核心观点 报告认为，人工智能正迎来技术进步与场景落地的双重变革，是当前明确的投资主线，同时“十五五”规划定调的未来产业，如商业航天、脑机接口和量子计算，是新质生产力的核心赛道，具备广阔的市场空间和战略价值 [1][6] 一、人工智能迎来技术进化与场景落地双重变革 1.1 大模型持续迭代，商业化落地可期 - **技术趋于成熟，市场进入结构性放量周期**：2025年，中国AI大模型产品形态进入成熟期，成为市场爆发的直接推动力，低成本、高性能的技术基础为MaaS和企业大模型的广泛应用创造了可持续的商业化环境 [2] 多模态模型的快速迭代将AI应用扩展至图像、视频、语音等复合场景，提升了商业化潜力 [2] 企业对AI价值的认知日益成熟，需求从概念验证进入规模化生产阶段，带动MaaS平台和AI大模型解决方案市场进入“结构性放量”周期 [2] - **市场规模高速增长**：全球在AI领域的IT总投资规模预计从2024年的3159亿美元增长到2029年的12619亿美元，年均复合增长率高达31.9% [20] 中国人工智能市场规模由2022年的937亿元增长至2024年的1607亿元，年均复合增长率为31% [20] 预计到2030年，中国人工智能市场规模将增长至9930亿元，2024-2030年的年均复合增长率为35.5% [20] - **商业化模式清晰，构建价值闭环**：大模型产业正从规模化扩张迈向体系化商业落地新阶段 [25] 主流厂商确立了以API调用、模型授权、行业解决方案与增值服务为核心的四种演进路线 [25] API调用成为最主流的商业化模式，实现“按调用付费+订阅制”的持续收益 [25] 1.2 AI应用加速落地，开启万亿市场空间 - **技术向Agentic AI和Physical AI演进**：AI技术正从Generative AI向具备自主完成任务链条能力的Agentic AI和打破虚拟与现实界限的Physical AI迈进，推动AI从“能理解”、“能生成”向“能认知”跨越 [27][30] - **ToB端：AI Agent成为重要落地形式**：AI Agent已在客服、代码开发、营销、数据分析、金融服务等多行业、多场景实现服务落地，并加速从通用型向垂直领域专业化发展 [2] - **ToC端：依托互联网生态快速获客**：截至2025年12月，豆包大模型日均使用量已突破50万亿tokens，排名中国第一、全球第三 [2] 阿里启动AI to c计划，千问上线23天月活数据已超过3000万 [2] - **垂直行业应用深化**： - **AI+医疗**：在药物研发中快速渗透，应用场景覆盖超过10个领域，运用AI加速药物开发、节约成本已成为重要趋势 [35] - **AI+金融**：重塑金融服务新范式，在智能风控、智能投顾、智能客服、合规监控、智能催收等场景实现应用，提升效率并降低成本 [37] - **AI+电商**：借助大模型技术赋能客服、主播、工具等模块，影响流量逻辑、用户体验和行业效率 [40] - **AI+教育**：实现即时辅助与长远促进，通过多样化AI产品响应个性化学习需求，并改变学习习惯以达到长期能力提升 [44] 二、“十五五”定调未来产业，新质生产力核心赛道 2.1 政策赋能商业航天，低轨星座加速组网 - **频轨资源稀缺，全球竞争激烈**：低轨轨道与频谱是不可再生的稀缺战略资源，卫星频轨采取“先申请先获得”原则 [47] 地球近地轨道可容纳约6万颗卫星，而低轨卫星主要采用的Ku及Ka通信频段资源逐渐趋于饱和 [47] 预计到2029年，美国卫星占比约88%，中国约3% [54] - **中国积极布局，市场空间广阔**：近期，中国向国际电信联盟提交新增20.3万颗卫星的频率与轨道资源申请 [3] 据测算，2026/2030年GW和千帆星座的制造和发射市场空间分别约为268/1279亿元，2025-2030年的年均复合增长率为48.1% [3] 中国星网牵头的GW星座计划由1.3万颗卫星组成，千帆星座计划到2030年底实现1.5万颗星组网 [49] - **美国持续领跑，发射活动活跃**：2025年全年，全球共进行323次航天发射，入轨航天器4508颗；其中美国发射193次，入轨航天器4024颗；中国发射92次，入轨航天器377颗 [54] 2.2 从科幻走向现实，脑机接口持续取得临床突破 - **政策上升至国家战略**：“十五五”规划将脑机接口列为未来产业六大方向之一 [3][58] 七部门联合发布实施意见，提出到2027年关键技术取得突破，产业规模不断壮大 [55] - **临床技术取得重大突破**：2025年6月，阶梯医疗成功开展中国首例侵入式脑机接口临床试验，标志着中国成为全球第二个进入该领域临床试验阶段的国家 [3][70] 2025年11月，相关产品正式进入“创新医疗器械特别审查程序”，打通注册审批快车道 [3] - **全球市场规模持续增长**：全球脑机接口市场规模由2019年的12亿美元增长至2023年近20亿美元，2019-2023年复合增长率超13% [75] 据麦肯锡测算，全球脑机接口在医疗应用领域的市场规模2030年有望达到400亿美元，到2040年突破1450亿美元 [75] 2023年中国脑机接口行业市场规模为17.3亿元，占全球比重12.5% [75][76] 2.3 量子计算进展加速，颠覆经典算力的万亿赛道 - **全球战略竞争焦点**：量子计算是重塑全球科技竞争格局的颠覆性核心技术，主要科技强国均通过国家战略与资本投入展开角逐 [78] 例如，美国通过《国家量子倡议法案》7年累计投资达60.78亿美元 [78] - **中国产业布局形成，国产化取得进展**：在国家战略引领下，中国已形成千帆竞发的产业布局 [3] 国产化率超80%的“本源悟空”自主超导量子计算机标志着自主产业链基本成型 [3] 安徽合肥聚焦量子芯片等硬件，北京、上海聚焦操作系统与应用软件生态 [3] - **多技术路线并行，应用前景广阔**：全球量子计算整机企业涉及超导、离子阱、光量子等多种技术路线，其中超导路线企业数量最多，约占三分之一 [80] 据麦肯锡预计，到2035年全球量子技术市场规模将达到970亿美元，其中量子计算最具潜力 [87] 三、相关上市公司 报告建议关注以下领域的相关公司 [4][91]： - **AI相关**：重视落地场景明确与具备高行业know-how的公司，如金山办公、汉得信息、科大讯飞等，以及相关基础设施与服务企业，如浪潮信息、云天励飞等 - **商业航天**：卫星互联网加速建设，建议关注中科星图、信科移动、震有科技等 - **脑机接口**：临床与电极持续取得突破，建议关注岩山科技、熵基科技等，同时关注博睿康、阶梯医疗等未上市企业进展 - **量子科技**：正式成为国家战略的重要落子，建议关注国盾量子、光迅科技、神州信息等，以及抗量子密码相关的电科网安、格尔软件等

文章核心观点 - 在生成式科学智能浪潮中，生物基石模型是备受关注的“皇冠上的明珠”，其核心价值在于挖掘“生命语法”[1][2] - IntelliGen AI发布的IntelliFold 2模型在关键性能指标上全面超越了行业标杆AlphaFold 3，并在抗体-抗原相互作用、蛋白-配体共折叠等关键任务上树立了新的行业性能标杆[4][7][8] - IntelliFold 2的成功源于对信息表征能力和硬件计算特性的重新思考，通过四大技术创新实现了高效能与多功能的全面突破，而非依赖单纯的数据堆砌或算力堆叠[10][11][15] - 该模型通过灵活的架构设计，实现了从可控预测到应用问题解决的领先实践，特别是在亲和力预测和别构靶点捕捉等药物研发关键环节展现出巨大应用潜力[16][17] - IntelliFold 2的发布及其开源举措，是在生成式科学智能领域，尤其是生命科学方向，来自中国科技力量的一次令人振奋的“Answer ball”，表明新兴团队在该全球竞赛中仍有机会取得领先[24][25] 行业背景与竞争格局 - 生物基石模型借助Transformer等GenAI架构挖掘“生命语法”，DeepMind的AlphaFold系列是开创性突破，AlphaFold 3成为行业典范[1][2] - 全球涌现出Chai Discovery、Boltz、OpenFold等一批寻求突破的代表性成果，明星团队、大额融资及大厂并购消息频出，市场热度持续上涨[2] - 截至2025年底，仍鲜有新发模型真正做到与AlphaFold 3匹敌[2] - 生物基石模型的进一步普及应用面临高性能、高可用的需求端真实考验，受限于开源程度、效能上限、部署便利性等因素[2] - 在生成式科学智能的生命科学方向，北美市场后AlphaFold 3时代模型探索百花齐放，但全球其他地区可直接对比的基模成果不多见[25] - 受限于高算力消耗和复合人才需求，大中华地区更多是Biomap、百度、字节跳动等互联网大厂背景团队在持续参与[25] IntelliFold 2模型的核心突破与性能表现 - IntelliFold 2是继2025年7月首版发布后的重大升级，实现了高效能与多功能的全面突破[4] - 在FoldBench基准测试中给出了超越AlphaFold 3主要指标的优秀表现[4] - **抗体-抗原相互作用**：以DockQ > 0.23为成功标准，IntelliFold 2-Pro达到58.2%的成功率（v2模型5次运行平均值，最高达63%），显著超越AlphaFold 3的47.9%，提升逾10个百分点[13] - **蛋白质-配体共折叠**：IntelliFold 2-Pro以67.7%的成功率击败AlphaFold 3（64.9%）及Boltz等其他主流模型[13] - 模型通过v2-Flash、v2和v2-Pro三个版本，精准覆盖从学术微调到工业落地的多元需求，并已正式开源v2-Flash与v2两个版本[9] - v2版本作为目前精度最高的开源模型之一，将大幅降低高性能生物计算的门槛[9] 技术创新与研发范式 - **Scaling Law在生物计算的验证**：通过Latent Space Scaling技术扩展PairFormer模块特征维度，增强表征能力的同时大幅优化计算效率，将GPU计算利用率（MFU）从5%提升至30%[14] - **原子级别的精细感知**：引入随机原子级Tokenization，让模型学会捕捉细粒度的原子接触模式，弥补宏观表征在局部细节上的缺失，这是在抗体预测任务中领先的关键[14] - **强化学习引导的采样优化**：引入基于PPO算法的强化学习优化扩散模型，有效校正采样轨迹偏移，减少不准确结构生成，提供可靠的工业级预测结果[19] - **难度感知的损失函数**：针对高难度区域采用动态调整权重的损失函数，引导模型专注于长尾困难区域，改善训练收敛稳定性，提升处理复杂多链复合物时的稳定性[19] - 技术迭代体现了生成式科学的新研发范式，结合对领域科学和模型的综合深入理解，遵循智能涌现的底层逻辑，而非单纯堆砌算力、参数量或机械迁移跨领域经验[15] 应用拓展与工业价值 - 通过通用基础模型、轻量适配器（LoRA）与任务引导形成闭环推理链路，连接结构预测与诸多功能发现，开创性拓展了结构模型的效能场景与价值链条[16][17] - 架构设计允许领域科学家注入假设、约束和数据，为可控、精准且具有预见性的任务开发打下创新支点[17] - **亲和力预测（小分子）**：在PDBBind数据集性能优于Boltz-2及模型初代版本；在更接近产业真实任务的复杂In-house数据集上，亲和力预测表现（Pearson r = 0.60）显著领先Boltz-2等开源模型（0.38）[18] - 结合特有的别构和表位分析能力，已形成“预测结构→估计结合→指导设计”的完整闭环，在真实案例中帮助合作伙伴在分子筛选任务上实现效率与精度的大幅提升以及高难靶点的突破[18] - **动态捕捉靶点（别构效应）**：构建了“微观原子精度”与“宏观构象一致性”协同的表征体系，通过引入别构数据进行高效微调，习得了解析复杂别构效应的能力[21] - 实现了在真实任务上的别构位点筛选能力，作为其动态靶点预测能力的首个应用案例，帮助合作伙伴实现基于别构结合的候选分子重新筛选，最终以特定靶点高至67%的优秀成功率实现多问题全部命中，并成功转化至后续环节资产开发[23] 未来展望与行业影响 - IntelliFold 2的发布及其模型SOTA表现与开源举措，是一记令人振奋的“Answer ball”，表明围绕生成式科学的全球竞赛中，新兴团队仍然有机会加入竞争甚至取得领先[24][25] - 得益于强大的基石基础模型进展，IntelliGen AI首版针对Binder和抗体的从头设计（De novo design）模型也即将于2026年中适时发布，进而实现预测与生成的统一，加速药物研发与生命科学探索进程[26] - 围绕生物基石模型的全球竞争无疑将更加激烈[27]

文章核心观点 - AI正在全方位重构生命科学，引发医药研发效率的革命，并延伸至手术机械臂、医学影像、数字化诊疗等多个领域，是全新的医疗新质生产力 [3] - AI医疗通过破解生命密码，旨在拓展人类的生命长度与质量，重塑生命极限 [3] 全球AI医疗加速爆发，创新药领跑 - 全球AI医疗市场规模加速扩容，行业呈现三大特征：科技巨头入场、IT与BT深度融合、应用场景从单点走向全面 [3][4][5] - 科技巨头如英伟达、谷歌、微软从底层重构医疗基础设施，例如英伟达的BioNeMo平台和谷歌DeepMind的AlphaFold 3 [3] - 跨国药企与AI初创公司达成巨额合作，例如赛诺菲与Earendil达成250亿美元合作，与Atomwise达成超100亿美元合作，与Dren Bio达成170亿美元合作，与韩国ADEL公司达成104亿美元协议 [5] - 科技公司通过AI大模型切入临床诊疗，例如微软的Dragon Copilot集成进Epic电子病历系统 [5] - 中国创新药出海在2025年表现强劲，交易总额达1356亿美元，首付款70亿美元，交易总数157起，较2024年的519亿美元大幅增长161% [7] - AI创新药针对病种范围广泛，涵盖肿瘤、神经系统退行性疾病、代谢与慢病、自身免疫与炎症、感染性疾病及罕见病六大领域 [7][8] - AI创新药应用空间大，正从早期的靶点发现、化合物筛选向临床试验设计、患者入组筛选等后端环节全产业覆盖 [8] - AI创新药效率高，有望改变传统药物研发“三个十定律”（耗时10年、花费10亿美元、成功率仅10%）的局面 [8] 政策鼓励AI技术应用到医疗领域 - 国家顶层战略设计支持，2025年五部门联合印发《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》，2024年7月《全链条支持创新药发展实施方案》明确提出利用AI等技术赋能药物研发，2025年4月七部门发布《医药工业数智化转型实施方案（2025—2030年）》 [9] - 政策打通创新药从研发到用药的闭环，2025年12月落地的“基本医保+商保”双目录模式建立了“三除外”机制，为高价值AI创新药提供独立支付通道 [10] - 地方政府提供真金白银补贴，例如北京对AI制药平台算力成本给予直接补贴，最高可达实际算力费用的20%，单家企业最高补贴3000万元；上海提供最高500万元模型补贴，算力租金补贴市区协同最高可达100% [11] - 政策鼓励创新药出海，支持本土企业开展国际多中心临床试验，例如上海部分区对取得美国FDA或欧盟EMA注册批件并实现销售的创新药最高给予1000万元支持 [11] 中国领军的AI创新药企业案例 - 英矽智能的全球首款AI设计的特发性肺纤维化药物在2025年完成2a期临床研究并取得积极结果，公司于2026年1月在港交所上市，2025年11月与礼来达成潜在价值超1亿美元的合作 [12] - 晶泰科技旗下AI双抗研发平台Ailux实现了向大分子抗体AI研发的拓展，2025年11月与礼来达成最高总价值345亿美元的合作 [13] - 恒瑞通过自建AI药物设计中心优化ADC药物结构，2025年成功将多款AI辅助研发的ADC创新药授权给默克 [13] AI创新药的科学原理和客观挑战 - AI通过深度学习、生成式模型等技术，将药物发现从实验驱动转向大数据驱动 [16] - AI在三个环节发挥革命性改变：1）利用如AlphaFold等模型高准确性预测蛋白质3D结构，解决“找准锁”（靶点）问题 [17]；2）利用生成式AI进行“药物从头设计”，生成全新分子结构，解决“配钥匙”（先导化合物）问题，跳过传统3-5年筛选期 [18]；3）利用深度学习预测新分子的ADMET性质，早期淘汰90%不合格分子，降低研发失败率 [20] - AI创新药的本质是将生物学问题转化为数学问题，通过构建数字孪生模型在虚拟空间筛选验证，与传统模式（成功率仅0.01%）相比效率极大提升 [21] - AI制药面临三大挑战：1）制药数据质量不高，公开数据库不完整、一致性差 [21]；2）AI模型多为“黑箱”，难以确定因果性，行业正向可解释性AI演进 [22]；3）AI目前主要加速前期发现，药物能否通过临床试验仍需时间检验 [22] 未来AI医疗的四大突破性机遇 第一大机遇：AI制药、创新药 - AI辅助药物发现是医药领域壁垒最高、最具爆发力的应用场景 [25] - AI制药具有万亿级经济空间，有望攻克癌症、阿尔茨海默症等绝症，延长人类寿命，衍生巨大抗衰老与健康管理市场 [26] - AI改变了制药行业的生产逻辑，使其向高效流水线转变 [26] - AI制药供应链分为三个关键环节：算力与算法基建（如晶泰科技、英矽智能、华为）、创新药Biotech企业、CXO研发外包 [27] 第二大机遇：AI精准诊断、医疗影像与基因测序 - AI赋能医疗影像能解决医疗资源不均问题，其阅片准确率已媲美专家，未来设备将集成诊断功能成为智能终端（如联影医疗、迈瑞医疗） [29] - AI重构基因测序，加速流程并提升精度，例如谷歌DeepVariant算法与华大智造平台结合，将复杂区域错检位点数量降至近乎为零 [29] 第三大机遇：AI医疗信息化，超级医疗APP - 医疗信息化正向深度数据价值挖掘转变，AI全面渗透至电子病历整合、个性化健康咨询、医院精细化管理等环节 [30] - AI能推动临床决策智能化，实时辅助医生制定诊疗方案 [30] - 2026年是全球AI医疗商业化落地关键年，OpenAI推出垂类应用，国内互联网大厂（百度、腾讯、阿里）积极布局，例如蚂蚁阿福截至2025年12月月活跃用户突破1500万，单日用户提问量超1000万 [31] 第四大机遇：AI手术机器人，精准医疗 - 手术机器人进入AI时代，例如直觉外科的达芬奇Da Vinci 5(DV5)系统算力是上一代的10000倍，旨在搭载实时AI模型实现术中导航、自动组织识别及智能手术分析 [32] - 强生的Monarch平台实现AI融合，在支气管镜手术中生成虚拟路径引导导管；美敦力收购Digital Surgery公司，专注于手术视频的AI分析 [33] - AI辅助手术机器人能突破人类操作极限，实现微米级操作精度，并作为远程医疗的物理载体，结合5G/6G网络重构医疗服务地理边界 [33]

核心观点 - 谷歌旗下DeepMind公司推出的基因解码工具AlphaGenome，能够破解人类基因中98%的非编码区“暗物质”，准确率高达90%，有望解决药物开发中“发现新分子”这一最具挑战性的问题，完成“最后一块拼图”[1][3] - 行业高管与分析师认为，人工智能在药物研发中的应用已相当普遍，但产生立竿见影的影响或看到投资回报仍需等待一到三年时间[3][4][6] 技术突破与能力 - AlphaGenome可同时对11种不同的基因调控过程进行综合预测，准确捕捉基因深处的复杂互动，并深入分析复杂的基因剪接机制[3] - 该工具目前每天处理超过100万次API调用，用户超过3000人，遍布160个国家/地区[3] - DeepMind的AlphaFold 3模型曾精准预测了98.5%的人类蛋白质结构，包括DNA、RNA、配体等的结构和相互作用[4] 行业应用与影响 - AI解码人类基因意味着未来药物研发的效率将得到极大提升[4] - 咨询公司麦肯锡预测，未来五年，自主型人工智能有望将临床开发效率提升约35%至45%[6] - 包括礼来、阿斯利康、诺华、辉瑞、安进、GSK等制药巨头均已对AI药物发现进行大量投入，以提升新药研发成功率[5] 行业观点与展望 - DeepMind创始人兼CEO戴密斯·哈萨比斯预言：“未来十年，AI将能够治愈所有疾病”[3] - 哈萨比斯表示，将对AI设计的药物进行临床试验[4] - 有行业专家认为，尽管AlphaGenome的研究令人振奋，但很难看到其对药物研发产生立竿见影的影响[4]

公司发展 - 谷歌于2023年4月将DeepMind和谷歌大脑合并为"谷歌DeepMind"，由德米斯·哈萨比斯领导并进入谷歌核心权力层 [1] - 谷歌于2014年斥资4亿英镑收购DeepMind，因谷歌创始人将公司视为人工智能企业且认同其整合全球信息的使命 [9] - DeepMind坚持将总部设在英国伦敦，以挖掘当地人才并推行全球化战略，拒绝迁至硅谷 [9] 技术产品进展 - Gemini模型持续迭代并全面整合进谷歌生态，成为能力顶尖的大模型且用户数快速增长 [1] - AlphaFold 3采用"Pairformer + 扩散模型"架构，可预测蛋白质复合体结构（包括DNA、RNA、配体等），截至2025年5月研究发表于Nature且引用量超4000次 [1] - AlphaFold已解析超过2亿种蛋白质结构并将资源公开，哈萨比斯因该成果于去年年底获得诺贝尔化学奖 [1][10] - DeepMind在2016年开发的人工智能击败世界顶尖围棋选手，2014年展示能自学玩雅达利电子游戏（如Breakout）的AI [8][9] 行业竞争格局 - OpenAI的ChatGPT于2022年发布后改变人工智能格局，其能力覆盖战略规划到写诗，令大型科技公司措手不及 [10] - Meta、亚马逊、苹果、微软等竞争对手正大举投资并挖掘人才，扎克伯格为顶尖研究人员开出1亿美元年薪 [11] - 微软AI从DeepMind挖走20多名工程师，但哈萨比斯认为双方方向不同（商业应用 vs 前沿研究） [11] 人工智能影响与愿景 - 哈萨比斯称AI革命比工业革命大10倍且快10倍，将对社会产生深远影响 [1][16] - 通用人工智能（AGI）可能在5-10年内实现，展现出人类所有认知能力，并带来"极度富足"的世界 [11][12] - AGI可能推动医学进步、室温超导体、核聚变、材料和数学发展，带来惊人生产力与社会繁荣 [12] - AI系统需消耗大量能源，但解决气候问题的回报将远超其能源消耗 [13] - AI可能取代人类工作，但需通过政治手段确保资源公平分配，并重新定义工作意义与目的 [13][14] 技术发展反思 - ChatGPT的成功提醒行业，技术开发者可能因距离过近而低估其潜在用例与用户价值 [10] - 哈萨比斯认为AI需安全负责地部署，人类需适应变革并发挥智慧以减少混乱 [15][16]

生成式科学范式变革 - 生成式人工智能正改变传统以数学原理和实验观测为基础的科学范式 通过海量科学数据训练基石模型实现直接生成结果 达到相对准、绝对快、绝对广的效果 [1] - AlphaFold 2革命性解决蛋白质从序列到结构的预测问题 2023年AlphaFold 3将能力扩展到蛋白质与核酸、小分子、抗体等复杂生物分子相互作用 具备指导药物研发潜力 [1] 行业合作与商业化进展 - Deepmind旗下Isomorphic Labs于2024年初从礼来、诺华获得巨额订单 预付款分别达4500万美元和3750万美元 合作开发多靶点小分子疗法 [2] - 诺华2025年初宣布拓展与Isomorphic Labs合作 增加合作研究数量 体现对其探索未公开靶点药物能力的认可 [2] 公司技术与产品定位 - 探序秩元2024年下半年成立 发布自研基础模型IntelliFold 定位为可控的基础模型 可对多种生物分子进行高精度三维结构预测 [2][4] - 通过轻量级可训练适配器实现别构预测、给定口袋结合预测等特异性能力 帮助完成药物发现等下游复杂任务 [4] 技术性能表现 - IntelliFold在蛋白质单体结构预测、蛋白质-蛋白质界面预测、蛋白质-DNA/RNA界面等关键指标与AlphaFold 3表现相当 [6] - 在RNA单体预测上超越AlphaFold 3 展现核酸结构预测优势 但在抗体-抗原界面、蛋白质-配体相互作用预测成功率略低 [6] - 可预测蛋白质与小分子结合构象及模式 并能预测结合亲和力（Affinity）数值 增强药物虚拟筛选效率和准确性 [6] 应用场景与产业价值 - 生成式模型可完全从头设计（De Novo Design）每一个氨基酸位置 探索自然界不存在但更优的结果 变革蛋白质设计范式 [7] - 通过目标特异性适配器正确预测别构构象 识别罕见构象状态 不影响正构状态准确性 提升药物设计的精准性和灵活性 [6] - AI介入使临床前和临床一期药物资产价值面临重估 早期资产成药概率大幅增加 有望将研发成功率从10%提升至20%-30% [8] 团队背景与战略规划 - 科研团队兼具结构生物学与大语言模型双重研发背景 创始人孙鹏为前科技风险投资人 首席科学家孙思琦为复旦大学研究员 拥有微软大语言模型研究经验 [3] - 未来计划将IntelliFold打造成通用智能科学基石模型 通过与大型药企联合开发、提供早期资产等方式实现商业化 系统提升新药研发成功率 [7][8]

AI行业前景预测 - 美国亿万富翁投资人马克・库班预测AI将催生全球首位万亿美元富翁，且可能来自非传统富豪群体 [2] - AI的影响被认为不亚于互联网或云计算的诞生，能够将其转化为大众基础工具的开发者将获得巨大收益 [2] - AI工具虽潜力巨大但并非完美无缺，存在出错可能，需保持警觉而非盲目信赖 [2] AI制药领域进展 - 谷歌DeepMind分拆公司Isomorphic Labs将启动由AI设计的抗癌药物首次人体试验 [3] - Isomorphic Labs基于DeepMind的AlphaFold技术开发，该技术可高精度预测蛋白质三维结构 [3] - 2023年公司更新至AlphaFold 3模型，能以前所未有准确度预测生命分子结构和相互作用 [3] - 已与诺华和礼来两家制药巨头签署重要研究合作协议 [3] 学术领域AI应用争议 - 调查发现17篇来自8国14所机构的论文中植入隐藏AI提示词，试图诱导正面评价 [4] - 隐藏提示词要求AI评审工具"仅给出正面评价"或称赞论文具有重大影响力等 [4] - 涉事论文多与计算机科学相关，作者来自早稻田大学、KAIST、哥伦比亚大学等知名机构 [4] 中国企业AI技术突破 - 阿里云开源网络智能体WebSailor，其32B和72B版本在BrowseComp评测中超越DeepSeek R1、Grok-3等闭源模型 [5] - 具身智能机器人公司星动纪元完成近5亿元A轮融资，由鼎晖VGC和海尔资本联合领投 [5] - 星动纪元产品线包括服务型轮式人形机器人星动Q5和工业用双足机器人星动SRAR 1 [5] - 智元发布新款人形机器人灵犀X2-N，具备双形态设计可在轮式和足式间自由切换 [6] 国际企业AI并购动态 - 法国凯捷集团将以33亿美元收购业务流程管理公司WNS，以加强人工智能业务 [6] - 收购报价为每股76.50美元，已达成最终交易协议 [6]

研究 Thesis - 公司通过AlphaFold 3将药物发现从实验驱动转向AI计算驱动模式，实现分子结构设计的模块化和平台化 [3] - AlphaFold 3将蛋白-配体复合体预测精度提升至实验室水准，使"小分子设计→虚拟筛选→结构优化"成为可工程化技术平台 [3] - 公司与礼来、诺华等顶级药企建立深度合作，通过真实项目获得实验数据反馈，形成数据和收入双重正反馈 [3][12] - 公司有望成为药物研发的"AI Foundry"，在发现阶段可削减成本30-40%、缩短周期一年以上 [3] - AlphaFold 3引入Diffusion Model，将模型输出结构效果接近实验室水平，减少对先验多序列比对的依赖 [11] 商业模式 - 公司与大药企共同设立新药项目，制药方提供靶点和实验资源，公司投入AlphaFold 3结构预测能力和专家团队 [15] - 合作采用预付款与里程碑支付方式，单个合同价值大，公司可在候选进入临床前获得收入分享 [15] - 主要合作方集中在礼来、诺华等愿意预付大额资金探索AI加速的顶级药企 [16] - 公司扮演"药企的计算加速平台"角色，而非"软件供应商" [16] - 当前模式需要投入大量专家和算力，短期内难以并行启动多条管线，收入来源依赖少数大客户 [16] 产品技术栈 - AlphaFold 3引入Diffusion扩散模型，可直接从氨基酸和配体分子序列输出三维结构 [56] - 模型在多分子体系上的平均RMSD约0.9 Å，关键类别预测精度提升至少50% [56] - 模型可在数小时内完成数十万小分子的复合体构象预测，替代传统分子对接流程 [56] - 生成模型能在约束条件下自动提出新分子backbone，通过多轮迭代产生更佳活性的候选物 [57] - 公司打造计算-实验闭环架构：数字模型产生假说→实验验证→数据返回优化模型 [57] 竞争格局 - 公司在靶点验证、命中物筛选、先导化合物优化和候选药物确定环节具备稳定能力 [31] - 主要竞争对手包括Xaira、Chai、Cradle等，各自侧重不同药物发现阶段 [32][33][34] - 商业模式上，公司采用联合开发模式，而Cradle采用SaaS模式，Profluent采用模型工具输出模式 [38] - 公司最直接的AI-native竞争对手是Chai Discovery，两者在合作深度和场景轻量化上形成分水岭 [39] - Xaira是最有可能落地"full-stack AI+wet lab"闭环的初创之一 [40] 团队 - 团队规模约200人，40%来自计算科学和AI领域，20%拥有结构生物学背景 [41] - 创始人Demis Hassabis延续AlphaFold团队技术路径，总裁Colin Murdoch曾主导AlphaFold商业化落地 [43] - 团队构成以DeepMind技术班底为核心，结合传统生物药研发经验 [43] - 组织方式不同于传统药企，强调"产品化的数据生成能力" [44] - 科学顾问委员会包括四位诺贝尔奖得主，在技术路线和生物安全等关键议题上把关 [52] 融资与合作里程碑 - 2025年3月完成首轮外部融资6亿美元，由Thrive Capital领投，Google Ventures参投 [53] - 2024年1月与礼来和诺华签署多靶点小分子研发合作，总预付款8250万美元，潜在里程碑近29亿美元 [54] - 多家跨国药企已展开付费合作试用其技术，提供真实项目和实验数据评估效用 [54] 展望与结语 - 当前商业模式属于"平台能力授权+定制合作"机制，核心收入来自技术license和里程碑付款 [64] - 模式优势在于不承担临床推进风险、增强模型通用性、保持技术聚焦 [64] - 公司是验证"从AI原理验证→自建管线落地→商业化license"新范式的标杆 [65] - 中短期需面对从算法到候选分子的"生物验证断层"问题 [65]

Demis Hassabis的AI发展历程 - 4岁学棋、7岁编程、16岁考入剑桥计算机科学系、22岁创办游戏公司、30岁攻读认知神经科学博士学位，随后创办DeepMind [1] - 2016年DeepMind开发的AlphaGo以4:1击败围棋世界冠军李世石，展示AI在复杂策略领域的潜力 [4] - 2018年AlphaFold在CASP比赛中夺冠，成功预测蛋白质3D结构，解决生物学界50年难题 [5] - 2024年因AlphaFold技术荣获诺贝尔化学奖 [5][10] Isomorphic Labs的创立与发展 - 2021年创立Isomorphic Labs，专注AI药物研发，依托AlphaFold技术成果 [3][10] - 2024年1月与诺华、礼来达成战略合作，分别获得3750万美元和4500万美元预付款，聚焦小分子疗法研发 [10] - 2024年5月与谷歌DeepMind联合发布AlphaFold 3，可精准解析药物中常见分子的相互作用 [10] - 2025年2月诺华宣布扩大合作范围，新增最多三个研究项目 [11] AlphaFold 3的技术突破 - Evoformer核心模块改进，高效处理分子信息，捕捉分子间复杂相互作用 [13] - 扩散网络生成分子3D结构，迭代优化原子位置，生成精确3D结构 [14] - 覆盖全类别生物分子，包括DNA、RNA、配体等，较AlphaFold 2范围更广 [14] - 分子相互作用预测精度较传统方法提升至少50%，部分场景下精度翻倍 [14] AI药物设计引擎的核心优势 - 技术层面：凭借AlphaFold 3高精度预测能力，解析药物与靶点结合模式，提升设计成功率 [16] - 效率层面：替代人工实验，缩短药物发现周期，从5-10年降至1-2年甚至更短 [16] - 应用层面：兼容全类别生物分子，可探索肿瘤、免疫病、罕见病等多个领域 [17] AI制药行业趋势 - 2025年全球AI制药市场规模预计达200亿美元，年复合增长率超30% [19] - AI技术正从辅助工具转变为药物研发重要驱动力，覆盖从靶点发现到临床研究的全链条 [20] - 谷歌和Meta等公司公开大量蛋白质结构数据，为研究提供支持 [20] - 斯坦福医学院和英矽智能等机构已利用AI技术取得显著药物研发成果 [20]

核心观点 - AI for Science 正在将生命科学与数字互联网两大科技树交汇并加速，大模型对生物系统等复杂系统具有前所未有的理解和生成能力，有望成为加速科学发现的关键引擎 [3] - Foundation Model + AI Agent 正在颠覆传统高成本、慢速的试错式科研流程，将药物研发从平均10年、20亿美元的成本重新压缩与重构 [3][7] - 行业采用「Tech/Bio × Generalist/Specialist」四象限框架梳理玩家，包括Biology Foundation Model、AI Scientist、AI-Native Therapeutics和AI-empowered solution四大类 [4] 研究框架 - 横轴：Generalist vs Specialist，评估公司在生物医药研发流程中的广度和深度，左侧偏单点聚焦，右侧偏全流程技术平台 [8] - 纵轴：Tech vs Bio，评估企业产品侧重平台技术能力还是直接解决生物/临床问题，上方接近技术方案交付，下方需完整开发药物/疗法 [9] Tech × Specialist：Biology foundation model - AlphaFold 3 解决了蛋白质三维结构预测难题，将数月甚至数年的实验缩短为计算机快速预测，并扩展到预测蛋白质与DNA、RNA、小分子等的复合物结构与相互作用 [14] - Isomorphic Labs 由DeepMind分拆成立，已与礼来和诺华签署总里程碑达26.5亿欧元的合作协议，定位为技术平台提供方 [15] - ESM3 旨在打造通用生物基础模型，整合序列、结构、功能三个模态，存在1.4B、7B、98B三种尺寸，展现明显Scaling Law [17][18] - Evo2 是基因组语言模型，在超9万亿碱基序列上训练，拥有100万碱基的超长上下文窗口，能预测变异功能和设计生物序列 [22][23] Tech × Biologist：自动化科研平台 - AI Scientist 通过LLM的推理、规划、工具使用能力，整合文献检索、实验设计、数据分析、机器人控制等环节，将科研从劳动密集型转变为知识和算力密集型 [24][25] - Future House 发布Crow、Falcon、Owl、Phoenix四款Agent，组成多智能体系统Robin，在2.5个月内完成端到端科研循环，发现治疗干性年龄相关性黄斑变性的全新药物方案 [26][34][35][36][37] - Lila Sciences 构建"科学超级智能平台"，已在基因药物设计、新型治疗分子发现、绿色能源技术创新、碳捕获材料设计等方面取得进展 [39] Bio × Generalist：AI-native Therapeutics - AI-native制药公司构建以AI为核心的整合平台，自主研发创新疗法管线，AI不仅仅是工具而是研发范式的基础和引擎 [40] - Xaira Therapeutics 募集约10亿美元启动资金，重点方向包括蛋白质生成式模型、多模态数据工厂和端到端推进管线 [49][50] - Generate Biomedicines 采用"生成生物学"方法，已与安进、诺华签订潜在里程碑超过10亿美元的合作协议，累计融资超过7亿美元 [51][52][53] - Somite AI 聚焦"可编程细胞疗法"，完成4700万美元A轮融资，开发DeltaStem基座模型预测细胞命运转变路径 [54][55][56] - Moonwalk Bio 专注"精准表观遗传编辑"，种子+A轮总融资约5700万美元，开发EpiRead和EpiWrite技术 [57][58][59] Bio × Specialist：AI赋能解决方案 - 实验数据平台批量生成并开源稀缺实验数据，降低AI4sci模型训练门槛，如Tahoe Therapeutics发布的单细胞扰动数据集涵盖1亿细胞/6万次化学-生物扰动 [63][64] - 多组学靶点发现整合DNA、蛋白、显微图像和临床表型等多模态数据，训练跨尺度Foundation Model直接输出新靶点与作用机制假设 [65][66] - 药物重定位将已上市或临床搁浅的药物与新疾病通路快速匹配，可跳过毒理与I期，如Healx的候选药HLX-1502已进入NF-1 II期 [68][69][70][73] - 临床试验加速用AI优化患者匹配，如Unlearn AI的数字孪生技术可将招募期缩短30-50% [75][76] 行业趋势 - 价值正在从传统CRO与药企的"手工试错"转移到掌握数据、模型飞轮与自动化实验室的AI原生公司手中 [78] - 行业进入"算力-数据-算法"驱动的指数级进步时代，四类玩家分别在单点突破、科研流程产品化、新疗法开发和关键环节优化方面推动变革 [78]