过去几年，谈到AI，我们谈的多是聊天、写代码、agent、机器人。但这一轮AI最大的生产力机会，或许不在屏幕里，而在原子和分子构成的物理世界里。
AI for Science（下文简称AI4S），简单说，就是用AI来帮助科学研究、增强科研能力。例如让AI学习物理、化学、生物的知识和规律，去计算和设计原子、分子层面的东西，比如蛋白质、药物和新材料。它是AI走进物理世界的第一站。
2024年10月，诺贝尔化学奖颁给了蛋白质设计和AlphaFold2的研发者，AI4S站上了科研范式的转折点。两年后再看，变化比多数人预想的更快：两年前，AI制药还常被质疑“做不出药”；如今，晶泰、英矽、剂泰先后在港股上市，AI参与设计的药物进入了III期临床，礼来、辉瑞、GSK等跨国药企开始花重金绑定拥有专属模型能力的AI原生公司，抗体甚至可以“零样本”直接算出来。
大模型变慢之后，AI的胜负手在物理世界
中美AI竞争：能源中国占优、芯片美国领先，胜负手在应用
黄仁勋在介绍英伟达的战略时，常提到一个AI 产业全栈分层图，或者叫“AI五层蛋糕”：从下往上依次是能源、芯片、基础设施、模型和应用。用这五层对比中美：
· 能源：中国占优。2025年，中国发电量约为美国的2.3倍，能源总量优势明显。
· 芯片：美国领先，中国紧追。在先进制程上（7nm以下），中国与美国有差距，但如果看芯片制造产能，中国正在在追赶。
· 基础设施：中国整体占优，无论是电网、储能、变压器这些硬的设施，还是互联网和AI infra这些软的底座，中国都有扎实的产业基础。
· 模型：最前沿的模型仍在美国，但差距正在缩小，且中国在开源模型上领先。
· 应用：这是中美AI竞争的胜负手所在。AI应用包括agent、具身智能、AI4S和AI+各行各业。目前美国先行一步，编程类agent已经跑出规模化收入：Anthropic的Claude Code上线半年，年化收入就达到10亿美元；Cursor的年化收入也在2025年突破10亿美元。中国有望后来居上，腾讯、阿里、字节等巨头正在为应用层注入竞争力，中国的强势产业链也为AI落地提供了土壤。
技术突破不等于生产力：美国TFP年增速从2.1% 降到0.17%
历史上，一项技术从被发明到它被广泛应用并真正带来生产力提升，往往要十几到几十年。电力发明于19世纪后期，但生产力的真正爆发是在1900年之后，一直延续到1940年代。
看美国的全要素生产率（TFP，即资本和劳动力投入之外、由技术进步带来的增长）就更清楚。Astera Institute的Eli Dourado指出，1947–1972年，美国TFP年均增长约2.1%；2005年移动互联网时代以来，只有约0.17%。核心原因是，过去20年的创新主要局限在数字世界，而上一轮创新发生在物理世界：电力、火车、汽车带来的生产力提升，远大于计算机和互联网。
美国自1947年以来的全要素生产率（TFP）发展趋势
但这二十年做成了一件关键的事：把与人相关的各类数据（包括人的语言、文本、图像、视频，以及搜索等行为）都数字化了。这正是今天大模型的数据基础。
AI无疑是本轮科技革命最大的技术突破，甚至可以和电力相提并论，但从现有数据看，生产力的全面提升尚未来到——大规模的应用落地还在初期。最大的生产力进步，或许不在在数字世界，而在AI、生物、材料和能源的交叉领域，在数字世界与物理世界的融合之处。
大模型吞尽了现有文本数据，AI需要新模型、新数据、新算力
AI的发展依赖三要素：数据、算力、算法（模型）。如今，大语言模型几乎吞尽了可用的文本数据，迭代速度在变慢。它要继续往前走，需要三样新武器：
· 新模型：黄仁勋在前述“五层蛋糕”的长文里也强调，模型不仅要理解语言，还要理解生物、化学、物理和物理世界本身；他认为模型在编程、机器人、数字生物和药物发现等领域已经展现出很强的产品市场契合（PMF）。物理AI正变得前所未有的重要。无论是微观的AI4S、三维重建的模型，还是世界模型，都是下一步的关键。新的模型可能会需要新的架构。
· 新数据：新数据是模型进一步迭代的新燃料。我们既需要物理世界的数据，比如3D高斯重建、深度数据、3D空间中的交互数据、空间智能、具身操作，以及生物制药中分子之间的相互作用；也需要与人相关的数据，它们可能产生于新型传感器、智能硬件；还需要脑科学数据，毕竟，AI历史上的多次重要突破都源于脑科学的启发，随着脑机接口和脑科学的进一步推进，会带来大量可用的高质量数据。
· 新算力：新模型和新数据对算力提出了更高要求。英伟达超越英特尔的背后，是 GPU （图形处理器）凭借并行计算优势，在 AI 时代逐步取代 CPU（中央处理器）成为主流算力架构。而当黄仁勋开始谈GPU与QPU（量子处理器）的协同时，量子计算被寄望为下一代算力。2025年10月，英伟达发布NVQLink，实现了量子处理器与GPU超级计算机的直接连接。
AI正在成为各学科发展的“关键变量”
很多人以为AI只是带来效率提升，没法成为一门学科的核心驱动力。但我们确实观察到，AI的能力正在向基础科学领域加速外溢。ARK Invest在《Big Ideas 2026》里把AI称为“中央发动机”，它带动机器人、储能、多组学等创新平台一起加速。换句话说，AI像一场龙卷风，把周围的创新和行业都卷进来。下面是四个例子。
蛋白质结构预测。输入一条蛋白序列，AlphaFold2就能给出它的三维结构，而且精度首次和实验方法相当。在此之前，人类花了约六十年，才用实验解析出约20万个蛋白结构；而AlphaFold数据库则在2022年给出了约2亿个预测结构。这项工作获得了2024年诺贝尔化学奖。在蛋白结构预测这个领域，AI已经是主要驱动力。
电池材料。过去150年，从铅酸电池到锂离子电池，能量密度只提升了约5倍，年均进展小于1%，非常缓慢。美国电池材料公司Feon Energy用基于生成式AI的分子设计平台EDGE，在2周时间内，从头设计电解液分子：用它的电解液，锂金属电池的能量密度超过400Wh/kg，比现有锂离子电池高约50%；它的另一款快充锂离子电解液支持6C快充。据斯坦福大学技术许可办公室介绍，Feon用电池配方和性能数据训练AI预测模型，把电解液的研发周期从一年以上压缩到了三四个月。一边是每年不到2%的进步，一边是大幅缩短的研发周期，AI在材料设计里也在变成关键驱动力。
生物制造。生物制造在常温、绿色的条件下进行，最大优势是环保，以及得率高。通俗地说，得率就是投进去的原料有多少变成了目标产物：化学反应走上20步，得率往往不到1%；生物路线走20步，得率可以达到80%甚至更高。但生物制造的难点在于如何设计路线和途径。ATLAS of Biochemistry数据库收录了超过13万条理论上可行的代谢工程反应，但绝大多数是当时未在生物体中见报道。未来用AI来设计代谢路径，是生物制造里最大的变量。
未来医疗。美国公司Tempus把病人的临床数据、分子生物、影像等多模态数据汇集起来并对齐，用生成式AI分析，再将洞察输出给药企和诊断企业。2025年，Tempus全年营收约13亿美元，同比增长83%左右（含收购的遗传检测公司Ambry），同年它与70多家大中型药企签署了数据合作协议；2026年上半年营收7.31亿美元，同比增长约28%，公司把全年营收指引上调至约16亿美元。
级联放大：从0到1，再从1到100
把这些例子串起来，就是我们对AI如何带来生产力跃迁的判断：最底层是AI和大模型本身的进步；它外溢到数学、物理、化学、材料、生物——这就是AI4S；再往上，影响材料设计、蛋白设计、超导材料和新一代芯片；再往上，催生生物制造、AI制药、量子计算、核聚变、脑机接口、具身智能等未来产业；最后，放大到生物医药、新能源、新材料、航空航天等战略性新兴产业。
AI级联放大——五个层次，两个阶段
AI4S正处在这个链条的关键位置：它把大模型的进步翻译成各学科的底层创新，再由产业链逐层放大。
这个过程分两步。第一步，从0到1，以模型为核心：AI通过AI4S的方式溢出到其他学科，完成底层科技的0到1革新，这是中美竞争的焦点。第二步，从1到100，以价值效果为核心：把这些底层创新和中国的强势产业链结合，实现科技创新与产业创新的融合。这是中国科技创新的长期机会所在。
AI4S在做什么？用经验力场的速度，达到量子力学的精度
AI4S研究的是原子、分子等微观粒子及其相互作用。它是数字世界和物理世界之间最重要的桥梁：以前我们只能在计算机里计算和设计，有了AI4S，设计结果可以变成物理世界里实实在在的原子和分子。
原子和分子之所以重要，是因为它们构成了物理世界的基础。碳原子排成平面六边形，是铅笔里的石墨；把它立起来排成立体结构，就是金刚石或者钻石。碳原子加上氢、氧、氮、磷，按双螺旋排列，就是生命的基础DNA。锂、锰、钴、镍和氧按特定间距排布，就是电动车里三元锂电池的正极材料。
从元素周期表里挑选元素、组成分子，如果我们知道了分子的结构和动态，就知道了它的功能和作用。AI4S所做的，就是沿着序列（分子组成）→结构→动态→功能这条链条，去计算一个分子能做什么。
难点在于计算。传统的计算方法是分子模拟，但它面临“维度灾难”：当原子或分子数量变多，计算复杂度就指数级上升。比如完全从头计算（即只依据量子力学基本方程、不借助经验参数）的分子动力学模拟，计算量大致随原子数的三次方增长。
深势科技的思路是，只对部分体系做精确的第一性原理计算，用AI学习这些精确值；下次再算，就不必从头计算所有的原子或分子，直接调用AI，计算量降到与原子数成正比。结果是既准又快：用经验力场的速度，达到量子力学的精度。这就是AI4S的核心原理。
还有一种更通俗的理解：AI是一台“猜测机器”，输出能力很强，但常常出错；Science这部分，就是用科学验证的方式，把垃圾过滤掉，留下真正有用的部分。就是用AI生成，用science来验证。
AI4S旨在用AI赋能基础科学研究。在数学领域，它可以来严格验证数学证明；在物理领域，它能在量子力学与经典粗粒度模型之间架起桥梁，打通不同尺度的模型——物理问题一旦解决，就能精确计算能量，进而为分子设计打下基础；在此基础上，化学可以用 AI 设计化学分子和反应，生物可以用 AI 设计生物分子乃至药物，材料科学则可以用 AI 发现新材料。一定程度上，AI4S就是一种物理AI，或者说是微观世界的世界模型。这是它的重要性所在。
AI制药：从工具走向产品，从概念走向现金流
AI制药进入2.0时代：上市、辅助成药、拿大额BD
过去两年半，我们看到以晶泰科技、英矽智能、剂泰科技为代表的“港股AI制药三小龙”相继上市，标志着AI制药1.0时代的头部公司被资本市场接受。此外，两年前，AI制药最常被诟病的是“做不出药”。现在，证据已经足够充分： AI参与设计的药物进入了III期临床，还卖出了高价。
· 峰瑞已投企业剂泰科技自研的MTS-004口崩片，2025年10月宣布III期临床达到主要终点，据报道这是国内首个完成III期的AI赋能制剂新药。2026年6月，剂泰科技与Boulevard Bio达成三特异性T细胞衔接器（TCE）MTS-128的全球独家授权，总额16亿美元。2026年10月19日，剂泰科技与礼来签署11亿美元的战略合作，一起探索用AI解锁新一代组织和细胞靶向LNP递送技术，加速药物抵达患者。
· 峰瑞已投企业晶泰科技的“AI设计-智能体调度-机器人实验验证-数据反馈-模型优化”研发范式，正在被越来越多药企和材料企业采纳。2025年8月与美国公司DoveTree达成总额约60亿美元的管线合作；2025年11月，其全资子公司Ailux与礼来达成最高3.45亿美元的AI双抗研发合作。2026年6月，它又与一家国际知名药企就GPCR靶点口服小分子药物达成潜在总额超4亿美元的合作。2026年，它还为礼来、巴斯夫交付了自动化实验系统；9月，自研药物KQTD-126向美国FDA提交了临床试验申请。
· 英矽智能的TNIK抑制剂治疗特发性肺纤维化（IPF），2025年6月在《自然·医学》发表IIa期阳性结果，这是AI发现靶点+生成式AI设计分子的代表案例。2026年9月，它在中国启动的III期临床完成首例患者给药。英矽的BD（复星、礼来、赛诺菲、齐鲁、施维雅、美纳尼亚等）总额，超过30亿美元+20亿港币，随着管线不断推进，里程碑付款将持续兑现。
· 华深智药（海外公司Earendil Labs）用AI做双特异性抗体：2025年4月将两款双抗授权给赛诺菲，总额18.45亿美元；2026年1月又与赛诺菲达成潜在总值25.6亿美元的发现合作；2026年3月完成7.87亿美元融资。它的商业化表现亮眼。
· Generate：Biomedicines于2026年2月在纳斯达克上市，募资4亿美元。它用AI深度优化的抗TSLP抗体GB-0895（治疗严重哮喘）亲和力提升约20倍、可每六个月给药一次，已进入III期，值得一提的是，从分子合成到进入III期只用了约四年。
所以，AI制药确实做出了临床阶段的资产，而且BD在源源不断为AI制药公司带来现金流。尽管上一代的不成果多是在已知成药分子的基础上做微调；但今天药企手里的模型武器，已经又往前走了一大步。
2条评论