核心观点总结 - AI加速“设计—验证”循环，研发量扩增带来上游铲子层重估机遇 [7] - AI4S是模型下一次范式创新的关键试验场，制药领域存在高价值场景 [7] - 当前AI制药产业趋势体现为上游早研需求扩张，基因合成、蛋白及抗体表达等“卖铲型”基础设施率先受益 [8] - AI越会设计，实验室反而越忙，生成靶点和分子的边际成本下降但验证需求增加 [9] - 正向循环依赖优质验证数据，形成“更多设计—更多实验—更多数据—更优模型—更多设计”的循环 [9] - 上游Infra基础设施具备需求兑现早、订单可观测性强，数据质量与工程化交付能力构成长期价值 [9] AI4S：模型下一次范式创新的关键场 - AI4S核心目标是服务于科学规律发现与研发效率提升，利用AI从海量数据识别规律，嵌入“提出假设—计算筛选—实验验证—数据反馈”闭环 [10] - 人类科研范式经历经验、理论、计算、数据驱动到AI4S第五科学范式的演进 [10] - AI4S应用领域横跨生命科学、化学、材料科学与物理学等，本质是将实验驱动转化为“计算+数据驱动”范式 [13] - 全球科学智能市场预计从2020年378亿美元增长至2035年近5万亿美元，15年增长超130倍，2025-2030年复合增长率60.5% [18] - 中国AI4S市场预计从2020年98亿美元增长至约1.8万亿美元 [18] - 生命科学与高端制造是绝对双引擎，生命科学受益于AI驱动药物与基因研发 [18] - 全球药物研发支出预计2030年达近4000亿美元，材料科学研发支出预计达近1800亿美元 [20] - “十五五”规划强调全社会研发经费投入年均增长7%以上，推动基础研究投入占比提升 [22] - AI4S能力成熟度分为L1单场景加速、L2单领域泛化、L3单领域闭环、L4跨领域涌现、L5通用科学智能五级 [29] - AI4S全面爆发成熟节点预计在2030至2035年间，当前处于早期播种阶段 [30] - 部分领先行业基本达到L3“单领域闭环”阶段，AI能在特定领域实现完整科研闭环 [31] - 生命科学等少数领域向L3演进，需在数据、模型能力、算力基础设施及自动化实验平台四大环节突破 [31] - 之前AI4S落地难因数据层样本匮乏，包括正负样本失衡、标准化要求高、数据孤岛问题 [34] - 模型层能力不足，GPQA基准GPT-4仅得分39%，低于专家基线70% [38] - 当前模型能力突破，OpenAI GPQA得分两年间从39%跃升至92%，大幅超越70%专家基线 [39] - Anthropic Claude Opus 4.5在生命科学任务显著进步，Mythos5/Fable5将药物设计效率提升约10倍 [41] - 自主实验室成为研究新范式，2025年初《Nature》将其列为全球七大突破性技术 [42] - 模型、数据与算力构成AI4S“数字大脑”，自动化实验系统构成“物理身体”，二者协同形成完整闭环 [47] - 行业核心竞争要素是数据与闭环体系，高质量科学数据具有强专属性与不可复制性 [51] - AI4S验证能力将模型输出通过实验验证并反馈迭代，闭环效率决定技术进步速度 [51] - 行业know-how需结合领域知识进行建模与约束，具备深厚行业理解的团队具有优势 [51] AlphaFold复盘 - AlphaFold前全球实验解析蛋白结构约18.5万条，AlphaFold在2022年一次性公布超2亿个预测结构，规模扩大约三个数量级 [53] - 引入高置信度AlphaFold预测后，人类蛋白组三维结构覆盖率由约48%提升至76%，“暗蛋白质组”占比由26%下降至10% [54] - AlphaFold核心价值是扩大“可研究靶点”数量，降低结构信息获取门槛 [57] - AlphaFold推动“量增”体现在：预测结构数量增加→可评估靶点增加→虚拟筛选项目增加→需实验验证的靶点与候选分子增加 [57] - 在CASP14中AlphaFold2以244分显著领先第二名团队的92分 [60] - AlphaFold 3可高效生成蛋白-配体结合姿势、蛋白-核酸复合物等初始模型，降低早期探索不确定性和试错成本 [62] - AlphaFold 3代表模型能力从预测单一科学对象走向统一建模多类分子及其相互作用 [65] - AlphaFold验证了“数字供给爆发—研发入口扩容—瓶颈向实验验证端迁移”的逻辑 [67] 制药领域：多痛点、高容量、数据可验证 - 行业研发生产力持续低迷，2010~2015年12家世界大型制药公司IRR在5年内下降约6个百分点 [69] - “双十困境”指新药研发需十年以上、投入十亿美元，成功率仅1% [72] - 美国医疗市场约18%的GDP支出为AI新药研发创造广阔市场 [79] - AI赋能制药主要切入临床前药物发现阶段，提升预测能力与筛选效率，降低无效试错成本 [81] - AI驱动的药物设计能将传统新药上市时间从约13年压缩到8年 [83] - AI设计药物现金流曲线左移，逆转行业回报率衰减趋势 [85] - AI对药物发现赋能自上而下呈漏斗型递进，早研产业链率先受益 [88] - 创新链从生命科学服务到CXO到创新药一脉相承，2023年CXO外包率达49.2% [90] - 当前AI主要在临床前药物发现阶段，整体仍在传导早期，上游早研产业链最先受益 [93] - AI加速早研阶段“设计—构建—测试—学习”循环，模型生成候选分子速度越快，需合成测试验证的分子越多 [93] - 北美明显加速布局，OpenAI招聘生命科学FDE，Anthropic推出Claude Science，Google推出Gemini for Science [94] - 生命科学模型预训练数据接近9万亿个核苷酸，AWS Amazon Bio Discovery生成近30万个抗体候选 [96] - 基因合成、蛋白表达、抗体开发及检测验证是必经环节，具备高通量交付能力的“卖铲人”有望率先承接增量需求 [97] 玩家对比：中美玩家当前进展 - 美国“创世纪计划”整合17个国家实验室、超算及联邦科研数据至统一平台，定向攻坚六大战略前沿 [99] - 中国“人工智能+”行动重点是“打造高质量科学数据集”和“培育典型应用场景” [99] - 美国AI4S由科技巨头主导，中国企业扎根垂直场景，从具体研发痛点切入 [99] - 北美前沿模型主要打法从平台入口形态做起，卡位AI4S领域操作系统和流量入口 [102] - 通用大语言模型在生命科学领域存在三重结构性短板：难以理解生物数据特殊结构、生物学现象无法简单套用tokenization规则、大量未知缺失值 [102] - 模型公司倾向于先做扁平化平台面板，积累垂类工作流，需要垂类玩家赋能数据反馈 [103] - 谷歌先发优势明显，AlphaFold 3大幅降低获得生物分子复合物结构假设的成本 [105] - Anthropic极致工程化迁移到AI4S，2026年2月与Allen Institute、HHMI合作，4月收购Coefficient Bio准备内部建湿实验室 [108] - 中国垂类玩家包括晶泰科技、英矽智能、剂泰科技、百图生科、天鹜科技、分子之心、智峪生科、百圆赛图、深势科技、深度原理、镁伽科技等 [101]