 半导体/显示材料：传统光刻胶新分子研发周期长达十年，生成式AI可在5小时内完成2000个潜在PAG建模，再结合自动化反应器合成候选分子。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。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，将该种OLED材料的使用寿命提升了20%。深势科技的Uni-Mol通用分子设计基座模型，仅需少量量子力学计算数据即可构建可靠构效关系，通过随机组合Ir(III)与有机配体，在量子化学精度下生成百万级有机配合物数据库，挖掘出具备优良光学性质的潜在专利分子。

图9：二代OLED分子Ir(III)配合物的高效筛选

资料来源：深势科技官网

> 其他材料：在合金材料领域，AI4S从微观层面切入，为高性能合金研发提供全新解决方案。高性能合金需从数百万种成分配比中筛选最优方案，AI不仅能攻克高熵合金等复杂配比研发难题，还可大幅缩短研发周期、降低成本。在聚合物（如塑料、弹性体）领域，AI融合物理模型与深度学习技术，精准预测断裂行为、密度等复杂特性，有效突破人工试错法的研发局限。

5.行业壁垒和核心要素

AI4S行业虽快速发展，仍面临多重核心挑战。高质量标准化科学数据稀缺，企业积累的独家数据与“数据-模型-实验”闭环飞轮难以复制；算法需深度适配科学场景，模型创新不足且可解释性欠佳；跨学科人才缺口显著，需兼具AI技术与数理、生物等专业素养；算力需求巨大，硬件投入与运维成本较高；同时产业链上下游协同机制尚不健全，这些问题共同制约着行业规模化推进。

表2：AI4S行业发展困境

资料来源：公开信息整理

结合产业链深度调研可知，AI4S的核心竞争力在于数据库与模型两大核心要素，二者共同构成了AI4S技术落地与价值释放的基础框架，其中更为重要的是高质量体系化数据。核心运作流程形成了“数据-模型-迭代”的闭环体系：首先以高质量数据库为基础开展模型训练，借助相关算法从海量数据中提炼科学规律与潜在关联，随后引入领域专家的人工干预，结合专业知识校准模型方向、优化学习目标，最终实现模型的自主迭代与高效筛选，持续提升对科学问题的求解能力。

数据库作为AI4S的“数据燃料”，其来源的多样性与质量的可靠性直接决定模型训练效果，主要通过三种核心方式构建：

1）依托人工整理或自动化爬虫技术，系统爬取全球范围内已发表的学术文章、研究报告等公开成果，提炼其中的实验数据、结论参数等核心信息，形成基础数据积累；

2）基于量子力学等基础原理，通过理论计算生成模拟数据，这类数据可弥补实验数据的稀缺性，尤其适用于难以通过实验验证的极端场景或前沿领域；

3）借助高通量实验平台，通过自动化、并行化的实验设计生成海量实测数据，这类数据贴近实际应用场景，能有效提升模型的实用性与泛化能力。

模型体系则分为理论模型与AI模型两大类别，其中理论模型的基础性与重要性更为突出，是保障AI4S研究科学性的核心前提。与之相对，AI模型的训练技术本身呈现开源化特征，主流算法框架、模型结构均无核心技术壁垒，其竞争关键集中于算力使用效率——即如何通过优化算法设计、数据预处理、并行计算策略等，在有限的算力资源下提升模型训练速度、降低迭代成本，实现算力资源的最大化利用。

二

产业链

AI4S的产业链可分为上游技术与基础设施层、中游平台与工具应用层、下游科研与产业落地层三大环节：

- 上游（算力、算法、数据）：AI4S行业的核心壁垒，为整个产业链提供底层支撑，包括高性能计算硬件、超算中心、各类科学数据库和数据处理服务等。

- 中游（应用平台与工具）：适配不同科研场景的应用平台与工具，包括定制化AI模型，材料配方解决方案、软硬件自动化实验机器人等。

- 下游（科研与产业落地）：涵盖多个基础科学研究和实体产业领域，主要有生命科学与医药、材料与化工两大领域。

图10：AI4S产业链

资料来源：公开信息整理

三

市场空间

目前AI4S企业商业模式仍然以为下游客户提供技术服务为主，或是售卖软硬件一体的实验室机器人；长远来看，行业有望拓展至合作管线/自有管线建设及自有产品销售等多元发展路径。

我们认为AI4S在生物医药、材料化工等领域具备广阔市场潜力，目前AI4S定价核心与下游企业研发支出挂钩，市场规模直接取决于相关行业研发投入体量与AI研发渗透率。在此基础上我们选取化工、医药、新能源、半导体四大主要应用行业进行测算，以中国上市公司总营业收入为基础，结合各行业2024年研发支出占总收入的中位数数据，分场景测算不同渗透率下的市场空间：当前AI渗透率若为1%，行业规模约52亿元；随着技术落地加速，渗透率提升至5%、10%将带动规模阶梯式增长，若突破25%，市场规模有望突破千亿元。

表3：AI4S市场规模测算

资料来源：iFinD

四

竞争格局

AI4S领域企业的核心赛道可划分为三类，分别是仿真模拟软件、高通量自动化设备，以及数据驱动的AI新材料与生物医药研发，其中医药方向的细分领域覆盖小分子药物、大分子药物、合成生物学、医美日化等，材料方向的细分领域覆盖新能源材料、催化材料、金属材料及绿色低碳材料等。

图11：AI4S竞争格局

资料来源：公开信息整理

近两年，泛AI4S赛道的创业公司呈现爆发式增长，但行业内企业普遍形成了清晰的差异化竞争格局——由于各家聚焦的技术路径、应用细分领域各不相同，直接竞争关系弱。整体来看，AI4S行业目前仍处于百花齐放的探索期，技术落地与产业化过程中仍有诸多待解难题，这也使得不少投资机构选择在该领域布局多家企业，以覆盖不同赛道的成长机会。

表4：AI4S企业介绍

资料来源：公开信息整理

五

永鑫观点

AI4S是AI技术的超级应用场景之一，特别在生物医药与材料化工两大核心赛道。核心优势体现在两大维度：其一，能够从原子尺度穿透反应本质，依托AI与超算/量子计算的深度融合，精准探索合成路径优化、化合物结构设计、复配体系适配等核心问题的最优解，大幅突破传统研发的效率边界；其二，伴随高通量自动化实验设备的技术成熟，全天候实验机器人可高效完成海量实验任务，既显著提升数据的质量与量级，又能持续向前端计算环节反馈验证数据，构建“计算-实验-数据-迭代”的正向飞轮效应。

尽管行业目前仍处于发展初期，尚未突破数据资源稀缺、理论模型可解释性不足等共性挑战，但依托国内完备的工业制造产业链所带来的海量数据积累，以及兼具AI技术与生物/材料学科背景的复合型人才持续涌入，AI4S在应用端的落地渗透正加速推进。永鑫持续密切追踪AI4S领域的技术迭代与产业演进趋势，聚焦产业链上下游优质投资标的，通过深度赋能助力AI4S企业衔接下游产业需求、加速应用落地，精准把握技术革新与产业升级叠加下的投资机遇。

永鑫未来也会持续关注“芯”、“车”、“AI”、“智能制造”及相关产业链，深入挖掘产业链上下游优质企业，持续助力中国实体经济。对于已投企业，永鑫将一如既往地从人力、供应链、订单等多方面助力企业发展“让创业不再艰难”。

参考资料：

1.国盛证券-基础化工行业深度：AI for Science-化学研发的超级范式

2.国金证券-AI系列深度（二）：AI for Science应用端落地快速开启