AI for Science 行业趋势与机遇 - AI for Science 成为 AI 最新、最激动人心的方向，旨在用 AI 加速科学发现 [3] - 行业标志性事件包括：Xaira Therapeutics 启动募资超 10 亿美元，OpenAI 成立 "OpenAI for Science" 部门 [3] - 该领域被视为三十多年未见的巨大机会，有望推动从无限能源到消灭疾病等终极科学想象的实现 [5] 公司创立与技术起源 - 公司于 2018 年由张林峰和孙伟杰创立，早于 ChatGPT 发布，是中国 AI for Science 的早期实践者 [3][5] - 启动资金来自全国颠覆性技术创新大赛金奖，金额为 1200 万元人民币，非传统风险投资 [4] - 技术核心是张林峰在普林斯顿读博期间提出的深度势能分子动力学方法，该方法后来获得了全球高性能计算权威奖项 "戈登·贝尔" 奖 [4][5] 核心技术突破：DeePMD - DeePMD 方法引入 AI，优化了基于薛定谔方程的 "第一性原理计算"，在不太损失精度的情况下，将计算范围从上百个原子扩展到上百亿原子 [5] - 该突破实现了超过 6 个数量级的计算加速，将原本需要约 2 亿核时（价值约 2000 万元人民币）的计算任务，压缩到在笔记本上半小时内完成 [23] - 技术本质是解决复杂高维物理量和方程的 AI 表示、逼近与加速求解问题，类似于用 AI 解决规则明确但计算复杂的问题 [20][26] 产品与平台发展 - 公司推出了 Hermite 药物计算设计平台、Piloteye 能源电池研发平台等一系列工业研发平台 [8] - 开发了包括分子大模型 Uni-Mol、蛋白质大模型 Uni-Fold、基因大模型 Uni-RNA 等在内的预训练科学模型，以及科学文献大模型 Uni-SMART [8][47] - 构建了整合上述积累的科研平台与科研 Agent，如 "玻尔科研空间站" 和 SciMaster，旨在贯穿读文献、做计算、做实验的全研发流程 [8][44][47] 商业模式与战略定位 - 公司明确其第一个五年计划是成为 "微尺度工业研发的平台"，即微尺度的达索系统，将量子力学内化到软件中，变革药物、材料等领域的研发范式 [32] - 选择做平台而非垂直应用管线，目标是基于一套平台服务不同方向和阶段的科研，服务 1000 甚至 1 万个客户，以激发更多科学发现 [51][52] - 商业潜力参考达索系统（市值 500 多亿美元）和英伟达的 CUDA 生态，认为平台和管线均有做到千亿美元市值的潜力 [52] 人才与社区建设 - 公司发展中的关键脉络是培养了一批最优秀的低年级本科生，以解决跨学科人才稀缺的问题 [27][32] - 建立了全球最大的 AI for Science 开源社区 DeepModeling，这既是人才发现机制，也是新场景的挖掘机制 [25][36] - 内部构建了专门的学习体系和工具，如 AI for Science 版的 Colab 和 Kaggle，探索 "干中学" 和 "按需学习" 的新教育方式 [34][36] 未来展望：AI 科学家与科研范式变革 - 认为接下来最重要的方向是 "AI 科学家"，即能自主调用工具、执行科研任务的 Agent，其出现将冲击现有的科研评价体系、学科划分与合作模式 [42][49][63] - 预测 AI 加速科学发现将带来直观的产业突破，如手机续航延长至十天甚至一个月、电动飞机可行，以及药物研发像搜索信息一样简单 [60] - 公司致力于定义 "Innovator" 模型，推动科研范式的根本性变革，其影响可能超越诺贝尔奖等现有评价体系本身 [54][58]

行业投资评级 - 计算机行业维持"推荐"评级 [1] 核心观点 算力领域 - Figma上市首日股价涨幅250%，收于115.50美元，创近三十年美国融资超10亿美元公司最大首日涨幅纪录 [2][16] - Figma 2025年一季度营收2.28亿美元（同比+46%），净利润4490万美元，毛利率达92% [2][23] - 公司从设计工具转型为覆盖产品全生命周期的一站式平台，推出Figma Make/Sites/Buzz/Draw等AI集成新产品 [22] AI应用领域 - 全球首款通用科研智能体SciMaster发布，集成1.7亿科学文献资源，支持读/算/做/写全流程科研辅助 [25][27] - Kimi周平均停留时长环比增长8.37%，在AI应用中增速第一 [24][26] AI融资动向 - OpenAI完成83亿美元融资（估值3000亿美元），年化收入从6月100亿美元升至130亿美元 [34][35] - Anthropic洽谈30-50亿美元融资（估值或达1700亿美元），年化收入从40亿增至50亿美元 [35] 重点公司表现 微软 - 2025财年营收2817.24亿美元（+14.93%），净利润1018.32亿美元（+15.54%） [6][44] - Azure年收入超750亿美元（+34%），云业务总营收1689亿美元（+23%） [6][44] - GitHub Copilot用户达2000万，Azure AI Foundry服务1.4万客户 [6][44] 推荐标的 - 亿道信息（001314.SZ）：PE 2025E 46.66x，目标价48.06元 [9][46] - 科大讯飞（002230.SZ）：PE 2025E 80x，目标价49.04元 [9][46] - 寒武纪（688256.SH）：预计2026年扭亏为盈，PE 2074.85x [9][46]

SciMaster AI科研助手 - 全球首个通用科研智能体SciMaster由上海交通大学、深势科技与上海算法创新院联合发布，集成顶尖思维链能力，可自动完成文献搜索、理论计算、实验操作、论文撰写等全流程科研工作[5][7][10] - 产品发布后引发抢购热潮，邀请码被炒至近千元，其核心价值在于对传统科研流程的"降维打击"，可帮助全球数千万科研人员节省文献和实验数据处理时间[5][7] - 系统基于X-Master架构，采用分散-堆叠工作流程，通过求解器、批评器、重写器、选择器等角色分工实现高质量解答，在Humanity's Last Exam基准测试中以32.1%得分创造新纪录[19][23][28] 核心技术架构 - 底层支撑为玻尔科研空间站，包含1.7亿篇科研文献的数据库，确保答案可溯源且大模型幻觉趋近于零[11][14] - 采用工具增强型推理机制，通过Python代码片段实现环境交互，具备通用性、准确性和高兼容性[19][20] - 支持读、算、做、写全流程：文献检索与整合、并行调用AI for Science计算工具、连接Uni-Lab自动化实验系统、生成可导出研究报告[11][14][15] 实际应用表现 - 实测展示两大核心功能：通用助手处理日常科研问题，深度调研专家完成专业课题研究，后者采用英语工作语言确保术语准确性[27][30][40] - 典型案例包括解释细胞形态学原理（指出用户预设错误）和转基因食品安全性评估（引用WHO/FAO等权威结论），全程展示思考过程与工具调用[31][35][38] - 生成报告支持PDF导出和链接分享，实测显示可在半小时内完成传统需数天的工作，且通过强制文献溯源有效抑制LLM幻觉问题[46] 行业影响与趋势 - 标志AI应用从"技术质变"转向"应用量变"阶段，代表AI for Science领域重大突破，可能重塑人机协作科研范式[9][16][47] - 国内AI科研布局领先全球，深势科技等企业通过创新方法实现低成本高效率解决方案，继DeepSeek-R1开源后再次展现中国AI技术实力[49] - 作为系列研究开篇，未来计划扩展为更通用的科研AI智能体，推动AI驱动的新科研时代到来，与生命科学、医药、新材料等垂直领域形成交叉创新[48][50]

通用科研智能体SciMaster发布 - 全球首个通用科研智能体SciMaster在WAIC未来发展论坛发布，由上海交大青年博导张林峰与深势科技创始人张林峰共同推出[1] - SciMaster具备专家级深度调研能力，基于通用科学基座大模型Innovator，拥有多模态能力[5] - 可结合全网资源和1.7亿科学文献进行科研辅助，并能以科研思维解决日常问题[2][3] - 主要功能免费开放，发布后迅速引发用户求邀请码热潮[4] 核心功能与技术特点 - 提供"通用助手"和"深度调研"两种模式，前者适合快速了解问题，后者可生成更翔实的报告并附参考文献[22] - 集成多种科学专用工具，支持主动调用和自动调用两种方式[24][28] - 检索方式包括WebSearch、WebParse、PaperSearch三种，覆盖全域互联网和1.7亿科学文献[7] - 支持用户干预检索方案，可随时暂停并编辑搜索策略[8] - 具备自动优化搜索能力，如不满意初次检索结果会自动调整关键词进行二次搜索[10] 实际应用案例 - 在AI前沿领域调研中，成功识别出Mamba、GNN等有前景的非Transformer架构，发现Mamba在长序列处理上效率是Transformer的5倍[15][17] - 在生物信息学领域，证实GNN在单细胞转录组学中可替代Transformer且计算资源消耗更少[18] - 在表格数据处理方面，发现传统MLP在某些情况下表现优于Transformer架构[19] - 生活场景中可提供科学开空调方案，根据不同关注点(舒适/健康/节能)给出最优解[29][30] - 商业场景中可帮助投资人发现具身智能领域有潜力的中国初创企业，并提供亮点和风险分析[37][39] 开发背景与行业影响 - 由上海交大与深势科技合作开发，是AI for Science(AI4S)领域的校企合作标杆成果[42] - 深势科技已推出科学大模型体系、药物计算平台等AI4S产品，并与40余所高校达成合作[43][44] - 数据来源于深势科技的玻尔科研空间站，并接入DeepModeling开源社区，已孕育上千款工具和数百个应用[43][46] - 目标是打造"AI4S领域的Hugging Face"，推动重塑高校科研范式，改变传统"教、学、研、用"体系[45][47] - 作为通用科学智能体，将促进信息世界与物理世界融合，推动AI与传统学科的深度结合[48]

核心观点 - 开源开放是科学发展的未来，SciMaster始终拥抱开源开放 [1] - SciMaster是通用科研智能体，将AI for Science愿景转化为可参与的科研新现实 [3] - SciMaster旨在重塑科研过程，构建透明、可控、可协作的智能研究生态 [5] - SciMaster背后有科学基座大模型Innovator和玻尔科研空间站支撑 [21] 产品发布 - 7月26日上海交通大学-深势科技-上海算法创新院共同发布科学基座大模型Innovator和通用科研智能体SciMaster [2] 科研痛点与解决方案 - 自19世纪以来人类文献数量增长4000倍但研读速度仅提升2倍 [5] - 科学研究需要多学科参与且工具日益复杂导致效率瓶颈 [5] - SciMaster通过"读、算、做"构建智能研究生态解决这些问题 [5] 核心功能 - 具备专家级深度调研能力，可生成按需定制的高质量科学调研报告 [6][7] - 上线一天已生成数千篇调研报告，支持一键导出和自由分享 [10] - 支持思维链编辑功能，研究者可干预执行逻辑共同优化 [12] - 集成众多科学专用工具，支持主动调用和自动调用两种方式 [13] 科研范式重塑 - 已与40余所高校合作，上海交大构建"超级科研平台"整合校内外资源 [15] - 可接入课题组私有数据，整合师生自建智能体加速协同创新 [15] - 通过Uni-Lab的MCP服务构建"干湿闭环"实验生态 [15] - 张万斌教授团队和董佳家教授已利用相关智能体加速研发 [15] - 与宜宾创新中心联动将电解液配方研发效率提升至少10倍 [15] 开源平台 - 一键将科学计算工具升级为智能体 [17] - 接入DeepModeling开源社区，孕育上千款Agent-ready工具和数百个Agent应用 [17] - 催生ChemMaster等子智能体和临港实验室虚拟疾病生物学家系统 [17] 行业影响 - 突破学科边界与工具限制，提高科研效率 [19] - 推动科研协作模式变革 [19] - AI与科学研究深度纠缠共同进化，引发更深层次变革 [20] - 人机交互产生的数据持续反哺Innovator增强能力 [21]