1、AI for Science定义与应用进展核心定义与价值：当前AI已从coding赛道进入更智能发展阶段，可分为两类：一类是商用人工智能（AI for business），核心是赋能人类工作，优化现有生产、办公、服务等流程；另一类是AI for Science，核心是赋能人类探索，突破人类认知和实验边界，挖掘未知科学规律，创造全新科研成果。AI for Science的核心价值是重构基础科学与应用科学的研究范式，赋能各领域实现探索突破，下游典型场景涵盖新药研发、新型材料设计、蛋白质结构设计、天体物理推演、数学定理证明、量子化学计算、聚变精准控制等前沿领域。各领域落地案例：目前AI for Science已在多个前沿领域实现落地突破：数学领域：DeepMind的AlphaEvolve模型解决多项长期悬而未决的数学难题，将四乘四复数矩阵乘法优化至四十八标量运算，刷新1969年斯特雷森算法记录，同时找到十一维空间中五九三个不重叠球体的新配置，突破人类数学问题求解边界；物理学领域：德国光学研究所与美国加州理工学院实验室联合开发的系统，发现50种全新的引力波探测器拓扑结构，性能远超当前最先进方案；材料学领域：微软开发的无机材料设计模型可基于设定目标，依托扩散模型和多任务学习微调，主动构思设计出理论稳定且具备特定性能的晶体材料结构，颠覆传统材料发现方式，实现从“大海捞针”到“按需制造”的转变；生物制药领域：DeepMind AlphaFold系列实现持续突破，AlphaFold3除可预测蛋白质三维结构外，还能预测所有生命分子的结构及相互作用力，可为药物研发的靶点识别、小分子设计提供支撑，缩短新药研发周期，目前基于AlphaFold3相关技术已孵化初创企业。2、AI for Science爆发驱动因素产业端催化事件：2026年8月前谷歌首席科学家Jeff Dean结束27年谷歌职业生涯，创办AI初创公司Discovery Loop，核心目标是用AI自动化科学研究与工程实验全流程，覆盖Double E、ME、材料等工程领域及生命科学领域，将成为比肩Coding的全新发展沃土，可实现机器自动提出假设、设计实验、验证迭代，模拟卓越科学家的科研逻辑。同时，Atropos今年6月发布《当AI开始建造自身》报告，其代码库中超过80%的代码由Claude编写，当前Claude已可自主提出和检验假设，累计完成约800小时的开放式AI安全研究实验。当前科技巨头纷纷布局AI for Science赛道，核心动因是寻找下一个行业爆发点。商业化逻辑支撑：2022-2023年GitHub Copilot的商业化落地验证了生成式AI的落地规律：优先在数字化工作流程规范、结果可验证、单位人力成本高的专业场景实现规模化落地，而非无边界聊天场景，其中软件工程、CS coding因输入输出高度结构化、编译器可提供完美及时验证，率先成为爆发赛道。类比该逻辑，AI for Science覆盖的生命科学、新材料、能源、半导体等领域年研发费用达数千亿美金，可承载上游巨额资本开支，赛道空间充足，当前正复刻三年前coding的商业化路径。从一级市场表现来看，此前中美、硅谷等地的AI制药初创公司一度濒临破产，当前已普遍拿到至少1-2个BD项目，药企对AI技术的认可度显著提升，行业订单充足，相关公司陆续上市，已上市代表企业包括金泰科技、英矽智能、集泰科技，商业化环境已成熟。中美政策端布局：美国层面：2025年11月美国启动国家级AI科研工程「创世纪」，官方定位紧迫性与雄心比肩曼哈顿计划，核心目标是确保美国在关键技术领域的全球主导地位。该计划由美国能源部DOE牵头，核心内容包括：一是建设美国科学与安全平台，整合高性能计算资源、AI建模与分析框架、计算工具、基础模型、科学数据集、合成数据、实验生产工具等，大幅加速AI开发与应用；二是聚焦先进制造、生物技术、关键材料、聚变和裂变、量子信息、半导体与微电子六大战略领域，用AI加速材料、药物、工艺、能源等研发，实现AI for Science突破；三是采用时间表加里程碑模式集中攻关。当前美国能源部已宣布投入超过3.2亿美金建设美国科学云，组建变革性人工智能模型联盟，已有微软、谷歌、英伟达等24家企业与美国政府达成合作协议。中国层面：今年以来北京、上海等地已陆续出台地方性AI for Science指导规划，WAIC前后多地发布人工智能+相关政策，重点推进科学数据集建设，目前军工领域已出台行业规划，要求所有军工单位建立自有数据集，中央层面也在推进高质量科学数据集建设，AI for Science已从学术界讨论落地为新型基础设施建设内容。资本市场反馈：当前资本市场已对AI for Science赛道形成投资共识，相关板块行情表现突出：2026年6月美股存储板块下跌阶段，生物科技相关ETF短时间内实现翻倍涨幅；同期盘前，全球mRNA药物平台公司莫德纳暴涨9%。该赛道同时具备业绩支撑与AI属性，头部企业纷纷布局，投资价值已获得市场普遍认可。3、细分赛道布局优先级AI制药赛道优势：AI制药赛道核心优势显著，首先赛道市场规模庞大，流程标准化、结构化程度高且数据丰富，更适配AI处理逻辑；其次新药研发周期长、成本高，前期需完成大量测试筛选、PPCG验证、可靠分子结构研发等环节，AI对部分环节的自动化替代对制药企业吸引力极强。对比同为大市场的材料赛道，材料赛道场景分散、流程差异大，难以用标准化AI方案覆盖：金属、皮革、半导体、稀土等不同品类材料的开发流程、应用场景、研发方法论差异明显，即便AI研发出新材料分子结构，后续制造、应用落地、包装等环节细碎，AI很难覆盖全链路价值，因此当前产业优先将资源投入AI药物开发生物领域。其他潜力赛道分析：除AI制药外，芯片设计、电子设计、量子计算等AI for Science细分赛道也处于探索阶段，其中芯片设计具备较大发展潜力。数字芯片采用硬件描述语言开发，需映射到具体硬件载体，开发逻辑与普通编程语言存在差异。当前EDA赛道AI应用已取得落地进展，Cadence相关AI Agent收入表现良好，国内华大也在跟进EDA AI化，未来从芯片定义、代码设计等前端环节的AI应用仍有较大发展空间，用AI设计AI将成为行业重要变革。4、AI对药物研发的赋能路径AI在科研中的两类角色：AI在科研领域可分为两类角色：第一类是协作提升效率的工具，当前落地进度较快，金泰6月发布的新品可串联药物研发全工作流AI化，大幅提升研发效率，属于这类协作型agent或multi agent工具；第二类是可自主提出新发现的科学家角色，DeepMind的Alpha Evolve已具备自主提出新算法、新idea的能力，可助力产生蛋白质结构相关新知识，目前仅在蛋白质结构预测领域表现较好，未来若结合前者的meta agent实现闭环迭代，即可达成真正的AI for science。传统新药研发困境：传统创新药研发存在核心“三个十”困境，一款新药从研发到上市整体周期长达9-15年、投入超10亿美金、临床成功率不足10%，最终上市成功率低于12%，各环节具体投入与效率如下：a.药物发现阶段：涵盖靶点确认调研、多阶段化合物递进（苗头化合物筛选、先导化合物、临床前候选化合物等），需对5000-10000种化合物做高通量筛选，传统模式下周期3-6年，投入超5亿美金；b.临床前研究阶段：依赖大量湿实验开展毒性预测、动物实验，周期1-2年，成功率仅2.5%；c.临床阶段：包含一到三期临床的患者招募、方案设计、数据分析，周期6-7年，投入超4亿美金，失败率较高；d.监管审批及后续阶段：注册文书审查需0.5-2年，投入超1亿美金，还需完成上市后包装检测、产品性追踪等流程。不同分子落地成熟度：当前AI制药在不同分子赛道的落地成熟度存在明显差异：小分子、环肽领域：分子自由度低、计算方法学成熟度高，是当前AI制药的主要落地场景，其中带复杂功能团的小分子、30氨基酸以下的多肽、环肽是头部企业的核心竞争领域；大分子、抗体领域：分子自由度高、活性评估计算难度大，现阶段仅能在蛋白分子设计环节提供辅助，仍高度依赖人工经验推进研发。从市场空间来看，小分子赛道市场空间较小，大分子赛道覆盖减肥药、肿瘤治疗药物、自身免疫疾病（红斑狼疮、免疫性肾炎等）治疗药物等需求，市场空间更大，目前AI在该赛道的应用效果仍有限，后续发展潜力充足。当前金泰等企业管线数量急剧增加，印证AI对药物研发、上市流程的加速作用已经显现。5、行业竞争格局·竞争格局与投资观点：AI技术进步将为制药行业带来革命性效率提升，同时加剧行业内卷，引发药明康德等药企研发人员、程序员的焦虑与压力。行业竞争格局如下：头部独立第三方服务商跑速最快，市场空间较大；美国大模型厂商已启动相关布局，国内大模型厂商因缺乏医药基因，需与MNC合作方可推进相关业务，落地难度较高；MNC能否成功落地相关业务仍有待商榷。投资建议方面，当前适合在相关标的估值、市值处于低位时布局。
夜雨聆风