由北京市通州区人民政府指导，《财经》杂志、财经网、《财经智库》主办的"《财经》年会2026：预测与战略·年度对话暨2025全球财富管理论坛"于 12月18日至20日在北京举行，主题为"变局中的中国定力"。 12月18日，中国科学院院士、中国科学院原院长白春礼在论坛上表示，随着科学与技术边界加速融合，产业迭代周期显著缩短，技术路线快速演进，国 际竞争明显前移，基础研究越来越成为产业竞争的"先手棋"，越来越成为国家竞争力的"源头工程"。 中国科学院院士、中国科学院原院长 白春礼 "基础研究决定国家竞争力的源头，企业基础研究决定产业优势的长久性。"白春礼指出，必须把企业基础研究摆在更加突出的位置，基础研究的重要性 更加凸显主要体现在三个方面。一是，国际竞争加速向基础前沿前移。大国竞争的焦点正在从单点技术优势，转向底层理论、关键机理、核心算法、重大科 学装置等更深层次能力的竞争。企业是否有良好基础研究基础，也决定了其能否直接地把"前沿原理"转化为"产业范式"。 二是，科技创新和产业创新的边界更加模糊。过去基础研究到产业应用的周期相对较长，现在周期明显缩短，基础突破常常迅速外溢到工程实现和产业 化路径。同时，产业发展中 ...

在最新一期播客中，DeepMind掌门人哈萨比斯清晰地勾勒了他心目中通往AGI的一条现实路径： 一半靠规模扩展，另一半靠真正的科学突破。 henry 发自 凹非寺 量子位 | 公众号 QbitAI 想要实现AGI，技术创新和规模扩展得五五开，缺一不可。 从世界模型、模拟和智能体，一路聊到材料、超导体，甚至可控核聚变。这期播客里，哈萨比斯几乎是站在谷歌的当下，眺望AGI的全局图 景。 以下是哈萨比斯的核心观点速览： AGI实现需要创新与规模化的双重努力 ：约50%的努力集中在模型扩展，50%集中在技术创新，二者结合是通向AGI的关键路径。 根节点问题推动科学突破 ：AlphaFold的成功验证了AI解决基础科学难题的潜力，当前研究正拓展至材料科学（如室温超导体、更优电 池）、核聚变及量子计算等领域。 AI在数学等领域的表现存在"锯齿状智能"现象 ：尽管能在国际数学奥林匹克竞赛中获奖，但在简单逻辑题上仍可能出错，反映出系统在 一致性与可靠推理方面的不足，需提升其自我反思与验证能力。 当前模型依赖人类知识，未来需实现自主学习 ：现有大模型基于互联网知识进行压缩与泛化，类似于AlphaGo；下一步目标是实现类似 Al ...

（原标题：白春礼：国际竞争加速向基础前沿前移，企业创新角色正在升级） 南方财经21世纪经济报道记者郑青亭、实习生王馨梓 北京报道 面向"十五五"时期加快高水平科技自立自强、发展新质生产力的战略目标，白春礼提出四项核心建议： 第一，把企业基础研究纳入国家战略任务体系，形成稳定牵引和长期安排。围绕国家重大战略需求和未 来产业制高点，建立企业参与基础研究的任务清单和组织机制，支持领军企业牵头组建跨领域联合团队 进行长周期攻关。 12月18日，《财经》年会2026：预测与战略暨2025全球财富管理论坛在北京拉开帷幕。中国科学院院 士、中国科学院原院长白春礼在演讲中表示，随着科学与技术边界加速融合，产业迭代周期显著缩短， 技术路线快速演进，国际竞争明显前移，基础研究越来越成为产业竞争的"先手棋"，越来越成为国家竞 争力的"源头工程"。 白春礼指出，基础研究是国家竞争力的源头，而企业基础研究则决定了产业优势的长久性。当前，国际 竞争加速向基础前沿前移，科技创新与产业创新的边界日益模糊，企业在国家创新体系中的角色正从技 术的"应用者"升级为科学的"创造者"。 他援引历史与当代案例予以说明：从贝尔实验室的晶体管发明引爆信息产 ...

在"十四五"规划收官、"十五五"规划谋篇布局的关键节点，如何以科技创新引领高质量发展，成为中国经济迈向下一个五年的核心命题。在近日于北京举行 的"国是论坛：2025年会"上，工业和信息化部原副部长、工业和信息化部电子科技委主任王江平围绕"AI科学发现转化为生产力的问题与对策"发表主旨演 讲，直指当前人工智能与产业融合中的关键堵点，为中国在AI时代实现高水平科技自立自强提供了系统性思考。 王江平指出，随着人工智能深度参与科学研究，AI科学发现正成为继实验科学、理论科学、计算科学和数据密集型科学之后的"第五范式"。在蛋白质结构预 测、新材料发现、药物研发等领域，AI已经显著缩短了科学发现周期，极大拓展了人类认知边界。以AlphaFold为代表的突破性成果，使人工智能研究者首 次走上诺贝尔奖领奖台，标志着AI for Science进入加速发展阶段。 然而，在成果数量呈指数级增长的同时，AI科学发现向现实生产力转化却遭遇严峻挑战。王江平形象地将这一结构性矛盾比喻为"堰塞湖"：一方面，AI模型 每天可以产生成千上万的预测结果;另一方面，人类实验验证能力和产业化能力却只能线性增长，远远无法消化这些成果。以新材料研究为例 ...

科学智能技术演进与谷歌DeepMind引领作用 - 谷歌DeepMind凭借以TPU为核心的AI算力基础设施和以Gemini为基础的大模型底座，持续深耕科学智能技术超过十年，引领全球技术演进[4] - AlphaFold标志着蛋白质结构预测问题的实质性解决，不仅斩获2024年诺贝尔化学奖，更成为现代生物学的数字基础设施[4] - AlphaProteo推动生物学研究正式跨入生成式生物学时代，结合AlphaMissense精准预测基因突变致病性，打通"靶点发现—结构解析—药物设计"全链路[4] - WeatherNext 2模型在99.9%的预测变量与时间跨度上准确率均优于欧洲中期天气预报中心的HRES系统，且推理速度提升了数个数量级[5] - GNoME预测了数百万种稳定的新材料结构，规模相当于人类过去几十年实验发现总和的数倍，为电池技术与超导材料研发提供庞大候选库[5] - AlphaEvolve引入进化计算范式，自动搜索发现更高效的机器学习算法与损失函数，实现从"人工设计"到"自动发现"的元层级跨越[6] 生物学领域科学智能突破 - 谷歌和耶鲁大学联合发布270亿参数单细胞分析基础模型C2S-Scale，生成关于癌细胞行为的全新假设并在体外实验中得到验证[8] - 微软BioEmu模型在蛋白质动力学模拟方面实现高达10万倍的模拟速度提升，中科院团队提出整合结构和进化约束的反向折叠蛋白质预测模型[9] - 谷歌通过10年持续研发构建了从基因测序、读取到疾病基因检测和诊断的AI基因组学研究和应用体系[9] - 腾讯DeepGEM病理大模型只需常规病例切片图像即可在1分钟内完成肺癌基因突变预测，精准度达78%至99%[10] - 谷歌发布DeepSomatic工具集用于肿瘤细胞基因变异识别，适用于白血病、乳腺癌、肺癌等癌症类型[10] - AI优化候选药物MTS-004已完成III期临床研究，成为国内首款完成III期临床的AI赋能制剂新药，突破过去几年AI驱动药物发现鲜有突破临床II期的瓶颈[10] 多学科科学智能应用拓展 - Periodic Labs开展新型超导材料等AI自动化发现，CuspAI获1亿美元A轮融资研发AI平台用于发现碳捕获新材料[11] - DeepMind飓风AI模型成功预测"梅利莎"等超强飓风路径和强度变化，黑洞理论物理学家利用GPT-5在半小时内推导出黑洞理论新特性[11] - 数学研究人员利用GPT5探索解决历史数学难题埃尔德什难题，英伟达开源模型系统GenCluster获得IOI 2025竞赛金奖[12] - OpenAI内部模型、Gemini Deep Think和DeepSeek Math-V2等大模型不断刷新AI在奥林匹克数学竞赛的金奖成绩[12] 科学智能科研范式重构 - 通用基础大模型成为科学智能的"操作系统"，提供强大理解、推理、分析及生成能力，帮助科研人员大幅提升日常科研效率[14] - 科研专用大模型作为垂直科研领域的"专用引擎"，融合特定领域相关知识以及研究方法与经验，谷歌在此方面综合实力处于全球领先[14] - AI智能体从被动工具转变为科学家的合作者甚至主动发现者，ToolUniverse平台包含超过600个科学工具并兼容主流基础大模型[15] - AlphaEvolve是具有编码能力的进化型AI智能体，可进行数学和计算通用算法的主动发现和自动化优化，已应用于谷歌内部实际场景[15] 自主实验室平台化发展 - MIT等美国多家科研高校和国家实验室已建成自主实验室，英国利物浦大学的材料创新工厂是欧洲最先进的自主实验室之一[16] - 美国《创世使命》计划将科研算力、AI基础模型、数据集及自主实验室体系集成为科学与安全平台，作为科研智能基础设施[16] - 晶泰科技的AI+机器人平台已成为核心竞争力，中科院"ChemBrain智能体+ChemBody机器人"和北京科学智能研究院Uni-Lab-OS加速推动国内自主实验室研发[17] - 磐石·科学基础大模型实现对数据和模型等资源的管理及科研工具调度，已在生命科学、高能物理和力学研究领域进行应用[17]

AlphaFold的技术突破与行业影响 - 谷歌DeepMind的AlphaFold 2在2020年以惊人精度预测蛋白质三维结构，解决了困扰科学家十年的精卵结合分子机制问题，在几分钟内预测出关键精子蛋白Tmem81的结构[8][9] - 自2021年相关论文在《自然》杂志发表以来，AlphaFold已被引用近4万次，其热度持续上升，未出现断崖式下跌[13][15] - AlphaFold的代码已开源，并与欧洲生物信息学研究所合作建立免费数据库，该数据库包含超过2.4亿个预测结构，几乎涵盖所有已知蛋白质[15][17] 科学研究的普及与效率提升 - AlphaFold数据库已吸引全球190个国家的330万名研究人员使用，其中超过100万用户来自中国、印度等中低收入国家，促进了科学资源的平等获取[17][20] - 使用AlphaFold的研究人员向蛋白质数据库提交的实验结构数量，比未使用该工具的同行多出约50%，表明AI工具显著提升了科研产出效率[24] - AI预测结构帮助科学家更易解读X射线晶体学或冷冻电镜的原始数据，形成了实验数据训练AI、AI反哺实验的良性循环，加速了科学发现[26][27] 行业地位与认可 - AlphaFold已被誉为结构生物学的“第二次降临”，其影响巨大，从令人感兴趣的工具发展为具有统治力的科研基础设施[11][28] - 2024年，AlphaFold的缔造者德米斯·哈萨比斯和约翰·詹珀分享了诺贝尔化学奖的一半殊荣，这是对该工具诞生仅五年就取得重大突破的光速认可[21] - AlphaFold已深度融入科研工作，像移液枪和显微镜一样成为科研基础工具，广泛应用于论文致谢、药物设计和对生命奥秘的探索中[28][29]

AlphaFold发展历程与影响 - 自2020年AlphaFold2公开以来，迅速成为结构生物化学领域的坚实基座，并陆续推出AlphaFold Multimer和速度最快的AlphaFold 3 [8] - 初代AlphaFold在第13届CASP中崭露头角，成功预测43个蛋白质中的25个，但预测质量不足以实际应用 [24] - AlphaFold 2在CASP 14竞赛中取得突破性进展，准确性均分从60+提升至92.4，解决了困扰学界50余年的蛋白质折叠问题 [30] AlphaFold技术演进 - 从最初单纯蛋白质结构预测，发展到能处理更复杂的多分子复合体及更广范围生物分子交互 [8] - 技术路线从"机器学习+统计信息"转向利用Transformer架构重构，并融入生物学专业知识 [26] - 下一步发展方向是与更广泛的AI大模型结合，提升到能读懂科学文献数据、进行科学推理的程度 [16] AlphaFold科研应用成果 - 已帮助全球300多万研究人员预测数亿种蛋白质三维结构，影响超50万篇相关论文 [3] - 密苏里大学团队利用AlphaFold揭开坏胆固醇LDL的原子级三维结构，研究成果刊登《Nature》 [9] - 在蜜蜂抗病性研究中，研究人员借助AlphaFold在两天内完成过去需数年的工作，解密关键蛋白Vitellogenin的结构 [13] AlphaFold行业地位与认可 - 被评价为继量子力学和分子生物学革命后，生命科学的又一次重大跃迁 [3] - 诺奖组委会认为AlphaFold在结构生物化学领域引发革命，为设计新蛋白质开辟全新可能性 [32] - 开发团队负责人John Jumper成为首位80后诺贝尔化学奖得主，标志着生物化学领域正式向AI智能发展 [19][30]

AlphaFold的发展历程与现状 - 由谷歌DeepMind开发，能精确预测蛋白质三维结构的AI科研工具[8]，利用序列和结构数据库中的大量实验数据训练网络以发现氨基酸序列间的关联和模式[9] - 自2020年AlphaFold2首次公开后，迅速成为结构生物化学领域的坚实基座，并陆续推出可预测多个蛋白质结构的AlphaFold Multimer以及迄今速度最快的AlphaFold 3[12] - 从最初的蛋白质结构预测，发展到能处理更复杂的多分子复合体及更广范围的生物分子交互[13]，已帮助全球超过300万研究人员预测了数亿种蛋白质结构，影响了超过50万篇相关论文[3] - 标志着生命科学继量子力学和分子生物学革命后的又一次重大跃迁[4]，并已在科研中实现工具化，成为当代实验设计的重要组成部分[23] AlphaFold的具体科研应用与突破 - 在心血管疾病研究方面，帮助密苏里大学团队揭示了坏胆固醇（LDL）核心蛋白ApoB100的原子级笼状结构，为治疗提供了理论依据，成果发表于《Nature》[14][15][17] - 在生态保护领域，帮助研究人员在两天内解密了与蜜蜂免疫力相关的关键蛋白Vitellogenin（Vg）的近原子级结构，完成了过去需数年的工作，对濒危种群保护起到关键作用[18][20] - 展现出非常规应用潜力，如被用于预测蛋白质合成设计的成功率，或作为搜索引擎在成千上万个候选蛋白中筛选最可能与目标蛋白结合的蛋白[21][22][23] AlphaFold的未来发展方向 - 核心开发者John Jumper公开表示，下一步是与大模型融合[1][26]，目标是使AlphaFold在预测结构之外，还能读懂科学文献数据、进行科学推理、提出假设、设计实验流程甚至自动生成研究思路[26][27] - 未来将能更好地帮助理解更复杂的多分子多功能系统，例如蛋白之间、核酸（DNA/RNA）之间的相互作用等生物过程[27] - 技术思路可能与谷歌面向数学和计算机科学领域的AlphaEvolve系统类似，即使用一个大模型生成解决方案，再用第二个模型检查并过滤错误信息[28][29] AlphaFold的核心开发团队与关键突破 - 由DeepMind创始人兼CEO哈萨比斯和首位"80后"诺贝尔化学奖得主John Jumper领导开发[30][32]，Jumper拥有数学、物理及理论化学背景，其博士论文即研究将机器学习应用于蛋白质动力学[33][34] - 初代AlphaFold在第13届CASP中崭露头角，成功预测43个蛋白质中的25个，证明了"机器学习+统计信息"推断蛋白质结构的可行性，但预测质量尚不足以实际应用[41][42] - 关键突破在于采用Transformer架构重构出AlphaFold 2，其预测结构精度达到1.5埃（约一个原子宽度），并在CASP 14竞赛中将准确性均分从60多分提升至92.4分（此前其他方法约40分），成功解决了困扰学界50余年的蛋白质折叠问题[44][48][50][52][53][54]

AlphaFold的技术突破 - 解决了困扰人类50年的蛋白质结构预测难题，仅凭氨基酸序列即可在几分钟内计算出蛋白质的精确3D空间结构[4] - 预测结果与实验图像高度吻合，在CASP14竞赛中表现突出，标志着结构生物学研究范式的根本转变[4] - AlphaFold 3进一步实现了从单一蛋白质结构预测到生命体系建模的跨越，能同时模拟蛋白质、DNA、RNA和小分子配体之间的相互作用[21] 工具的普及性与可及性 - AlphaFold数据库已免费开放，包含超过2亿条结构预测，传统实验方法完成同等数量需数百万年[5] - 全球约330万研究者使用该工具，用户遍布190多个国家，其中超过100万来自中低收入地区[6] - 工具的免费和易用性显著降低了科研门槛，使非顶尖实验室的研究人员也能进行原子级结构研究[9] 科研效率与产出的提升 - 使用AlphaFold的研究者提交的新型蛋白质结构数量比对照组高出约40%，实验结构提交量高出约50%[16][17] - 具体案例显示，土耳其本科生借助该工具完成了15篇膜蛋白结构研究，将原本需数年的项目压缩为高效计算任务[1][9][11] - 在斑马鱼卵子蛋白Bouncer的研究中，模型快速预测出关键相互作用蛋白Tmem81，加速了“精子识别卵子”机制的解析[11][13] 应用领域的扩展与转化价值 - 在基础研究领域，成功解析了与动脉粥样硬化相关的apoB100蛋白和肿瘤相关蛋白p53等复杂结构[14][16] - 在药物研发中，AlphaFold 3的原子级全景视图被直接集成到设计流程，用于候选药物筛选和靶点相互作用分析[21] - 在农业和生物技术领域，工具被用于解析蜜蜂免疫蛋白Vitellogenin、植物环境感知蛋白等，将多年研究压缩至几周[23][25] 行业影响与趋势变化 - 结构生物学从依赖昂贵设备的“验证区”转向数据驱动的“探索区”，研究重点向更复杂、高风险的课题偏移[16][17] - AlphaFold相关研究被临床论文引用的概率是传统结构生物学工作的两倍，专利引用率也显著更高[20] - 工具持续被新项目复用，其2021年核心论文引用曲线未出现常规下滑，显示出长期生产力工具特征[17][20]

公司AI生态优势 - 构建从芯片（TPU v7p）到模型（Gemini 3.0）再到应用（搜索、Waymo）的全栈式自给自足AI生态闭环 [1] - 云端大规模自研TPU及配套软件生态，带动云业务增速及份额提升，广告业务在Gemini赋能下具备变现弹性 [1] - 全栈式生态正转化为财务回报：TPU部署降低推理成本，搜索市场份额企稳回升，充沛广告现金流支持高强度资本开支 [1] 自研芯片与算力优势 - 自研芯片TPU v7p的FP8算力高达4.5PF，直接对标英伟达B300芯片，通过光学电路交换实现单集群可拓展至9216 pod互联 [2] - 谷歌早在2016年启动TPU部署，目前正推动TPU部署至第三方云服务商，采用按用量分成模式，有望开辟新增长空间 [2] - 竞争对手Anthropic计划在2026年启用100万颗TPU，OpenAI也开始采用TPU，谷歌依托TensorFlow等框架构建的软硬一体生态具备与英伟达CUDA竞争潜力 [2] 云业务表现 - 第三季度谷歌云收入达152亿美元，同比增长34%，增速在主要云服务商中仅次于Azure的40%，高于AWS的20%和甲骨文的28% [3] - 云业务市场份额从上年同期的18.6%提升至19.3% [3] 核心业务与用户基础 - Gemini 3.0在多项基准测试中领先，月活用户达6.5亿，Chrome浏览器加速Gemini功能融入，AI Overviews功能已服务超20亿用户 [5] - 9月和10月，谷歌搜索市占率已回升至90%以上，搜索和广告业务为AI发展提供稳定现金流和庞大用户流量基础 [5][8] - 广告业务具备较强商业化变现弹性，能为持续资本支出投入提供充足资金支持 [8] 多元化AI布局 - Waymo自动驾驶车队超2500台车辆，周订单量超30万次，代表全球自动驾驶和物理AI先进水平 [9] - AlphaFold项目在蛋白质结构预测领域取得突破性进展，正在重塑AI药物研发领域 [9] - 基于全生态建设，预计2025年营收将达到4051.69亿美元，净利润预期上调至1315.13亿美元 [9] 财务目标与估值 - 目标价上调至380美元，较当前股价有超过18%上涨空间，对应2026年30倍市盈率 [1][10]