人工智能研发历程、商业模式与应用落地情况如何？

人工智能的研发已经持续了近 80 年，开始有向“智能体主导”发展的新趋势。

参考历史 不同生产力阶段持续时间：①狩猎采集时期（公元前 38000 年-公元前 8000 年）共 3 万 年；②手工业农业时期（公元前 8000 年-1430 年）共 9400 年；③贸易工业时期（1430 年 -1955 年）共 525 年；④计算机科学时期（1955 年至今）已有 70 年，从线性推演来看， 由 AI 引爆的生产力革命已经开始并且会有极快的迭代速度。

①1940s–1990s：机器学习和神经网络起源。1943 年 McCulloch 与 Pitts 提出了数学神 经元模型，通常被视为机器学习的奠基；1958 年 Rosenblatt 提出感知器 （Perceptron），这是首个能“学习”数据的人工神经网络原型，被认为是现代神经网络 的基础。此后 Minsky 和 Papert 在 1969 年揭示了单层感知器无法解决异或问题的局限 性，引发了简单神经网络的“冰河”期。到了 1980 年代，研究者又提出了反向传播等多 层网络算法（Bryson 和 Ho 等），为后来的深度学习铺平了道路。 ②1990s–2010s：深度学习的兴起。进入 90 年代后，卷积神经网络、循环神经网络等取 得突破性进展，并应用于图像识别、语音识别等领域。2006 年之后，随着大数据和 GPU 算力的快速增长，深度学习逐渐爆发，如 2012 年 AlexNet 在 ImageNet 竞赛中胜出，标 志着深度神经网络进入主流。这一阶段可以看作是 AI 算法和算力双重优化、ML 算法成 熟的大融合期，为后续复杂科学任务提供了算法基础。 ③2018 年至今：OpenAI 推出 GPT，AI4Science 应用相继爆发。近几年 AI 技术开始面向 科学前沿领域落地，尤其是生物医药和材料科学等行业。2020 年 DeepMind 的 AlphaFold2 模型以接近实验精度预测了数以万计蛋白质结构，被《Science》评为 2021 年年度科学突破。2024 年 AlphaFold3 进一步扩展到蛋白质-蛋白质、蛋白质-DNA/RNA 复 合物等多分子相互作用。与此同时，大规模语言模型和生成式 AI 在科研工具层面成熟， 为 AI 辅助假设生成、文献分析等提供了强力支持。

下一阶段，AI4Science 有望进入“多模态大模型+自动化实验”时代。科研领域的基础 模型构想正在兴起：欧盟等机构已启动“科研领域基础模型”项目，培养可用于化学、 生物、物理等多学科的通用 AI 系统；NASA 也发布了针对地球科学的通用模型。同时 “自驱动实验室”（Self-DrivingLab）等多智能体协同平台正加速发展。未来，AI 将与 机器人实验密切配合，人机协同进行全流程闭环科学研究：AI 提出假设、机器人执行实 验、系统评估反馈，再迭代优化。长远来看，这意味着科学研究将从“以人类为主导” 逐渐过渡到“智能体主导”的新范式。

当前的 AI4S 已经从学术层面跨入到商用层面并产生实际的经济效益，不过并没有形成较 为成熟的商业模式，业界普遍沿用两种极端或混合模式。一类是合同研究组织（CRO）的 服务模式：科技公司利用 AI 算法对客户（如制药或材料企业）提供定向服务，包括预测 靶点、筛选化合物、优化配方或仿真模拟等项目，一次性完成后收取服务费，不分享下游 成果的知识产权；另一类是内部研发模式：公司自建 AI 平台用于自主发现创新成果（药 物先导、材料配方等），并通过许可、合资或直接产业化获利。 当然目前相当多的企业自身的 AI 底层基础还尚未完善，因而有存在有公司通过参股、控 股等方式切入初创型 AI4S 科研平台，或者和领先的大学科研团队合作，来弥补原本积累 的底层数据、研究方向、技术人员等不足，加速实现 AI 的科研赋能。而企业主体更多承担产品的工程化生产以及产品应用和推广等和实体业务更为协同的环节。 现代合同研究模式 (CRO) 兴起于 20 世纪 80 年代，当时大型制药公司开始寻找外包工作 的方式，以降低成本并利用外部专业知识和能力。人工智能外包也不例外，因为人工智能 服务提供商的技能和专业知识可以在不同的时间和成本下应用于药物发现和开发项目。当 前市场中许多公司将自身打造为“AI 加速实验室”向制药厂提供虚拟筛选或有限实验设 计等服务，如 BenevolentAI、英矽智能、Reverie Labs、晶泰科技等。

内部研发模式下，AI 公司本质上像数字化的生物制药厂或材料厂，依靠所创造的候选成 果来融资或合作。例如，美国 Cyclica、Atomwise 等 AI 药物公司主要依靠开发自有药物管线，再以联合开发或上市等方式变现。大公司收购案例也较为典型，如 BioNTech 2023 年收购 BERG 全部资产，这种并购即是成熟公司直接买断 AI 能力和技术，反映出 AI4Science 公司可通过被收购退出。

合作研发模式通常可以快速启动并降低初期成本而自主研发模式前期投入巨大。当前各国 政府和机构都在非常积极推动 AI 科研合作，例如欧盟将 AI 视为加速解决气候、健康等重 大问题的关键工具 ；美国发布“FASST”计划，期望建立世界级的超算设施和国家实验室 网络，加速构建集成科学 AI 系统，可见 AI4S 极高的优先级和紧迫性。我们认为未来大型 机构将会以混合模式为主，比如大型企业或国家级实验室可能建立自己的 AI 研究平台（内 部自主开发），同时对外开放部分能力，与高校、初创企业共建创新网络。小型企业则倾 向于使用这些开放或商业化平台，采用合作研究模式。

在 AI 发展布局前期，我国的政策更多以大框架、大构想为主要的方向指引。我国 AI 政策 呈现体系化、自上而下的特点，通过国家层面的统一规划和专项部署，整合全国的算力、 数据和人才资源，以“集中力量办大事”的模式，在选定的关键领域实现快速突破。政策 执行力强，目标明确，出台政策后相关领域会有快速突破。

先期的国内政策带动了 AI 产业链上游和中游的崛起。在我国 AI 发展过程中，AI 的产业 链获得了极大发展，自上而下的推广，使得 AI 产业链的上游和中游作为软硬件发展基础 率先崛起。 在硬件环节，芯片、服务器、存储设备、网络设备行业预期大幅上调，行业产能快速扩充， 规划产能持续加码，部分产能释放瓶颈环节带来了历史级别的高度景气，同时也带来高端 产品加速研发突破国产化； 在软件环节，多阵营入场角逐，传统的移动运营商、专业的 IDC 服务商以及云服务商等多 个阵营持续进行数据中心投资，大规模的互联网大厂也在持续进行云计算服务等业务的布 局，包括到新型的创新性平台也在不断切入智能计算中心的布局，目前我国已经有超过 250 个智算中心，分布在不同的行业和区域，充分扩展 AI 的模型应用适配性和计算基础。

2025 年以来，政策开始加大对于应用端的推进和指导，AI 产业链的下游的发展环境进一 步优化，开始有利于创新企业、龙头企业牵头发展。2025 年 3 月，政府工作报告上提出， 2025 年将持续推进“人工智能+”行动，将数字技术与制造优势、市场优势更好结合起来， 支持大模型广泛应用，大力发展智能网联新能源汽车、人工智能手机和电脑、智能机器人 等新一代智能终端以及智能制造装备。7 月 31 日，国务院常务会议审议通过《关于深入 实施“人工智能+”行动的意见》，提出要深入实施“人工智能+”行动，大力推进人工智 能规模化商业化应用。 2024 年中国科学院主管、科学出版社主办的商业期刊《互联网周刊》（CIW）联合德本咨询 （DBC）、中国社会科学院信息化研究中心（CIS）发布了《2024 全国“人工智能+”行动创 新案例 100》，就已经开始着重指导 AI+的落地应用，以先期的案例推动应用层的进一步快 速发展。 在大环境下，中国大型化工集团纷纷成立专门的 AI/数智化事业部或研发机构，积极引进 行业顶尖人才。政府层面也鼓励企业“引凤筑巢”，通过多元化渠道招揽战略科学家和技 术领军人才。例如中国中化发布《中国中化科技人才培养工程实施方案》《中国中化关于 加强高层次人才引进工作的指导意见》，明确人才工作的目标。在智联招聘上，我们观察 到中国中化旗下的“中化学数智科技有限公司”发布“化工领域人工智能业务专家”岗位， 要求应聘者具有谷歌、微软、亚马逊、百度、腾讯等大型科技公司或行业公认企业的 AI 部 门工作经历，并担任过核心技术骨干。这一岗位还强调需精通深度学习、大模型等技术， 并具备完整的垂直领域 AI 技术研发经验充分体现企业倾向招聘具备国际背景或顶尖企业 经验的专家型人才。此外，诸如万华化学、中石油、中石化等龙头也纷纷发布高层次人才 需求。