文章核心观点 - AI for Science（人工智能驱动科学创新）正从技术概念迈向产业硬实力，其核心是让人工智能成为科学研究的“超级助手”和“洞察引擎”，在生物医药等领域已进入开花结果期，并展现出向化学、材料、能源等其他科学领域迁移的巨大潜力 [1][3][5] AI for Science 的发展阶段与逻辑 - AI制药已进入开花结果期，从三年前的质疑阶段发展到如今以实际商业合作和临床进展验证技术落地能力 [5] - AI for Science整体仍处于从0到1的阶段，其发展的底层逻辑在于人脑难以处理微观世界（如生物学、化学）和宏观混沌系统的极端复杂性，而AI能在此创造价值 [6][8] - 未来的核心机会在于将AI驱动的科技创新与产业创新深度融合，发挥从1到100的乘数效应，并与中国“十五五”规划中提及的量子科技、生物制造、脑机接口、具身智能、核聚变等未来产业方向结合 [6][51] 行业标杆与市场验证 - 谷歌DeepMind发布的《AlphaFold：五年来的影响》报告，为AI for Science的“科学价值”提供了蛋白质结构预测革命性突破的注脚 [1] - 晶泰科技被纳入“港交所科技100指数”，标志着AI for Science在国内有了具象的“标杆样本”，完成了从技术概念到产业硬实力的跨越 [3] - 行业通过大规模商业合作验证商业化能力：例如晶泰科技与礼来达成3.45亿美元的AI大分子研发合作，以及与DoveTree完成近60亿美元的AI制药管线合作协议 [3][5] - 多家AI制药公司取得实质性进展：英矽智能在港交所上市，其AI生成的特发性肺纤维化治疗小分子在II期临床获良好结果；剂泰科技的AI赋能口崩片已完成III期临床主要终点，成为国内首款完成III期临床的AI赋能制剂新药 [5] 晶泰科技的业务实践与战略布局 - 公司定位为技术平台，在可见的未来不会自行做药，而是通过提供标准化服务和解决行业“疑难杂症”来创造价值 [13] - 业务布局聚焦四个方向：一是推进国际化策略，实施“国际化+中国”的综合策略；二是关注药物种类多元化，从占市场70%的小分子扩展到抗体、多肽、基因细胞疗法等新形态药物；三是探索药物的延展领域，如消费品、化妆品功效成分等；四是构建数据壁垒，通过自动化实验集群扩大数据采集规模，建立长期竞争优势 [11][12] - 在产品开发上，采取与客户合作开发的策略，以早期技术贡献换取产品未来权益，后续临床等开发工作交由药企合作伙伴完成 [14] - 设立晶泰创新中心，负责基于公司底层能力在多肽、基因及细胞治疗等领域推动从0到1的技术革新与转化，并探索新的药物形态 [7][38] 大模型在生物医药领域的应用与前景 - AI模型在药物设计阶段已得到充分应用，例如在小分子设计、蛋白质设计上，平均能为临床前药物发现提效20%到80% [8][17] - 当前模型的能力边界：在分子/结构预测（如AlphaFold）、全原子精细化设计（如RF diffusion3）以及结合基因组学数据的大模型预测等路径上已有进展，但在涉及大量生物学数据处理和提升临床成功率方面仍面临挑战 [15][20][22][23] - 临床阶段是更大的潜在市场，一款药物研发的临床成功率（I、II、III期概率相乘）可能不到10%，超过90%会失败，且75%的研发成本发生在临床阶段，但该领域数据积累少、迭代速度慢是主要难点 [20] - 模型发展将分两阶段：短期内，因数据缺乏，需发展由物理、生物学等专业知识强化的AI模型；长期看，当生物学数据量超过互联网语料数据并出现拐点时，无监督大模型将能发挥更大作用，其价值可能远超2012年卷积神经网络在图像识别上的突破 [24][25] 数据作为核心战略资源 - 未来3~5年，数据将是AI生物制药领域的重要资产，当前生物学数据相比互联网数据仍非常稀缺且质量不一 [10][27] - 每一次生产力革命本质在于对现有生产资料潜能的重新发现，AI时代的关键在于重新发掘过往研究中被丢弃的“失败的数据”的价值 [29] - 获取和利用数据的三个关键方向：通过自动化与机器人统一数据标准并降低成本；探索多组学技术、快速DNA/RNA合成等新工具以实现“数据升维”；充分利用中国庞大的临床资源与患者数据 [31] - 现阶段对AI最有价值的数据是具备高度一致性、标准化并能实现快速采集和反馈的高质量数据，例如化学合成数据、影像数据、转录组数据，未来蛋白质组数据可能成为下一代核心数据 [32][33] AI赋能药物研发的具体创新 - AI能够打破关于不同药物形态特性的传统共识，例如通过分析所有蛋白与蛋白、小分子与蛋白的相互作用，用AI生成约2000个非天然氨基酸，从而优化多肽药物，使其在保留自身优势的同时吸收小分子药物的优点，在脑部药物递送、口服给药等领域具备潜力 [39][40] - 以AI视角重新审视现有药物研发流程能带来新发现，例如在小核酸药物设计中，将序列设计和化学修饰设计放入同一个生成模型一步完成，而非传统分两步进行，从而找到更优分子并突破现有专利限制 [41][42][43][44][45] - 在更多新的药物形态上，带着AI视角重新梳理流程，会有很多商业机会 [46] AI向材料、能源等领域的跨域迁移 - AI+技术从制药向材料、能源、农业等领域迁移存在技术共通性，主要体现在三个能较快落地的方面：新的分子结构设计、配方优化以及工艺开发与放大 [48][49][50] - 不同产业的核心差异在于验证和数据反馈速度不同，例如材料领域的实验室验证可能一天反馈上百个样本，而药物领域合成一个化合物曾需一个半月，因此落地需关注各领域数据迭代的效率和反馈速度 [50] - 将AI在材料、合成生物等领域的创新与中国强势产业链（如制造能力、发酵产能）结合，能进一步放大生产力，例如在聚变、生物制造、量子计算等领域 [51]