川海智库

报告概述

本报告是GenAI系列第70篇暨AI4S入门篇，系统阐述了AI for Science（AI4S）的产业逻辑与技术全景。报告自上而下从国家政策高度论证AI4S作为“人工智能+”首要方向的意义，自下而上将狭义AI4S的“微观-介观-宏观”技术链切分为六层，并配以金融投资比喻降低理解门槛。同时计算了AI4S的ROI，展示了其节省研发成本与时间的乘法效应。报告还从技术环节而非商业模式角度重新划分AI4S产业链，梳理了上中下游的典型参与者，并提供了二级市场TMT、二级市场应用及一级市场的标的池。适合科技公司研发与战略部门、一二级投资者快速理解AI4S的产业价值与投资机会。

报告的核心结论

AI4S是“人工智能+”政策首位，是新质生产力的关键加速器。

《国务院关于深入实施“人工智能+”行动的意见》将“人工智能+科学技术”列在首位，明确AI4S加速科学发现、提升研发效率、赋能制造业升级和未来产业突破。报告认为，只要新质生产力存在，AI4S就是其乘法因子，这是国家自上而下重视AI4S的重要原因。

AI4S技术链实现“生成结构-预测性能”映射，大幅降低研发成本。

狭义AI4S通过量子力学、统计力学、分子动力学、介观动力学、热力学和连续介质力学六层细切，用AI加速从微观到宏观的跨尺度计算。相比传统湿实验，AI4S可将典型研发周期从36-48个月缩短至12-18个月，湿实验次数减少90%以上，综合成本节约率可达79.6%，实现研发提效与成本降低。

AI4S产业链按技术环节划分，商业模式随环节不同而变化。

报告将AI4S产业链重新按技术环节切分为上游（算力、数据库、底层工具）、中游（跨尺度计算引擎、结构生成平台、实验机器人）和下游（场景应用层）。上游偏重硬件销售，中游理论上高通用可复用但实际存在项目制，下游定制化强且常采用Buy-out模式。这种划分比传统商业模式分析更有助于投资者理解技术壁垒与估值逻辑。

AI4S有望诞生专属通用算力，打破英伟达GPU的垄断地位。

报告回顾英伟达GPU、CUDA和Transformer架构的崛起历程，指出三者成功有产业偶然性。随着AI4S产业规模提升，其场景特殊性（多尺度模拟、工业仿真）将催生贴合自身需求的专用算力，如思朗科技的AI4S一体机、芯培森的原子级科学计算APU芯片等，未来可能从小众裂变为普适。

AI4S一二级标的池持续扩张，覆盖TMT与垂直应用领域。

报告梳理了二级市场TMT标的（晶泰控股、中控技术、华大九天、海光信息等）、二级市场应用标的（英矽智能、宁德时代、药明康德等）以及一级市场代表（思朗科技、深势科技、分子之心等）。随着技术验证与商业化推进，预计更多AI4S公司将登陆资本市场，投资者可沿技术链核心环节布局。

报告回答的关键问题

什么是AI4S？

AI for Science（AI4S）即“人工智能驱动的科学研究”，是《国务院关于深入实施“人工智能+”行动的意见》中“人工智能+科学技术”的核心方向。它利用人工智能加速基础科学发现与研发过程，狭义上聚焦化学、高分子、新能源、医药等领域的结构生成与性能预测，广义上覆盖理论物理、天体物理、计算数学、气象学、地球科学甚至人文科学等所有学科。

AI4S如何节省研发时间和成本？

AI4S通过AI替代或加速传统计算化学与实验流程，实现“生成结构-预测性能”的映射。以药物发现为例，传统研发周期需36-48个月，AI4S可将靶点发现至临床前候选化合物阶段压缩至12-18个月；湿实验次数从5000次降至200次左右，减少90%以上无效实验。根据报告测算，AI4S可使综合成本节约率达79.6%，大幅提升研发ROI。

AI4S产业链有哪些关键环节？

报告按技术环节将AI4S产业链分为上游、中游和下游。上游包括算力（GPU/超算/DPU、AI4S一体机）、数据库（Materials Project等）、底层工具（DFT、MD、KMC、有限元、EDA等软件算法）；中游包括跨尺度计算引擎（AI+DFT、AI+MD/MLFF、AI+KMC）、结构生成与优化平台、分子表征与性质预测、自动化实验机器人；下游覆盖狭义场景（新能源材料、半导体材料、新医药）和广义场景（高能物理、地质学、中医等）。

AI4S面临哪些主要风险？

报告提示五大风险：技术风险（技术路线多元、迭代快、验证周期长，MLFF精度不足等）；竞争风险（全球科技巨头、海外成熟工具挤压，国内同质化加剧）；市场风险（下游长周期行业落地慢，预期先行）；政策风险（出口管制、数据安全、跨境合规）；算力与供应链风险（高端芯片受限、实验设备不稳定）。此外，AI4S公司估值普遍偏高，业绩兑现存在不确定性。

有哪些值得关注的AI4S相关公司？

报告梳理了一二级标的。二级市场TMT：晶泰控股（AI4S干湿闭环平台）、中控技术（工业过程智能仿真）、华大九天（EDA+AI）、海光信息（国产算力）、索辰科技（物理AI仿真）、中科曙光（超算+OneScience平台）。二级市场应用：英矽智能（AI制药）、宁德时代（电池材料AI）、药明康德（药物研发服务）。一级市场：思朗科技（AI4S专用算力）、深势科技（MLFF平台）、芯培森（原子级芯片）、分子之心（蛋白质结构预测）。

报告中的代表性数据

传统36-48个月，AI4S 12-18个月，提速2-3倍

典型研发周期对比

2026年，以药物发现早期阶段为例，传统研发模式需3-4年完成临床前候选化合物筛选，AI4S模式可缩短至1-1.5年，参考英矽智能ISM001-055项目18个月完成PCC选定。数据来源为报告表4及英矽智能官网。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 自上而下的AI4S政策解读：详细分析《国务院关于深入实施“人工智能+”行动的意见》中“人工智能+科学技术”的地位，以及AI4S加速基础科学和国际博弈焦点领域研发的具体路径。
  • 自下而上的技术链六层细切：将狭义AI4S从量子力学层到连续介质力学层拆解为六个技术层级，每层输出关键参数，并配以股票投资和图像识别的通俗比喻，帮助非理工背景读者理解。
  • AI4S的ROI定量测算：通过两张测算表格展示传统研发与AI4S模式下在研发周期、湿实验次数、成本构成（湿实验、算力、人工、设备折旧）等方面的具体对比，并注明数据来源及注释。
  • 按技术环节划分的产业链全景：不再按商业模式而是按技术环节将产业链分为上游（算力、数据库、底层工具）、中游（跨尺度计算引擎、结构生成平台、实验机器人）、下游（狭义与广义应用场景），并给出每个环节的代表公司（国内外、一二级）。
  • 一二级市场标的详细分析：分别介绍二级市场TMT（晶泰控股、中控技术、华大九天、海光信息等7家公司）、二级市场应用（英矽智能、宁德时代、药明康德等8家公司）以及一级市场（思朗科技、深势科技、芯培森等7家），涵盖定位、技术能力、重要进展及估值。
  • AI4S算力专属问题讨论：通过分析英伟达GPU、CUDA和Transformer架构的崛起历史，论证AI4S领域有望诞生不依赖现有通用算力的专属算力，并引用思朗科技官网的示意图说明AI4S典型算子与通用算力的差异。
  • 风险提示：系统梳理AI4S面临的技术、竞争、市场、政策、算力供应链及高市盈率六大风险，为投资者提供全面的风险考量框架。
  • 技术附录：包含钱学森《物理力学讲义》的指引（强调与AI4S的一脉相承）、密度泛函理论DFT的详细说明（核心定理、特征量、AI加速路径）以及分子动力学MD的详细说明（核心理论、局限、AI加速路径），帮助深入理解技术原理。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告