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]

AI驱动科学研究(AI4S)的核心进展与影响 - DeepSeek发布最新数学模型DeepSeekMath-V2，通过自验证方式突破AI在深度推理方面的局限，展现了强大的定理推理能力，让大模型在数学领域不再只是“做题家”，而可能依靠全面、严谨的数学推理能力对科学研究产生深远影响[1] - AI4S（人工智能驱动科学研究）概念旨在通过AI实现跨学科融合，加速突破，当传统物理模型在极端复杂系统前束手无策时，数据驱动范式可以跳过对微观机制的繁琐推演，利用算法直接从海量数据中寻找规律、构建“隐性”模型[1] - 该模式已在多个领域催生重大突破并实现科研效率的指数级提升，例如AlphaFold2将蛋白质结构预测周期从数十年缩短至数天，在材料科学领域缩短新材料设计周期，在环境科学领域为森林火灾预防等提供更准更快的解决方案[2] 全球及中国AI4S战略布局 - 多国加速布局发展AI4S，美国在2024年通过行政令、政策文件等系统性提升其战略地位，欧盟自2022年起布局，2025年发布“人工智能大陆行动计划”并建设AI-on-Demand在线服务平台[2] - 中国从国家到地方层面高度重视AI4S发展，2023年科技部会同国家自然科学基金委启动专项部署，2024年8月国务院印发《关于深入实施“人工智能+”行动的意见》，将“人工智能+”科学技术列为第一项重点行动[3] - 地方层面，2024年7月上海和北京均出台了支持AI4S发展的专项计划，推出了科学智能“百团百项”工程和《加快人工智能赋能科学研究高质量发展行动计划（2025—2027年）》等举措[3] AI4S对传统科研范式的变革 - AI4S带来了科学研究的另一种可能，即从海量数据中寻找规律，挑战了传统“自上而下”的经典科学范式，AI4S的目标是“实现预测”优先，与传统“理解因果”优先的标准存在根本差异[5][6] - 科研基础设施的根基从传统的精密仪器，转向了以大型计算中心、专用算法库和高质量数据库为核心的新型基础设施，源于其对海量数据和强大算力的根本依赖[6] - 科学家的核心任务从“如何操作”转变为“如何定义问题、评估结果和引导方向”，与生成式AI和强化学习模型形成“人机混合智能”协同探索模式，科研组织方式也从传统的“小作坊”模式向跨学科、平台化的大团队协作转型[7] AI4S发展面临的主要阻碍 - 高质量AI-Ready的科学数据稀缺是核心挑战，获取成本高昂，例如生命科学领域单一类别蛋白质结构实验数据采集成本超过8万元，训练AI模型通常需要百万量级样本[8][9] - 数据标注环节存在突出瓶颈，高度依赖专业人力，例如国内某机构曾组织20名博士全职工作6个月才完成1万张冷冻电镜图像标注，在效率和规模上难以满足AI训练需求[9] - 数据共享存在制约，科研数据分散形成“数据孤岛”，数据所有权、知识产权及竞争关系阻碍开放共享，例如生命健康领域医疗数据因隐私保护限制科研可用率较低[9] 产业化应用瓶颈与人才短缺 - AI科学发现能力指数级增长与人类实验验证及产业化应用能力线性爬坡之间存在巨大鸿沟，导致海量AI预测成果淤积在实验室无法转化，存在“AI一天的预测成果，人类需要十年验证”的现象[10][11] - 造成“堰塞湖”现象的主要原因包括标准缺失、验证瓶颈（自动化实验能力不足）以及政策约束（伦理审查严、审批周期长、投资风险高）[11] - 复合型人才短缺是核心挑战，高盛预测到2030年中国人工智能产业人才缺口将超过500万，麦肯锡报告预测到2030年中国AI人才供应仅为市场需求的1/3，且人才缺口体现在数量和质量两方面[11][12] 构建新型科研生态的路径 - 需构建面向人工智能时代的新型科研生态，包括培养复合型人才、推动数据开放共享、建立适应人机协同的科研评价与伦理治理体系[13] - 在人才培养上，需转变传统“专门人才”模式，构建复合型人才培养体系，例如北京大学深圳研究生院设立科学智能学院并推行由科学导师与AI导师共同指导学生的“双导师制”[13][14] - 在平台建设上，需从传统的“作坊模式”向整合多元主体的“平台模式”转变，培育AI4S创新联合体，促进多学科协作，例如中国科学院建立ScienceOne智能科研平台，北京科学智能研究院研发“玻尔科研空间站”AI科研平台[14][15] - 需加速推进AI4S关键领域“科研数据可信空间”建设，促进高质量科学数据和合成数据资源的集中，加强标准化建设，创新数据资源共享的技术和制度[16] - 需强化AI4S的科技伦理治理研究，应对算法不透明性、歧视、数据隐私及结果不可解释性等挑战，建立健全社会共治体系和机制[17]

核心观点 - SES AI创始人胡启朝提出，AI驱动的“第零原理”研发范式正在彻底改变电池行业的创新模式，其核心是一个名为“分子宇宙”的AI系统，该系统通过从数据中直接发现底层数学规律，将研发效率从数月提升至数小时，并有望解决人才流失与全球化研发的挑战 [1][2][3][5][20][21] 创新范式转变：从“第一原理”到“第零原理” - 传统电池研发依赖已知的物理化学规律，在实验室、中试线、生产线中反复试错，失败率超过90% [4][5] - AI驱动的“第零原理”方法不依赖已知科学规律，而是直接从实验数据中捕捉和发现尚未被人类归纳的底层数学规律，这被视为更本质的创新起点 [5] - 传统方法或许能发现十几个物理化学规律，而AI系统却能揭示上千个数学规律 [5] “分子宇宙”AI系统的六项核心能力 - **问答**：基于1700万篇电池文献与海量内部报告训练，能理解复杂研发问题并提供解答，相当于资深科学家助手 [9] - **寻找**：连接包含宇宙中所有适合电池材料的小分子数据库，宇宙中小分子有10^60个，其中10^11个可能适合电池应用，能探索人类专家难以想象的化学角落 [9] - **配方**：作为“虚拟实验室”，能将分子组合并通过模拟预测关键物化性能，在投入真实实验前完成数字世界初步筛选 [10] - **设计**：经过企业数据训练的AI模型，能够连接材料性能与电芯性能，将材料特性映射到电芯整体表现，给出半定量工程判断，实现根据需求逆向开发材料 [10] - **预测**：仅需分析电芯前100次循环的数据，就能高精度预测数千次循环后的长期性能与寿命转折点，将传统耗时数年的长周期测试资源消耗降至原来的零头 [10][13] - **生产**：能接入产线实时数据，用于优化新产品产能爬坡过程与成本控制，让研发更顺畅地走向制造 [11] 研发效率的革命性提升 - **电解液配方开发**：传统模式下一个团队一个月筛选20个新配方，通常只有2个有效；AI系统基于20个实验数据训练后，能在几小时内通过自我迭代生成成千上万个新配方 [13] - **电芯长循环测试**：传统测试需数千次循环，耗时两到三年；AI模型仅需前100次循环数据即可准确预测长期性能，所需资源不到传统的10% [13] 系统部署方案与数据安全 - 提供两种部署方案：基于云端的公共模型，整合公开及共享的企业数据；以及私有化部署，每个企业拥有自己的本地“分子宇宙” [14] - 愿意贡献于行业进步的企业可将训练好的模型分享到云端，形成更强大的系统；关注数据安全的企业可将模型完全保留在本地 [14] - SES AI内部已全面应用该系统，其波士顿、上海、首尔三大研发基地的所有项目数据（涵盖锂金属负极、高硅负极、高镍正极、磷酸铁锂正极、液态、半固态、固态等体系）均用于训练 [14] AI对研发组织与人才管理的重塑 - 研发团队正逐渐从直接参与产品开发，转向训练AI模型，让AI系统主导产品开发，近期突破性发现越来越多且速度越来越快 [14] - 系统旨在解决顶尖人才流失（被挖走、生病、退休）带来的知识断层问题，通过数据训练捕捉其思维模式，在未来3-5年内，当人才离开时，系统可模拟其解决问题的方式 [15][16][17] - 系统可作为企业全球化过程中克服人才出海壁垒（如签证限制、语言障碍、文化差异、高昂协作成本）的高效问题解决载体，实现研发能力的无缝跨国传递 [18] - 该系统被设想为可适应各种环境（甚至包括火星）的持续自主进化创新伙伴，突破人才流动的物理限制 [18][19] 对科学家角色的重新定义 - AI系统不会完全取代科学家，但正在重新定义其工作方式，通过数学规律重新理解材料世界，并借助AI系统放大人类智慧 [20] - “第零原理”的真正意义在于不去重复已知，而是探索那些尚未被明确定义的广阔领域 [21]

美国启动国家级AI4S战略平台 - 美国总统签署行政令启动Genesis Mission 由能源部牵头 17家国家实验室参与 建设覆盖AI 量子计算 先进实验装置与联邦科研数据的国家级发现平台 明确将AI4S提升至国家战略层级 [2] - 平台旨在打破数据孤岛 建立一套由数据 算力 实验构成的闭环系统 [3] 平台核心架构 - **数据层**：汇聚联邦政府数十年来积累的涉密及专有科研数据 构建高质量科学基座模型 以解决AI缺乏高质量训练数据的痛点 [3] - **算力层**：深度捆绑科技巨头 NVIDIA AMD Microsoft Google AWS等有望提供GPU 云平台和工程团队 [4] - **物理层**：部署机器人化学家与自动化合成设施 形成干湿闭环 使AI生成的配方能被自动合成与验证 [5] 激进实施时间表 - **60天内**：能源部须提交不少于20个国家级挑战清单 覆盖先进核能 电网现代化 关键材料 半导体 高端制造等 [6] - **90天内**：完成全美联邦算力与数据资源的彻底清查 [6] - **9个月内**：拿出完整实施方案和预算路径 定义平台架构 数据接入规则 对产业和高校的开放方式 [7] 重点应用领域 - 利用AI与高性能计算加速聚变与先进核能研究 包括堆型设计 燃料和结构材料开发等 [8] - 在电网现代化框架下 用AI优化电网运行与规划 提升在用电需求快速上升和可再生能源占比提高背景下的供电效率与稳定性 [8] - 在关键材料安全框架下 用AI参与关键材料替代方案设计 资源利用与回收工艺优化 削弱对境外供应链的依赖 [8] 计划旨在解决的行业痛点 - 打破数据孤岛与合成瓶颈 AI4S面临的最大障碍是缺乏高质量 标准化的实验数据以及验证速度慢 [9] - AI模型与科研超算消耗巨量电力 却缺少把算力规划 电网投资和能源结构统一建模的国家工具 [10] 计划的不确定性 - 行政令反复写明一切以国会拨款为前提 预算规模 节奏尚未落地 [11] - 科学界担心公共科研基础设施演变为少数科技巨头的数据与算力飞轮 [11] - 数据质量 保密分级等也将决定这一平台能否真正改变科研范式 [11] 对产业竞争格局的潜在影响 - 该计划的影响可能并非突然发明某个超材料 而是在需求结构 技术路线优先级和评价体系上重排棋盘 [12] - 对于全球电池产业而言 AI4S提供的是从依赖制造优势转向依托研发创新的战略机遇 AI4S正因范式转移而带来挑战 [13]

公司定位与团队背景 - 公司定位为专注于人工智能和基础模型研究的投资研究实验室（Investment Research Lab），既是基金也是研究实验室[5] - 团队由科技投资人、物理学博士和AI研究员组成，平均年龄低于30岁，强调高信任度、低自我和高人才密度的团队文化[5][6] - 公司在管资产规模超过15亿美元，包括5亿美元的长线基金，采用一二级市场联动投资策略[5] - 公司过去投资并见证了6家投资组合公司从数十亿、数百亿美元成长为千亿美元级别的企业[5] 投资理念与策略 - 投资理念受OpenAI、Anthropic和DeepMind启发，旨在成为投资领域的前沿研究实验室，关注全球最重要的技术变化[8] - 投资策略聚焦于少数关键机会，愿意在每一轮对优质公司持续加注，放弃多数琐碎机会[8] - 注重信息质量，拥有市场上最丰富、质量和密度最高的信息源，以提高投资胜率[8] - 强调长期关系建设，致力于与创始人和研究人员建立信任，投资AI原生时代的最佳创始人[8] 品牌建设与认知输出 - 坚持开源认知，通过内容输出为AI生态做贡献并构建品牌影响力[9] - 品牌代表公司与创始人之间的信任和审美观，吸引志同道合者[9] - 公司通过海外独角兽和AI讨论社群持续输出观点，影响中美两地华人创业者和AI从业者[6] 招聘需求与岗位要求 - 招聘岗位包括AI投资研究员和品牌策划（AI Narrative Specialist），工作地点覆盖硅谷、香港、北京和上海[12][15] - AI投资研究员需具备AI研究、工程或产品经验，熟悉技术趋势如Continual Learning、Proactive Agent等[12][13] - 品牌策划需熟悉硅谷AI内容，具备品牌叙事打造能力和创新表达方式经验[15] - 招聘不限资历和工作年限，对全职和实习生均开放，优秀实习生有转正机会[15][16] 行业关注领域 - 公司重点关注LLM新范式、强化学习、AI Agent、代码代理等前沿技术领域[19][21][23][25][27] - 技术趋势包括OpenAI o1、自玩强化学习、AI机器人、AI4S等方向[12]

文章核心观点 - 宜宾通过整合其1.0时代的产业基础（如动力电池全产业链、绿电、供应链资源），成功吸引了全固态电池、AI for Science（AI4S）和具身智能三大前沿技术在此同步部署和耦合发展，城市正从制造基地向具备“泛化”能力的创新平台演进[7][8][25][26][108] - 城市发展的关键转变在于构建“揭榜”机制和多路线并行的产业生态，从政策招商转向场景选技术，核心是验证可行性和构建可持续的创新反馈回路，而非押注单一技术方向[65][67][72][75][86] - 当技术迭代加速成为常态，城市保持竞争力的核心在于形成“平台型生态”，即具备可迭代、可调用、可组合的能力集合（如数据基础设施、多技术路线冗余、开放机制），从而获得持续进化的“泛化力”[93][94][102][107] 技术路线部署与耦合 - **全固态电池**：标志着能源体系从液态向固态的系统级跃迁，关键在于解决从实验室“克级”到产线“吨级”的工程化成本问题，赛科动力利用宜宾化工副产物建成年产二十吨级中试线，预期将高纯硫化锂单价降至行业平均水平的一半（从100万降至50万）[9][10][34][36][37] - **AI for Science（AI4S）**：是人工智能推理能力与自然规律耦合的终极愿景，深势科技在宜宾构建“干湿闭环”系统，利用本地高频、带工况标签的工业数据（包括失败样本）训练模型，使电解液配方研发效率提升十倍[11][12][13][42][46][47] - **具身智能**：是AI从语言世界进入物理世界执行任务的关键，银河通用在宜宾的白酒、电池、光伏等真实产线设置训练中心，让模型在动态、多约束的工业场景中学习，以完成从演示到24小时日常工况的转化[14][15][16][54][55][82] 宜宾的产业基础与升级（1.0到2.0） - **1.0模式积淀**：凭借绿电（80%水电，工业电价0.35元）和“基金+产业链”资本模式，建成全球首家电池零碳工厂及最完整动力电池产业链，供应链响应速度提升40%，为2.0技术落地提供了供应链韧性和要素资产[19][21][22][29][30][31] - **2.0升级逻辑**：将1.0的产线、物料、副产物和绿电重新编入新技术系统的“进料口”，例如化工副产物成为固态电池主原料，产业数据成为AI训练的基础设施，实现跨技术路线的资源复用和互相提速[23][24][39][40][50] 城市创新机制与生态构建 - **从招商到揭榜**：政府退出单边招商，转为构建多边“揭榜”机制，由企业和场景端提出真实需求，市场公开招募解决方案，通过股权捆绑和成果追责进行风险共担，已推动33个揭榜项目，带动95名科技人才落地和约6亿元新增产值[65][67][68][69][85] - **多路线并行策略**：在全固态电池领域同时引入硫化物、聚合物、氧化物、锂金属四条技术路径和多位院士团队，不押注单一方向而注重“可验证性”，即使路线失败，其副产品、工具链和合作网络也可被复用[72][74][78][79][95] - **平台型生态形成**：城市的核心能力体现为“泛化力”，即通过制造多样性（白酒、电池、光伏）、资源复合性（锂、绿电、交通）和机制开放性（揭榜制、持股制）形成高变量密度，使系统能在技术加速中持续调整和进化[93][94][102][103]

智星计划-海外招聘项目概述 - 项目是北京智源人工智能研究院面向全球顶尖高校应届毕业生的战略性人才招募项目 专注于引进培养海外高水平人工智能研究人才 [2] - 入选者将受邀赴北京开展6个月及以上的科研访问 与国际一流团队攻关前沿课题 并进入智源人才生态体系 [2] 项目核心优势 - 提供直通研究院全职录用机会 表现优异者可优先获得PI 研究员或博士后职位 [5] - 开放智源前沿课题与超算资源 与领域内领军研究者共同工作 [5] - 配备学术导师和行政导员 提供科研与生活全方位支持 包括长期学术发展与资源支持 [7] 福利待遇 - 提供国际旅费 科研补助 住宿 医疗和生活津贴等全方位保障 [8] 招募对象与要求 - 面向顶尖高校及实验室在读华人博士 博士后及正式科研人员 [9] - 研究方向涵盖类脑模型 智慧心脏 具身智能 多模态和AI4S等领域 [9] - 申请者需已在NeurIPS ICML ICLR CVPR ACL等顶会以第一作者发表论文≥3篇 或展现出卓越科研潜力 [9] 申请流程 - 全年接收申请 滚动评审 录满即止 [11] - 流程包括联合意向 材料准备 学术评估 面试评审和正式邀请等环节 [9][10] 项目愿景 - 旨在与入选者共同开展具有世界影响力的研究课题 在全球AI创新浪潮中成就卓越 [12] - 构建长期深入合作关系 与智源研究员共同制定实施研究计划 访学结束需提交研究成果报告 [12]

行业背景与需求 - 全面电动化浪潮催生出对电池性能的多样化需求，例如AI眼镜续航仅4小时，人形机器人需长时间作业，电动工程机械要求循环寿命高达6000次[2] - 电池性能已成为消费电子、机器人、重型机械等多个新兴行业竞争的关键焦点[3] - 传统电池材料研发路径长、投入大，严重依赖经验与试错[3] 公司解决方案核心 - SES AI计划于2025年10月20日通过线上直播正式发布电池专用AI4S解决方案“分子宇宙”Molecular Universe 1.0（MU-1.0）[3] - MU-1.0被视为该公司迄今最完整的解决方案，其关键更新是Predict（预测）模块[4] - Predict模块通过融合AI及海量精细实验数据，建立从分子材料到电池性能的可预测路径，这是目前尚无已知方法能实现的突破[4] - 该模块可实现跨层级预测，用户可在选定电池化学体系后自由替换未知分子并直接观察其对循环寿命的影响[5] - 即使面对化学体系完全未知的电池，仅需输入其早期循环寿命数据，MU-1.0便能预测其寿命终点，为评估第三方电池或全新体系提供工具[5] 技术影响与优势 - MU-1.0有望将原本需数年完成的“设计-测试-验证”周期缩短至数十分钟的计算模拟，极大提升研发效率[6] - 该解决方案标志着电池材料研发从“实验试错”向“计算驱动”范式转变的关键一步，将为整个行业的创新节奏带来质的飞跃[8] 平台功能模块 - MU-1.0作为一个完整的研发平台，整合了五大功能模块：Ask（智能问答系统）、Map（覆盖海量电解质的电池分子数据库）、Search（具备“智能寻友”功能的分子检索工具）、Formulate（精准预测电解液配方物化性质的计算工具）、Predict（基于早期分子数据预测电池全生命周期性能的计算工具）[11][12][13] 应用领域 - “分子宇宙”应用覆盖多个关键领域：在储能领域致力于提升磷酸铁锂电池的低温循环寿命；在无人机与机器人领域专注于改善高硅负极锂离子电池的安全性与能量密度；在电动汽车领域着力于延长低硅及中硅负极锂离子电池的循环寿命；在消费电子领域专注于优化钴酸锂电池的高电压稳定性[11]

任少卿职业动态 - AI领域专家任少卿开始在母校中国科学技术大学开班招生 [1] - 任少卿曾任Momenta联合创始人、蔚来汽车副总裁 [4] 任少卿学术背景 - 任少卿为07级中科大本硕博（微软亚洲研究院联合培养） [4] - 任少卿是ResNet和Faster R-CNN作者 [4] - 学术高被引超44万，是全球中国籍学者高被引第一 [4] - ResNet是21世纪全球最高被引论文 [4] - 曾获未来科学大奖-数学与计算机科学奖 [4] 招生信息 - 招生方向为AGI、世界模型、具身智能、AI4S等 [6] - 硕士、博士生都在招 [6] - 有推免资格的学生将于下周一（22日）开启紧急面试 [6]