核心观点 - 市场震荡整理后有望再上台阶，部分行业和指数处于上涨趋势，债市调整空间有限，部分行业有投资机会 [6][12] - 各行业有不同发展态势和投资建议，如光伏涨价、煤炭关注供应和政策、化工关注AI赋能等 [15][16][22] 各行业研报总结 宏观 - 近半月经济核心变化为地产销售走弱、大宗价格反弹，沥青和水泥开工环比改善但持续性待察，下半年政策风向需关注未来4周定调及4点内容 [5] 金融工程 - 本周大盘震荡上行，部分行业确认周线或日线级别上涨，市场日线级别上涨将持续，中期牛市刚开始且是普涨格局 [6] - 本周市场估值性价比、宏观基本面、拥挤度&反转分数下降，综合打分为-0.16分，整体为中性偏空观点 [9] 固定收益 - 当前股市上涨需低利率环境支撑，对债市资金抽离影响有限，债市调整空间有限，预计债券利率有望下行，建议长久期仓位和哑铃型配置，10年国债利率有望下至1.4%-1.5%水平 [12] - 资金价格震荡，票据利率创年内新低，央行公开市场业务大幅净回笼资金，存单到期收益率和国债收益率上行，存单净融资减少，下周政府债券净发行减少、净缴款规模增加，回购交易量回落，银行间杠杆率下降 [12] 银行 - 2025年上半年宽基指数ETF资金净流入放缓，银行ETF、红利ETF分别净流入35亿元、52亿元，上半年ETF流入银行板块资金合计122亿元，部分国有大行、股份行及城商行净流入金额在5亿以上 [13][14] 电力设备 - 光伏涨价继续，关注钙钛矿产业化变化；海南省发布海上风电竞价上下限；我国首款四座氢燃料电池飞机RX4M首飞成功；2025年6月W4储能系统项目投标均价区间为0.404元/Wh - 1.471元/Wh；国家发改委等四部门对大功率充电设施规划及布局提出要求 [15] 煤炭 - 短期关注国内供应、蒙煤进口恢复及“反内卷”举措，长期关注煤矿减产、进口扰动和强刺激政策；重点推荐中煤能源、中国神华等公司 [16] 基础化工 - AI for Science赋能化学研发，市场有望成长为万亿元，全球龙头有望率先在中国诞生；AI在药物和化工材料领域加速渗透；建议关注晶泰控股、志特新材 [22][23][24] 纺织服饰 - 部分服饰制造公司6月营收环比改善，越南服饰出口同比快速增长，中国相关产品出口同比稳健；投资主线包括关注品牌服饰、优质黄金珠宝品牌、服饰制造龙头 [25] 传媒 - 本周传媒板块在游戏板块带动下上涨，下半年看好游戏等基本面驱动板块和AI应用及IP变现方向；给出游戏、AI、资源整合预期等板块关注标的 [27][28] 能源 - 可再生能源消纳权重下发，五大领域强制绿电消费；建议重视电力板块配置，关注火电、绿电运营商、水核防御等相关公司 [29] 房地产 - 7月首周新房成交下降，上半年土地市场分化，行业维持“增持”评级，建议关注基本面alpha公司、地方国企/城投/化债、中介、物业等 [31][33] 农林牧渔 - 2025年第二季度生猪价格回落但上市公司成本优化，黄鸡价格低迷，白鸡父母代鸡苗价格同比上涨、商品代鸡苗价格环比上涨；预计部分养殖和饲料公司盈利情况有不同表现 [34] 建筑装饰 - 大建筑企业类似“影子银行”，建筑板块有补涨需求，头部建筑央企A股股息率吸引力增强，H股与银行板块股息率相当，下半年政策有望推动基建实物工作量落地，核心推荐部分低估值建筑央企龙头 [36] 通信 - 英伟达市值超4万亿美元，AI算力行情由“模糊闭环”驱动，本轮AI行情有望重塑市场认知，推荐算力产业链相关企业 [37][38] 食品饮料 - 白酒建议关注优势龙头、红利延续、强势复苏三条主线；大众品关注优秀成长个股，分高景气高成长和政策受益复苏改善两类 [39][40] 计算机 - 上海等地开启稳定币探索学习之路，券商获批虚拟交易牌照加速 [40] - 马斯克旗下xAI发布Grok 4，Scaling Law延续，Agent成为AI新增长引擎 [41] 电子 - AI需求全面爆发，GPU+ASIC共同繁荣，台股AI服务器厂商营收增长，工业富联Q2业绩超预期 [41] 钢铁 - 本周市场回升，钢铁板块涨幅扩大，商品市场供给过剩品种反弹 [43] 有色金属 - 白银强势突破，美国铜关税超预期致全球铜库存增加，铝库存去库延续性待察，锂价上行，金属硅价偏强震荡 [43][44][46] 医药生物 - 当周申万医药指数环比+1.82%，跑输创业板指数，跑赢沪深300指数；本周医药表现有跷跷板特征，热度重心在创新药及其产业链，未来中短期关注中报高增长和创新药机会，2025年围绕创新药持续乐观 [49][50][51] 具体公司 - 中孚实业25H1归母大幅增长，绿电铝深度布局优势凸显，2025年推出员工持股计划和三年分红回报计划 [51][54]

北京市人工智能赋能科学研究行动计划 核心观点 - 北京市发布《加快人工智能赋能科学研究高质量发展行动计划(2025-2027年)》，目标是到2027年形成具有国际竞争力的AI for Science产业集群，涵盖平台搭建、人才引进、投融资服务、国际合作等方向 [1] - 该计划是全国首个面向科学智能的专项地方政策，围绕关键技术攻关、基础设施建设、领域应用落地、创新生态营造四大维度提出17项具体任务 [1] 关键技术攻关 - 推动AI加速量子科技基础研究，重点突破量子线路优化、量子纠错算法等关键技术 [1] - 布局科学智能关键技术重大项目群，鼓励产业链上下游联合攻关 [2] 领域应用落地 - AI技术将赋能医药健康产业，研发AI辅助诊疗、数字疗法、医用机器人等智能化医疗器械产品 [1] 创新生态建设 - 建设科学智能开源社区，吸引全球科研人员参与共建及成果共享 [2] - 通过举办科学智能峰会、中关村论坛平行会议等国际学术活动加强交流合作 [2] 基础设施与资源 - 搭建共性服务创新平台，构建多渠道投融资服务体系支持产业发展 [1] - 引进培育复合型创新人才，强化人才梯队建设 [1]

北京市AI for Science行动计划 - 北京市发布全国首个科学智能专项政策《行动计划》，明确2025-2027年发展路线图 [1] - 目标到2027年建设不少于10个高质量科学数据库，服务超1000万用户，在5+领域深度应用形成8+标杆案例 [3] - 重点布局基础研究、医药健康、新材料、科学仪器、工业智能化等领域 [2][3] 北京科学智能产业基础 - 2021年成立全球首个AI for Science研发机构北京科学智能研究院，布局"四梁N柱"体系 [2] - 已产出大原子模型DPA、玻尔科研空间站等原创成果，覆盖90+元素并节省90%数据计算成本 [2][8] - 培育深势科技、百图生科等创新企业，形成中关村论坛等全球影响力品牌活动 [2] 核心技术突破方向 - 构建科学基础大模型和新一代科学计算智能模拟软件工具 [3] - 突破工业专用大模型、知识表达、小样本学习等关键技术瓶颈 [5] - 开发Uni-Lab-OS智能实验室操作系统，实现实验自动化与数据互通 [9] 重点应用场景 - 生物医药领域：推动药物研发和靶点发现创新 [4][5] - 材料领域：聚焦固态电池、半导体、催化剂等先进材料制备 [4] - 工业领域：在火箭发动机仿真中减少50%试车次数（DeepFlame软件） [10] 标杆成果进展 - 玻尔科研空间站已落地40+高校和40+企业，用户达90万人，正向200+高校和100+央国企推广 [7] - 大原子模型DPA在合金、药物分子等领域实现世界领先预测性能 [8] - Uni-Lab-OS推动实验室向"AI科学家"转型，实现设备协同与方案自动调整 [9]

前沿科技发展趋势 - 美国2022年12月5日实现净能量增益的惯性约束核聚变反应，标志着人类首次掌握可控核聚变能技术，预计20年内聚变能将普及并带来巨大变革[1] - 未来20年最具颠覆性的科技是通用量子计算机，未来50年需聚焦AI for Science方向[1] - 人工智能与量子计算的融合将成为未来20年重塑人类文明的关键方向，超导量子计算目前占优但未来可能与光结合[1] 能源与材料突破 - 受控核聚变有望在未来20年实现，将永久解决人类能源问题并为工业革命提供支撑[2] - 室温超导若在未来50年实现，将带来科技重大变革，突破医疗磁共振和量子计算冷却等成本瓶颈[2] - 未来20年核心关键材料可能成为引发人类变革的重要力量[2] 人工智能发展 - AI技术如AlphaFold已颠覆传统生物学研究模式，可从三维结构倒推生物学功能[2] - 大模型将赋能千行百业，多模态是其发展的重要里程碑，需解决模型理解和推理能力等关键技术难点[3] - 对齐技术目前基于强化学习较脆弱，未来可借助计算机和密码学方法增强AI安全性[3] 科研方法论 - 科研工作者需拥抱AI并打好基础，培养批判性思维和跨学科合作能力[2] - 发展以人为本的机器智能，实现人机有效协作是重要课题[3]

行业市场规模与AI渗透率 - 2025年化工行业预计市场规模达58,182亿美元，研发支出占比3.86%，AI渗透率在1%-25%区间对应的市场规模为22-561亿美元 [7] - 医药行业2025年市场规模16,232亿美元，研发支出占比7.77%，AI渗透率对应市场规模13-315亿美元 [7] - 新能源行业2025年市场规模23,310亿美元，研发支出占比4.82%，AI渗透率对应市场规模11-281亿美元 [7] - 半导体行业研发支出占比最高达15.18%，2025年市场规模7,189亿美元，AI渗透率对应市场规模11-273亿美元 [7] 国内AI+材料研发企业 - 晶泰科技采用第一性计算+AI+机器人实验室技术，覆盖药物发现和新材料研发，获腾讯、红杉等投资 [10] - 机数量子依托中科大背景，建立亚洲最大材料数据库，聚焦新材料研发 [10] - 微观纪元通过量子计算赋能药物发现和新材料设计，获合肥高投投资 [10] - 深势科技构建AI for Science大模型体系，开发电池材料设计平台，获高瓴创投等投资 [10][16] - 深度原理科技聚焦催化剂材料研发，获晶泰科技和深势科技投资 [10][53] 国际AI+材料研发企业 - 薛定谔为AI药物发现鼻祖，采用AI+SaaS模式，获比尔盖茨投资 [10] - Recursion专注AI+Biotech自研管线，获英伟达投资 [10] - 谷歌Isomorphic Labs分拆自AlphaFold团队，专注大分子药物发现 [10] - 微软MatterGen开发AI+无机材料平台 [10] - CITRINE通过AI优化材料制造流程，覆盖多个工业领域 [10] 材料计算与仿真技术 - 鸿之微开发多尺度仿真技术，应用于半导体、锂电等领域，获国家中小企业基金投资 [11][13] - 迈高科技MatCloud+平台整合材料数据库与高通量计算，服务超5000家客户 [29][31] - 屹艮科技提供电池全生命周期管理方案，覆盖材料设计到系统管理 [34][37] - 材智科技打造合金材料设计云平台，已获296万元订单 [61] 新兴技术应用 - 深云智合开发DeepChem智能合成平台，结合AI与自动化实验技术 [43] - 机数量子建立9448万化合物数据库，开发材料知识图谱 [47] - 幻量科技融合AI与计算物理技术，加速新材料研发 [49] - 深度原理科技结合生成式模型与量子化学，优化材料研发流程 [53]

核心观点 - AI for Science（AI4S）正在改写科学发现的底层逻辑，逐步改变人类探索世界的方式，标志着AI首次以"发现者"的角色进入基础科研核心 [3][6] - 深度原理Deep Principle是一家专注AI for Science的创新公司，聚焦化学材料和反应机制领域，具备从头到尾全链路能力，是国内最早且唯一一家专注化学与材料领域的AI科创公司 [8] - AI for Science的发展分为三阶段：AI Assistant（数据分析工具）、AI Scientist（深度参与科研过程）、AI Innovator（接近AGI能力边界） [10][11][12] - 推动AI for Science"DeepSeek时刻"需要三个关键前提：模型通用能力、垂直领域数据质量与专业性、工具生态与交互方式革新 [18][19][22] - 中国在AI for Science领域具有落地优势，因其强大的制造能力、巨大市场体量及工业应用场景的规模 [25][27][29] AI科研范式变革 - 深度原理Deep Principle用AI解锁全新化学反应路径，聚焦碳捕捉和功能材料发现方向，技术方向为AI for Chemistry & Materials [8] - 公司从MIT孵化，2024年6月回国发展，团队主要在杭州，是国内最早具备全链路能力的化学与材料领域AI科创公司 [7][8] - 科学发现分为hypothesis generation（假设生成）和experimental validation（实验验证）两部分，AI可深度参与这两个环节 [11] AI for Science发展路径 - 第一阶段（AI Assistant）：AI作为科学数据分析工具，辅助理解已有数据中蕴含的科学意义 [10] - 第二阶段（AI Scientist）：AI深度参与科研过程，包括假设生成和实验验证，预计未来一两年内对科研效率带来实质提升 [11] - 第三阶段（AI Innovator）：接近AGI能力边界，AI可独立完成从提出问题到发现科学规律的全过程 [12][13] "DeepSeek时刻"前提条件 - 模型需具备强泛化能力，能理解不同领域的任务需求，如大语言模型可辅助记者生成提纲或科学家总结文献 [18] - 垂直领域数据质量比模型架构更重要，科学问题要求极高准确性，需以高质量专业数据为基础 [19][20] - AI Agent可降低科研门槛，提高交互自由度，让AI服务于一线科研人员 [22][23] 中美生态对比 - 美国在科学研究、科技进展、商业化落地方面全球领先，西海岸偏软件，东海岸偏硬件和生物医疗 [24] - 中国制造能力全球最强，技术差距越来越小，叠加巨大市场体量，在工业应用场景上更具优势 [25][29] - 深度原理选择回国发展因中国在新材料、新能源、精细化工等领域的应用场景更友好且规模更大 [27][29] 行业融资环境 - 2024年中国资本市场环境极差，美元资金比前一年少90%以上，人民币资金少50%以上 [30] - DeepSeek的发布让市场意识到AI可带来实际效率和变现，资金情绪开始回暖 [30][31] AI时代创业者特质 - AI时代创始人最核心特质是速度，需快速试错、融资、应用落地和调整方向 [32][33] - 技术迭代和外部环境变化极快，唯一能掌控的是自身速度，反应和执行速度可成为最大护城河 [33]

AGI发展前景 - 科学家预测通用人工智能(AGI)可能在5年内突破 需融合信息智能 物理智能和生物智能三大浪潮 [5] - 信息智能技术如ChatGPT有望5年内通过新版图灵测试 达到"类人"水平 但自然图像/视频生成还需4-5年沉淀 [5] - AGI发展面临核心挑战是大语言模型存在"边界认知缺失" 导致混淆已知与未知 产生"幻觉" 不同场景需不同应对策略 [6] AI在科研和医疗领域的应用 - AI for Science被视为颠覆科研的关键力量 清华大学智能产业研究院正打造跨学科基础模型整合海量科研数据 [8] - AI能革命性缩小药物筛选范围 从传统数十亿分子库精准聚焦至数百万高潜力候选者 提升研发效率 [8] - 全球首个虚拟医院系统诊断能力以百倍速提升 两天积累的诊疗经验相当于三甲医院数年 准确率高达96% [8] 人形机器人产业发展 - 人形机器人是AI物理智能的突破方向 预计十年后全球机器人数量将超越人类 [10] - 人形机器人技术核心在于多模态VLA模型 但落地需融合多学科技术 真正进入家庭还需5-10年 [10] - 中国将主导全球人形机器人产业 依托全产业链基础 年轻工程人才红利和统一超大市场三大优势 [10] 中国在AI领域的竞争优势 - 中国特有的"市场-制造-人才"黄金三角 将推动其在机器人时代复制移动互联网的成功轨迹 [10] - 年轻工程师通过"1%的算法优化撬动10倍算力追赶" 展现技术创新能力 [3]

人工智能发展趋势 - 生成式AI正在重塑全球经济结构和社会发展模式 在文本 音频 图像和视频生成等领域展现出强大生产力 [3] - AI与数字经济 实体经济及人类生命等领域深度融合 AI for Science成为推动科学研究和产业发展的新兴范式 [7] 行业应用 - 生成式AI在资讯 影视 电商 教育 金融和医疗等行业有具体应用 中国AI产业面临挑战与机遇并存 [3] - 国产AI大模型代表DeepSeek通过全栈开源和高性价比策略 显著降低训练成本 重构AI产业格局并推动企业服务智能化变革 [5] 企业案例 - DeepSeek作为国产AI大模型代表 性能卓越且训练成本低于国际同行 展现出强大市场竞争力 [5] 技术普及 - 未可知人工智能研究院致力于推动AI技术普及与应用 培养专业人才 助力企业数字化转型和高质量发展 [11]

核心观点 - FutureHouse是由Google前CEO Eric Schmidt资助创立的AI Lab，专注于AI for Science方向，目标是打造可自主提出问题、规划实验、迭代假设的AI科学家体系 [3] - 公司推出了四个AI科研agent：Crow（通用智能体）、Falcon（自动化文献综述智能体）、Owl（调研智能体）以及Phoenix（实验智能体），这些agent可访问完整科学文献全文并具备信息质量评估能力 [3] - AI系统Robin成功发现新药，展示了AI在科研自动化领域的潜力 [3] - AI推动生物科学分为两层视角：以AlphaFold 3等模型为代表的分子设计空间打开，以及FutureHouse探索的科研自动化agent系统构成的AI Scientist [4] 生物比化学更具"平台化"潜力 - 生物学比化学更具平台化特征，更适合作为科学自动化的起点 [14] - 蛋白质设计流程相对标准化，可以选择克隆、细胞表达或直接机器合成，而化学每个分子几乎都是"定制品" [15] - 生物学平台化程度高，测序几乎免费，合成成本低，适合做验证假设 [15] - 生物学研究任务具备高度开放性，总有新的生物基因组需要探索和功能注释 [15] - 生物学已经具备进化论基础理论，更侧重研究复杂系统在既定规则下的演化与调控 [15] FutureHouse是在构建科研API - FutureHouse延续了FRO的基本规模和运行周期，聚焦"Moonshot"级别挑战，可能需要5年以上持续投入 [22] - 公司开发了论文问答系统PaperQA，基于RAG思路构建但做了改进，系统表现已超过人类 [24] - WikiCrow系统将人类基因组相关维基百科内容从2500个基因介绍扩展到近1.8万篇文章 [25] - 开发了矛盾检测系统，能在超过两亿篇论文里查找和任意陈述相冲突的信息 [26] - 实质上正在构建一个科研API，通过整合多种功能如查找矛盾、文献研究、分子设计等 [28] FutureHouse科研Agent开发思路 - 将所有需要训练的部分称为agent，未训练的部分叫environment，agent通过语言、观测和动作与环境交互 [29] - 把memory从environment移到agent，尝试过多种记忆形式如简单追加消息、压缩、保留最近几条等 [29] - 框架主要目标是突破零样本的限制，关注可训练性，支持在线RL [30] - 使用语言模型过滤和识别相关性，而不是只靠embedding，虽然带来更高成本和更长响应时间但更注重性能 [31] - 搭建了全文检索系统，把相关代码开源在PaperQA2里，技术上可以用Postgres或Elastic Search [32] "科研自动化"不是100%替代人类 - 对实验室机器人前景持谨慎态度，认为10年后不会出现完全自主的科研系统 [46] - 更可行的情景是系统辅助判断和生成方案，人类提供明确的问题和研究框架并和系统反复协作 [47] - 生物学本质上受限于观测和经验数据，无法简单指令系统完成实验任务，需要人类深度参与 [47] - 实现真正意义上的100%自动化非常困难，越接近完全自动化所需投入越高而边际收益减小 [49] - 探索将人类资源嵌入科研流程的可能性，用可编程工具推进科研但背后执行的是人 [51] AI是如何影响科学研究的 - 用云计算计算分子和蛋白结合的自由能成本约十几美元，有机合成和实验验证成本也差不多 [53] - 分子动力学不能模拟化学反应，而生物过程大量依赖酸碱反应，单纯原子运动模拟无法描述细胞功能 [54] - 有虚拟分子库如Zinc收录数百亿种理论上可合成的分子，研究者可直接从中筛选 [55] - 药物开发从发现机制到推进到二期临床通常要7年，反馈周期太长是主要瓶颈 [59] - 建议政府公开所有已获批药物的IND资料包，这些数据能提供丰富的训练资源 [60]

上海人工智能实验室定位与目标 - 公司是我国人工智能领域新型科研机构，开展战略性、原创性、前瞻性的科学研究与技术攻关，目标建成国际一流的人工智能实验室，成为享誉全球的人工智能原创理论和技术的策源地 [1] 明珠湖会议核心观点与机制 - 会议核心观点强调"对发现问题的投入与解决问题同样重要"，通过科学社区力量推动创新，历史案例包括英国皇家学会、"月光社"及美国"阿帕社区" [3][10][12] - 会议采用创新组织形式：引导报告提出关键问题、"结对报告"凝练问题、平行论坛深化问题，聚焦18-36个月技术窗口期，产出颠覆性关键问题清单和敏捷部署提案 [17][18] - 首届会议吸引全球近60位青年学者和产业领袖参与，凝练出14个提案和39个关键问题清单，主题为"人工智能的多维突破与协同创新" [5][19] 人工智能前沿十大关键问题 1. **智能效率平衡**：提出"单位智能"(IQ per token)概念，定义数据思维密度(IQPT)衡量大模型训练数据的投入产出比，2025年1月由公司正式提出 [21][22] 2. **深度强化学习资源分配**：探讨Deep RL算力在数据合成与算法训练间的平衡，追求效率飞轮实现AI自我训练 [23][25] 3. **软硬协同路径**：对比国际"软件兼容硬件"(如英伟达CUDA生态)与国内"硬件兼容软件"模式，需探索更高效协同路径 [26][28] 4. **算力配置策略**：划分应用算力、迭代算力和创新算力，指出当前创新算力严重不足制约颠覆性技术发展 [29] 5. **智能体进化机制**：探讨Agent与基座模型关系，需突破"僵化学习"实现持续自主进化，需构建环境预测模型(世界模型) [30][32] 6. **具身智能突破**：研究大脑与本体最优关系，避免"超级大脑-弱本体"或"高级本体-简单决策"陷阱 [34] 7. **AI安全范式转变**：从"弥补安全漏洞"(Make AI Safe)转向"构建本质安全AI"(Make Safe AI)，提出"人工智能45°平衡律" [35][37] 8. **评测体系重构**：从静态"高分低能"转向动态"训练-评测-解决问题一体化"，公司2025年4月发布TTRL框架 [38][40] 9. **AI科研革命**：推动AI for Science从"工具的革命"升级为"革命的工具"，需突破多模态统一表征 [41][43] 10. **架构颠覆创新**：分析Transformer局限性(计算效率/上下文理解等)，探索下一代架构应对决策智能、生物智能等领域需求 [44] 人工智能发展趋势"三化"框架 - **技术体系化**：需完善智能本质理论体系，弥补应用先行的学科短板 [19] - **形态多元化**：强调与实体经济融合，因场景丰富度与技术不完备性将催生多元形态 [19] - **能力高阶化**：需基于技术体系化和要素突破推动智能水平持续升级 [20] 战略科学家培养模式 - 公司通过"高强度要素投入+高集中任务攻关+高密度人才历练场"三位一体模式培育战略科学家，链接国内外团队构建人才蓄水池 [47] - 历史案例显示战略科学家多在承担重大任务时涌现，如美国"阿帕社区"产生7位图灵奖得主，匈牙利"黄金一代"科学家等 [12][46]