投资评级与估值 - 首次覆盖给予“买入”评级，目标市值487亿元人民币 [5][6][98] - 目标估值基于2026年预测收入给予49倍市销率，参考可比公司2026年平均市销率 [5][6][98] - 当前股价对应2025至2027年预测市销率分别为47倍、38倍和26倍 [5][6][98] 核心财务预测 - 预计2025至2027年营业收入分别为7.95亿元、9.85亿元和14.21亿元，同比增长198%、24%和44% [4][5][92] - 预计2025至2027年经调整归母净利润分别为-0.23亿元、0.75亿元和3.09亿元，2026年实现扭亏为盈 [4][5][92] - 预计毛利率将从2024年的46%显著提升至2025至2027年的75%、76%和77% [93][95] - 2025年上半年经调整净利润首次实现半年度盈利，达1.42亿元 [5][30] 业务表现与增长动力 - 2025年上半年总收入达5.2亿元，同比增长403.8%，剔除大单影响后增长53.0% [5][29] - 收入高增长主要得益于与Dove Tree达成59.9亿美元战略合作，并确认首付款5100万美元 [5][7][29] - 药物发现解决方案为核心业务，2025年上半年收入4.35亿元，同比增长615.2%，营收占比84.2% [5][26][77] - 智能自动化解决方案为第二增长曲线，2025年上半年收入0.8亿元，营收占比15.8% [5][26] 公司技术与平台优势 - 公司是稀缺的AI4S领军企业，技术覆盖从物理计算到早期药物研发智能自动化的全流程 [1][5][13] - 核心技术融合量子物理计算、人工智能与机器人自动化，形成“干实验计算模拟+湿实验验证”的闭环平台 [5][23][59] - 三位创始人均来自麻省理工学院，拥有深厚的物理学研究背景，研发团队超过500名多学科专家 [13][17][18] - 智能机器人湿实验室能自动化约80%的传统实验操作步骤，产生高质量数据用于迭代AI模型 [79][80] 市场空间与行业定位 - AI4S在药物研发和材料科学两大领域的远期服务市场空间预计近500亿美元 [5][8][54] - 公司技术具备强迁移性，底层物理逻辑一致，使药物发现的AI技术可无缝拓展至新材料等领域 [5][8][51] - 在AI制药领域，公司相比全球同行具备更全栈的能力，拥有数据壁垒和技术广度优势 [5][48][50] - AI能显著缩短早期药物研发周期，将传统耗时缩短近一半，并已有多项成功案例验证 [36][38][40] 近期业务进展与合作 - 2025年上半年与Dove Tree、礼来分别签订59.9亿美元和3.45亿美元的重大合作协议 [5][7][14] - 多个合作管线取得重要里程碑进展，包括与某领先生物制药公司的三个项目以及赋能的首款AI设计脑渗透性PRMT5抑制剂进入IND阶段 [5][77][79] - 基于模型与数据驱动向化学领域突破，成功建立可合成性预测与反应条件推荐AI模型，并完成对Liverpool ChiroChem的收购 [5] - 智能自动化解决方案已跨行业商业化，客户包括罗氏、中石化、北京大学等在中医药、石化、新能源等领域的领先机构 [87][89]

公司核心技术平台 - 公司依托“物理计算+AI+机器人”核心技术，构建了从算法、引擎到自动化实验室的早期药物研发完整闭环 [1] - 核心技术覆盖从物理算法突破、底层物理引擎构建、药物模态拓展到机器人自动化实验室，实现了早期药研干湿实验闭环 [2] - 公司业务已从AI制药向更广阔的“AI4S”平台延伸，底层技术具备向新材料等领域迁移的潜力，展现出强大的技术广度与平台化价值 [1][4] 财务表现与增长 - 公司收入保持高速增长，2022年至2025年上半年收入分别为1.3亿元、1.7亿元、2.7亿元、5.2亿元，同比增速分别为112.3%、30.8%、52.8%、403.8% [3] - 药物发现解决方案为核心业务，2025年上半年与Dove Tree达成59.9亿美元合作，首付款确收5100万美元 [3] - 预计公司2025年至2027年收入分别为7.95亿元、9.85亿元及14.21亿元，同比分别增长198%、24%、44% [5] 业务进展与市场空间 - 公司技术能加速创新药发展，切入从靶点发现到临床前研究的关键环节提效，新药应用空间从小分子扩展至大分子和多肽 [4] - 在AI制药公司中，以数据壁垒和技术广度评估，公司具备优势 [4] - 底层技术可迁移至新材料等领域，仅考虑AI4S在药研和材料研发两大领域，远期服务市场空间可达近500亿美元 [4] - 2025年上半年业务突破进展包括：与Dove Tree合作的多管线达到重要里程碑，合作孵化的两条管线取得重要进展 [5] 技术能力与战略布局 - 公司同时拥有干湿实验室能力，实现从医药到AI4S的全面布局 [5] - 在化学领域取得突破：成功建立可合成型预测与反应条件推荐AI模型；构建了面向条件筛选的反应条件推荐及产率预测模型并已交付；完成了对全球领先手性分子实验库Liverpool ChiroChem的收购 [5] - 主流AI制药公司各有所长，公司技术从辅助设计发展到生成创造 [4] 估值与预测 - 预计公司2025年至2027年实现经调整归母净利润分别为-0.23亿元、0.75亿元及3.09亿元 [5] - 当前股价对应2025至2027年市销率分别为47倍、38倍、26倍 [5] - 参考可比公司2026年平均市销率49倍，给予公司2026年目标市销率49倍，对应目标市值487亿元人民币 [5]

公司核心技术平台 - 公司依托“物理计算+AI+机器人”核心技术，构建了从算法、引擎到自动化实验室的早期药物研发完整闭环 [1] - 核心技术包括物理算法突破、底层物理引擎构建、药物模态拓展及机器人自动化实验室，逐步覆盖早期药研干湿实验闭环 [2] - 公司业务已从AI制药向更广阔的“AI4S”平台延伸，底层技术具备向新材料等领域迁移的潜力 [1][4] 财务表现与增长 - 公司收入保持高速增长，2022-2025H1收入分别为1.3亿元、1.7亿元、2.7亿元、5.2亿元，同比增速分别为112.3%、30.8%、52.8%、403.8% [3] - 2025年上半年，公司与Dove Tree达成59.9亿美元合作，首付款确收5100万美元 [3] - 预计公司2025-2027年收入分别为7.95亿元、9.85亿元、14.21亿元，同比分别增长198%、24%、44% [5] - 预计公司2025-2027年实现经调整归母净利润分别为-0.23亿元、0.75亿元、3.09亿元 [5] 业务进展与市场空间 - 公司通过切入靶点发现、苗头化合物筛选、先导化合物优化及临床前研究等关键环节，加速创新药发展，并已将新药空间从小分子扩展至大分子及多肽 [4] - 2025年上半年，公司拿单加速，与Dove Tree合作的多条管线达到重要里程碑，合作孵化的两条管线取得重要进展 [5] - 公司在化学领域取得突破，建立了可合成型预测与反应条件推荐AI模型，并在分离纯化环节构建了条件推荐及产率预测模型 [5] - 公司完成了对拥有全球领先手性分子实验库的Liverpool ChiroChem的收购 [5] - 仅考虑AI4S在药研和材料研发两大领域，远期AI服务市场空间可达近500亿美元 [4] 估值与评级 - 首次覆盖给予“买入”评级 [1] - 公司现价对应2025-2027年市销率分别为47倍、38倍、26倍 [5] - 参考可比公司2026年平均市销率为49倍，给予公司2026年目标市销率49倍，对应目标市值487亿元人民币 [5]

投资评级与估值 - 首次覆盖给予“买入”评级，目标市值487亿元人民币 [2][6][7] - 目标估值基于2026年预测收入9.85亿元，给予49倍市销率，参考可比公司2026年平均PS [6][7][110] - 当前股价对应2025-2027年预测市销率分别为47倍、38倍、26倍 [5][6][7] 核心观点与投资逻辑 - 晶泰控股是稀缺的AI4S（人工智能驱动科学）领军企业，技术从物理计算延伸至早期药物研发智能自动化，空间广阔 [2][6] - 公司核心技术融合量子物理计算、人工智能与机器人自动化，形成覆盖早期药物研发干湿实验的闭环平台 [6][16][27] - 底层技术具备强迁移性，能从药物研发无缝拓展至新材料、新能源等领域，远期AI服务市场空间测算近500亿美元 [6][9][58][62] - 2025年上半年业绩爆发，收入同比增长403.8%至5.2亿元，经调整净利润首次半年度转亏为盈，达1.42亿元 [6][34][36] 公司业务与技术优势 - 业务分为两大板块：药物发现解决方案（核心业务）与智能自动化解决方案（第二增长曲线） [31] - 药物发现解决方案：覆盖小分子、大分子、多肽、分子胶等多种分子模态，提供从靶点验证到临床前候选化合物提名的全流程服务 [31][74][75] - 智能自动化解决方案：以自动化机器人实验室为核心，提供固态研发、化学合成等服务，是技术落地的重要载体 [31][74][89] - 独特的“干实验室计算+湿实验室实验”闭环：通过机器人自动化产生高质量实验数据，反馈并迭代AI模型，显著提升研发效率 [27][68][89] - 创始团队均为麻省理工学院博士后物理学家，研发团队超500人，具备多学科专业知识 [16][20] 财务表现与预测 - 历史收入高速增长：2022-2024年收入分别为1.3亿元、1.7亿元、2.7亿元，同比增长112.3%、30.8%、52.8% [6][34] - 2025年上半年收入达5.2亿元，高增长主要得益于与Dove Tree达成59.9亿美元战略合作，并确认首付款5100万美元 [6][17][34] - 盈利预测：预计2025-2027年收入分别为7.95亿元、9.85亿元、14.21亿元，同比增长198%、24%、44% [5][6][104] - 预计2025-2027年经调整归母净利润分别为-0.23亿元、0.75亿元、3.09亿元，2026年将实现全年扭亏为盈 [5][6][104] - 毛利率显著提升：预计2025-2027年毛利率分别为75%、76%、77%，主要得益于技术复用和收入结构优化 [8][105][109] 行业前景与市场空间 - AI赋能药物研发可显著提效：能切入靶点发现、苗头化合物筛选等关键环节，案例显示可将早期研发时长缩短近一半 [42][45][47] - 药物研发空间正从小分子向大分子、多肽等新蓝海拓展，为AI技术提供更广阔应用场景 [48][49] - 全球药物研发与材料科学研发支出庞大，分别为3943亿美元和1779亿美元，为AI4S服务提供巨大潜在市场 [62][63][65] - 基于研发支出、AI渗透率及服务费抽成测算，AI4S在药物和材料研发领域的远期服务市场空间可达近500亿美元 [6][62][66] 增长催化剂与业务进展 - 重大合作订单：2025年与Dove Tree签署59.9亿美元合作，与礼来签署3.45亿美元合作，带来收入确定性 [8][17][87] - 管线里程碑进展：2025年上半年多个合作管线达到重要里程碑，与某领先生物制药公司的3个项目取得进展 [6][87][89] - AI4S领域多元化拓展：已在新能源材料（如协鑫集团钙钛矿）、化工催化剂（中石化）、环保塑料、智能育种等多个领域实现技术合作与商业化 [98][99][100] - 完成对全球领先手性分子实验库Liverpool ChiroChem的收购，强化数据与实验能力 [6]

AI4S对科研范式的变革 - AI4S实现科研自动化 将科研人员从文献分析、试验模拟、数据分析等工作中解放出来 使其专注于更具创造性的工作[1] - AI4S降低科研门槛 使更大量、更多元的新主体能够从事科研 大批初创企业和行业龙头企业得以开展高水平科研活动[1] - 在AI4S范式中 大模型和大数据正成为科研突破的关键[1] - AI4S致力于解决海量科研投入与有限科学发现之间的不平衡 缓解科学生产力供给不足的问题[1] - 未来科研智能体可帮助科学家在产生灵感时 快速利用AI完成方案模拟和实验验证[1] AI4S在具体领域的应用进展 - AI4S正应用于更多前沿科学领域 如在材料发现领域 谷歌DeepMind利用GNoME模型预测了数百万种全新稳定晶体结构 并成功指导实验室合成了数百种新材料[2] - 在生物医药领域 AI4S应用不胜枚举[2] - 在中国 AI4S科研服务已在制药领域获得全面应用 一些制药领域的上市公司、独角兽企业及获得高额融资的初创企业 已能提供AI蛋白质设计平台、生命科学大模型、自动化实验室等AI4S平台服务[2] - 用AI进行虚拟临床试验 将"试错"在计算机上完成 再到真实试验中"验真" 可大幅提升药物研发效率[2] - 中国科学院计算技术研究所计算医学团队从全部人类基因组数据出发 构建个体数字孪生患者模型 使得大量临床试验可预先在数字模型中虚拟进行 进而筛选出适宜进行真实临床试验的患者[2] AI4S驱动的商业与资本参与 - 在AI4S激励下 商业与资本有更多可能参与科研投资[3] - 科技与商业的融合速度非常重要 例如 当科学界发现具有制药潜力的新分子时 谁能率先商业化落地 谁就能抢得先机[3] - AI4S催生的科研成果需要一个能够赚钱的商业机制和市场环境 只有"从0到1"的科研成果能够赚到钱 企业才有创新动力 才能投入更多资源支持原始创新[3]

文章核心观点 文章回顾了人工智能行业自ChatGPT发布三年来的发展历程，指出当前大模型性能差距缩小、发展面临天花板质疑，但同时产业对AGI的信仰与探索依然坚定[2] 展望2026年，行业在焦虑与分歧中，有望在技术路径、多模态、研究范式、数据生成、行业应用及新硬件等多个方向实现突围[2] 1. 规模法则的演进与争议 - **对规模法则的质疑声增大**：随着大模型智能升级放缓及数据枯竭论出现，业界对Scaling Law的质疑增多，认为其可能接近极限，真正的智能需要抽象化、因果建模等能力，而非简单扩展规模[3] - **规模法则现阶段依然有效且演进**：在底层架构无颠覆性创新的背景下，Scaling Law因其能力提升可预测、产业投入可评估、人才工程体系可延续等优势，仍是可靠的工程化增长路径[4] 谷歌Gemini 3和DeepSeek V3.2的表现印证了其现阶段有效性[4] - **向“新规模法则”时代迈进**：未来的发展将不仅是堆砌算力，而是向数据数量扩大与质量提升两个方向扩展，结合世界模型、具身智能等结构性创新，以寻求底层突破[5][7] 2. 多模态技术的突破与意义 - **迎来“多模态的ChatGPT时刻”**：谷歌Gemini、OpenAI Sora等模型已能深度理解并生成多模态内容，标志着关键突破[8] - **多模态是智能非线性跃升的关键**：类比生物进化中视觉的出现触发了认知能力跃迁，多模态技术让AI从学习“二手”文本世界转向感知更接近真实世界的结构性约束，为形成稳健的世界模型提供了可能[8][12] - **开启“感知-决策-行动”闭环**：多模态与工具使用、机器人控制结合，使AI能在环境中通过反馈持续优化，实现智能跃升[13] 3. 研究探索与组织创新 - **研究驱动与赛马机制**：以小团队开展多方向并行实验是OpenAI等机构的有效组织方式，契合技术快速迭代的特点[15] - **涌现多元化的前沿实验室**：包括聚焦安全超智能的SSI（已融资30亿美元）、专注可靠性的Thinking Machines Lab、研究空间智能的World Labs、追求高级机器智能的AMI以及研发超级Agent的H Company等[16] - **底层架构与训练范式创新活跃**：如Sakana AI探索演化式模型与群体智能以降低算力依赖；Liquid AI开发可连续演化的液体神经网络；谷歌提出嵌套学习以解决灾难性遗忘问题[17] - **评测范式向动态与复杂任务演进**：为解决静态刷榜和数据污染问题，行业正构建围绕Agent能力、需要多步规划与长期记忆的评测体系，如SWE-bench、AgentBench等[17] 4. 仿真数据在物理AI中的核心作用 - **仿真数据成本优势显著**：机器人真机采集一条数据成本在1-10美元，而仿真生成边际成本趋近于零，且能并行运行数万实例[19] - **仿真数据覆盖长尾场景并具可复现性**：能以指数级低成本覆盖极端光照、稀有故障等长尾场景，并锁定变量，便于问题诊断与回归测试[20] - **产学研实践验证其有效性**：上海人工智能实验室的InternData-A1数据集包含63万条轨迹，基于其训练的模型在多项仿真与真实任务上表现与官方模型相当；银河通用发布的DexonomySi数据集包含超950万条抓取姿态，并基于此开发了端到端具身大模型[20] - **形成“仿真主供给、真机强纠偏”工业范式**：在物理AI研发中，仿真预计承担90%以上的数据与验证工作，真机数据则用于物理锚定与最终验收，该范式已在NVIDIA、DeepMind等公司实践[23] 5. AI for Science 迈向系统工程化 - **从模型突破转向科研生产力**：AI4S正从AlphaFold式的象征性成果，转向系统工程化的科研生产力提升，这是行业被真正改变的前兆[24] - **AI嵌入自动化实验闭环**：谷歌DeepMind计划2026年建立AI自动化科研实验室，AI将负责假设生成与实验编排，与机器人执行形成可规模化的闭环，首次让AI从建议者变为执行者[25] - **国家战略推动数据与资源整合**：美国通过《启动创世纪任务》行政令，将AI4S上升为国家战略，旨在整合联邦科研数据、超算资源训练科学基础模型，解决高质量数据匮乏的痛点[28] - **2026年可能成为研发模式转折起点**：虽难言全面商业落地，但某些领域研发周期可能出现数量级压缩，自动化实验与AI工作流成为头部机构标准配置[29] 6. 模应一体与智联网雏形 - **大模型缺乏原生网络效应**：ChatGPT周活近10亿，但用户交互是一次性、私有的，难以形成反馈闭环与用户间连接，AI是生产力工具而非平台[31][32] - **模型与应用一体化是破局点**：当模型拥有稳定身份和长期记忆，并深度参与用户工作流时，才具备成为平台的基础[32] 探索方向包括模型接入更多应用（如GPT的智能购物、群聊功能）以及构建以Agent为节点的智联网[32][34] - **智联网可能催生多种网络效应**：包括交易型网络（Agent间形成服务双边市场）、知识型网络（用户打磨的技能经验共享）、工作流型网络（生产范式持续进化）以及社交型网络（AI成为超级连接器）[35][36] 7. 软件生产进入个性化时代 - **AI编程接近普适生产力**：Anthropic CEO预测未来12个月内几乎所有的代码都可能由AI编写；美团内部已有52%的代码由AI生成；腾讯超过90%的工程师使用AI编程助手，50%的新增代码由AI辅助生成[37] - **软件生产核心瓶颈转移**：从编码能力转向问题定义能力，自然语言成为主要编程接口，出现“vibe coder”[40] - **激活长尾需求与实现软件平权**：极低的构建成本使软件能千人千面，满足曾因市场规模小而被忽略的个性化、情景化需求，软件成为人类表达与解决问题的基本媒介[40][41] 8. 行业落地聚焦性价比与ROI - **企业关注点转向可衡量业务价值**：AI行业应用的第一性问题从技术先进性转向投资回报率与性价比[43] - **规模化部署仍存差距但使用量增长**：麦肯锡报告显示，88%的企业至少在一个职能中使用AI，但进入规模化阶段的比例很低，AI高绩效企业仅6%[43] OpenAI调研显示，ChatGPT Enterprise周消息量增约8倍，75%的员工认为AI提升了工作速度或质量，重度用户每周可节省超10小时[44] - **应用深入流程中后段并重构工作范式**：AI正从边缘任务深入核心业务流程，未来收益将来自流程再造、智能体协同等领域[44] 工作最小单元可能变为“一个人+N个智能体”，企业管理逻辑将转向以结果交付为中心[45] 9. AI眼镜迈向千万台临界点 - **出货量有望突破千万台分水岭**：预测Meta Ray-Ban等产品在2026年单品牌销量有望冲击1000万台；巴克莱预测2035年销量达6000万副；制造商依视路计划实施年产能1000万件的生产计划[45] - **“硬件减法”策略成功**：Meta通过放弃高成本显示模组，将眼镜重量控制在50克以内，结合大模型多模态能力，优先作为穿戴拍照设备，降低了制造难度与用户门槛[47] - **重塑交互逻辑与软件生态**：交互从以应用为中心转向以意图为中心，自然语言为主导；技能商店可能取代应用商店；摄像头产生的第一视角数据将赋能空间智能研发并可能催生新的推荐与广告模式[48] 10. AI安全成为研发与应用必选项 - **公众信任度下降凸显安全重要性**：全球调研显示，尽管66%受访者经常使用AI，但超半数（58%）认为其不可信赖，信任度较2022年呈下降趋势[50] - **安全算力投入成为热点**：预计超10%的算力将投入安全评估、对齐实验等领域；伊利亚成立的SSI公司已融资30亿美元，专注超智能安全；欧美法规可能使安全算力成为刚性成本[53] - **企业建立深度嵌入的治理机构**：如Google DeepMind的Responsibility & Safety团队、微软的Aether委员会、Anthropic的长期利益信托与宪法AI机制，将安全深度嵌入研发全流程[54] - **安全演变为基础性要素**：可信安全机制成为进入关键行业的前提，监管框架使安全实践从最佳实践变为准入门槛[55]

行业联合行动 - 广州国家实验室、天津大学、湖南应用数学中心、中科院高能所、国家天文台、中科院大气所、中石油东方物探、中科曙光、合肥大数据公司等22家高校、科研机构及企业共同发起“科学智能联合攻关行动” [1] - 该行动将重点围绕科学大模型开发、超智融合算力平台建设、模型训练推理优化、科学数据开放共享等方面开展协同工作 [1] 发展目标与规划 - 光合组织透露，在未来三年内预计将推动超过20个行业级AI4S软硬协同解决方案落地 [1]

核心观点 2025年AI领域呈现“基建夯实、模型迭代、应用爆发、中国崛起”的格局[3] 技术从算力基建到产业落地发生全链条变革[1] 中国在开源生态与自主可控路线上崛起，成为全球AI格局的关键力量[1][3] 基础设施 - 全球科技巨头正投入史无前例的资金建设超大规模数据中心，例如谷歌“星际之门”计划投入超过1000亿美元，微软AI超级园区投入73亿美元，谷歌AI枢纽投入400亿美元[14] - 中国通过“东数西算”国家工程，将东部算力需求与西部可再生能源结合，推进国家级算力规划[16] - 资本开支从采购标准化服务器转向建设由数万块高端GPU组成的“超节点”和“超级群”，以训练和运行大型AI模型[19] - GPU因其强大的并行计算能力，仍是AI训练领域事实上的标准，但其稀缺性和高昂价格促使行业寻求新方案[23] - NPU已成为智能手机、PC和物联网等端侧设备的标配，以实现低功耗、低延迟的AI推理[24] - 中国正加速推进AI芯片国产替代，华为、寒武纪等企业研发高性能AI芯片，并通过与自研模型、SDK协同，已实现千亿级参数模型训练的自主可控[1][27] 模型进化 - 预训练架构创新成为关键，MoE混合专家模型凭借“大参数、小激活”特性平衡性能与成本，成为主流架构[1] - 国内主要模型如GLM-4.6（总参数355B，激活参数32B）、通义千问Qwen3（总参数235B，激活参数22B）、DeepSeek V3.2（总参数671B，激活参数37B）等均采用MoE架构并实现开源[1][32] - 研究者正探索线性注意力和稀疏注意力等超越Transformer的新架构，以突破其二次方计算复杂度O(n²)的瓶颈，提升长文档、视频理解等任务的计算效率[31] - 模型蒸馏技术将大模型知识“蒸馏”到更小模型中，对于将AI能力部署到手机、汽车等算力受限的边缘设备至关重要[33] - 人类反馈强化学习技术已成为训练ChatGPT等对话式AI模型的标准流程，用于提升模型在代码生成、摘要等复杂任务上的表现，并使其输出更符合人类价值观[35] - 2025年模型推理能力提升集中在三大方向：多模态深度推理、自适应推理以及硬件加速优化[39] - 具身智能成为热门赛道，人形机器人开始进入工业与家庭场景，VLA模型与世界模型成为技术主流[1] 应用版图 - Agentic互联网重塑流量入口，从“人找服务”转向“服务找人”，多Agent协作框架降低开发门槛，推动复杂任务闭环执行[2] - 多模态技术落地加速，视频、3D、代码生成依次释放生产力，成为影视、游戏、软件开发等行业的标准工具[2] - AI硬件全面爆发，AI PC、智能穿戴设备、AI玩具等百端齐放，端侧AI凭借低延迟、高隐私优势快速普及，重塑人机交互方式[2] - AI4S成为新增长点，在医疗诊断、材料研发、基因分析等领域实现突破，部分模型数理化能力达到博士水平[2] - 腾讯DeepGEM病理大模型提升肺癌诊疗精准度，自变量机器人在具身智能领域跻身全球第一梯队，零一万物通过产业大模型赋能物流等行业场景[2] 中国路线 - 开源AI进入“中国时间”，DeepSeek、Qwen等模型在全球开源社区下载量稳居前列，形成国际影响力[2] - 国家将AGI纳入顶层设计，科技巨头与初创企业从应用转向核心技术研发[2] - 中国构建“国产芯片+自研模型+自主SDK”的全栈生态，实现技术自主可控[1][2]

公司近期动态 - 哲源科技近日完成亿元A1轮融资，由国科投资领投，泽源基金、睿智医药跟投 [2] 行业背景与挑战 - 国内AI制药赛道正逐步回归理性，分子设计难度下降，但靶点发现和临床试验环节的挑战未发生本质改变 [2] - 成熟靶点的分子开发进入红海，新靶点发现面临枯竭，临床试验环节投入巨大但失败风险高，产业界关注借助AI挖掘新机制、评估新靶点、提高临床试验效率和成功率 [2] - 新药研发面临“耗费16年、投入26亿美元、仅3%成功率”的行业困境 [10] 公司核心定位与理念 - 公司定位为“AI4S+疾病”公司，打造“计算医学”平台，以新范式赋能药物创新，特别是新机制新靶点发现和临床试验环节 [4] - 公司认为药物研发的第一性原理应是治病，立项之初需系统理解疾病、确定靶点与疾病的因果关系及潜在适应症与患者特征，以提高研发效率与成功率 [4] - 公司致力于通过构建底层技术体系，让药物研发从艺术进化为可预测、可复制的工程技术 [10] 核心技术平台与能力 - 基于计算医学平台构建了“理解疾病”的智能体集群，在疾病和靶点机制研究方面产出三方面洞见：发现全新靶点、发现已知靶点的新机制、药物重定位 [4] - 计算医学平台打造了“虚拟临床试验”能力，即“生命功能的数字孪生”或虚拟患者，通过将个体组学数据映射到生物学信号通路网络构建高维数学模型，模拟药物扰动后的结果 [5] - 通过虚拟临床试验，可在药物管线论证阶段评估药物在数万个适应症亚型的效果 [6] 已验证成果与项目 - 在与北京肿瘤医院合作的虚拟临床平行试验中，对8位入组患者的药物响应预测结果与真实临床试验揭盲结果完全一致 [6] - 针对胰腺癌的1类创新药PR00012已经进入临床I期 [9] - 通过计算医学平台，已计算出200多个潜在靶点相关的“洞见”，每个洞见有望开发出价值超过百亿新药IP资产 [9] 公司商业模式与发展阶段 - 公司选择打造创新药“IP工厂”的商业模式，旨在与产业链各方协同创新，将行业产能和资源高效转化为药物资产 [9] - 公司认为判断创新技术能力有五个渐进层级：理想乌托邦、独特方法论、建立技术体系、工程化技术平台、产生可验证结果，公司已进入产出可验证结果的第五层 [9] - 市场对AI制药存在质疑，行业逐步形成用BD交易或联合开发合同等结果证明的风向 [8]

公司与北京大学合作共建联合实验室 - 岩山科技旗下岩超聚能与北京大学深圳研究生院合作共建的“聚变与新能源联合实验室”于近期举行揭牌仪式 [1] - 该揭牌仪式是北京大学深圳研究生院二十四周年院庆活动的重要组成部分 [1] - 此举标志着双方在聚变与新能源领域的深度合作研发正式启动 [1] 联合实验室的研究方向与目标 - 联合实验室聚焦仿星器聚变装置物理与工程、AI4S及材料研究 [1] - 同时开展超导技术在风电、光伏、储能、节能等能源领域的技术应用研发 [1] - 旨在解决聚变与新能源领域的基础科学问题及关键技术难点 [1] - 目标成为全球领先的聚变与新能源技术创新技术高地，推动相关领域学科发展和科学探索 [1]