文章核心观点 - 人工智能的发展是由先进计算技术驱动的一场革命，正从数字世界走向物理世界，并与制造业深度融合，成为赋能千行百业、重塑社会的颠覆性力量 [1][4] - 当前人工智能发展正处于从以生成式AI为基础的通用人工智能阶段，迈向基于感知与交互的机器自主进化的超级人工智能阶段 [4] - “实体系人工智能”是连接信息世界与物理世界的桥梁，是推动“人工智能+制造业”从概念走向落地的关键环节，但其发展仍面临技术壁垒高、实施路径不清晰等挑战 [8][10] - 通过技术攻关、应用示范、标准引领三位一体的协同联动，可以加速实体系人工智能发展，为深入实施“人工智能+”行动注入动力 [12] 人工智能技术演进与现状 - 人工智能的发展历经了符号主义、连接主义、行为主义等多条技术路线的并行探索，如今多技术路线融合统一成为发展趋势 [9] - 技术演进的关键节点包括：2012年卷积神经网络CNN大幅提升图像识别效果；2016年AlphaGo击败世界围棋冠军；2017年Transformer架构为BERT、GPT等大模型奠基；2020年OpenAI发布包含1750亿参数的GPT-3模型；2024年Deepseek以低成本、高效能开源特性打破垄断，以及Sora模型在视频生成领域取得重大突破 [3][4] - 目前人工智能在图像分类、自然语言推理、视觉问答、英文理解等方面已超过人类平均水平，并在多任务语言理解和数学竞赛方面展现出超过人类平均水平的潜力 [4] - 人工智能是数学、神经科学、认知科学、计算机科学等多学科交叉融合的产物，并反过来催生了如生物信息学等新兴学科，例如AlphaFold2解决了蛋白质折叠问题，GNoME工具预测并合成了超过41种新材料 [5][6] 人工智能与制造业的融合应用 - 制造业是人工智能赋能的重点领域，“人工智能+制造业”是提升传统产业、培育新兴产业和未来产业的重要举措 [7] - 根据IDC数据，中国工业企业应用大模型及智能体的比例从2024年的9.6%大幅提升至2025年的47.5% [7] - 中国在智能制造方面成效显著：已培育421家国家级智能制造示范工厂，其中90%以上应用了人工智能、数字孪生等技术；累计建成7000余家先进级、500余家卓越级智能工厂，并遴选出15家领航级智能工厂培育对象 [7] - 2025年8月，国务院印发《关于深入实施“人工智能+”行动的意见》，明确推动工业全要素智能联动，加快人工智能在设计、中试、生产、服务、运营全环节落地应用 [8] 实体系人工智能的发展与挑战 - 实体系人工智能通过“感知—认知—决策—执行”体系架构，使机器能够自主地“融入”并“改造”物理世界 [8] - 技术条件的成熟为人工智能进入实体空间提供了支撑：传感器技术实现精准感知；机器人技术实现感知与执行一体化；AI芯片性能飞跃支撑大规模模型训练与推理；大模型发展实现了跨模态的理解与生成 [9] - 行业应用的需求是核心动力，例如实现生产线柔性重构、复杂产品精密装配、设备预测性维护、能耗动态优化等，要求AI系统能直接感知设备状态、实时分析数据并精准控制执行机构 [9] - 实体系人工智能发展面临技术壁垒高、实施路径不清晰、规模化发展难度大等多重挑战 [10] 推动实体系人工智能发展的路径 - **技术攻关**：需构建“感知—认知—决策—执行”技术体系，包括建立精准表征物理世界的信息空间、构建大小模型协同的决策体系（利用大模型“通才”能力进行顶层规划，小模型“专才”能力执行具体任务）、建立分层与端到端结合的推理控制架构 [11] - **应用示范**：需建立“场景开放+政策激励”双轮驱动模式，通过央地联合组织重大应用示范打造标杆场景，并通过“智能工厂梯度培育行动”及财政补贴或税收优惠鼓励企业参与，加速全链条发展 [11][12] - **标准引领**：需构建统一的体系架构与评估、规范的技术方法与测评、通用的系统应用定义与要求等标准体系，以实现行业模型的“纵向专用”和系统集成的“横向通用”，为规模化发展提供支撑 [12] - 总体应坚持“以数据为牵引、以模型为核心、以平台为支撑”的发展路线，通过技术、应用、标准三位一体协同联动加速发展 [12]

行业投资评级 - 投资评级为“看好”，并维持该评级 [7] 报告核心观点 - 谷歌已构建起从TPU算力基础设施、Gemini多模态模型家族，到AI Studio及Vertex AI开发者平台的全栈闭环，不断赋能其AI布局并加深数据护城河 [2][10] - 当前AI应用加速走向兑现，板块本轮行情具备持续性，坚定看好智谱、Minimax等大模型公司上市后表现 [2][10] - 当前核心边际包括模型能力提升与发布事件催化，以及商业模式推进（C端流量入口逻辑与B端劳动力替代逻辑） [2][10] - 2026年模型范式变化有望带来超额机会，长期看好AI产业升级机遇 [2][10] 谷歌AI布局梳理 AI医疗 - 谷歌侧重于提供基础设施和开源模型的模式 [10] - 在HIMSS 2025上重点展示Vertex AI Search for Healthcare，其Visual Q&A功能能直接理解表格、图表等视觉信息，结合Gemini多模态能力从复杂病历中快速找到关键信息 [10] - 2025年11月Google Cloud与Color Health合作推出Color Assistant智能助手辅助乳腺癌筛查，Gemini 2.5贯穿用户全流程体验，平台运行在Google Cloud Vertex AI之上 [10] AI for Science (AI4S) - 谷歌布局的核心优势在于其具备极少数机构拥有的全链条能力 [10] - 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，研发科学智能技术，已造出多个世界级的科学智能模型和工具体系 [10] - 已在多个科学领域进行AI布局并得到应用，包括AlphaFlod（生物学）、WeatherNext（气象学）、GNoME和AlphaQubit（物理材料）、AlphaEvolve（数学和计算机）等 [10] 端侧AI布局 - **具身智能**：为所有机器人提供软件与模型支撑，明确转向“基础模型驱动”路径，从VLM向VLA进化，推动多模态大模型向物理世界执行能力延伸 [10] - **AI眼镜**：基于Android XR + Gemini生态，首款产品预计2026年发布 [10] - **AI手机**：采用自研Tensor G5芯片+Gemini生态，2025年发布Pixel 10系列，2026年有望发布搭载新一代Tensor G6芯片的Pixel 11系列 [10] - **Google TV**：2025年11月将Gemini AI引入Google TV设备，2026年CES上Gemini进一步提升Google TV实用性，升级为家庭智能中枢、能对话的AI助理 [10] - **Robotaxi (Waymo)**：根据最新数据，当前已有2500辆落地5城，12月最新周服务单量较4月增长80%，平均完成45单/分钟，最新的周出行量超45万次，安全性是人类驾驶员的10倍 [10]

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]

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]