AI for Science 行业概览与核心价值 - AI for Science 概念由深势科技导师鄂维南院士于2018年率先提出，公司为全球最早系统性布局该领域的公司之一 [8] - 该领域的终极愿景是创造能自主进行科学发现的AI科学家或智能系统 [9] - 行业对人类的三大核心价值包括：使科学研究实现流水线化以批量产出高价值成果、助力解决衰老和无限能源等全人类终极问题、大幅降低公众参与科学研究的门槛实现知识平权 [11][12][13] 中国AI for Science行业发展现状与优势 - 中国在该领域的发展不比美国落后，且在理念提出和行业全景构建上更为系统 [19] - 中国选择的发展路径是聚焦于“读、算、做”等科学研究基础设施建设，而非集中资源打造单一亮点项目 [19][20] - 中国具备三大独特优势：全球AI领域50%的人才为华人且基础科学领域50%以上的论文由中国人发表、拥有与物理世界深度结合所需的完整供应链体系、在上一代科学基础设施上的落后反而使其在AI时代没有历史包袱可轻装上阵 [21][22] 市场规模与商业模式 - 全球每年在科学研究上的投入约为2.8万亿美元，中国投入约为3.6万亿元人民币，占GDP的2.7% [27] - 科学研究领域存在四大商业模式赛道：科研数据库、科研软件、科研仪器和外包研发服务（CRO），每个赛道均已诞生商业巨头，而AI for Science技术有望将这些生意重做一遍 [27] - AI for Science赛道被描述为“金矿”，既有明确的场景，也能产出确定的科研结果，市场潜力巨大 [28] 竞争格局与创业公司机遇 - 尽管大公司在前沿技术投入上具有不计较投入产出比的优势，但创业公司的核心机遇在于谁能率先完成冷启动和增长飞轮的迭代 [24] - 在AI for Science领域，近期成立的几家对标公司（如Future House, Periodic Lab, Lila Science）估值均已超过10亿美元，OpenEvidence估值超过60亿美元 [36] - 该领域非常适合年轻创业者，因其主要靠智力与技术杠杆驱动，且下游应用场景多样，抓住一个点打透即有望诞生估值数十亿美元的公司 [37] 未来展望 - 预计未来十年内，80%以上的科学成果将由AI发现 [36] - 到2035年，全球参与科学研究的人数可能从目前的不到1000万人增长至数亿人，科学发现将变得像使用搜索引擎一样简单 [30] - 在AI和机器人充分融入生活后，科学将与体育、艺术一同成为人类追求自我实现和人性完满的核心方向 [31]

文章核心观点 - 文章核心观点是探讨AI for Science（人工智能驱动的科学研究）赛道的价值、发展现状、商业潜力及未来愿景，认为该领域将重塑科研范式，降低参与门槛，并孕育巨大的商业机会 [4][5][6] AI for Science的概念与愿景 - AI for Science的终极愿景是创造能像人类一样进行科学发现的AI科学家或自主科学发现系统 [6] - 该领域旨在将科学研究转变为“流水线”式的高效生产活动，从而批量产生高价值的科学成果 [7][8] - 其核心价值在于：1) 提升科研效率，批量产出成果；2) 助力解决全人类关注的衰老、无限能源等终极问题；3) 极大降低大众参与科研的门槛，实现“知识平权”和“科学平权” [8][9][10] 行业发展现状与中美对比 - 中国在AI for Science的理念提出和行业图景构建上比美国更系统，整体发展不落后 [15] - 美国的模式倾向于集中大量资源打造如AlphaFold的亮点项目，而中国选择了一条更注重基础设施建设的路径，包括科学知识库、科学计算和自动化实验室 [15] - 中国的独特优势包括：1) 全球AI领域50%的人才和基础科学50%以上的论文来自华人/中国；2) 完整且高效的实体产业与供应链体系；3) 国家政策对科技自立自强的支持，以及在上一代科学基础设施上的“后发优势” [17][18] - 预计到2035年后，基于AI for Science的基础设施，中国有望批量产生诺贝尔奖级别的科学成果 [18] 商业价值与市场潜力 - 全球每年在科学研究上的投入约为2.8万亿美元，中国投入约为3.6万亿元人民币，占GDP的2.7%，本身就是一个巨大的市场 [22] - AI for Science的现实商业模式主要围绕科研的四大基础设施展开：科研数据库、科研软件、科研仪器和外包研发服务（CRO），这些领域的现有商业都值得用AI技术重做一遍 [22] - 该赛道能产出非常确定的科研结果，效果明确，市场清晰，是一个“金矿”而非“清贫的行业” [23] - 行业内已有高估值公司出现，例如OpenEvidence估值超过60亿美元，2023年成立的几家对标公司估值也纷纷超过10亿美元 [30] - 未来十年内，预计80%以上的科学成果将由AI发现，相关公司的商业价值潜力巨大 [30] 创业公司机遇与竞争 - 尽管大公司在不计成本的前沿技术布局上有优势，但所有大公司都从小公司成长起来，关键在于谁能更快完成“冷启动”和“增长飞轮”的迭代 [20] - AI for Science领域非常适合年轻创业者，因为该行业更依赖智力与技术杠杆，且下游应用场景多样，抓住一个点打透就可能诞生价值数十亿美元的公司 [31] - 对于创业者，建议是：1) 看见火箭起飞先坐上去；2) 尽管基础设施壁垒会变高，但利用AI for Science工具解决具体问题的机会永远存在，现在就是最好的时机 [31] 未来展望与影响 - 未来，科学发现可能变得像使用搜索引擎一样简单，到2035年，预计全球可能有数亿人真正参与科学研究，远超目前的约1000万人 [25] - 在AI和机器人充分融入生活后，人类追求的核心将集中在体育、艺术和科学三大领域，科学将成为人们实现自我价值的重要方向 [26] - AI for Science的本质是“用最短路径把人类未知的知识告诉我们”，同时具备降低科研门槛和提升科学发现天花板的双重巨大意义 [24][32]

中国AI产业发展阶段 - 中国AI产业正经历第三次发展浪潮，进入“2.5阶段”[2] - 新兴力量如DeepSeek正推动产业从通用大模型向具身智能、AI for Science等纵深领域演进[3] - 大语言模型的崛起催生了具身智能、AI硬件、AI for Science等万亿级新赛道[6] 具身智能与人形机器人 - 具身智能与人形机器人被视为下一个万亿级赛道[8] - 随着“中国制造2025”战略推进，智能制造、医疗、服务等领域对人形机器人的需求将爆发式增长[9] - 到2030年，全球人形机器人市场有望迎来爆发式拐点[9] - 人形机器人具有高适应性（适应人类环境和工具）、高任务灵活性（可执行多样化任务）和高交互能力（易于与人类自然交流）的优势[10] - 从“大脑”的空间智能到“小脑”的运动控制，再到“本体”的核心零部件，每个环节都孕育着巨大创新和投资机会[11] - 李飞飞教授的空间智能项目和OpenAI与Figure合作的人形机器人Figure 01为全球具身智能发展提供了重要范式[13] AI for Science科学研究 - AI正在重塑材料科学、生命科学、电子科学、能源科学和环境科学等基础研究范式[16] - AI for Science正在成为科学发现的加速器，是中国AI产业实现“换道超车”的关键突破口[19] - 典型案例包括Citrine铝合金研发平台、Google Cloud多组学套件、NVIDIA cuLitho计算光刻库等[22] 杭州AI产业地位 - 杭州是中国AI产业的重镇，具备得天独厚的创新土壤[25] - 2024年杭州占浙江省人工智能产业年产值超七成，民营企业活跃，创业氛围浓厚[26] - 在杭州，AI不仅是一种技术，更是一种产业信仰[29] AI竞争本质 - AI之争的本质是时间之争，谁掌握AI，谁就是时间的主人，时间才是唯一真正稀缺的资源[32] - 呼吁产业界、投资界、科研界共同把握AI发展窗口期，加速技术落地与产业融合[34] 未可知人工智能研究院定位 - 作为专注于AI产业研究、投资孵化与企业转型的智库型机构，公司持续发布前沿研究成果，赋能企业智能化转型[34] - 公司未来将联合生态伙伴，助力中国AI产业迈向高质量发展新阶段[35] - 公司聚焦AI前沿趋势、商业落地与人才发展，致力于成为“AI时代的认知基础设施”[37]

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]