【上篇】AI4S科学智能行业研究:从58.5亿到348亿美元!AI4S的真正瓶颈不在模型,在验证
- 2026-10-24 12:21:29
【上篇】AI4S科学智能行业研究:从58.5亿到348亿美元!AI4S的真正瓶颈不在模型,在验证
目 录 CONTENTS · 上篇 01 摘要三条核心结论与关键数据速览 02 一、AI4S技术演进历程命名与建制 → 单点爆破 → 自主性扩张 → 验证与建制 03 二、AI4S以机器学习介入科研流程核心环节定义、学科口径、相邻概念辨析与产业主体结构 04 三、AI4S五层耦合的技术架构算力 / 数据 / 模型 / 智能体 / 自动化实验 05 四、政策、资本、研发服务配套共同决定产业窗口期政策 · 资本 · 研发服务 · 落地确定性 摘 要 AI for Science（以下简称 AI4S），是用人工智能去学习科学原理、生成科学模型、并最终参与科学发现全过程的一整套技术路线与组织方式。它从一个学科交叉的想法，长成了横跨芯片、模型、平台、自动化装置与政策体系的产业现实。 AI4S 的产业机会不在通用科学模型的构建，而在科研流程的重构与验证能力的供给。据测算，2026 年全球 AI4S 直接市场规模约 58.5 亿美元，2035 年增至约 348 亿美元，复合增长率约 21.9%；含 AI 制药与科研软件的宽口径下，2032 年约 262.3 亿美元。 本报告的核心结论有三条 第一，预测与代理模型已工业化，生成与逆向设计的瓶颈在验证，自主实验闭环的工程壁垒较高而稳定交付的案例有限，推理 Agent 的可复现性不足，新算法与数学发现成果真实而适用面窄。 第二，结构预测的验证以秒计，材料合成与表征以周计，临床验证以年计，商业化的先后顺序与验证成本的高低顺序一致。 第三，开源模型的性能持续逼近闭源模型，模型层面临定价压力，而验证能力与专有数据资产随时间累积产业价值逐渐加厚。 一、AI4S 技术演进历程 （一）总体演进阶段 AI4S 的十年演进可划分为四个阶段：命名与建制、单点爆破、自主性扩张、验证与建制。 命名与建制（2018—2020）：AI4S 该不该有一个学科位置 科学研究的范式此前已被划分过多次：经验科学（第一范式）、理论科学（第二范式）、计算科学（第三范式）。2007 年 1 月，图灵奖得主 Jim Gray 提出第四范式——数据密集型科学。 AI4S 最早不是一个技术方案，而是一个学科建制提案，目的是在大学里争出一个交叉方向的位置，从学术共同体长出来，不是从产业需求倒推。2018 年 8 月，普林斯顿应用数学教授、中科院院士鄂维南在北京大学为这件事命名。 
图｜2018 年 8 月，鄂维南在北京大学为这件事命名 单点爆破（2020—2024）：AI 能不能在某个具体科学问题上超过传统方法 2020 年 11 月 30 日，CASP14 公布结果：AlphaFold 2 拿到 GDT 中位数 92.4，约三分之二蛋白得分超过 90。要知道在这个领域，90 以上基本等同于实验精度。 
图｜AlphaFold 2 预测的蛋白质三维结构：一次竞赛终结了六十年的方法论 技术上关键在数据。AlphaFold 2 自建的 Big Fantastic Database 约 6598 万个蛋白家族、约 22 亿条序列。Evoformer 模块加注意力机制，做的事情只有一件——把序列与结构之间的映射关系学到极致。 2021 年 7 月 22 日数据库上线，首批覆盖人类与 20 种模式生物约 35 万个高精度结构。到 2025 年 10 月收录超过 2.41 亿个预测结构，被 190 多个国家、超过 300 万名研究者使用。 2023 年 11 月 29 日，GNoME 发表于 Nature：深度图网络加主动学习，发现 220 万种新晶体，其中 38 万种被判定为最稳定，已知稳定无机晶体从约 4.8 万种扩大到 42.1 万种。 
图｜GNoME 发现的新晶体材料体系 2024 年 1 月，AlphaGeometry 解出 IMO 30 道几何题中的 25 道；7 月，AlphaProof 加 AlphaGeometry 2 在 IMO 2024 取得银牌水平（28 分，金牌线 29 分）。 
图｜AI 气象预报：盘古气象与 GraphCast 把预报耗时从小时级压到分钟级 两次「翻车」：生成能力与验证能力的落差被公开暴露 · 一是 GNoME 的新颖性质疑。2024 年 4 月，加州大学圣塔芭芭拉分校的 Anthony Cheetham 与 Ram Seshadri 在《Chemistry of Materials》发文，指出 GNoME 宣称的新晶体中约 20% 此前已被报道。 · 二是 A-Lab 更正事件。美国劳伦斯伯克利国家实验室 A-Lab 研究，声称 17 天合成 43 种新材料。2024 年 1 月 31 日，伦敦大学学院的 Robert Palgrave 与普林斯顿的 Leslie Schoop 公开质疑其证据不足。 上述争议意味着：如果「新」的定义是数据库里没有，那么 AI 可以无限产出新东西；如果定义是「有功能价值」，那么标准就落回到了人类实验科学手里。 2024 年 10 月 9 日，诺贝尔化学奖授予 Demis Hassabis、John Jumper（蛋白质结构预测）与 David Baker（计算蛋白质设计）。这是 AI4S 拿到的最高规格背书。 
图｜2024 年诺贝尔化学奖：AI 首次因「做科学」获奖 但 AlphaFold 解决的是一个已经被精确定义的问题，需要明确输入（序列）、明确输出（结构）、明确评测集（CASP）。而真实科学发现的问题是模糊的、评测集不存在的、答案要靠实验证伪的。因此，从 2024 年起，方向转向让 AI 自己走完整个研究流程。 自主性扩张（2024—2025）：AI 科学家自主完成一整轮研究的三年三级跳 · 第一跳：Sakana AI 的 The AI Scientist（2024 年 8 月 13 日）。论文 arXiv 2408.06292。它跑通了一个完整流程：生成想法 → 写代码 → 运行 → 分析 → 写论文。 · 第二跳：跑通真实同行评审（2025 年 4 月）。v2 改为 agentic tree search，向 ICLR 2025 的一个 workshop 提交三篇 AI 生成论文，其中一篇拿到 6/7 分。 · 第三跳：Kosmos 与「世界模型」（2025 年 11 月 5 日）。FutureHouse 发布，技术报告 arXiv 2511.02824。核心创新是「结构化世界模型」，可在数千万 token 的文献空间中维持长程推理一致性。 此外，Google 2025 年 2 月发布 AI co-scientist（基于 Gemini 2.0 的多智能体系统），其中最具说服力的一项结果是在细菌进化中并行发现一种新的基因转移机制，用约 2 天完成了原本需要数年的研究工作。 验证与建制（2025 年底至今）：生成端与验证端严重不对称，价值落在哪一层 政策很热，但钱没跟上。2025 年以来，中国、美国、欧盟、英国都开始把「AI 用于科学研究」（AI4S）写进国家级政策，规格很高，话说得很大。但真正落到预算上，钱少得多。 中国在政策和地方执行上跑得比较细。中央层面把「人工智能 + 科学技术」列为重点行动，又提出「以人工智能引领科研范式变革」。地方上，北京先出了全国首个科学智能专项政策，后来又进一步把「自主实验室体系」当成首要任务。 美国也把 AI4S 当成战略级竞赛。美国通过行政令启动「创世纪任务」，由能源部牵头，定位成「AI 时代的曼哈顿计划」，目标是十年内让美国科研生产力和影响力翻倍。首个招标覆盖 21 个挑战领域。 但可以看到的是，美欧英的实际资金规模都不算大。美国实际奖项池约 2.93 亿美元；欧盟 RAISE 试点是 1.07 亿欧元；英国 2026—2030 年约 1.37 亿英镑。核心观点是：大家战略上都很重视，但预算上都没有真正下重注。 AI4S 现在最大的矛盾，依然是生成远快于验证。《科学》2025 年 12 月 3 日的评论提出「验证瓶颈」：AI 一天能生成上千个分子、材料或器件方案，但现实实验室、光束线、临床设施根本测不过来。 中国学界开始讨论 AI4S 的「下半场」。2026 科学智能大会上，鄂维南提出 AI4S 已进入「下半场」，重点不再是单纯做模型，而是科研体系的结构性革新和「科研平权」。 
图｜中关村论坛 · 人工智能与科学前沿大会现场：科学智能已成为年度议题 （二）生命科学：三级演进，临床验证仍在进行中 生命科学是 AI4S 中演进较为完整、也较能说明产业规律的领域，其演进经历结构预测、分子生成与设计、临床验证三级。第一级是结构预测（AlphaFold，2020—2021 年），第二级是分子生成与设计（2021 年至今），第三级是临床验证（仍在进行中）。 第三级的延后信号体现在代表性案例的临床进度上。Isomorphic Labs（谷歌 DeepMind 分拆公司）于 2025 年完成约 21 亿美元融资，为 AI 制药领域估值较高的公司；但其首个候选药物仍处于早期临床阶段。 中国 AI 制药的融资数据呈现与临床进展不同的走向。据智药局统计，AI 制药领域半年融资超 44.3 亿美元。融资热度与临床进展之间的落差，是判断该赛道估值合理性的核心矛盾。 前两级的开源化提升了技术扩散速度，也压缩了单点算法的差异化空间。结构预测与分子生成模型均已公开可用，这意味着算法能力本身不再构成稀缺资源；稀缺资源转向专有数据集、验证能力以及领域工艺知识。 第三级的难度高于前两级，根本原因是研究对象复杂度的跃升。第一级的对象是静态结构，第二级的对象是静态分子，第三级的对象是动态生物系统。静态结构可用几何精度衡量，静态分子可用结合亲和力衡量；临床效果则涉及个体差异、剂量、代谢路径与长期安全性，变量维度远高于前两级。 上述技术差异对应明确的产业后果：AI 在制药价值链上的贡献呈现前重后轻的分布。AI 在靶点发现与分子设计环节贡献较大，可缩短数月至数年；在临床开发环节贡献较小，无法压缩临床周期。因此 AI 制药公司的合理定价应主要基于其前端管线的质量，而非其宣称的 AI 能力。 （三）材料与化学：两次证伪揭示生成能力与验证能力的落差 材料科学是 AI4S 中期望值较高、现实落差较大的领域，其演进经历两次标志性证伪。第一次是 GNoME（谷歌 DeepMind 的材料发现模型）宣称发现 220 万种新晶体结构，但后续约 20% 的条目被指出并非新发现。第二次是劳伦斯伯克利国家实验室的 A-Lab 宣称 17 天自主合成 43 种新材料，但后续核查发现实际成功合成的材料数量远低于宣称值，相关论文于 2026 年 1 月发布更正声明。 两次证伪的技术根源相同：生成能力与验证能力之间存在落差。AI 可以高效生成候选结构，但这些结构是否真实存在、是否能被合成、合成的材料是否具备目标性质，必须由实验验证，而实验验证的通量远低于生成速度。 两次证伪在技术上是必然结果，而非意外事件。GNoME 与 A-Lab 都试图跨越预测与合成之间的落差，而这一落差受实验通量的物理限制，无法被算法突破。算法层面生成能力的提升，无法替代实验层面的验证容量。 两次事件暴露的共同问题是评价口径偏向生成端。生成端的数量指标易于量化、便于展示，验证端的质量指标难以量化且周期较长；评价体系在客观偏好上放大了这一失衡，使算法指标被当作工作终点，而把实验验证视为后续步骤。 证伪对行业具有正向作用。它迫使行业把竞争重心放在验证质量而非生成数量上，从而把资源引导至真正的瓶颈，即实验能力。对国内政策与投资的启示是：应当鼓励少而可验证的成果，而非多而不可验证的成果；评价体系（论文、基金、职称）应把可复现性作为硬性要求。 （四）气象与地球科学：业务化替代已经发生 气象预报是 AI4S 中较早实现业务化替代的领域，其代表性证据是 AI 气象模型在多个公开评估中达到或超过传统数值天气预报（NWP）的精度，且推理速度提升数千倍。代表模型包括 GraphCast、盘古气象、伏羲、AIFS、Aurora 等。 气象领域的成功源于四项条件的组合。一是验证标准明确，误差可量化、可回测；二是数据充足，有数十年全球观测再分析数据；三是物理近似可接受，不需要精确求解完整大气方程，统计规律已足够；四是交付成本极低，一次推理即可产出预报结果，无需新增实验装置。 气象领域的成功模式可作为其他领域判断落地条件的参照。本报告据此提炼一条可复用的判断规则：一个 AI4S 场景是否具备短期商业化条件，可检核四个条件，即数据是否完整、目标是否可度量、是否需要精确物理（若需要，则周期显著拉长）、交付是否低成本。 该规则的应用要点在于逐项检核，而非整体类比。各领域的条件满足程度并不一致：气象在四项上均满足；材料计算在数据与目标两项上满足较好；核聚变则在交付成本与实验周期两项上明显受限。因此把气象的经验直接移植至其他领域，需先完成逐项检核。 气象的替代范围集中于预报环节，属于在既有数据基础上的推理替代。该领域之所以能够先行落地，前提是数据基础与验证基准已经完备，AI 承担的是由既有数据生成预报结果的工作，这一条件在其他领域并不普遍具备。 （五）能源与核聚变：验证成本高企的长周期场景 能源领域的 AI4S 应用以核聚变为典型，其代表性证据是 AI 模型在托卡马克装置（如 EAST 全超导托卡马克）等离子体破裂预测上取得约 95% 的预测准确率。该数据为单一装置、特定条件下的结果，单一来源，需谨慎外推。 核聚变的验证成本在 AI4S 场景中处于高位，原因有三。装置稀缺，全球可用托卡马克数量有限，单个装置的实验时间竞争激烈；单次实验周期长，实验设计、执行与分析的合计周期以天至周计；失败代价高，一次不当实验可能损坏装置部件，停机维修周期以月计。 装置资源的稀缺程度决定了 AI 在该场景的边际价值。在实验机会受限的条件下，AI 的主要作用是提高单次实验的信息获取效率，使有限的装置时间获得更多有效结论；相应地，该场景对模型可靠性的要求高于对生成能力的要求。 本报告判断，能源领域的 AI4S 商业化周期在 5 年以上。该场景短期不具备投资回收条件，但具有战略价值；其合理定位是国家战略投入方向，而非商业投资赛道。这类成果的产业化前提是聚变本身实现商业发电，时间尺度以十年计。 （六）数学与算法发现：成果真实但适用面窄 数学与算法发现是 AI4S 中成果真实、适用面较窄的高价值场景，代表性证据包括 AlphaEvolve 发现 48 次乘法完成 4×4 矩阵乘法（改进 Strassen 算法相关成果）等。 该场景价值较高，因为算法改进可直接应用于芯片设计、编译优化、通信编码等环节，但其适用面极窄。它依赖问题可形式化与正确性可自动判定这两个前提，绝大多数科学问题不满足。因此本报告不将数学发现作为 AI4S 的主要市场构成。 该场景的产业化路径以单点授权与集成服务为主。由于适用面受前提条件限制，其价值释放依赖具体问题的匹配，难以形成标准化产品；对参与者而言，更可行的方式是围绕特定问题类别提供服务，而非构建通用发现平台。 （七）中外代际对标：数量领先与结构差距并存 中外 AI4S 的代际差距呈现数量指标领先、工具链受制的结构。中国在论文发表量、专利申请量以及部分应用场景（气象、材料计算）上领先或接近；但在基础软件、科学计算库以及模型工具链上，仍由美国主导。 据斯坦福相关研究口径，中国在 AI 相关论文与专利上已居全球领先（该数据为公开研究结论，建议核对原始来源）；据国内战略研究院的分析，AI4S 的基础软件（如机器学习框架、科学计算库、等变网络库）仍以美国生态为主。 数量指标领先与产业控制力领先并不等同。论文与专利属于可在较短时间内积累的产出，工具链与生态则依赖长期的标准制定、社区维护与接口兼容性积累；后者的替代周期显著长于前者。据此判断，缩小代际差距的关键环节在于工具链而非论文数量 
表｜AI4S 技术演进四个阶段的划分与产业化含义 二、AI4S 以机器学习介入科研流程核心环节，其产业边界在于科研流程重构 （一）定义与价值主张：压缩科研试错的时间与单次成本 AI4S 的严格定义是，以机器学习特别是深度学习与大模型为核心工具，介入科学研究中除提出问题之外的绝大多数环节，从而压缩科研假设转化为可验证结论所需的时间与成本。这些环节包括假设生成、文献推理、分子与材料设计、计算模拟、实验编排与结果分析。 AI4S 的价值主张具有附条件性，其效率增益取决于验证环节的成本。若 AI 输出的候选结论无法以可接受的成本完成实验或计算验证，前端环节的效率提升不会转化为整体研发周期的缩短。判断一项技术是否属于 AI4S，关键看其是否介入假设生成、设计与验证的核心环节。 科研流程中唯一不被 AI4S 覆盖的环节是提出问题的环节。问题界定依赖研究者的学科判断与价值取舍，当前 AI 尚未在这一环节承担实质角色。这一划界的意义在于，它把 AI4S 的能力上限设定为加速既有问题的求解，而非自主开辟新的科学问题。 价值主张的有效性可以用两项指标的下降幅度来衡量。Time-to-Discovery 衡量研究立项至获得可验证结论的总时长，单次试错成本衡量一次假设验证所需的资源投入。AI4S 的商业价值由此可被定位为对这两项指标的压缩幅度。 在官方语境中，AI4S 多被称为科学智能或人工智能驱动的科学研究（AI for Research），在政策文件中常与「人工智能 +」行动中的 AI + 科学研究方向并列。本报告采用宽口径界定：凡以 AI 为核心方法、介入科研核心环节的技术与组织方式，均纳入 AI4S 范围。 第五种科研范式是 AI4S 引用度较高的叙事框架，其现阶段定位是战略方向而非既成的产业事实。该框架由微软等机构在 2023 年前后提出，主张科学发现已历经实验（第一范式）、理论（第二范式）、计算（第三范式）、数据（第四范式），正在进入 AI 驱动的第五范式。 AI4S 不等于自动化科研，自动化只是实现 AI4S 的一种手段。AI4S 的核心是用 AI 提升科学发现的效率，其实现路径既包括纯计算（如结构预测、气象预报），也包括计算与实验结合（如自主实验室）。将两者混同，会误判纯计算路线的商业成熟度。 （二）学科与应用口径：七大学科域与四层应用域，热度集中于生命科学前端 按学科域划分，AI4S 覆盖七个主要方向。分别为生命科学与生物医药、材料科学与化学、地球与气象科学、物理与能源（含核聚变、高能物理）、数学与算法发现、工程与制造科学、天文与空间科学。七个方向在数据可得性、验证成本与商业化节奏上差异显著。 
图｜AlphaFold 3：生物分子复合物结构预测的技术路线 
图｜Uni-Mol2：双轨 Transformer 分子预训练模型的技术路线 
图｜MatterGen：性质条件引导的晶体扩散生成模型的技术路线 生命科学与材料化学合计占据当前公开项目与融资的多数。据 SVTR 数据库统计，全球 AI4S 相关公司约 175 家，过去 12 个月完成约 118 轮融资、总额约 75 亿美元，其中生命科学领域的 Isomorphic Labs 单家占比约 28%。 按应用域划分，AI4S 可拆为四层：科学数据与基准层、基础模型与算法层、科学智能体与工作流层、自动化实验与交付层。行业利润并不平均分布在这四层，而是集中在数据资产（稀缺、可复用）与自动化实验（重资产、难以复制）两端。 学科域与应用域是两个正交维度，需同时使用才能定位一家企业的产业位置。同一家企业在学科域上可能覆盖多个方向，在应用域上则通常只占据其中一两层。本报告后续的竞争格局分析，即以学科域与应用域的组合来刻画企业位置。 （三）相邻概念辨析：三类易混口径的排除规则 为避免口径混淆，本报告对 AI4S 与三类易混淆概念作明确区分，这是后续所有分析的方法论前提。三类概念分别是 AI in Science、Science of AI 与 AI 辅助工程，其核心定义与排除规则见下表 
表｜AI4S 与相邻概念边界辨析 · 第一类排除是与 AI in Science 的区别。AI in Science 指把 AI 作为科研中的通用工具（如数据拟合、图像识别、统计推断），不重构科研流程本身；AI4S 要求 AI 介入假设生成、设计与验证的核心环节。 · 第二类排除是与 Science of AI 的区别。Science of AI 以科学方法研究 AI 自身（可解释性、缩放律、泛化理论），其研究对象是 AI 而非自然科学；AI4S 的研究对象是自然科学，AI 只是方法。 · 第三类排除是与 AI 辅助工程的区别。AI 辅助工程（如 AI 辅助芯片布线、工艺参数调优）的目标是工程交付，其验证标准是产品指标而非科学结论。此项排除具有实质意义：它把 AI4S 与工业 AI 作了切割，避免市场规模被高估。 （四）数据使用规则：市场规模口径分歧逾 40 倍，仅采纳方法论可查的机构数据 本报告对关键数据统一标注统计口径与年份来源，并据此建立分级采信规则。具体包括三项：所有关键数据标注统计口径与年份来源；对无法交叉验证的单一来源数据，明确标注单一来源并建议复核；对互相矛盾的市场规模数据，仅采用方法论可查的机构数据。 分级采信规则源于 AI4S 领域特殊的数据环境。该领域存在大量由 AIGC 生成的伪研报站点，其市场规模数据互相矛盾，区间低端为 58.5 亿美元、高端达 2,840 亿美元，口径混乱且无原始抽样说明，属于不可采信数据。 本报告仅采用有明确方法论披露的机构数据。主要来源包括 Precedence Research、QYResearch 等，其余来源作降级处理。这一规则使本报告的市场规模区间较部分公开材料更窄，但每项数据均可回溯至方法论说明。 （五）产业主体结构：三类主体承担不同功能，估值逻辑不可混用 AI4S 的产业主体可分为三类：国资科研基础设施、企业级平台公司、科研原生创业公司。三类主体在目标函数、收入结构与风险特征上存在本质差异，共同构成行业的供给结构。 · 第一类是国资科研基础设施，其定位是公共品供给。以美国 Genesis Mission、欧盟与英国的科研 AI 设施、中国的国家超算与科学数据中心为代表。这类主体的产出是数据集、模型权重、算力配额与评测基准。 · 第二类是企业级平台公司，其定位是工具链与算力供给，是行业当前收入的主要来源。包括英伟达（BioNeMo、cuEquivariance、NIM 微服务）、微软（Azure Quantum Elements）等。 · 第三类是科研原生创业公司，其定位是垂直领域的发现与交付。如 Isomorphic Labs、Lila Sciences、Periodic Labs、Recursive、CuspAI、英矽智能、晶泰科技、枫清科技等。 三类主体的估值逻辑不可混用。国资基础设施应按战略价值与公共品效率评价；平台公司应按工具链的续费率与生态控制力评价；科研原生创业公司应按管线里程碑与验证进展评价。混用估值逻辑是当前 AI4S 投资中较常见的误判来源。 三、AI4S 五层耦合的技术架构决定产业分化方向 （一）总体架构：五层耦合链条决定单层优化的实际上限 AI4S 的技术架构不是大模型与科学数据的简单叠加，而是自下而上五层耦合的工程体系。自下而上依次为算力层、数据层、模型层、智能体层、自动化实验层。算力层提供异构算力与科学计算库；数据层提供科学数据集、基准与数据治理工具。 
图｜AI4S 五层技术架构与耦合关系 五层之间通过数据回流与物理约束双向耦合，任何一层的短板都会成为全流程的吞吐瓶颈。模型层的预测精度再高，若数据层缺乏高质量标注，或自动化实验层无法提供高通量验证，其产出仍无法形成可交付结论。 耦合关系决定了 AI4S 的交付单元是整条链路，而非单一模块。这与通用软件按模块采购、按席位计费的模式不同：用户购买的是一段可验证的科研流程，任一环节缺失都会使整段流程失去价值。 
表｜AI4S 五层技术架构的关键指标与瓶颈 （二）算力层：科学计算的精度需求与加速卡供给结构存在错配 算力层的核心矛盾在于科学计算与 AI 训练对硬件的精度要求并不一致。科学计算需要双精度（FP64）与高带宽，AI 训练青睐低精度、高吞吐。传统科学计算（分子动力学、流体力学、量子化学）以 FP64 为主。 原生工具库是缓解精度错配的主要工程手段。代表包括英伟达的 cuEquivariance（等变神经网络加速库）、DeepMind 的 JAX 生态（用于 AlphaFold 系列）、中国的 DeePMD-kit（深度势能分子动力学）等。 算力层的技术问题可归结为一个量级矛盾。分子动力学模拟每步需要数万至数百万次浮点运算，一次完整的材料性质预测往往需要数亿至数千亿步，传统 CPU 集群完成一次计算需要数天至数周，构成科学计算的核心瓶颈。算力加速存在三条技术路径。 · 路径一，提高单卡科学计算吞吐，通过等变网络加速库（如 cuEquivariance）减少等变操作的计算量。 · 路径二，混合精度与稀疏化，在保持科学精度的前提下降低计算精度要求。 · 路径三，算法补偿，用更高效的采样算法替代穷举，如增强采样、主动学习。 判断：中国在路径一上受硬件供给限制，路径二与路径三属于算法层面，是当前较现实的突破方向，以算法换算力构成中国 AI4S 算力问题的核心解法。 （三）数据层：可用率而非存量构成真实瓶颈 AI4S 的数据层不具备互联网数据的规模效应，其本质是高价值、低产量、强异质的科学数据。这类数据被四类孤岛切分：学科孤岛（不同学科的格式与语义不通）、机构孤岛（数据归属不同实验室，共享意愿低）、格式孤岛、合规孤岛。 真实瓶颈是可用率，而非存量。大量实验数据以纸质记录、个人电脑文件夹、非结构化格式存在，无法直接被模型消费，科学数据的可用率远低于其存量。因此，数据层的核心能力不是收集数据，而是数据标准化、元数据体系与可追溯性建设。 原始数据须经三道工序才能转为可训练数据，每一道工序都存在损耗。第一道工序是结构化，把纸质记录、仪器原始文件、非结构化文本转为结构化数据，损耗较大，且高度依赖人工；第二道工序是标定与标准化，统一单位、标准与命名；第三道工序是标注与质控。 这三道工序构成科学数据服务细分行业的技术内核，也是其商业价值的来源。数据可用率的提升可以直接转化为模型性能的提升，这一投入产出比是可量化的。超大规模科学数据集的出现，进一步使数据由研究的副产品转为可独立交易的生产要素。 （四）模型层：科学基础模型与专用算法双轨并行 模型层存在明显的双轨结构。一条是科学基础模型（Scientific Foundation Model）路线，试图用大规模预训练获得跨任务的通用科学表征；另一条是专用算法路线，针对单一科学问题设计高效模型。 科学基础模型路线的代表产品已覆盖多学科。国内包括书生·S2 / 端砚（上海人工智能实验室，面向多学科的科学大模型）、磐石 2.0（中国科学院，采用基础模型—领域模型—任务模型三层架构）、xTrimo 等。 专用算法路线的代表产品集中在少数高价值任务上。包括 AlphaFold2/3（蛋白结构预测）、GraphCast / 盘古气象 / 伏羲 / AIFS / Aurora（气象预报）、DeePMD-kit（分子动力学）等。 两条路线的根本分歧在于泛化与精度的取舍。基础模型追求跨任务泛化，但在单任务精度上往往不及专用算法；专用算法在特定任务上达到工业级精度，但迁移成本较高。当前产业界的主流判断是，基础模型提供表征、专用算法完成交付。 科学模型与通用大模型的关键技术差异在于对称性约束。分子与晶体的物理性质必须在平移、旋转、镜像变换下保持不变或按确定规律变化，这一性质称为等变性（Equivariance）。模型若不具备等变性，就必须通过海量数据补偿，训练成本会大幅上升。 这一技术细节的产业含义在于，科学模型的壁垒不体现于参数量，而体现于架构对物理约束的编码能力。这也是 DPA 类模型可以用相对较小的规模达到工业级精度的原因。对国内团队的启示是，在算力受限条件下，把资源投入到物理约束的编码上，是更现实的差异化路径。 （五）智能体层：编排能力增长快于可靠性提升 智能体层是 2024 年以来新增的活跃层级，其核心命题是让 AI 自主编排完整的科研工作流。编排范围包括文献调研、假设生成、实验设计、代码执行、结果分析与迭代，而不再是单点计算。 该层的关键技术是工具调用、长程规划与结果校验，也是当前成熟度较低的一层。评测数据显示，在标准化的科学智能体基准上，表现居前的系统成功率仅约 42.2%，明显低于人类专家的可靠水平。 科学智能体的技术瓶颈在于工具调用是否正确，而非模型能否推理。科学任务的每一步都需要调用外部工具（代码解释器、数据库、仪器控制接口），工具调用的错误（参数错误、单位错误、接口错误）在科学场景下往往造成致命后果，而不同于消费级场景的可容错特性。 科学智能体的可靠性工程应以工具调用的验证机制为核心。具体技术方向包括工具调用的参数校验、单位与量纲的自动检查，以及结果物理合理性的自动判定（如能量守恒检验）。这些机制在工程上并不复杂，但对可靠性提升的作用显著。 （六）自动化实验层：工程集成经验构成主要壁垒 自动化实验层（Self-Driving Lab / 自主实验室）是 AI4S 完成物理验证、产出新发现的承载环节。其核心是机器人实验平台、实验调度软件与数据自动回流，形成设计—构建—测试—学习（DBTL）闭环，并进一步演进为 D²BTL 闭环。 该层的现实是示范项目多、稳定交付少。国内外已出现多个示范平台，包括国内已有 300+ 自动化工作站规模的实验室平台、Uni-Lab OS 类操作系统，但真正实现连续数月无人值守、产出可发表结论的平台仍然稀少。 自动化实验平台的两个核心指标中，通量相对容易提升，通用性极难提升。通量（样本/天）可通过增加工作站、并行化提高；通用性（跨实验类型的兼容能力）受制于不同化学反应的实验条件（温度、溶剂、浓度、时间、气氛）差异，难以用单一硬件覆盖。 这一技术特征解释了自动化实验平台在单一实验类型上表现较好、在跨类型通用上进展缓慢的现象。本报告判断：通用性瓶颈的突破路径不是制造更通用的硬件，而是通过模块标准化与流程复用降低跨类型的切换成本。 （七）耦合强度差异 五层并非等强度耦合。模型层与智能体层耦合较紧，迭代较快；数据层与自动化实验层耦合较紧，重资产、慢迭代；算力层与所有层都耦合，但较易通过采购替代。 模型层与算力层的竞争格局会在 2–3 年内收敛到少数巨头。这两层依靠资本与工程规模取胜。而在数据层与自动化实验层，由于依赖长期积累与工程经验，反而可能出现规模较小但壁垒较硬的长期赢家。这一判断贯穿本报告对竞争格局的整体分析。 耦合强度差异还决定了不同环节的投资回收周期与风险结构。快速迭代层适合以资本密度换取份额，慢迭代层适合以时间与数据积累建立壁垒。这意味着跨层布局的主体需要为不同层级配置不同的组织与考核机制，以单一逻辑管理全部层级将导致资源配置失当。 四、政策、资本、研发服务配套共同决定产业窗口期收束，市场迫切期待AI4S的落地确定性 本章按政策、经济、市场供需与技术四个维度拆解 AI4S 的外部环境，并给出四者的综合影响判断。AI4S 的技术路径已相对清晰，其产业化节奏更多取决于外部约束的松紧。政策与监管决定资金规模与开放边界，经济环境决定资本定价依据，市场供需决定价值分配，技术环境决定进入门槛与壁垒高度。 （一）政策环境：AI4S 的政策属性已由科研资助转为国家战略竞争 AI4S 在 2025 至 2026 年的政策属性发生了性质变化，其定位由科研经费支持的对象转为国家科技竞争力与产业安全的组成部分。这一变化的标志是美国 Genesis Mission 的推出，以及多个国家把 AI4S 写入国家级战略文件。 美国 Genesis Mission 是当前披露规模与组织程度均居前列的国家级科研 AI 计划，其投入规模超过 50 亿美元、覆盖约 278 个项目。该计划的组织方式是国家级实验室体系、企业与高校组成的联合体。 中国的 AI4S 政策已形成国家顶层设计、部委专项与地方实施方案组成的三级链条，国家层面以「人工智能 +」行动（国发〔2025〕11 号）为总纲，明确将 AI + 科学研究列为重点方向。地方层面，北京已发布面向 2026—2028 年的实施方案。 国际协调层面，京都愿景确立了 AI4S 的全球议程地位，但不构成具有约束力的国际规则。该倡议由约 17 国参与，是 AI4S 领域较早的国际性倡议，其性质为政治共识而非可执行的国际规则。其实际影响限于议程设置与信息共享。 
表｜主要国家与地区 AI4S 政策对照 监管层面，对 AI4S 构成实质约束的是生物安全治理，而非人工智能监管本身。生物安全治理将成为影响 AI4S 开放程度的关键变量，其作用具有双向性。一方面合规成本上升，表现为筛查、审计与审批环节的投入增加；另一方面，合规能力本身可以成为竞争壁垒。 人工智能监管的一般性要求对 AI4S 构成间接约束，其监管逻辑与消费级 AI 存在差异。科学结论需要可验证性，因此 AI4S 的监管重点不是解释模型输出的成因，而是确认实验能否复现结论。据此，AI4S 的监管设计应以可复现性为核心，而非以可解释性为核心。 （二）经济环境：资本定价依据已由叙事转向可验证进展 AI4S 的经济环境由三重要素构成，宏观研发投入处于高位，资本风险偏好出现分化，产业侧的降本需求持续存在。宏观层面，全球研发投入在生命科学与材料领域保持高位；资本层面，一级市场对早期项目与中期项目的风险偏好出现分化。 三重要素中，资本定价依据的变化是当前需要重点关注的变量。2024 至 2025 年的高融资规模具有叙事驱动的特征，而 2026 年之后资本开始要求可验证的技术与商业里程碑，融资结构随之向头部集中。 全球维度，AI 原生生物技术创业公司的风险投资在 2021 年达到阶段高点后回落，2024 年出现回升，2025 年前三季度规模低于 2024 年全年水平。 
图｜全球 AI 原生生物技术风险投资规模与交易数量（2020—2025）资料来源：PitchBook，2025 年第四季度 中国维度，AI 制药领域 2025 年披露融资金额同比大幅回升，事件数量下降而单笔规模上升，显示资金向少数项目集中。 
图｜中国 AI 制药领域投融资事件数与金额（2023—2025）资料来源：智药局，2024—2025 年 统计口径差异需要在使用数据前予以区分。按宽口径统计，全球 AI4S 相关公司约 175 家，过去 12 个月完成约 118 轮融资、总额约 75 亿美元，其中 Isomorphic Labs 一家占比约 28%。 
表｜AI4S 领域投融资规模的多口径对照 企业侧的投入逻辑与其他前沿技术不同，其目标是降低研发成本与缩短研发周期，而非追求技术前沿。这一逻辑解释了新能源、化工、材料与制药行业的 AI4S 投入较为积极，因为这些行业的研发成本较高、迭代周期较长、降本收益明确。 人才供给构成经济环境中的刚性约束。AI4S 要求人工智能能力与领域科学知识的复合背景，这类人才的培养周期较长，通常需要博士级训练叠加跨学科经验。据公开数据，人工智能与医药方向的复合人才缺口率约 38%。 经济环境的关键变量是 2027 年前后的验证窗口。2024 至 2025 年获得大额融资的公司，尤其是自主实验室、AI 制药与生成式材料方向的企业，能否在 2027 年前交付可验证的里程碑，例如临床数据、合成成功率或客户续约，将决定下一轮融资的可获得性与行业分化的方向。 （三）市场供需：工具供给过剩与验证服务稀缺构成结构性失衡 市场规模测算应以直接收入为口径，即以 AI4S 相关的软件、服务与平台收入为准，而非以受 AI4S 影响的产业总规模为准。后者常被引用的数值动辄数千亿美元，属于夸大口径。 
图｜全球 AI4S 市场规模预测（两机构口径对照，2025—2035）资料来源：Precedence Research、QYResearch 
表｜AI4S 市场规模测算的多口径对照 需求侧可分为两类，其规模与付费意愿差异明显。第一类是企业研发部门的降本需求，覆盖制药、材料、化工、新能源与半导体等行业，付费逻辑是 AI 投入低于所节省的研发成本，其特点是收益可量化、付费可持续。 供给侧呈现结构性失衡，模型与工具供给相对过剩，而验证服务供给不足。模型侧存在开源模型、商业模型与高校模型的重复建设，验证侧则包括自动化实验、高通量表征与数据标注在内的服务供给明显不足。失衡的产业后果是价格压力集中于模型层，而验证服务的议价能力较强。 供需匹配的主要矛盾是科学场景的碎片化与 AI 平台追求规模化之间的张力。不同科学方向在科学问题、数据格式、验证标准与客户群体上均存在差异，因此单一通用科学模型覆盖全部场景的假设难以成立。可行的商业模式有两种，一是垂直深耕，二是平台加生态。 
表｜AI4S 市场规模敏感性测算 三个敏感变量决定市场规模的走向，其中上行变量来自企业研发预算结构与验证成本，下行变量来自监管强度。若企业研发投入中 AI 工具占比由不足 5% 提升至 15%，市场规模将扩大约三倍，这是主要的上行变量；若生物安全监管显著收紧，市场规模将收缩至约 200 亿美元。 （四）技术环境：开源与算力降本压低进入门槛，验证与数据抬高价值上限 技术环境由三个趋势构成，算力成本持续下降改善了大规模科学计算的经济性，开源生态成熟降低了技术使用门槛，验证能力进化压低了验证环节的成本。三者的组合效果是 AI4S 由少数机构具备的科研能力，逐步转为可被更广泛主体使用的工具。 科学基础模型的发展方向是专用化回归，即放弃单一模型覆盖全部科学领域的假设，转向在特定科学域形成深度能力。科学数据总量远小于互联网数据，通用模型的训练成本高而边际收益递减；专用模型在垂直场景的精度优势更为明显。 干湿闭环的发展方向是通量化与标准化，其中标准化是通量化的前提。只有实验模块实现标准化，不同实验室之间的流程复用与机器人实验的规模扩展才具备可行性。据此判断，自主实验室的竞争焦点将由单点技术转向流程标准与接口定义。 科学智能体的研究重点正在由能力演示转向可靠性工程。关键技术包括自我校验机制、长程规划中的错误恢复，以及人类科学家参与判断的协作模式。人类科学家在 AI4S 中的角色，将更多体现为验证者与问题提出者。 物理约束与数据驱动的融合是数据稀缺场景的可行路径，其产业价值在材料与能源方向将较早体现。物理信息神经网络与算子学习等方法在数据驱动模型中嵌入物理定律，使极端条件物理、新材料预测与聚变装置控制等数据稀缺场景的成本显著下降。 跨学科融合将催生新的边界场景，这类场景对算力规模的依赖相对较低，更依赖对两个领域科学问题的理解。典型方向包括人工智能与合成生物学、气候金融、电池材料的交叉。结合中国在数据与应用侧的相对优势，这类边界场景可能是国内团队的差异化机会。 技术环境对产业节奏的净影响是加速分化，而非带来普惠性增长。开源与算力成本下降压低了进入门槛，同时验证能力与数据资产的壁垒在上升，结果是低端环节的同质化竞争加剧，高端环节的壁垒进一步抬高。 下篇预告 下篇将聚焦竞争格局、企业案例、投资逻辑与风险提示：拆解国内外代表性企业的位置与路径，给出 AI4S 的分层投资判断框架，并提示四条主要风险。 出品 | 中关村通力·人工智能研究组2026 年 10 月 本报告数据均标注统计口径与来源仅供研究参考，不构成投资建议 
▼关于中关村通力科服
北京中关村通力科技服务有限责任公司（简称“中关村通力科服”）围绕硬科技创新+硬科幻创作，积极探索以“技术孵化”为核心的超前孵化模式。结合未来产业战略，面向产业丰富应用，以科幻、人工智能、人形机器人等未来产业为核心，围绕芯片、传感器、材料工艺、算法等梳理技术主线，建设群体创新、规模创新的产业集聚区。运营园区已获得工信部科技型企业孵化器(标准级)、北京市首批引领类标杆孵化器、北京市科技企业孵化器、北京市广播电视局首都广播电视网络视听公共服务示范点、新视听空间、北京新视听艺术园等荣誉。
本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。
