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]