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，AI制药已进入开花结果的验证期，并展现出向化学、材料、能源等更广泛科学领域外溢的巨大潜力 [5][8][16] - 晶泰科技作为AI制药与AI for Science的双赛道先行者，通过大规模订单、合作与上市，已成为从“AI加速科研”到“科研反哺产业”的标杆样本 [8] - AI for Science发展的底层逻辑在于，人类智力难以处理微观世界（如生物学、化学）和宏观复杂系统的海量数据，而AI能在此创造巨大价值，其与产业结合有望产生1到100的乘数效应 [18][20][21] - 数据是未来3-5年AI生物制药领域的核心战略资产，构建高质量、快速反馈的数据壁垒至关重要，而中国在临床资源等方面具备显著优势 [24][46][52] - 通过AI视角重新审视现有药物研发流程，能在多肽、小核酸等新药物形态（modality）上打破行业共识，发现新的商业机会 [63][64][69] - 将AI技术创新与中国的强势产业链（如创新药、生物制造、聚变、量子计算）相结合，是捕捉未来十年核心机会的关键 [77][78][79][80] 对AI for Science及AI制药现状的评估 - **AI制药进入开花结果期**：三年前的质疑已被实证打破，行业进入成果验证阶段 [11][13] - **标志性商业成果**：晶泰科技在2025年与礼来达成3.45亿美元合作，与DoveTree达成近60亿美元订单 [8][13] - **行业进展案例**：英矽智能的AI生成小分子在特发性肺纤维化治疗II期临床获良好结果；剂泰科技的AI赋能口崩片完成III期临床，成为国内首款 [14][15] - **发展阶段的延伸**：AI for Science整体仍处于从0到1的阶段，但AI在制药领域的成功证明了其能力外溢至化学、材料、物理等其他科学领域的可能性 [9][16][17] 晶泰科技的业务实践与战略布局 - **业务布局的四大方向**： - **更关注国际化**：采取“国际化+中国”的综合策略，例如与礼来的合作 [25] - **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、基因细胞疗法等生物制品领域，以匹配临床需求和商业化趋势 [25][26] - **探索药物延展领域**：布局消费品、化妆品功效成分、食品保健等AI与分子设计能结合的领域 [26] - **构建数据壁垒**：自2019年起部署自动化实验集群，持续扩大数据采集规模以建立长期竞争优势 [27] - **平台化定位与核心能力**： - 公司定位为技术平台，在可见的未来不会自行做药 [29] - 不仅提供标准化服务，更擅长解决行业“疑难杂症”，例如利用机器人自动化技术攻克固体粉末转移这一行业效率与精度瓶颈 [29][30] - 产品端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 [30] - **技术能力的跨域迁移**：将药物化学领域AI预测准确度达80%到90%的能力，扩展至化工、材料、新能源等领域 [28] AI模型在生物医药领域的应用与前景 - **当前应用与能力边界**： - AI模型在**药物设计阶段**（如小分子、蛋白质设计）已得到充分应用，平均能为临床前药物发现提效20%到80% [21][34] - **更大的挑战与市场在生物学及临床阶段**：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%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 [37] - **模型发展的路径与趋势**： - **短期**：因数据缺乏，**专业知识强化的AI模型**是关键，例如物理约束模型、生物学知识加强模型，通过专业引导提升效果（如调整抗体设计模型的掩码策略） [43][44] - **长期**：当生物学数据量超过互联网语料数据并出现拐点时，**无监督的大模型学习**将能自行提取规则，其价值可能远超2012年卷积神经网络在图像识别上的突破 [44] - 模型演进的三条路径：预测分子结构的模型（如AlphaFold）、全原子模型（如RF diffusion3）、结合多组学数据的大模型 [40][41][42] - **垂直与精细化的机会**：在临床前细分药物形态（如环肽、口服多肽、小核酸）领域，将问题拆解细致并拥有独特专业团队的模型更具商业机会 [37][39] 数据在AI for Science中的核心价值与获取 - **数据的战略地位**：未来3-5年，数据是AI生物制药领域的重要资产，每一次生产力革命本质是对生产资料潜能的重新发现，AI时代要重新发掘过往研究中被丢弃的**失败数据的价值** [24][46][48][49] - **数据利用的关键点**： - **统一标准与降低成本**：通过自动化、机器人方式统一数据标准，降低收集成本 [52] - **探索新工具实现“数据升维”**：如多组学技术、快速DNA/RNA合成等，让增量数据浮出水面 [52] - **充分利用中国临床资源**：中国庞大的患者群体和临床数据积累，通过合规机制协同推进，具备巨大优势 [52] - **有价值数据的特征**：现阶段最具价值的数据是具有高度一致性、标准化，并能实现**快速采集和反馈**的数据 [55] - **潜在的核心数据类型**：目前相对易得的有影像数据、转录组数据、化学合成数据；未来随着成本下降和通量提升，**蛋白质组数据**可能成为下一代核心数据 [55] AI驱动药物研发的具体创新与实践 - **以AI视角打破行业共识**： - **在多肽药物领域**：通过AI分析蛋白相互作用，生成约2000个非天然氨基酸（比天然的20种多100倍），以优化多肽稳定性，使其兼具多肽优势与小分子优点，在脑部递送、口服给药（如口服减肥药）方面有潜力 [63][64] - **在小核酸药物领域**：将序列设计和化学修饰两个传统上分步优化的过程，整合进**同一个生成模型一步完成**，从而找到更优且具新颖性的分子，突破现有专利限制 [65][67][68] - **创新探索机制**：公司设立晶泰创新中心，投入预算探索有商业前景的新药物形态（modality），这是市场需求与技术支撑共同驱动的结果 [62] AI向材料、能源等交叉领域的迁移与机会 - **技术迁移的共通性**：在微观世界，AI能力可在三个层面较快迁移并产生价值：新的分子结构设计、配方优化、工艺开发与放大 [73][74][75] - **跨领域落地的差异与关键**：不同产业（如材料 vs. 制药）的验证和数据反馈速度差异很大，技术落地的关键是**根据各领域商业化流程定义阶段性里程碑，并构建快速的数据反馈闭环** [75] - **与中国产业链结合的巨大潜力**： - **AI制药**依托中国强势的创新药产业链已获认可 [77] - **聚变**领域，中国在制造、材料、电力电子等方面的优势，结合AI对等离子体控制等的助力，有望引领产业发展 [78] - **生物制造**领域，中国拥有最大发酵产能，叠加AI与合成生物能力，产业将崛起 [79] - **量子计算**领域，AI也是重要变量 [80] - **未来机会**：在AI与生物、化学、材料、能源等交叉领域寻找创新，并使其扩散至“十五五”规划的未来产业方向，是未来十年的核心机会 [80]

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]

公司业务与市场地位 - 公司为数字维修领域全球领导者 在胎压监测传感器及诊断工具两大核心赛道均位列北美第一 成为唯一实现双冠王的科技企业[1] - 数智能源业务已成为高速增长的第二发展曲线 AI+机器人空地一体集群智慧解决方案业务有望打造成为第三发展曲线[1] - 2025年上半年公司TPMS系列产品实现销售收入5.16亿元 同比大幅增长56.83% 展现出持续扩张动能[3] 财务业绩与预测 - 维持2025-2027年盈利预测 预计归母净利润为8.04亿元、10.13亿元、12.46亿元[1] - 对应每股收益为1.20元、1.51元、1.86元 当前股价对应PE为31.3倍、24.8倍、20.2倍[1] 行业市场前景 - 全球汽车保有量超14亿辆 欧美地区车龄超7年的车辆占比达60% 推动TPMS替换需求持续释放[3] - 随着美国、欧盟等强制安装TPMS法规落地 预计2025年全球TPMS市场规模超50亿美元[3] - 南非开普敦启动最大电动公交充电枢纽项目 计划2025年12月前完成120辆电动公交车的规模化部署[4] 重大项目与技术突破 - 公司在北美权威行业媒体《2025年TPMS品牌洞察研究报告》中获得产品性能、价格竞争力、品牌认可度三项第一[1] - 为南非最大电动公交充电枢纽项目提供核心充电基础设施支持 包括领先充电技术和智能能源管理方案[2][4]