报告公司投资评级 - 首次覆盖晶泰控股，给予“买入”评级 [3] 报告的核心观点 - 晶泰控股是AI for Science范式革命引领者，具备算法和数据优势，在医药和AI新材料领域有发展潜力，AI4S渗透率提升、大分子和新材料业务将驱动收入高增速，未来盈利可期 [1][3] - AI4Science远期有望成长为千亿美金市场，中国具备培育巨头的土壤，产业集中利于数据积累、产业融合和示范效应扩散 [2][42] - AI在小分子药物研发能提升效率，在大分子药物领域潜力大，晶泰打通临床前全流程，涵盖小分子、大分子业务，与顶级药企合作锁定成长空间 [47][64] 根据相关目录分别进行总结 晶泰控股：AI4Science范式革命引领者 - 晶泰由三位华人MIT物理学家于2015年创立，是化学研发范式革命引领者，获辉瑞盲测大赛冠军，助辉瑞新冠药提前上市，2024年进入AI新材料领域 [13] - 公司用AI+机器人打造“高通量实验-高质量数据-高智能模型”飞轮，积累超200个AI垂类模型，自动化实验室提升数据收集能力40倍 [15][18] - 三位创始人股权集中度高，腾讯是第一大外部股东，公司获全球顶级资本青睐，2021年底D轮融资估值达20亿美元 [21][25] - 公司药物发现、自动化两大业务并举，收入高速增长，2024年营收2.66亿元，同比增长52.75% [28] AI4Science远期万亿市场，我国具备培育巨头的土壤 AI for Science：一场化学研发的范式革命 - AI4Science是人工智能驱动的科学研究，被列为AI三大关键方向，能提升研发效率，赋能化学研发 [31] - 医药和材料是AI4Science主战场，其有读、算、做能力圈，对应三种商业模式 [32][34] 空间测算：AI4Science拥抱万亿蓝海 - AI4Science未来有望成长为千亿美金市场，测算覆盖下游市场规模近11万亿美元，渗透率达25%时年产值突破1400亿美元 [35][36] - AI渗透率提升是趋势，医药行业AI渗透率将由2020年的0.7%升至2030年的41.3% [41] 我国拥有诞生AI4Science巨头全球最好的土壤 - 中国化学品产值占全球45%，材料科学科研实力崛起，AI4S企业有望快速积累数据、融合产业、形成示范效应 [42][46] - 海外聚焦AI4Science的厂商有Isomorphic Labs等，国内晶泰科技等平台型企业崛起 [44] AI制药：小分子业务高速增长，大分子业务扬帆起航 AI4Science在小分子领域正持续渗透，在大分子领域前景广阔 - 药物研发从“试错时代”到“算法驱动”，AlphaFold3提升药物开发能力 [47] - AI在小分子药物发现各环节应用广泛，晶泰科技缩短Paxlovid研发时间 [50] - AI在大分子药物领域潜力大，有RF diffusion、ESM3、AlphaFold3等前沿模型，吸引大药企订单 [54][60] - AI+合成生物学开启万物合成新范式 [61] 晶泰打通临床前全流程，涵盖小分子、大分子 - 晶泰是国际领先的AI制药服务商，承接下游客户订单，研发能力圈涵盖多模态 [64] - 公司AI制药计算平台结合AI与量子物理计算，有基于AI和量子物理计算的模型 [65] - 公司具备顶级分子力学计算平台，核心模型为新材料及药物化学空间提供开发平台 [66] - 公司与全球顶级药企全方位合作，如与礼来、强生、优时比等有合作项目 [68][70] - ID4Inno小分子药物发现平台依托垂类模型，具备研发及定制化能力，两大核心子平台结合实现药物发现功能 [72][75]

公司动态 - 公司新近设立控股子公司安徽志特小临智能科技有限公司，主营业务为化学机器人平台以及通过AI for Science新范式进行新材料研发与产业落地 [1] - 子公司营业执照登记的主营业务范围包括：智能机器人的研发、销售；新材料技术研发与推广；合成材料制造与销售等 [1] 技术研发进展 - 相关机器人平台已经在防火、吸热、催化剂材料研发等方面孵化出成果 [1] - 超级隔热材料性能较传统保温材料能力系数显著提升，并具备成本优势 [1] 应用场景 - 上述材料可应用于建筑、应急等领域 [1] - 新材料能与公司主业下游渠道形成协同，应用场景广泛 [1]

本次沙龙活动的成功举办，不仅为 AI行业的从业者提供了一个交流与学习的平台，也为未可知 人工智能研究院与北大纵横在未来的合作奠定了坚实的基础。 双方表示，将继续携手，共同探 索AI技术在科学研究与产业创新中的更多可能性，助力新质生产力的发展与提升。 未可知人工智能研究院作为国内领先的 AI研究机构，始终致力于推动人工智能技术的创新与应 用。 未来，我们将继续举办更多类似的行业交流活动，与各界同仁共同探索AI技术的无限可 能，为推动我国数字经济的高质量发展贡献更多力量。 近日， 未可知人工智能研究院与北大纵横联合举办了一场以"AI for Science与新质生产 力"为主题的行业沙龙活动。 本次活动吸引了众多来自不同领域的专家学者、企业高管以及行 业从业者，共同探讨人工智能技术在科学研究与产业创新中的前沿应用与发展前景。 活动伊始， 未可知人工智能研究院副院长张孜铭先生发表了精彩的开场致辞 。张院长凭借其 深厚的学术背景和丰富的行业经验，深入浅出地阐述了人工智能与科学研究深度融合的必然性 与重要性。 他指出， AI for Science作为一种全新的科研范式，正推动着从生物医药、材料科学到能源领 域等多个学 ...

论文造假事件 - MIT博士生Aidan Toner-Rodgers因论文造假被勒令退学 论文涉及AI对经济增长的贡献 特别是企业研发与创新领域 [1][2][5] - 论文《人工智能、科学发现和产品创新》原本即将发表在顶级经济学期刊The Quarterly Journal of Economics 但被导师诺奖得主阿西莫格鲁和奥托教授请求撤稿 [2][3] - 该论文声称证明AI能显著提升研发效率 使用AI工具的科学家发现材料增加44% 专利申请增加39% 产品创新增加17% 但数据被证实造假 [30] AI在材料科学领域的应用争议 - 谷歌DeepMind使用GNoME模型预测出220万种新晶体 其中38万种结构稳定 声称相当于"近800年知识积累" [10][12] - 但化学专家分析发现这些预测材料缺乏可信性、有用性和新颖性 许多只是已知化合物的无关紧要改编 [12] - 专家指出AI生成的材料数据需要化学材料专家验证 单纯依靠算法预测缺乏实际科学价值 [12][22] 学术诚信与AI风险 - 在LLM时代 AI可以生成大量看似符合逻辑的数据集和论文 增加了学术造假风险 [24][26] - 预印本论文泛滥导致未经同行评审的研究被过度报道 媒体倾向于炒作AI的夸大说法 [25][28] - AI可能破坏科学研究范式 合成数据与真实数据的界限日益模糊 特别是在非物理世界领域 [27][28] 跨学科研究问题 - 跨学科AI研究需要多领域专家合作 单纯由单一学科背景人员完成容易产生问题 [25] - 该造假论文最大问题在于全部由经济学背景人员完成 缺乏材料科学专家参与 [25] - 未来AI+学科研究需要建立更严格的合作与评审机制 防止类似造假事件 [25][26]

据了解，联盟将围绕算力、算法、数据、问题与人才五大核心要素，打造开放共享的科学智能基础设 施。通过构建"基础工具链-共性技术平台-场景化应用"全链条技术生态，推出系列智能化科研工具与开 放平台，助力科学家突破理论瓶颈，赋能企业实现"元创新"。同时，建立多元化资金支持体系，为技术 研发至产业转化提供全链条支撑。联盟还将积极参与国家重大产业专项规划。在国际化布局上，联盟将 通过发起国际赛事、制定技术标准、共建跨国实验室、创办学术期刊等行动，推动中国科研智慧深度融 入全球创新体系，提升我国在该领域的国际话语权。 此次活动特设联合成果分享环节，汇聚近百名政府代表、学术领袖及企业高管。北京大学教授高毅勤、 上海交通大学教授王延峰、中国科学技术大学教授陈林江、深势科技创始人兼CEO孙伟杰、华为数字技 术有限公司北冥实验室主任王龙等嘉宾分享了AI在生物医药、材料科学、基础平台等领域的应用合作 成果。来自中国移动、百度、比亚迪等企业代表就联盟发展战略展开深入探讨。与会代表一致认为，联 盟的成立将加速构建"科研-产业"双向赋能通道，为全球经济可持续发展注入新动能。 据了解，联盟将助力推动高校构建"AI+Science"交叉学科 ...

核心观点 - 紫东太初与中国科学院国家天文台联合开发了天文耀发预测大模型FLARE，能够精准预测恒星耀发事件，为天文学研究提供全新工具[2][3] - FLARE模型通过整合恒星物理属性和历史耀发记录，显著提升了预测准确性，相关论文被IJCAI 2025录用[4][14] - 实验数据显示FLARE模型准确率超过70%，多项指标优于其他基线模型[20] 恒星耀发研究背景 - 恒星耀发是恒星大气中磁场能量的快速释放过程，对理解恒星结构、系外宜居行星探索具有重要意义[7] - 目前耀发样本数量有限，且预测依赖光变曲线，但光变曲线存在数据缺失和变化趋势差异大的问题[8][10][12] - 恒星物理属性（年龄、自转速度、质量等）和历史耀发记录与耀发事件存在显著关联[13] FLARE模型技术架构 - 采用软提示模块和残差记录融合模块，有效整合恒星物理属性和历史耀发记录[14] - 将光变曲线分解为趋势和残差成分，利用移动平均法处理数据缺失[15] - 借鉴P-tuning方法处理物理属性文本，采用低秩微调LoRA技术微调预训练大模型[17] 模型性能验证 - 使用7160颗恒星的高精度光变曲线数据进行实验，对比多种基线模型（MLPs、RNNs、CNNs、Transformer等）[18] - FLARE模型准确率达71.65±0.35%，F1值74.11±0.02，显著优于其他模型[19][20] - 模型能适应不同恒星的光变曲线变化模式，对同一恒星不同模式也能实现精准预测[21][22] 应用前景 - FLARE模型展示了AI for Science在天文学领域的巨大潜力[3] - 未来有望助力科学家探索更多宇宙奥秘[23]

生物药研发模式变革 - 生物药研发正从传统"实验驱动"模式向"计算驱动"模式转变 这种变革有望解决研发周期长、成本高、效率低等痛点 [1] - 迈威生物与深势科技的战略合作标志着行业研发范式创新 通过AI与生物技术融合推动源头创新 [1][3] 合作双方核心优势 - 迈威生物具备全产业链布局优势 在ADC技术平台、单/双抗分子发现领域有突出能力 已打通ADC药物从研发到生产的全流程 IDDC平台与Mtoxin毒素技术获多项目验证 [2] - 深势科技拥有Uni-Smart科学文献大模型、Uni-Mol分子构象大模型、Uni-Fold蛋白折叠大模型等AI技术 构建了完整的微观世界认知与计算体系 [2] 合作具体方向 - 知识引擎构建：基于Uni-SMART大模型打造生物创新药研发知识引擎 实现科学文献智能筛选与多模态元素提取 构建靶点数据库提升研究效率 [2] - 创新靶点探索：结合RiDYMO平台使分子模拟采样效率提升近百倍 融合迈威ADC技术加速药物分子从0到1发现 突破难成药靶点机制研究 [2] 行业影响 - 此次合作代表生物制药技术与AI大模型的深度创新融合 为行业提供全新技术解决方案 [3] - 通过核心技术优势互补 将显著提升靶点发现效率和药物研发成功率 推动生物药研发进入智能化新阶段 [1][2][3]

报告公司投资评级 - 首次覆盖，给予“买入”评级 [1] 报告的核心观点 - 晶泰控股是AI for Science稀缺标的，有望在2027年实现扭亏为盈，预计2025 - 2027年收入分别为4.26/6.83/10.95亿元，归母净利润分别为 - 4.42/-1.96/0.42亿元，当前股价对应P/S分别为43.69/27.25/17.00倍 [8] 根据相关目录分别进行总结 1. AI for Science稀缺标的，打造AI研发新范式 - 晶泰控股是基于量子物理、以人工智能赋能和机器人驱动的创新型研发平台，为制药及材料科学等产业提供研发解决方案及服务 [14] - 公司受全球资本关注，已筹集资金约732百万美元，在全球人工智能赋能的药物发现公司中排名第一，成立多家附属公司构建多元化科技创新企业集团 [15][17] - 公司股权结构多元，腾讯和红杉中国为主要股东，创始人股东和其他投资者也有一定持股比例 [22] - 公司核心管理团队技术背景强、行业经验丰富，研发团队由三位麻省理工学院培训的科学家和联合创始人领导，有500多名科学家和技术人员 [23] 2. 人工智能解决方案及自动化行业：场景多元，前景广阔 - 人工智能在医疗和材料科学领域潜力大，自动化市场增长快，实验室自动化渗透率将从2022年的3.7%增长至2030年的23.2%，数据量、劳动力成本、技术融合及政策驱动市场增长 [26][27][34] - 药物研发行业中，传统制药方式成本高、时间长、成功率低，AI制药潜力大，基于量子物理的方法是突破性技术，AI制药处于成长期，干湿结合等能力是竞争优势，人才、数据等是进入壁垒，降本增效需求驱动增长，数据保护和多样化管线是趋势 [35][36][47] - 固态研发服务行业中，固态研发对评估材料性质重要，人工智能赋能可建立反馈回路，市场以制药为主、材料科学领域有望增长，技术和商业化难度是进入壁垒，技术进步等驱动增长，应用领域向材料拓展是趋势 [48][49][57] - 自动化研发实验室行业中，自动化可实现更高效的湿实验室流程，传统人工方法有成本高、效率低等问题，自动化是产业升级趋势，市场以制药为主、化学及材料科学领域有望增长，资金、竞争压力等是进入壁垒，产业升级需求和人工智能进步驱动增长，多技术整合和重视数据安全是趋势 [59][60][70] - 材料科学研发行业中，人工智能等新技术将重塑研发方式，新型材料市场需求增加，应用多元、参与者广泛，向生物领域转变，人工智能及跨学科技术赋能研发 [71][72][76] 3. AI for Science，具备跨行业赋能能力 - 营收步入商业化阶段，2024年营收2.66亿元，同比增长53%，达到港交所商业化公司收入门槛，取消“未商业化公司”称号，净亏损收窄，现金充足，智能机器人业务大幅增长 [77][79][85] - 数据构造护城河，公司有海量虚拟和实验数据，实现“干、湿”闭环技术平台，结合量子物理和人工智能技术，开发ProteinGPT，基于量子物理的计算能力可改善研发周期，AI模型可与物理模型结合并实现生成式AI功能 [88][90][93] - 合作项目由医药延伸至材料等新领域，服务全球制药巨头，合作管线进展良好，AI + 机器人落地多行业，深度赋能材料科学等领域 [8] - AI赋能各产业发展打造新质生产力，业绩增长具备较高确定性，政策红利驱动短期增长，客户留存与孵化公司驱动中长期增长 [8] 4. 盈利预测与投资建议 - 预计公司2025 - 2027年收入分别为4.26/6.83/10.95亿元，归母净利润分别为 - 4.42/-1.96/0.42亿元，当前股价对应P/S分别为43.69/27.25/17.00倍，首次覆盖给予“买入”评级 [8]

报告公司投资评级 - 买入（首次）[1] 报告的核心观点 - 晶泰控股科学家背景团队研发实力雄厚，营收突破商业化门槛且净亏损显著收窄，干湿实验闭环构造数据壁垒，合作新药管线进展顺利且新材料等领域客户持续拓展，政策红利驱动短期增长，客户留存与孵化公司驱动中长期增长，预计2027年实现扭亏为盈，首次覆盖给予“买入”评级[8] 根据相关目录分别进行总结 1. AI for Science稀缺标的，打造AI研发新范式 - 全球资本关注，构建多元化的科技创新企业集团：晶泰控股由三位麻省理工博士后创立，以量子物理和人工智能技术突破传统限制，受世界知名投资者支持，已筹集约732百万美元，在全球人工智能赋能药物发现公司中排名第一，与辉瑞合作助力Paxlovid开发，还成立多家附属公司构建多元化集团[15][17][19] - 股权结构多元：股权结构分散，腾讯和红杉中国为主要股东，创始人股东及其他投资者均有持股，公众股东和基石投资者持股比例较小[22] - 科学家领衔，研发实力雄厚：核心管理团队技术背景专长且经验丰富，研发团队由三位麻省理工科学家领导，500多名人员具备多学科专业知识[23] 2. 人工智能解决方案及自动化行业：场景多元，前景广阔 - 药物研发行业：传统制药面临成本高、时间长、成功率低问题，AI制药潜力大，基于量子物理方法是突破性技术，AI制药处于成长期，干湿结合等能力是竞争优势，人才、数据等是进入壁垒，降本增效需求是增长驱动，数据保护和多样化管线是趋势[35][36][40] - 固态研发服务行业：固态研发对评估材料性质重要，人工智能赋能固态研发，市场应用以制药为主，材料科学领域有望增长，技术和商业化难度是进入壁垒，技术进步等是增长驱动，应用领域向材料拓展是趋势[48][49][51] - 自动化研发实验室行业：自动化研发可实现更高效湿实验室流程，应用领域将拓展，传统人工方法有诸多问题，自动化是产业升级趋势，市场以制药为主，化学及材料科学领域将增长，资金等是进入壁垒，产业升级需求和人工智能进步是增长驱动，多技术整合和重视数据安全是趋势[59][60][61] - 材料科学研发行业：人工智能等新技术将重塑研发方式，新型材料需求增加，市场竞争激烈，材料科学向生物领域转变，人工智能及跨学科技术赋能研发[71][72][75] 3. AI for Science，具备跨行业赋能能力 - 营收步入商业化阶段，AI平台价值加速兑现：2024年营收突破商业化门槛，取消“未商业化公司”称号，净亏损收窄，费用率改善，现金充足，智能机器人和药物发现解决方案收入增长[77][79][85] - 数据构造护城河，迈向AI for Science：量子+AI模型生成虚拟数据，机器人自动化积累实验数据，结合计算机工具和机器人自动化湿实验室提供干湿闭环解决方案，整合人工智能到核心技术，开发ProteinGPT[88][90] - 合作项目由医药延伸至材料等新领域：服务全球制药巨头，合作管线进展良好，AI+机器人落地多行业，深度赋能材料科学等领域[10] - AI赋能各产业发展打造新质生产力，业绩增长具备较高确定性：政策红利驱动短期增长，客户留存与孵化公司驱动中长期增长[8] 4. 盈利预测与投资建议 - 关键假设：未提及相关内容 - 盈利预测和估值：预计2025 - 2027年收入分别为4.26/6.83/10.95亿元，归母净利润分别为 - 4.42/-1.96/0.42亿元，当前股价对应P/S分别为43.69/27.25/17.00倍[1][8]

人工智能发展历程 - 人工智能概念可追溯至1950年图灵提出的"图灵测试"，奠定了理论基础 [2] - 大众广泛接触人工智能以2022年11月ChatGPT发布为分水岭，至今仅两年多发展历程 [2] - 大模型时代标志着人工智能进入新阶段，通用人工智能是高阶阶段的标志 [4] 人工智能在工业领域的应用现状 - 人工智能在工业领域应用正由单点突破向系统集成发展，目标是与更多工业系统深度融合 [5] - 当前工业领域呈现大小模型并存局面，小模型处理结构化数据与精确预测，大模型处理复杂非结构化数据 [5] - 人工智能在汽车制造业等智能制造基础扎实的领域表现最佳，成熟度较高 [6] - 大模型在工业领域主流应用集中于智能客服、业务管理等边缘性建议，高阶自动化应用尚在探索 [8] 人工智能赋能制造业的目标 - 提升效率，如排产调度优化 [9] - 改进质检，通过视觉神经网络等技术提高检测效率 [9] - 降低成本，这是工业赋能的核心命题 [9] - 创新驱动，生成式大模型在产品设计、工艺优化等方面提供新思路 [9] - 决策优化，为企业管理层提供更科学、及时的决策支持 [9] 人工智能在工业领域落地的挑战 - 工业场景细分程度高，通用解决方案难以实现，智能体无法充分控制风险 [9] - 工业数据分散于不同系统，格式与标准缺乏统一性，整合难度大 [10] - 定制化人工智能解决方案成本高，投入产出比低，难以形成商业闭环 [10] - 数据治理是主要障碍，涉及数据获取、整合、处理、安全应用及权属界定 [11] - 大模型算法与工业逻辑存在冲突，工业追求决策过程可解释性、可控性和可追溯性 [13] - 生成式大模型无法满足工业级"四个九"或"五个九"的可靠性要求 [13] 人工智能与工业企业的双向对接问题 - 人工智能技术人员缺乏工业领域实践经验，工业专业人员对AI技术理解有限 [15] - 项目制、定制化合作方式制约大模型在工业领域的泛化应用 [15] - AI技术在工业领域价值变现面临不确定性，缺乏成熟商业模式 [17] 人工智能赋能新型工业化的推进策略 - 初级阶段优先在封闭场景采用小模型，开放场景试用大模型 [19] - 进阶阶段构建大小模型协同赋能体系，探索人工智能能力边界 [20] - 高阶阶段目标实现高度智能的"通用智能制造"，通过MOE架构串联大小模型 [21][22] - 工业模型培养需分阶段推进，初阶段优化提示工程，进阶阶段赋予检索增强能力，高阶阶段预训练原生工业大模型 [24] 算力与数据配套发展 - 初阶阶段政府打造区域算力中心，规划城市级算力网络 [24] - 进阶阶段建设高性能算力集群，加速部署市级算力网络 [25] - 高阶阶段扩容升级算力集群，构建核心算力枢纽 [25] - 需汇集各行业结构化与非结构化数据，形成闭环数据飞轮 [26] - 优先在数据基础好、数字化水平高的行业开展试点示范 [26] 企业协同与产业链优势 - 龙头企业应发挥引领示范作用，聚焦行业共性需求 [26] - 中小微企业聚焦场景迭代，参与大模型数据迭代 [27] - 中国拥有完整产业链体系和丰富工业场景，持续迭代数据是未来竞争关键 [27]