生物药研发模式变革 - 生物药研发正从传统"实验驱动"模式向"计算驱动"模式转变 这种变革有望解决研发周期长、成本高、效率低等痛点 [1] - 迈威生物与深势科技的战略合作标志着行业研发范式创新 通过AI与生物技术融合推动源头创新 [1][3] 合作双方核心优势 - 迈威生物具备全产业链布局优势 在ADC技术平台、单/双抗分子发现领域有突出能力 已打通ADC药物从研发到生产的全流程 IDDC平台与Mtoxin毒素技术获多项目验证 [2] - 深势科技拥有Uni-Smart科学文献大模型、Uni-Mol分子构象大模型、Uni-Fold蛋白折叠大模型等AI技术 构建了完整的微观世界认知与计算体系 [2] 合作具体方向 - 知识引擎构建：基于Uni-SMART大模型打造生物创新药研发知识引擎 实现科学文献智能筛选与多模态元素提取 构建靶点数据库提升研究效率 [2] - 创新靶点探索：结合RiDYMO平台使分子模拟采样效率提升近百倍 融合迈威ADC技术加速药物分子从0到1发现 突破难成药靶点机制研究 [2] 行业影响 - 此次合作代表生物制药技术与AI大模型的深度创新融合 为行业提供全新技术解决方案 [3] - 通过核心技术优势互补 将显著提升靶点发现效率和药物研发成功率 推动生物药研发进入智能化新阶段 [1][2][3]

报告公司投资评级 - 首次覆盖，给予“买入”评级 [1] 报告的核心观点 - 晶泰控股是AI for Science稀缺标的，有望在2027年实现扭亏为盈，预计2025 - 2027年收入分别为4.26/6.83/10.95亿元，归母净利润分别为 - 4.42/-1.96/0.42亿元，当前股价对应P/S分别为43.69/27.25/17.00倍 [8] 根据相关目录分别进行总结 1. AI for Science稀缺标的，打造AI研发新范式 - 晶泰控股是基于量子物理、以人工智能赋能和机器人驱动的创新型研发平台，为制药及材料科学等产业提供研发解决方案及服务 [14] - 公司受全球资本关注，已筹集资金约732百万美元，在全球人工智能赋能的药物发现公司中排名第一，成立多家附属公司构建多元化科技创新企业集团 [15][17] - 公司股权结构多元，腾讯和红杉中国为主要股东，创始人股东和其他投资者也有一定持股比例 [22] - 公司核心管理团队技术背景强、行业经验丰富，研发团队由三位麻省理工学院培训的科学家和联合创始人领导，有500多名科学家和技术人员 [23] 2. 人工智能解决方案及自动化行业：场景多元，前景广阔 - 人工智能在医疗和材料科学领域潜力大，自动化市场增长快，实验室自动化渗透率将从2022年的3.7%增长至2030年的23.2%，数据量、劳动力成本、技术融合及政策驱动市场增长 [26][27][34] - 药物研发行业中，传统制药方式成本高、时间长、成功率低，AI制药潜力大，基于量子物理的方法是突破性技术，AI制药处于成长期，干湿结合等能力是竞争优势，人才、数据等是进入壁垒，降本增效需求驱动增长，数据保护和多样化管线是趋势 [35][36][47] - 固态研发服务行业中，固态研发对评估材料性质重要，人工智能赋能可建立反馈回路，市场以制药为主、材料科学领域有望增长，技术和商业化难度是进入壁垒，技术进步等驱动增长，应用领域向材料拓展是趋势 [48][49][57] - 自动化研发实验室行业中，自动化可实现更高效的湿实验室流程，传统人工方法有成本高、效率低等问题，自动化是产业升级趋势，市场以制药为主、化学及材料科学领域有望增长，资金、竞争压力等是进入壁垒，产业升级需求和人工智能进步驱动增长，多技术整合和重视数据安全是趋势 [59][60][70] - 材料科学研发行业中，人工智能等新技术将重塑研发方式，新型材料市场需求增加，应用多元、参与者广泛，向生物领域转变，人工智能及跨学科技术赋能研发 [71][72][76] 3. AI for Science，具备跨行业赋能能力 - 营收步入商业化阶段，2024年营收2.66亿元，同比增长53%，达到港交所商业化公司收入门槛，取消“未商业化公司”称号，净亏损收窄，现金充足，智能机器人业务大幅增长 [77][79][85] - 数据构造护城河，公司有海量虚拟和实验数据，实现“干、湿”闭环技术平台，结合量子物理和人工智能技术，开发ProteinGPT，基于量子物理的计算能力可改善研发周期，AI模型可与物理模型结合并实现生成式AI功能 [88][90][93] - 合作项目由医药延伸至材料等新领域，服务全球制药巨头，合作管线进展良好，AI + 机器人落地多行业，深度赋能材料科学等领域 [8] - AI赋能各产业发展打造新质生产力，业绩增长具备较高确定性，政策红利驱动短期增长，客户留存与孵化公司驱动中长期增长 [8] 4. 盈利预测与投资建议 - 预计公司2025 - 2027年收入分别为4.26/6.83/10.95亿元，归母净利润分别为 - 4.42/-1.96/0.42亿元，当前股价对应P/S分别为43.69/27.25/17.00倍，首次覆盖给予“买入”评级 [8]

报告公司投资评级 - 买入（首次）[1] 报告的核心观点 - 晶泰控股科学家背景团队研发实力雄厚，营收突破商业化门槛且净亏损显著收窄，干湿实验闭环构造数据壁垒，合作新药管线进展顺利且新材料等领域客户持续拓展，政策红利驱动短期增长，客户留存与孵化公司驱动中长期增长，预计2027年实现扭亏为盈，首次覆盖给予“买入”评级[8] 根据相关目录分别进行总结 1. AI for Science稀缺标的，打造AI研发新范式 - 全球资本关注，构建多元化的科技创新企业集团：晶泰控股由三位麻省理工博士后创立，以量子物理和人工智能技术突破传统限制，受世界知名投资者支持，已筹集约732百万美元，在全球人工智能赋能药物发现公司中排名第一，与辉瑞合作助力Paxlovid开发，还成立多家附属公司构建多元化集团[15][17][19] - 股权结构多元：股权结构分散，腾讯和红杉中国为主要股东，创始人股东及其他投资者均有持股，公众股东和基石投资者持股比例较小[22] - 科学家领衔，研发实力雄厚：核心管理团队技术背景专长且经验丰富，研发团队由三位麻省理工科学家领导，500多名人员具备多学科专业知识[23] 2. 人工智能解决方案及自动化行业：场景多元，前景广阔 - 药物研发行业：传统制药面临成本高、时间长、成功率低问题，AI制药潜力大，基于量子物理方法是突破性技术，AI制药处于成长期，干湿结合等能力是竞争优势，人才、数据等是进入壁垒，降本增效需求是增长驱动，数据保护和多样化管线是趋势[35][36][40] - 固态研发服务行业：固态研发对评估材料性质重要，人工智能赋能固态研发，市场应用以制药为主，材料科学领域有望增长，技术和商业化难度是进入壁垒，技术进步等是增长驱动，应用领域向材料拓展是趋势[48][49][51] - 自动化研发实验室行业：自动化研发可实现更高效湿实验室流程，应用领域将拓展，传统人工方法有诸多问题，自动化是产业升级趋势，市场以制药为主，化学及材料科学领域将增长，资金等是进入壁垒，产业升级需求和人工智能进步是增长驱动，多技术整合和重视数据安全是趋势[59][60][61] - 材料科学研发行业：人工智能等新技术将重塑研发方式，新型材料需求增加，市场竞争激烈，材料科学向生物领域转变，人工智能及跨学科技术赋能研发[71][72][75] 3. AI for Science，具备跨行业赋能能力 - 营收步入商业化阶段，AI平台价值加速兑现：2024年营收突破商业化门槛，取消“未商业化公司”称号，净亏损收窄，费用率改善，现金充足，智能机器人和药物发现解决方案收入增长[77][79][85] - 数据构造护城河，迈向AI for Science：量子+AI模型生成虚拟数据，机器人自动化积累实验数据，结合计算机工具和机器人自动化湿实验室提供干湿闭环解决方案，整合人工智能到核心技术，开发ProteinGPT[88][90] - 合作项目由医药延伸至材料等新领域：服务全球制药巨头，合作管线进展良好，AI+机器人落地多行业，深度赋能材料科学等领域[10] - AI赋能各产业发展打造新质生产力，业绩增长具备较高确定性：政策红利驱动短期增长，客户留存与孵化公司驱动中长期增长[8] 4. 盈利预测与投资建议 - 关键假设：未提及相关内容 - 盈利预测和估值：预计2025 - 2027年收入分别为4.26/6.83/10.95亿元，归母净利润分别为 - 4.42/-1.96/0.42亿元，当前股价对应P/S分别为43.69/27.25/17.00倍[1][8]

人工智能发展历程 - 人工智能概念可追溯至1950年图灵提出的"图灵测试"，奠定了理论基础 [2] - 大众广泛接触人工智能以2022年11月ChatGPT发布为分水岭，至今仅两年多发展历程 [2] - 大模型时代标志着人工智能进入新阶段，通用人工智能是高阶阶段的标志 [4] 人工智能在工业领域的应用现状 - 人工智能在工业领域应用正由单点突破向系统集成发展，目标是与更多工业系统深度融合 [5] - 当前工业领域呈现大小模型并存局面，小模型处理结构化数据与精确预测，大模型处理复杂非结构化数据 [5] - 人工智能在汽车制造业等智能制造基础扎实的领域表现最佳，成熟度较高 [6] - 大模型在工业领域主流应用集中于智能客服、业务管理等边缘性建议，高阶自动化应用尚在探索 [8] 人工智能赋能制造业的目标 - 提升效率，如排产调度优化 [9] - 改进质检，通过视觉神经网络等技术提高检测效率 [9] - 降低成本，这是工业赋能的核心命题 [9] - 创新驱动，生成式大模型在产品设计、工艺优化等方面提供新思路 [9] - 决策优化，为企业管理层提供更科学、及时的决策支持 [9] 人工智能在工业领域落地的挑战 - 工业场景细分程度高，通用解决方案难以实现，智能体无法充分控制风险 [9] - 工业数据分散于不同系统，格式与标准缺乏统一性，整合难度大 [10] - 定制化人工智能解决方案成本高，投入产出比低，难以形成商业闭环 [10] - 数据治理是主要障碍，涉及数据获取、整合、处理、安全应用及权属界定 [11] - 大模型算法与工业逻辑存在冲突，工业追求决策过程可解释性、可控性和可追溯性 [13] - 生成式大模型无法满足工业级"四个九"或"五个九"的可靠性要求 [13] 人工智能与工业企业的双向对接问题 - 人工智能技术人员缺乏工业领域实践经验，工业专业人员对AI技术理解有限 [15] - 项目制、定制化合作方式制约大模型在工业领域的泛化应用 [15] - AI技术在工业领域价值变现面临不确定性，缺乏成熟商业模式 [17] 人工智能赋能新型工业化的推进策略 - 初级阶段优先在封闭场景采用小模型，开放场景试用大模型 [19] - 进阶阶段构建大小模型协同赋能体系，探索人工智能能力边界 [20] - 高阶阶段目标实现高度智能的"通用智能制造"，通过MOE架构串联大小模型 [21][22] - 工业模型培养需分阶段推进，初阶段优化提示工程，进阶阶段赋予检索增强能力，高阶阶段预训练原生工业大模型 [24] 算力与数据配套发展 - 初阶阶段政府打造区域算力中心，规划城市级算力网络 [24] - 进阶阶段建设高性能算力集群，加速部署市级算力网络 [25] - 高阶阶段扩容升级算力集群，构建核心算力枢纽 [25] - 需汇集各行业结构化与非结构化数据，形成闭环数据飞轮 [26] - 优先在数据基础好、数字化水平高的行业开展试点示范 [26] 企业协同与产业链优势 - 龙头企业应发挥引领示范作用，聚焦行业共性需求 [26] - 中小微企业聚焦场景迭代，参与大模型数据迭代 [27] - 中国拥有完整产业链体系和丰富工业场景，持续迭代数据是未来竞争关键 [27]

中国大模型开源浪潮 - 中国科技公司在大模型领域掀起开源浪潮，向全球发出"强音"，技术获得国际认可并扭转全球大模型文化 [1] - DeepSeek和通义千问系列开源产品推动国际大模型开源路线，突破技术垄断，促进技术平权，提升AI普惠性 [1] - 阿里通义已开源200余个模型，全球下载量超3亿次，衍生模型数超10万个，超越美国Llama成为全球第一开源模型 [2] 技术性能与国际认可 - 在国际学术研究中，许多论文基于千问模型，同等尺寸下千问小模型性能优于LLaMA [1] - 以DeepSeek、Qwen为代表的中国开源模型实现参数权重、推理逻辑和工具链条全开源，打开AI商用新局面 [2] - DeepSeek在人工智能反馈强化学习方面是开源大模型中走得最远的，将人类反馈变为人工智能反馈 [2] 小模型的价值与意义 - 小模型可降低应用成本，拓展普及度，同时帮助高校科研机构应对资源约束的研究挑战 [2] - 大模型发展越好，越能衍生优秀小模型，而小模型研究也能为大模型发展提供重要启发 [2] AI for Science前沿领域 - AI for Science成为重要突破口，大模型对复杂系统的处理能力远超传统方法 [3] - AI for Science定位为启发人类科研工作者，弥补人类思考不足或成百倍、千倍提高效率 [3] 未来发展挑战 - 中国AI领域在并驾齐驱后将面临更高层次能力考验，需提出更深刻学术思想和根本性解决方案 [4] - 需在保持技术创新的同时，注重"从0到1"原创性思想的培育和激发 [4]

公司业绩情况 - 2025年一季度公司实现营业收入5.56亿元，较去年同期增长23.65% [1] - 2025年一季度归属母公司股东的净利润达2461万元，同比大幅增长236% [1] - 2025年一季度经营活动产生的现金流量净额为1.16亿元，同比增幅达207% [1] - 2025年一季度境外新签订单量同比大幅增长，业务版图开拓了西非、中亚及南亚等新兴市场 [1] 公司未来规划 - 公司近两年布局新兴材料研发领域，锚定“AI + 量子计算”材料研发新范式方向 [1] - 公司欲打通产业资源，塑造通过前沿范式进行新材料研发的平台，可自研产品管线、与龙头企业合作 [2] - 微观纪元提供量子算法能力，精准智能实验室提供新范式材料研发“项目池” [2] AI与量子计算作用 - AI for Science和量子计算在化学研发里作用高度互补，AI是加速器，量子是突破维度瓶颈的“指南针” [3] 微观纪元情况 - 微观纪元是国内稀缺的聚焦量子模拟方式进行化学研发的企业，对标美国谷歌孵化的Sandbox [4] - 量子计算未来有望成长为数千亿美金级市场，医药、材料等化学研发是重要下游 [4] 新业务商业模式 - 公司打造“AI + 量子”前沿范式的材料研发平台，微观纪元贡献量子模拟算法能力，解决材料定制化研发问题并交付成熟产品管线给合资公司 [5] - 精准智能化学实验室进行精准化、智能化范式革新，孵化机器化学家平台，有项目储备，与公司战略合作后共同产业化 [5] 潜在孵化材料 - 微观纪元已研发出MOF材料、生物酶等产品管线 [6] - 精准智能实验室有用于建筑、汽车玻璃的防晒隔热材料等数十条产品管线 [6][7] 海外业务优势与分布 - 公司自2014年出海，海外业务收入从千万元级跃升至亿元级，有先发优势，依托国内成本优势构建价格竞争力，提供技术指导、定制方案、售后及增值服务，推动海外业务增长 [8] - 海外业务区域贡献上，东南亚市场最高，港澳台次之，中东、非洲、南美等构成增量 [9] - 2025年境外收入目标为10亿元，东南亚为核心，加速拓展新兴东南亚市场，沙特市场是中东突破点 [9]

报告行业投资评级 未提及 报告的核心观点 - 报告旨在了解和分析中国AI for Science的驱动发展、范式变迁、产业应用，深入了解其发展历程、核心技术及产业应用深度[2][6] - AI for Science通过结合人工智能与传统科学领域，展现出推动科学研究和技术创新的巨大潜力，其发展需技术创新、政策支持等多方面配合[49] 根据相关目录分别进行总结 行业综述 - AI for Science指利用人工智能技术加速科学研究和发现，有数据驱动、模型驱动等范式，范式变迁推动科技进步，其发展从初步探索到广泛应用，未来将深度融合[9][25][29] - 模型驱动结合传统理论与现代计算技术，可在无实际实验时探索复杂系统特性，应用于火箭模拟等场景[13][14] - 数据驱动利用大数据和分析技术，使科学家无需深入理论背景探索复杂系统行为，应用于基因等场景[16][17] - 数据与模型融合驱动结合两者优点，构建更可靠可解释模型，应用于能源系统等场景[20][21] 技术分析 - 核心技术包括高性能算力、数据管理基础设施、科学计算软件、预训练大模型和高通量实验，共同加速科学研究[31] - 算力基础设施提供计算资源，中国超算数量多、有国家级超算中心，低能耗设计可降低成本[36][37] - 软硬件数据基础设施提供计算和数据管理能力，中国科学数据涵盖多领域且总量增长[39] - 高通量实验集成自动化设备，快速执行实验方案，生成大量数据，在材料研发等领域成效显著[41][43] 产业发展实践分析 - AI for Science在多个科学领域展现潜力，推动科学研究和技术创新，发展需多方面支持[49] - 在生命科学领域，AI加速药物研发、优化基因组学研究等，预计为人类健康带来更多福祉[50][52] - 在药物研发中，AI应用贯穿流程，提高成功率、降低成本、缩短上市时间[53][55] - 在地球科学领域，AI应用广泛，帮助解决复杂问题，如改进气候模型等[58][59] - 在材料化学领域，AI应用广泛，提升材料性能、效率和可持续性，如预测新材料性能等[61][63]

行业投资评级 - 报告未明确提及行业投资评级 [1][2][3][4][5][6] 核心观点 - AI for Science是指利用人工智能技术加速科学研究的过程，通过数据驱动和模型驱动的方法挖掘数据中的模式和规律 [9][12] - 科学范式经历了从经验科学到理论科学、计算科学、数据密集型科学，再到AI辅助科学的五次变迁 [24][25][26] - 中国AI for Science发展分为三个阶段：1.0阶段以计算模拟为主，2.0阶段深度学习广泛应用，3.0阶段将实现AI与科学的深度融合 [29][30] - 核心技术包括高性能算力基础设施、软硬件数据基础设施、科学计算软件、预训练大模型和高通量实验技术 [32][35][39][42] 技术分析 算力基础设施 - 中国拥有226台超级计算机，占全球份额超45%，建有14座国家级超算中心 [36][37] - 2017-2023年中国算力中心机架规模从166万架增长至810万架 [36] - 海底数据中心利用海水冷却，PUE值可低至1.1，实现低能耗设计 [37] 数据基础设施 - 中国科学数据资源总量已超过100PB，涵盖物理学、生命科学等多个学科领域 [40] - 国家科学数据中心体系包含20家中心，其中11家由中国科学院负责 [40] 高通量实验 - 高通量实验技术可显著缩短新材料研发周期，是"材料基因组计划"的核心组成部分 [43][44] - 在材料研发中，传统模式需要33个相对成本/项目/年，而采用高通量技术后降至20个 [66] 产业发展实践 生命科学 - AI在生命科学领域应用包括药物研发、基因组学研究、蛋白质结构预测等 [53][54] - 全球生物技术领域融资金额从2019年50亿美元增长至2022年88亿美元 [54] 药物研发 - AI可加速药物靶点识别、化合物筛选和优化，Exscientia公司AI平台在8个月内完成传统需数年的药物发现 [58] - 预计2028年中国药物使用量将达到1222亿个限定日剂量 [58] 地球科学 - AI在地球科学中应用于气候变化预测、地震分析、地质勘探等领域 [62][63] - 2016-2020年"地质+人工智能"领域发表文献达391篇，较2011-2015年增长51% [63] 材料化学 - AI在材料化学中用于材料设计、催化剂优化、性能预测等方面 [65][67] - 材料研发采用AI技术后，发现/设计阶段的成本可从12降至1个相对成本/项目/年 [66]

文章核心观点 AI for Science成为当代科学潮流，在多领域应用潜力巨大，能提升科研效率、改变范式、加速发现，还为科研创新和产业发展带来机遇 [1][3][5] AI for Science特点与优势 - 打破学科、理论与实验、产业界和学术界的界限 [1] - 与传统人工智能差异大，可提升科学发现和科技产出能力，提升生产力 [3] - 形成“平台化”模式，打通上下游和产业链，推动各方协同，促进科研成果转化 [3] AI for Science对科研工具的影响 - 科研工具效率显著提升，如Science Navigator能提供跨学科知识支持，效率较传统工具提升数倍 [3] - AI与海量文献数据库结合，可快速检索并凝练总结文献，优化科研流程，为跨学科研究提供更多可能 [3] AI for Science的发展前景 - 将赋能千行百业，为能源、材料、化工、生物医药等领域带来深刻变革 [5] - 在工业软件领域，AI技术引入可能催生效率提升数百倍的新型工具 [5] - 为科研领域补齐短板和“弯道超车”提供历史性机遇 [5]

财务表现 - 2024年营业收入同比增长53%至2.66亿元，超过Bloomberg一致预期8.4个百分点，超过富途一致预测9.1个百分点 [3] - 2024年下半年营收同比增速高达73% [3] - 提前达成港交所对商业化企业的收入门槛要求（2.5亿港币） [4] - 经调整净亏损收窄13%至4.57亿元，优于Bloomberg一致预期22个百分点 [6] - 2024年研发投入4.18亿元 [6] - 月均现金消耗同比下降22.6% [6] - 账上现金或已超过60亿元人民币 [6] 商业化进展 - 与某领先biopharma达成多项新药研发项目合作 [11] - 与东亚多个biotech龙头企业合作发现针对高难度靶点的先导化合物 [11] - 与全球领先制药公司达成2.5亿合作并扩展到固态研究等领域 [11] - 与辉瑞共同开发XFF力场模型并计划2025年继续研发合作 [11] - 与阿联酋王室谢赫·哈马德办公室签署3000万美元合作 [11] 技术突破 - 打造"高通量实验-高质量数据-高智能模型"飞轮 [9] - 机器人实验室覆盖80%以上常见药化反应类型，每月积累20+万条反应过程数据 [9] - 新建20+种AI反应性/实验条件预测模型，准确率超过80% [9] - 自建UV谱图预测模型和LCMS谱图产率预测模型，准确率超过90% [9] - 与IDEA研究院共同开发PatSight专利数据挖掘平台 [9] - 开发Multi-Agent实现从分子设计到数据分析全流程智能化 [9] 业务拓展 - 在剑桥晶体数据库中心7th CSP blind test中表现最优异 [11] - 与协鑫集团、方大炭素等新能源材料、碳基材料企业签署战略合作 [11] - 孵化深度原理(Deep Principle)和战略投资赋澈生物(Future Bio) [11] - 实现沙漠土壤改良并与多家企业合作推动农业产业升级 [11] - 与工信部中小企业发展促进中心达成战略合作赋能多个行业 [11]