前瞻研究系列报告：AI4S驱动下的科学发现，从经验试错到智能驱动

在科学研究迈向“第五范式”的进程中，AI4S（AI for Science）正通过执行、决策与逻辑三个维度的算法协同优化研发流程与决策机制。这种从经验拟合向物理一致性约束的转变，有望推动部分科研环节向数据与模型协同的系统化流程演进。随着大语言模型与科学基座技术的持续发展，以AI为核心引擎的智能发现体系正在重塑全球科技竞争的底层逻辑。

算法逻辑的重构：执行、决策与逻辑协同

AI4S已从简单的数据拟合演进为深度融合物理逻辑的系统工程，其核心在于执行层、决策层与逻辑层的三维协同。

在执行层，生成式算法实现了从“库内筛选”向“全空间生成”的转变。传统的材料与药物发现高度依赖对已知分子库的局部筛选，而扩散模型和变分自编码器通过学习化学键合规律，使得研究人员能够在广阔的潜在化学空间中定向设计具备目标特性的全新结构。例如，GNoME模型发现了超过220万个稳定结构，较以往所有发现扩展了一个数量级。同时，精准筛选算法利用图神经网络等属性预测模型，从海量候选中剔除低潜力项，将探索空间收敛至潜力相对较高的少数候选路径，有助于降低物理实验的盲目性。

在决策层，贝叶斯优化成为解决小样本决策问题的核心工具之一。在实验成本较高的场景下，该算法通过构建代理概率模型，指导研究在探索未知区域与开发已知区域之间寻找最优平衡点。在具体实现中，对复杂化学反应模型的参数优化已可在约150次迭代内实现定量收敛，较传统试错方法实现了一个数量级以上的效率提升。此外，多臂老虎机算法根据各管线的实时实验反馈动态调整资源分配权重，而最优停止算法则将感性的经验判断转化为理性的止损红线，在明确评价目标和实验成本的基础上，将继续探索与停止搜索纳入统一的决策过程。

在逻辑层，物理信息神经网络将描述自然规律的偏微分方程作为物理约束项嵌入模型的损失函数，使模型输出兼顾基本的物理因果框架。深势科技的DeePMD算法已实现对超过1亿原子量级系统的模拟，打通了跨尺度计算路径。符号回归则通过在基本数学算子构成的函数空间中执行组合搜索，直接从数据中自动发现具备解析形式的数学表达式。变量间的归因分析通过引入结构因果模型和反事实分析，旨在识别变量之间的指向性逻辑，从而剥离统计数据中的虚假相关。

市场价值的转化：从效率杠杆到商业红利释放

AI4S的商业逻辑可理解为对研发存量预算的结构性重组：通过效率杠杆压缩研发周期，从而影响科研资产的时间价值。

全球AI相关论文数量从2015年的约30万篇增长至2024年的近95万篇，2020年被视为AI4S的增长拐点。在这一过程中，核心算法的占比逐渐向应用端倾斜，AI4S在工程、生命科学和物质科学中的份额增加了6.4个百分点。学术界卓越成就的密集成果在一定程度上定义了AI4S的商业边界，AlphaFold 3能够对蛋白质与小分子配体等组成的复合物进行原子级三维结构预测，GNoME模型在材料稳定性发现上扩展了一个数量级。

基于研发预算配置的测算框架显示，假设2026年全球研发总支出约为3万亿美元等值，研发AI预算占比以7%为基准，广义研发AI预算规模约为2100亿美元等值。在此基础上，若研发AI预算中的5%至10%用于外部AI4S采购，对应的预算型商业空间为105亿至210亿美元等值。将商业转化比例扩展至2%至15%，对应空间为42亿至315亿美元等值。需要说明的是，这些区间是不同参数组合下的计算结果，并非具有统计意义的置信区间，本测算应作为预算框架下的条件性情景分析。

从项目经济性看，AI4S驱动的“非线性”研发回报主要体现在缩短研发周期与减少无效投入。计算模型辅助研究人员组织候选方案并确定验证优先级，如果这些环节构成项目进度的关键约束，效率改善就有可能转化为阶段性研发目标的提前实现。在正折现率条件下，未来正现金流越早实现，其现值越高。同时，风险前置能够尽可能提前发现影响项目推进的问题，改善决策依据。在商业模式上，变现逻辑正由单一工具授权向更深度的资产价值分享演进，估值逻辑可由单一软件业务延伸至平台经营价值加研发资产价值。

技术迁移的路径博弈：通用、垂直与物理原点

当前AI4S的技术迁移路径正呈现出复杂的三方博弈态势，不同类型行业参与者的起点差异决定了其切入方式。

通用科技平台型企业主导“通用至垂直”路径，依托算力基础设施与海量数据积累，将通用的AI架构套用到公开科学数据上，实现跨领域快速覆盖。然而，在物理精度要求较高或数据相对稀疏的特定领域，仅依赖统计相关性的模型可能产生与物理逻辑不一致的输出，缺乏物理一致性约束的模型难以在极端外推场景下提供可靠依据。

领域科学家主导“垂直至垂直”路径，从特定的学科痛点出发，利用私有实验数据与垂直认知优化现有研发管线。此类机构通过深耕单一行业链条形成差异化竞争优势，但由于模型深度耦合于特定领域的数据与逻辑，其跨学科的迁移能力相对较弱，在面对数据孤岛以及高昂的跨行业准入成本时面临扩张瓶颈。

物理建模机构主导“垂直至通用”路径，以微观尺度的物理规律建模为技术原点。由于生物医药、新能源材料等领域的研究对象在底层多遵循一致的第一性原理方程，针对原子尺度开发的物理一致性算法具备一定的跨行业横向迁移潜力。但在实际落地中，仍需应对微观模型与宏观工程标准之间的适配挑战。

产业格局研判：四象限矩阵与国内生态

基于技术哲学与交付形态的双重维度，AI4S产业已初步构建起四象限竞争图谱。横轴表征依赖数据统计相关性还是嵌入物理因果约束，纵轴表征提供水平化工具平台还是交付垂直化资产成果。

第一象限“科学决策者”结合了物理驱动方法论与垂直资产交付，典型企业包括Schrödinger、深势科技等。这类企业将微观尺度的物理定律与宏观工程需求桥接，采用技术授权费、成果分成与里程碑付款的复合模式，估值锚点兼具软件公司的毛利水平与制药公司的管线弹性。第二象限“重资产探索者”结合数据驱动与垂直资产交付，以Recursion、晶泰科技为代表，通过控制实体实验设施形成闭环，以管线价值为核心估值锚点。第三象限“通用效率加速器”结合数据驱动与平台服务，如DeepMind、Microsoft AI4Science，提供跨领域的SaaS订阅工具，主要风险在于无法解决特定领域物理精度问题时客户流失。第四象限“物理算法基础设施”结合物理驱动与平台服务，以Ansys、达索系统为代表，提供计算引擎与仿真求解器，收入确定性相对较高但业务扩展性溢价较低。

国内AI4S产业呈现底层技术积累与垂直应用拓展双轨并行特征。底层技术层已形成自主技术路线，DeePMD等开源软件在国际学术界获得广泛引用；云计算厂商依托算力基础设施积极布局通用平台。应用转化层中，制药领域较为成熟，康龙化成等企业已将AI融入药物发现流程；材料领域处于快速渗透期，比亚迪在兆瓦闪充电池研发中引入BAMBOO模型预测电解液性质，深势科技在NCM811/锂金属电池电解液研发中用3个月完成了传统模式下半年的研发流程。整体而言，国内产业生态表现出产学研协同紧密、应用场景驱动明显以及国产替代机遇显著三大特征，尤其在物理引擎替代与高通量自动化验证环节，产业协同的深度有望成为衡量长期溢价捕获能力的核心指标。