AI for Science：AI走向物理世界的第一站
过去数年里，当我们讨论人工智能时，焦点往往集中在对话、编程、智能体以及机器人上。然而，这一轮AI所蕴含的最大生产力机遇，或许并非存在于数字屏幕之内，而是潜藏在由原子与分子构成的物理现实之中。
AI for Science（以下简称AI4S），简而言之，就是运用人工智能来辅助科学研究并提升科研能力。例如，让AI学习物理、化学、生物领域的知识与规律，从而在原子和分子层面上进行计算与设计，诸如蛋白质、药物以及新型材料。这标志着AI迈入物理世界的第一步。
2024年10月，诺贝尔化学奖授予了蛋白质设计及AlphaFold2的研发者，这使得AI4S站上了一个科研范式的转折点。若两年后再审视，变化之快远超多数人的预期：两年前，AI制药还常常被质疑“无法造出药物”；而如今，晶泰、英矽、剂泰等公司已相继在港股上市，由AI参与设计的药物已进入III期临床试验，礼来、辉瑞、GSK等跨国药企也开始投入巨资，与那些拥有专属模型能力的AI原生公司建立深度合作关系，甚至抗体也能通过“零样本”方式直接计算出来。
当大模型的发展步伐放缓之后，AI的决胜关键便转向了物理世界。在中美AI竞争的格局中，能源方面中国占据优势，芯片领域美国处于领先，而真正的胜负手在于应用层面。黄仁勋在阐述英伟达战略时，常引用一个AI产业全栈分层图，即“AI五层蛋糕”，从底层到顶层依次为能源、芯片、基础设施、模型和应用。以此对比中美两国：能源上，2025年中国发电量约为美国的2.3倍，优势显著；芯片上，美国领先，但中国在先进制程上紧追不舍，且芯片制造产能正逐步追赶；基础设施上，中国在电网、储能、变压器等硬件以及互联网和AI基础设施等软件方面均有扎实基础；模型上，最前沿的模型虽仍在美国，但差距正在缩小，且中国在开源模型领域领先；应用层面，这是中美AI竞争的关键，涵盖agent、具身智能、AI4S及AI与各行各业的结合。目前美国先行一步，编程类agent已产生规模化收入，而中国凭借腾讯、阿里、字节等巨头以及强大的产业链，有望后来居上。
技术突破并不等同于生产力提升。历史上，一项技术从发明到广泛应用并真正提升生产力，往往需要数十年时间。例如电力发明于19世纪后期，但生产力的爆发是在1900年之后。美国全要素生产率（TFP）的数据显示，1947年至1972年间年均增长约2.1%，而2005年移动互联网时代以来，年均增长仅约0.17%。核心原因在于过去二十年的创新主要局限于数字世界，而上一轮创新，如电力、火车、汽车，则发生在物理世界，其带来的生产力提升远大于计算机和互联网。然而，这二十年也完成了一项关键任务：将与人相关的各类数据（语言、文本、图像、视频及搜索行为等）数字化，这为今天的大模型奠定了数据基础。AI无疑是本轮科技革命的最大突破，但生产力的全面提升尚未到来，大规模应用仍处于初期。最大的生产力进步，或许不在数字世界，而在AI、生物、材料与能源的交叉领域，即数字世界与物理世界的融合之处。
大模型已几乎耗尽现有的文本数据，其迭代速度正在放缓。要继续前行，AI需要三样新武器：新模型、新数据和新算力。新模型不仅要理解语言，还需理解生物、化学、物理及物理世界本身，物理AI正变得前所未有的重要；新数据是模型进一步迭代的燃料，既需要物理世界的数据，如3D重建、深度数据、空间交互等，也需要与人相关的数据以及脑科学数据；新算力方面，GPU凭借并行计算优势已取代CPU成为主流，而量子计算被寄望为下一代算力，英伟达已发布NVQLink实现量子处理器与GPU超级计算机的直接连接。
AI正成为各学科发展的“关键变量”。许多人以为AI仅带来效率提升，但事实上，AI的能力正加速向基础科学领域外溢。ARK Invest在《Big Ideas 2026》中将AI称为“中央发动机”，带动机器人、储能、多组学等创新平台加速发展。以下四个例子可资证明：在蛋白质结构预测领域，AlphaFold2能根据蛋白序列精确预测三维结构，其精度堪比实验方法，已获得2024年诺贝尔化学奖；在电池材料领域，美国公司Feon Energy利用生成式AI平台EDGE，在两周内设计出电解液分子，使锂金属电池能量密度超过400Wh/kg，比现有锂离子电池高约50%，并将研发周期从一年以上压缩至三四个月；在生物制造领域，AI可用于设计代谢路径，这是该领域最大的变量；在未来医疗领域，美国公司Tempus汇集多模态数据并利用生成式AI分析，2025年营收约13亿美元，同比增长83%。
将这些例子串联起来，可以勾勒出AI如何带来生产力跃迁的路径：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、生物等领域，即AI4S；再往上，影响材料设计、蛋白设计、超导材料和新一代芯片；进而催生生物制造、AI制药、量子计算、核聚变、脑机接口、具身智能等未来产业；最终放大到生物医药、新能源、新材料、航空航天等战略性新兴产业。AI4S正处于这一链条的关键位置，它将大模型的进步转化为各学科的底层创新，再由产业链逐层放大。这个过程分为两步：第一步是从0到1，以模型为核心，完成底层科技的革新；第二步是从1到100，以价值效果为核心，将底层创新与中国的强势产业链结合。
AI4S研究的是原子、分子等微观粒子及其相互作用，它是数字世界与物理世界之间的桥梁。其核心原理是，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，从而以经验力场的速度达到量子力学的精度。另一种通俗理解是，AI是一台“猜测机器”，输出能力强但易出错，而Science部分则通过科学验证过滤掉无用信息，留下真正有用的部分。
AI制药已从工具走向产品，从概念走向现金流。过去两年半，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。AI参与设计的药物已进入III期临床，并卖出高价。例如，剂泰科技自研的MTS-004口崩片完成III期临床，并达成多项高额合作；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”范式被广泛采纳；英矽智能的TNIK抑制剂治疗特发性肺纤维化在IIa期取得阳性结果，并启动III期临床；华深智药用AI做双特异性抗体，达成多项高额合作；Generate Biomedicines于2026年2月在纳斯达克上市。AI制药确实做出了临床阶段的资产，且BD交易持续带来现金流。
未来1-2年，有三条前沿模型路线有望被药企规模化采用：以David Baker为代表的蛋白设计路线，以DeepMind为代表的AlphaFold系列，以及EvolutionaryScale的大模型路线。AlphaFold系列将Transformer和扩散模型应用于生物数据，AlphaFold3已半开源，但其下一代模型IsoDDE由Isomorphic Labs发布并闭源，性能大幅提升，有望颠覆小分子药物研发范式。RFdiffusion借鉴图像生成中的扩散模型设计蛋白，其最新版本RFdiffusion3实现了原子级控制。抗体已成为AI制药的首个引爆点，AI模型已能“零样本”生成抗体，设计成功率大幅提升。头部药企开始像“订阅软件”一样采购模型，与拥有专属基础模型能力的AI原生公司合作，将AI直接写入研发体系。RNA与递送领域也在被AI深刻改写。
在AI4S领域，除了制药，材料、化学、脑科学、量子、聚变和生物制造等领域也充满机遇。AI+材料是一级市场最热的方向之一，DeepMind的GNoME和微软的MatterGen等里程碑式工作催生了众多创业公司。AI+化学通过大模型加垂直工具提升生产力。AI+物理用AI连接不同尺度的物理模型。AI+脑科学用数据和AI发现新靶点。AI+量子有望成为下一步的算力与数据来源。AI+聚变对于托卡马克的稳定运行至关重要。AI+生物制造正将生物制造从“经验驱动”推向“数据与模型驱动”。
作为早期投资人，我有五个判断：第一，AI制药的主战场在蛋白和抗体，小分子颇具潜力；第二，谁掌握前沿模型，谁就有生产力；第三，数据会由机器人、自动化设备和agent来产生；第四，关注新的算力，即AI+量子；第五，从0到1的底层创新是中美竞争焦点，而中国机会在于将AI4S底层创新与产业优势结合，实现从1到100的跨越。本文来自微信公众号“峰瑞资本”（ID：freesvc），作者：马睿，36氪经授权发布。