2025年AI for Science：化学研发的超级范式

1. 什么是 AI for Science？

1.1. AI for Science 是化学研发的超级范式

AI For Science AI4S）即人工智能驱动的科学研究，2024 年的英伟达 GTC 大会中， 黄仁勋将大语言模型、具身智能、AI4S 并列为 AI 三大关键方向。通过建立相应的 AI 垂类模 型，AI4S 可以对产品配方进行优化、研发出升级迭代的新品、对测试结果进行建模预测， 为企业带来研发效率切实的大幅提升。 AI for Science能为化学研发做什么？以材料为例：传统的材料研发模式近乎“炼金术”， 而 AI 能够在“读-算-做”各环节全面赋能材料研发。1）读：AI 的文献阅读速度显著快 于人类。通过阅读文献，AI 可以识别现有论文大纲中的分子式、图片、表格等多模态数 据，总结已有研究并生成新的研究思路；2）算：各种垂类模型为 AI 提供了进行科学分 析的工具，AI 可以从设计仿真、表征测试、优化制备工艺等方式实现提速增效；3）做： 再与自动化流程衔接后，AI 可以指导机器人自动完成试验过程，调用预训练模型分析所 获得的大量真实数据，不断重复“Design-Build-Test-Learn”的闭环过程，就能得到最终 优化后的产品解决方案。

数据和算法能在多维复杂问题中比人脑更好地抓住规律。在问题维度少的时候，人脑相 对容易找到规律。然而对于多维复杂问题而言，数据和算法往往能够相比人脑更好地抓 住规律。同时在原理层面，AI 建模可以由原子尺度深入到化学反应的本质，从而全方位 地赋能化学研发。此外，AI 算法的核心之一是对工具的运用能力，目前已有的工具箱已 经足够丰富，因此更为核心的是知道在什么场景下去选择运用哪种工具来解决问题的能 力。 将 AI 算法应用于科研领域时，还必须借助强大算力硬件、多尺度理论模型的帮助，进而 提升速度、改善精度。

多尺度建模——提高精度：在材料研发领域，科学家需要解决从亚原子到宏观物体、 从飞秒级运动到小时级生物过程等各时空尺度下的复杂问题，需要在各个尺度上进 行建模。量子力学第一性原理能够在最小尺度上精确模拟物质，AI4S 可以从第一性 原理出发（ 一般深入到原子、电子尺度）进行运算，确保精度。此外，AI4S 也能够 综合利用分子动力学、计算流体力学等更宏观尺度下的模型，跨尺度研究，规避单 尺度的局限性。

超级计算——提升速度：过去，在第一性原理精度下模拟具有 1 亿个原子的体系需 要用时 60年，但超算时代，用时可缩短至仅 1天。2023 年底，GNoME（ 歌 DeepMind 的材料研发模型）准确预测了一系列稳定的晶体结构，并从中生成了220万种材料， 但如果凭借人力计算出这些材料，需要花费 800 年。

AI 模型的训练离不开数据的积累，近年来快速发展的机器人自动化实验能让数据迎来 “质”与“量”的同步飞跃，促使 AI 模型加速进化。高质量数据如同大语言模型的“语 料”，是 AI4S 的金矿山。传统科学实验过程中的数据 尤其错误的数据）往往不会 被很 完整地记录下来，造成化学领域数据的缺失，因此需要通过 AI4S 结合自动化的方式积累 用于训练垂类模型的数据。AI4S 企业的数据来源有干实验、湿实验两种，前者是数字化 建模、提供用于虚拟筛选的数据，而 7×24 小时不间断运行的机器人直接参与湿实验， 自动化完成投料、合成、稀释、过滤和液质分析等系列过程，同时提升数据的规模和标 准化程度，最终反哺给模型学习迭代，形成量变到质变的数据飞轮效应。

沉淀了模块和系统能力的软件架构是实现“黑灯实验室”的关键，例如，晶泰通过智能 调度系统远程可以操控百台规模自动化工站和 AGV 小车，相比传统方式效率大幅提升。

AI4S 大体上具备两类商业模式：1）依托数据库与技术平台，担任（“铲人人”角色。业 内已经涌现出一批以 AI4S 为核心的企业，这些企业既可以为客户定制用于全新细分领 域的 AI 垂类模型，赋能特定管线，又可以将反复淬炼后得到的 AI 垂类模型、平台工具 授权给客户使用，平台化发展。举例而言，前者如晶泰控股为辉瑞新冠特效药确定稳定 晶型，后者如深势科技开发的（“材料智能设计”科研软件 SimpFine，能够广泛应用到电 池原材料配方设计、溶液性能调优、合金材料成分设计、陶瓷工艺性能设计等多个领域； 2）通过 AI+自动化的研发范式独立或与生产企业联合研发出“AI 新材料”，产业化后 销售盈利。时至今日，我们观察到已经有企业能借助算法研发出高度定制化的新材料， 未来其中不乏能诞生出商业化前景巨大的超级“AI 新材料”。

1.2. 远景：从超算跨越至量子计算

量子计算具备颠覆现有算力格局的潜力。据新华社，我国“九章三号”量子计算原型机 求解特定数学问题只需要百万分之一秒，比超算快一亿亿倍，这种速度的差异核心在于 两者并行计算的逻辑大相径庭。如果说超算是通过多核协作拆分任务的线性提速 如千 万级 CPU/GPU 并行处理），量子计算则是借助量子叠加态和纠缠态实现的指数级并行 n 个量子比特可同时处理 2ⁿ 种状态）。也即传统计算机只能依次尝试推开每扇门寻找出口， 而量子技术如同施展了分身术——同时推开所有门寻找出口。依靠于“既在此处又在彼 处”的量子叠加特性，量子计算在处理复杂组合问题时如鱼得水，运算速度爆炸式提升。

量子计算特别适合求解药物研发、分子模拟等具有“组合爆炸”特性的复杂优化问题。 例如在药物研发领域，完整描述一个药物与其目标相互作用涉及数千个原子。自由能计 算需要数十亿个单点计算，超算模拟分子相互作用时，需逐个验证数以亿计的原子排列 组合，而量子计算机能利用量子叠加态同步生成所有可能的分子构象，直接锁定有效药 物结构，避免算力和计算时间的指数性增长，有望开启药物、材料研发的新纪元。

未来，AI 与量子计算的深度结合有望极大拓展 AI4S 的能力边界。现阶段，AI4S 主要 由 AI 与超算结合实现，而 AI 与量子计算的结合能够加速在混沌中开辟精准推演通道的 进程。在实践方面，我国企业微观纪元已与阿法纳生物合作开发了国内首个基于量子计 算和生物医药的药物设计平台 MiQro RNA，该平台凝聚了经典算法和量子计算的强大力 量，将 AI 技术与量子化学技术完美结合，提供了一个超越传统的设计平台，此平台的发 布不仅意味着量子计算在实际应用中的重大里程碑，也同样预示着未来 mRNA 药物研发 领域的跨越式发展。

2. AI for Science 蕴藏着巨大的应用潜力

物质科学与生命科学是 AI4S 的两大主战场，开发材料与新药是最典型的应用场景。曾 困扰科学家 50 年之久的蛋白质折叠问题就是典型的高维问题，该难题因 AlphaFold 的出 现而取得了巨大突破。这是因为在目标函数明确、数据量足够的前提下，AI 学习与高性 能计算的结合能够以从头计算的精度来模拟数亿个原子的系统，模拟精度提升 5 个数量 级，特别适合解决蛋白质折叠等传统物理计算失效的多维场景。不局限于蛋白质，生命 科学和物质科学领域多维问题层出不穷，而材料和药物的开发正是典型的多维问题。

2.1. 新材料：AI for Science 的星辰大海

材料研发的重点在于对“构效关系”的研究。不同服役环境下的材料开发过程涉及到“组 分-结构-工艺-性能”多个环节，实际的研究工作非常复杂，研究时需要对材料和环境的 物理、化学及力学性质进行耦合建模，例如需要求解热、力、电、辐照同时作用于固体、 液体混合体系后的影响等复杂问题。针对于此，材料的研发需要采用不同尺度的模拟方 法，对被研究对象的物理性质、化学性质、生物性质做分析，并用实验配合计算，以缩 小材料创新的搜索空间，加速材料创新进程，尤其适合用 AI 智算来解决。

2.1.1. 新能源：AI4S 正在探索固态电池、钙钛矿等前沿领域的性能边界

AI 正加速钙钛矿、超分子、锂离子电池、正极材料、碳硅材料等材料的研发。新材料的 研发多属于高维非线性优化问题，AI4S 这一新研究范式可以凭借统一数据建模框架、跨 尺度仿真能力和自主实验平台加速材料研发，推动材料科学进入“智能设计”时代。

AI 革新钙钛矿电池开发。钙钛矿材料具有优异的载流子扩散性能、易于溶液加工等优势， 有望成为下一代主流太阳能电池技术。AI4S 可以从钙钛矿制备工艺优化、表征数据分析 和钝化层材料筛选等多方面做出贡献。举例而言，传统钙钛矿材料光谱表征数据分析过 程冗长，而 AI 深度迁移学习在学习大量理论模拟数据后，仅仅需要少量实验数据二次训练，就可以准确地从反射/透射光谱中获得薄膜厚度，大幅减少数据分析所用的时间。2024 年 8 月，晶泰科技与协鑫集团签署了为期 5 年的战略研发合作协议，为其提供钙钛矿等 领域的新能源材料研发服务。 AI 正在颠覆电池材料研发。以电解液配方的开发为例。深势科技具备百万级电解液配方 筛选与分子设计能力，基于其开发的 Uin-ELF 电解液配方设计模型以及高精度分子动力 学方法，其可对电解液分子和配方物性进行高通量高精度的快速预测，实现配方的设计 和筛选，最终令性质预测精度高达 95%，配方设计研发周期缩短至原用时的 1/3。

再以固态电池开发为例，全固态电池研发的一大难题是如何开发出稳定的电化学材料体 系。受困于此，日本丰田在固态电池领域拥有全球最多的专利，过去 30 多年里尝试了数 万种应用于电池的电解质，但至今未能实现量产。而 AI 可分析各类材料组合的稳定性和 导电性，缩短传统实验中逐一验证的时间成本。举例而言，中科院物理所、字节跳动在 共同开发新型硫化物固态电解质时都引入了 AI4S 的力量，借助基于深度学习的分子动 力学方法 DeePMD 来模拟电解质的结构优化和离子迁移，研究团队令模拟时间从几十皮 秒级别扩展到几十纳秒量级，模拟系统中的原子数也从几百个提高到几千个，通过减少 重复性验证工作及加快相应工作速度，为企业省下巨量的时间和资源成本。

2.1.2. 半导体、新型显示：行业高频迭代，AI4S 助力迭代加速

在光电领域，AI 可以通过结合分子设计和构效关系模型，构建百万级化合物库，实现高 通量筛选，更准确地预测材料或器件的光电性能，在光刻胶、OLED 蓝光材料等难度最突 出的领域做出贡献。 AI 能够全面赋能半导体材料与器件的开发：在材料领域，光刻胶的开发无疑属（“冠冠上 的明珠”。而 PAG 光酸是光刻胶生产时必不可少的关键组分。据 IBM，传统开发流程中 发现新分子可能需要长达十年的时间，生成式 AI 可以在 5 小时内完成 2000 个潜在 PAG 的建模工作，确定有前途的候选分子后，再结合自动化化学反应器系统合成。得益于此， IBM 团队利用 AI 在一年内合成了三种新型 PAG 候选药物，显著减少了时间和成本。在 器件领域，名古屋大学开发出了可以预测长晶炉内部碳化硅单晶生长状态的 AI 可视化系 统，便于调控合成参数，能够将大尺寸 SiC 晶体开发周期缩至原时长的 1/10 至 1/100， 并且将结晶缺陷数量降至原来百分之一，提高了碳化硅衬底的成品率。

OLED 发光材料国产化程度低，尤其蓝光材料难度更上一层。OLED 终端材料具有较高 的技术及专利壁垒，分子式结构复杂，且纯度要求 6-8N。OLED 终端材料主要被日本、 欧美企业垄断。其中蓝色材料由于激发能量较高，目前主要采用一代荧光技术，由日本 出光兴产垄断，其专利端相较红色、绿色材料具有更严格的限制。 AI 推助 OLED 材料迭代开发。传统 Oled 方法依赖于实验和量子化学模拟，但在分子空 间探索上存在限制。AI 可以通过主动学习算法生成分子结构、预测物质属性与合成方案。 2024 年，三星研究团队发表《A Novel OLED Material Discovery based on AI Technology》 文章中提及，该团队采用生成对抗网络和变分自动编码器等人工智能技术来设计分子结 构，成功设计了新型的蓝色 TADF 热活化延迟荧光）材料 ，将材料的使用寿命提升了 20%。此外，全球 OLED 材料领军企业 UDC 公司也表示其具备独有 AI 模型，用于加速 磷光 OLED 的研发工作。事实上，UDC 在全球掺杂及磷光领域占据绝对份额，已发布和 在申请的专利超 6000 项，在蓝色磷光等产品体系布下层层专利封锁，与 AI 的结合是 UDC 在 OLED 材料领域久居霸主的关键支柱之一。

2.1.3. 合金材料：AI4S 正在改写研究范式

金属新材料市场空间广阔，高端合金国产化率低。高端合金是重要的工业新材料，下游 广泛应用于航空航天、军工、新能源汽车、消费电子等领域，市场需求巨大。根据 2023 年 1-9 月数据，金属材料产值占中国新材料行业比重约 20%。而我国高端合金国产化率 不足，根据创材深造创始人，我国钢铁产能全球占比超 50%，但高附加值特种钢材产能 占比不足 5%，例如高温合金等品类进口率达 50%。 AI4S 在合金材料研发中具有应用的必要性。合金研究的主要关注点是“成分+加工工 艺”，目标是“强度、塑性、抗蠕变性能”等材料的真实服役性能。AI4S 可以从微观出 发，提供全新解决方案与思路。理论上，研发高性能合金材料需要在数百万种可能的成 分中确定左右性能组合的配方，AI4S 在具备一定前期研发数据的基础上将会非常适用。 通过 AI 技术的引入，一方面可以解决高熵合金等复杂配比产品研发问题，另一方面可以 大大减少研发时间、降低研发成本：

赋能高熵合金的研发：高熵合金通常是 5 种或以上的金属形成的合金材料，每种元 素的原子百分比在 5-35%之间，配比复杂；而传统领域 90%为低熵合金，单一元素 占比高达 80-90%。在高熵合金中，基于难熔过渡元素的难熔高熵合金 RHEAS） 具有更高的硬度、强度、耐腐蚀性、高温抗力，高端领域应用潜力大。但难熔元素 如 Ta、W 和 Mo）对于密度的增加在应用端形成了限制，一种解决方法就是引入 低密度元素（ 如 T、Al、V 和 Zr）来替代高密度元素。若使用传统方法探索，需要很 多科学家积累几代人的经验才勉强能提炼出比较有限的物理模型，但是采用 AI4S 方 法，可以建立“成分-结构-性能”之间的定量关系，通过数据融合处理、选择特征工 程、训练模型学习数据集背后的规则并应用力学性能进行预测，筛选合金的相结构、 密度、熔点、硬度和耐腐蚀性，从而得到所需的高熵合金。

提升合金研发速度、降低研发成本：高端合金材料的行业特点为研发时间极长、验 证周期极短，研发时间极长：传统方法需要大量的试验和经验积累，耗费时间和资 源，研发周期可达几十年，海外高端合金公司不乏起源于一战、二战的老企业，技 术积累经历百年技术沉淀；验证周期极短：一旦金属材料性能达标则可以快速进入 生产销售阶段。QuesTek 是美国 AI+金属龙头厂商，其 Materials by Design®平台以高通量材料计算为核心，集成了从微观到宏观的多尺度计算工具，集成接入热力 学计算、动力学计算、宏观有限元软件以及性能预测模型，面向航空航天、石油天 然气、生物医药等行业，开发了一系列前所未有的合金、涂层以及其他材料，相比 传统“试错法”，新材料研发周期缩短 50%，成本降低 70%，产品涉及高强钢、铝 合金、涂层、高温合金以及新兴的高熵合金。

2.1.4. 化工：市场巨大、传统领域亟需变革，AI4S 大有可为

化工材料的研发是 AI 可以大放异彩的领域。在化工材料领域，从单体合成到聚合物调 控，再到复配体系筛选，AI 都可以参与其中，大大加速化工材料行业的产品开发速度。

有机合成化学品 如农药、医药中间体、 染料、催化剂等）：AI 长处可以充分施展 的领域。代表性产品包括农药、医药中间体、染料、有机颜料、催化剂、食品添加 剂、合成香料等。究其原因，这些行业多涉及复杂分子设计和多步骤反应，AI 既可 以通过逆合成规划与应可行性预测筛选最优合成路径，也可以驱动自动化平台完成 高效实验、对实验数据做分析，提升产物良率与选择性。以催化剂为例，所有工业 制品中超过 80%都涉及催化剂。然而，现有催化剂面临着反应过程中动态微观结构 演变不清晰、反应路径不明确、催化剂数据库缺失、全流程“炒菜试错”现象严重 等问题，极大制约了催化剂的发展。AI4S 能够揭示活性位点、表面吸脱附反应过程， 深入理解催化剂构效关系等本质原理。例如，深势科技采用了基于机器学习分子动 力学模拟与自由能计算的方法，发现纳米团簇的表面会出现预熔化现象，从而导致 催化活性随温度呈现非线性变化，为纳米催化剂的设计与优化提供全新的思路。

聚合物 如 塑料、弹性体）：AI 驱动产业研发朝精细化持续深化。由于单体序列、 分子量分布、交联程度等参数的复杂性，聚合物性能调控难度显著高于单一分子中 间体，典型产品包括高性能工程塑料、柔性电子器件所需的介电材料、分离膜等功 能材料。AI 能够融合物理模型与深度学习，预测聚合物断裂行为、密度等复杂特性， 突破人工试错法的局限性。举例而言，荷兰创新研究中心 TNO 正在借助 AI 加快可 生物降解塑料的研发。传统上，开发一种新塑料，通常需要 20-30 年的时间。但利 用可并行处理数千次计算的强大的算法，TNO 子公司的速度比市场上领先的规划软 件快 1000 倍，现已获得了 160 万欧元的投资，并已与纺织品制造商 Senbis 合作， 利用生物降解聚酯制造纺织纤维，迈向商业化进程。

复配体系（ 如涂料、胶剂剂）：AI 可充分发挥专长的舒适区。很多化工材料行业的 专业壁垒高度依赖于 know-how（ 可以理解为配方与经验），典型行业如涂料、油墨、 胶黏剂等，都依靠复杂助剂、溶剂、添加剂复配体系实现特定功能。以涂料为例， 作为具有树脂、溶剂、颜填料、助剂四大类共数千种原材料的行业，涂料的产品配 方排列组合极其丰富，尤其适合用 AI 进行优化。多年来，KCC 基于对液态涂料颜色 和相关涂料涂装后干膜彩色数据的丰富积累和对其相互关系的深度研究，设计了大 数据库。以此为基础，KCC 开发出可以预测目标颜色的算法和利用 AI 技术的目标 颜色匹配功能，构筑了即使不实际涂装涂料也能预测颜色并调色的生产-调色工程平 台。

2.2. 生物医药：AI4S 或已进入加速渗透的“甜蜜点”

AI 与医药领域的结合能够大幅加速药物开发的进程。关于创新药研发，业内一直流传着 三“十”定律，即研发需要“十万个化合物，十亿美金，十年时间”。自 1950 年以来， 每 10 亿美元研发投入所产出的获批新药数量几乎每 9 年减少一半。药物研发的成功率 低，主要来自于靶标与疾病的关系探索难度大，靶标成药难度高，和药物分子的开发难 度大等几个方面。AI4S 带来的一系列高效高精度的计算工具，有望将单个药物和材料研 发所需的湿实验降低至现在的百分之一。 AI 制药对大分子药物、小分子药物的开发都有明显增益。小分子药物主要是指化学合成 药物，结构简单，易于制造、成本低，由苯环、羧基和乙酰基等组成的阿司匹林就是典 型的小分子药物；抗体、蛋白质、核酸、多糖等大分子药物又称为生物制品，主要是通 过基因工程、细胞工程、蛋白质工程等生物技术生产，以注射或输液等方式给药，往往通过与特定细胞表面受体结合或者调节免疫系统来发挥作用。2024 年 5 月，AlphaFold3 横空出世，成为第一个在生物分子结构预测方面超越基于物理学工具的 AI 系统，能以前 所未有的准确度预测包括蛋白、多肽、核酸等所有生命分子的结构和相互作用，在全原 子尺度去学习生物分子间的相互作用，小分子、大分子药物开发的能力极大提升。

具体而言，AI 在小分子领域的应用已经相对成熟，而大分子领域数据量更大，为生物大 分子设计带来了巨大的机会：

小分子药物发现

AI 在小分子药物发现领域的应用非常广泛，在蛋白质结构解析与可药性位点确证、候选 化合物的发现与优化、临床前验证等各环节都有丰富实践。以药物晶型确认环节为例， 相同的药物分子会因其晶型不同而具有不同的理化性质，最终又会影响到药效、给药形 式和计量。目前晶泰科技整合了晶型搜索算法、XForce Field 小分子通用力场，量子动力 学计算与晶体自由能计算等技术来预测晶型热力学的相对稳定性。凭借着强大的计算预 测能力，晶泰科技显著缩短了抗新冠病毒药物 Paxlovid 研发时间（ 2022 年销售额 189 亿 美元），仅用 6 周时间就完成了药物优势晶型确认工作，加速药物上市 6 个月。

大分子药物研发

在基因治疗领域，大分子药物正在多点突破。通过将外源基因导入靶细胞或组织，替代 ､补偿､阻断､修正特定基因，基因药物在治疗遗传病、癌症、糖尿病，预防传染病等方面 正不断取得突破性进展，具体可以分为基于 DNA、基于 RNA 两类。以 DNA 类药物为例， CAR-T 离体基因治疗是这种疗法的典型手段，但传统的 CAR-T 细胞存在复发率较高等问 题。CAR 分子的胞外结构域中识别抗原的单链抗体片段十分重要，AI 可被应用于学习抗 体片段规律，对抗体亲和力或人源化性质进行预测推荐。在商业化领域，我国企业莱芒 生物的核心产品 CD19 CAR-T 疗法 Meta10-19 注射液）在临床中以极低给药剂量 仅 传统疗法 1%）实现了肿瘤细胞的完全清除。此前，莱芒生物与晶泰科技合作开发了 AI 超级因子研发平台 MetaAI-10，携手加速新型肿瘤免疫治疗药物研发。 当前用 AI 开发生物大分子药物有三大前沿模型，已吸引大药企签下数十亿美元订单。 1）RF diffusion：通过逐步降噪的方式来设计蛋白质。由于扩散过程的每一步都可逆，所 以只要“步子”足够小，就可以从简单的分布倒着推断出最初复杂的分布，荣获 2024 年 诺奖。2）ESM3：直接用多模态的生成大模型“暴力”地进行计算，ESM3 的训练数据集 非常庞大，token 总数达到 7710 亿。通过语言建模对蛋白质三大基本属性序列、结构和 功能建模。团队成功模拟了一种自然界中不存在的蛋白质的进化过程，该过程在自然界 中需要 5 亿年才可完成。3）DeepMind 团队的 AlphaFold3：输入蛋白的序列和小分子的 SMILES 文件后，模型可以在几秒的时间里给出共折叠的结构。2024 年初，Isomorphic Labs（ DeepMind 孵化的以制药为目标的新公司）宣布与礼来和诺华签署了两笔总价值近 30 亿美元的大额订单。

AI4S+合成生物学：开启万物合成新范式。人类对于生物机制的全貌仍不了解，只能 通过对黑盒的干扰-观察的方式来对这个复杂的编码调控系统进行学习。而合成生物学 正是探测黑盒的工具，即通过工程化修改和重设计生物 通常是微生物）而使其产生新 功能，而 AI 恰好可以通过以巨大参数空间对复杂系统的输入和输出进行拟合的方式， 战略性地设计探测实验，从而加速对生物系统的了解与应用。 AI+抗生素筛选、合成：1）2023 年 12 月，麻省理工学院 James Collins 教授团队在 Nature 上发表最新研究成果，该团队研究利用人工智能从超过 1200 万种化合物中识别 出一种革命性的新型抗生素类型，可以杀死临床上常见的超级细菌 MRSA，是近 60 年以 来的第一类可用于对抗 MRSA 的新型抗生素，凸显了 AI 在对抗抗生素耐药性方面的巨 大潜力。2）在商业界，AI 助力抗生素的研发生产也正在进行中，据川宁生物，其聚焦于硫氰酸红霉素的生产研发，利用合作对象金珵科技提供的 AI 模型做出分析和智能化改进 方案，关键酶的构建、酶的活性和研发效率上均有明显提升。

医美日化领域：作为功效护肤领域的“主角”之一，多肽类原料一直以来都是化妆品行 业绕不开的研究热点。近两年，有赖于合成生物学、AI 技术等多学科、多领域的突破和 发展，创新结构、更精准的作用靶点或功效正成为肽类原料的新突破方向。 AI 加速了个护企业在新型多肽产品领域的推新节奏。Bota Bio 恩和生物旗下个护子公司 青然新护推出了两款利用 AI 技术精准筛选而来的可持续蛋白肽——璞生燕麦肽、璞生小 果咖啡肽。这两款可持续蛋白肽均来源于含有丰富植物蛋白资源的植物废渣中，由 AI 技 术从分子模拟、多肽预测到序列对比、生产模式演算的原料研发全过程筛选而来，能够 精准指导可持续植物蛋白循环新生，符合当下的可持续发展理念。体内实验和临床试验 结果表明，2%璞生燕麦肽可将水离子通道蛋白 AQP3 的表达量提高 22%，有效焕活水 润通道，并可实现 24h 长效保湿。2%璞生小果咖啡肽香波则可明显减少发束面积差值， 即显著改善发束毛躁度，同时还可有效舒缓头皮不适。

3. 商业化多级跳，AI for Science 远期拥抱万亿蓝海

3.1. AI 进化史即 AI for Science 的发展史

早期的 AI 工具较为落后，一系列关键工具的出现使得 AI 实现了从“单一解题”到“通 用智能”的跨越。进程中，AI 技术的底层逻辑也发生转变，从依赖规则编程的“做题” 模式，转变为基于数据驱动的端到端学习模式。AI 的进化史，本质是能力泛化的历史— —从解决特定问题 如棋类游戏）到预测、生成、推理等多模态任务的全面覆盖 ：

2012 年，基于深度卷积神经网络 CNN）模型 AlexNet 模型在 ImageNet 图像分类 比赛中大幅领先传统方法，AI 开始突破传统算法的局限。

2015 年开始，TensorFlow、PyTorch 等框架的诞生标志着行业实现里程碑式突破， 开源框架兴起，推动行业进入技术基础设施建设期。

2017 年，Transformer 架构通过自注意力机制统一了自然语言处理的范式，成为 GPT、 AlphaFold 等模型的共同骨架。

2018 年，预训练模型 如 BERT）的出现让 AI 具备跨任务迁移能力。

2020 年，GPT-3 的发布则开启了通用智能的序幕，其 1750 亿参数的规模展示了语 言理解和生成的新高度。至 2023 年，GPT-4 和视觉模型 Stable Diffusion 进一步模 糊了生成式 AI 与人类创造力的边界，AI 从解题工具逐步进化为全能助手。 受 AI 技术的发展驱动，AI4S 也从早期的“科学辅助”跨越到了“范式革命”的新阶段。 AI4S 最早远远达不到全能王的水平，其发展阶段可概括为三阶段，分别是：1.0 模仿阶 段，指基于实验数据的外推 如虚拟药物筛选）； 2.0 预测阶段是指建立有边界的可验证 模型 如分子动力学模拟）；3.0 搜索阶段功能尤其强大，已经可以实现自主设计最优解， 可以完成材料组分智能生成等科研工作。回顾 AI4S 的发展历史，几大专业领域核心工具 的协同演进是 AI4S 突破式发展的关键：

我们认为，当前我们已经迈入了 AI4S 商业化落地的关键转折年： 2016 年是 AI4S 的起点：芝加哥大学许锦波团队尝试用深度神经网络预测蛋白质 结构，普林斯顿大学鄂维南团队则开发深度学习分子势能模型 Deep Potential）。 这一阶的 AI4S 尚处于概念导入期，科学家主导的探索以单点突破为主，AlphaFold 初代模型的诞生是标志性事件。 2020 年成为 AI4S 的关键转折点：AlphaFold2 在 CASP14 竞赛中以原子级精度预 测蛋白质结构，标志着 AI4S 正式进入基础设施建设期。这一阶段，工具的开源化 如 AlphaFold2 代码公开）和平台化加速了科学研究的效率，AI 从（“辅助实验”升 级为“替代传统模拟方法”。 如今，AI4S 的基础设施逐渐完善，开始进入商业化应用的关键年：AlphaFold3 扩 展至蛋白质-配体相互作用预测，开启药物设计新范式。2025 年，AI4S 基础设施逐 渐成熟，进入以工程师为主导的应用期，AI 开始系统性解决材料设计、药物研发等 领域的核心问题。

3.2. DeepSeek 解决算力瓶颈，AI4S 再加速

DeepSeek 问世后，AI4S 垂类模型开发企业可以本地化部署私域模型。DeepSeek 通 过强化学习技术实现了推理能力的全方位跃升，尤其在 STEM 领域展现出显著优势，其 的推理能力已在多个国际权威基准测试中展现出与全球顶尖闭源模型并驾齐驱的实力。 例如，在数学推理领域，DeepSeek-R1 模型在 MATH-500 测试中达到 97.3%的准确率， 与 OpenAI-01-1217 表现相当，并显著优于其他模型。更为关键的是，DeepSeek 的推理 API 成本优势极其凸显，以 DeepSeek-Chat3 为例，其输入和输出定价分别为每百万 tokens 2 元和 8 元，而 OpenAI GPT-4o 输入/输出定价分别为 2.5 美元和 10 美元/百万 tokens）。DeepSeek 堪称“普惠式”定价，使中小企业能以极低成本享受顶尖 AI 能力。

DeepSeek 可以从“读”、“算”两方面赋能 AI4S 企业。1）读：AI 在文献阅读环节再 次提速。而根据美国国家科学基金会，科研人员花费在查找和消化科技资料上的时间， 需占去全部科研时间的 51%。在此基础上，AI4S 企业可以将所有文献、实验数据等整合 为知识库，通过结构化查询与智能算法对比分析，实现自动给出最佳合成化学路径等前 序工作。2）算：此前，AI4S 企业面临着算力成本高、数据不足、模型泛化能力不足等 问题。而 DeepSeek 的 MoE 架构通过动态激活参数技术，实现了参数利用率与计算成本的革命性优化，采用 3D 并行等训练策略，671B 参数量的大模型训练所需算力降低至原 1/10。且 DeepSeek 将模型权重与工具链 如迁移学习框架）全面开源，企业可基于 Hugging Face 平台快速定制垂类模型。在以算法密度替代算力堆砌的新时代下，AI4S 企 业迎来了加速深挖自身垂类模型护城河的新时代。 可以预见，在不久的将来，具有垂类模型积累（ 数量、领域）、掌握高质量数据、具有二 次开发能力的企业，将在算力平权时代更快速地诞生新成果。

3.3. AI for Science 的远期空间有多大？

据深势科技创始人，AI4S 未来有望成长为千亿美金的巨大市场。得益于底层数理方程 和基本科学规律的强通用性，我们认为未来 AI4S 能够在物质科学、生命科学两大领域 开拓出全新的巨大市场。我们认为 AI4S 市场规模取决于各个下游领域头部企业的研发 支出规模，以及 AI 导入研发的渗透率。在此基础上进行测算，测算过程如下： 1）市场规模：我们对化工、医药、新能源、合金、显示、半导体六大领域做出了测算， 其中化工、医药、新能源市场规模最为庞大，分别为 5.8 万亿、1.6 万亿、2.3 万亿美元， 合金、半导体、显示市场也不容小觑，AI4S 合计可覆盖的下游市场规模近 11 万亿美元。 2）AI4S 领域的定价模式或为头部下游企业以研发支出形式实现付款。例如，在晶泰科 技与协鑫集团签署的 5 年期战略合作协议中，协鑫将向晶泰科技支付约 1.35 亿美元用 于研发费用，深势科技的直接服务对象为宁德时代而非锂电材料企业。因此，我们以中 信分类下各行业内企业 2023 年研发支出占总收入的中位数作为计算依据。 3）我们计算了在 AI 渗透率分别为 1%、2.5%、10%、25%的不同情况下，AI4S 的合计 市场规模。结果表明，在渗透率达到 2.5%时，AI4S 行业的规模约 149 亿美元 近千亿 人民币），若未来该比重提升至 25%，则 AI4S 将成长为年产值突破 1400 亿美元 近万 亿人民币）的庞大蓝海。

事实上，AI 渗透率的提升是锐不可当的大趋势。以医药行业为例，据《2024 年中国医 疗大健康产业发展白皮书》，AI 在医药行业的渗透率将飞速提升，在 AI 医学影像领域已 有超 60 个三类证产品获批上市，预期行业渗透率将由 2020 年的 0.7%上升至 2030 年 的 41.3%。目前，AI 在制药行业还没有达到普及阶段，全球处于临床阶段且保持活跃状 态的 AI 参与研发的管线总计 97 项，大部分 AI 药物研发项目处于临床早期阶段，而进入 临床三期的药物占比仅有 6.2%，未来 AI 在医药领域的应用市场空间还将持续拓展。

4. 我国拥有诞生 AI for Science 巨头最好的土壤

与医药不同，全球材料科学下游化工业主要聚集在中国，同时中国材料科学科研实力也 在加速崛起。根据中国化信咨询，2022 年我国化学品产值已占全球 45%。我国拥有最 齐全的化学制造业门类、最完备的产业链，有望孵化出引领全球的 AI for Science 巨头。 在 AI4S 先行者中，不乏有晶泰科技、深度原理等海归派 均孵化自 MIT），在美国 特 别是波士顿地区）医药产业发达的情况下毅然决定回国拥抱更大的材料市场，具有重要 启示。引用深度原理创始人兼 CEO 贾皓钧观点：“在美国去工业化的背景下，材料化学 领域的中国企业，正积极从生产转向研发，故 AI for Science 在中国的落地机遇更为丰 富”。科研实力方面，中国材料科学也处在加速崛起中。根据 Nature Index 最新数据， 2023 年中国材料科学科研产出指数达到 10597.4，全球份额占比超 50%。

中国是全球第一大制造业国家，根据高盛最新数据，2023 年中国光伏、锂电池、新能源 车、功率半导体、钢铁供给占全球分别为 86%、81%、66%、29%、54%。产业高度集 中之于 AI4S 主要有以下显著意义： 快速积累数据：近产业者得数据，高质量的数据是训练 AI 垂类模型的必备素材，中 国化学制造企业数目繁多，有利于 AI4S 企业快速积累数据； 快速融合产业：本质上，AI4S 为跨学科领域，其产业的发展需要 AI4S 企业与不同 细分领域生产企业的“双向奔赴”。由于过去 AI4S 在医药以外大部分细分领域尚未 有过示范项目，因此“产、研”双方的对接以及对于互相能力圈的理解将成为促成 合作的重要要素。在中国，AI4S 企业在与不同化学制造门类、产业链环节企业交流 探讨方面具有更大的便利； 示范效应：中国制造业容量大、密集程度高，过去产业对于 AI4S 范式革新趋势持观 望态度。随着各个细分领域出现“第一个吃螃蟹”的玩家，更多的企业有望加速拥 抱产业趋势，使得 AI4S 范式在中国各材料领域迎来“多米诺式”扩散。 我国 AI4S 势力强势崛起，领跑全球。AI4S 材料制造底层科学原理具有统一性，受益于 DeepSeek 等国产大模型的渗透，跨行业知识学习变得高效且低成本，使得 AI 材料企业 具备横向扩张的可能性。我们对全球 AI4S 生态进行梳理：海外聚焦 AI4S 的厂商主要包 括薛定谔、Recursion、Isomorphic Labs 等；国内方面，近年来我国一批平台型企业开始 加速崛起，代表性的企业包括晶泰科技、中科大孵化企业 如机数量子、微观纪元等）、 深势科技等。

4.1. 晶泰控股：全球 AI4S 标杆企业

公司是全球领先的 AI+自动化 AI4S 龙头。晶泰控股是基于量子物理、以人工智能赋能 和机器人驱动的创新型研发平台，是 AI4S 的全球龙头。从业务模式上看，公司计算机模 式和湿实验室实验的反复运算创造了一个良性循环，在这个循环中，数据生成、学习和 确认相互促进，并通过分子和化学合成的真实世界实验数据不断强化，具有技术领先性。

三位 MIT 博士后联合创立，一级市场获得腾讯、红杉、软银、歌 等机构入股。公司由 温书豪、马健、赖力鹏三位麻省理工学院的博士后物理学家于 2015 年创立。目前公司拥 有员工 783 人，其中科学家与技术专家超过 500 人。公司为港股 18C 新规第一家上市公 司，一级市场获得腾讯、红杉、软银、歌 、 Successful Lotus 等投资公司入股。其中， 腾讯自 2015 年参与 A 轮融资以来多次增持。2021 年 D 轮融资后，公司估值达到 19.68 亿美元。

2016 年，公司参加了辉瑞举办的全球晶体结构预测盲测并夺魁，从而与辉瑞在技术创新 和药物研发方面建立了长期的战略重要合作伙伴关系 曾帮助辉瑞进行 COVID-19 口服 药晶体结构预测，缩短客户药物上市时间 6 个月），并逐步成为提供固态研发计算服务的 全球领导者。随后公司建立了湿实验室并布局机器人自动化，以实现可扩展、灵活、多 项目、更快速且更具成本效益的实验周期。2020 年以来，公司药物研发、自动化两大业务营收、项目数高速增长，2024 年上半年实现营收 1.07 亿元，同比增长 34%；截止 2023 年可创收项目达 504 个，同比增长 72%。

AI 医药业务：国际领先的 AI 制药服务商，涵盖小分子、大分子药物研发能力。公司是 国际领先的 AI 药物研发服务商，全球前 20 大生物技术与制药公司中 16 家为公司客户。 区别于 AI Biotech 企业需要亲自下场做药，晶泰主要承接下游客户的订单。公司药物发 现解决方案专注于识别和开发对特定疾病相关靶点表现出药物活性功能的分子，可为下 游客户解决横跨药物发现及研究的整个过程 从靶点验证、苗头化合物识别、先导化合 物生成、先导化合物优化至临床前候选化合物 PCC），研发能力圈涵盖小分子、抗体、多 肽、抗体偶联药物、蛋白降解靶向嵌合体等多模态。依托 AI 药物研发平台“干实验室” 与自动化机器人“湿实验室”结合的技术优势，2023 年公司与礼来签署一项 AI 小分子 新药发现合作，预付款及里程碑总收益可达 2.5 亿美元。根据 2024 年半年报，公司医药 板块持续迎来进展，大分子业务交付成功率接近 100%。同时与默达生物、希格生科、 某美国领先制药公司、长江生命等客户药物研发进展顺利，锁定长期成长空间。

晶体结构预测是打开材料发现之门的钥匙，底层逻辑具有相通性。晶体结构预测是一类 重要的物质结构预测技术，在新材料研发领域十分关键，而晶体预测正是公司一直以来 的技术优势。2024 年 12 月公司在剑桥晶体数据中心举办的物质结构预测 CSP Blind Test 中脱颖而出，成为表现最出色的两个团队之一。引用董事长温书豪博士观点：“准确预测 物质结构需要处理非常复杂的高维问题和极高的计算精度。独特的物质结构会形成独特 的材料，带来独特的性质。这些物质结构既可以是治病救人的药物物质结构，也可以是 解决能源传递瓶颈的室温超导材料，甚至可以是量子计算机的底层器件材料。掌握了精 确的物质结构预测技术，就像掌握了打开未来材料发现之门的预言钥匙”。 AI 新材料业务：快马加鞭，卡位 AI 新材料业务星辰大海。基于底层技术相通性，公司 积极拓展 AI 新材料业务，赋能客户实现更优的材料研发范式。目前公司在钙钛矿、固态 电池、电解液人工智能配方推荐、电解液研发流程的全自动化、有机合成流程的全自动 化操作、催化剂高通量合成、催化剂分析前处理、中药新药智能自动化融合创新平台、 化妆品及食品新原料开发、非动物评价模型开发、高通量工程菌粉体自动分装及全自动 样本前处理等方向均取得重要突破，实现全流程自动化、数字化及智能化。2024 年 8 月， 公司与协鑫集团签订价值 1.35 亿美元 约 10 亿元人民币）的研发委托协议，就钙钛矿、 超分子、锂离子电池、正极材料、碳硅材料等领域高科技新能源材料研发的订单化服务， 拿下进军 AI 新材料的第一个大订单，未来其他领域有望实现模式的复制，进而打开广阔 成长空间。

4.2. 中科大孵化：机数量子、微观纪元

中科大拥有强大的 AI4S 研发实力。中科大作为中科院所属顶级高校，具有强大的理工 科学术能力和研发实力，设有微尺度研究中心、精准智能化学实验室等国家级研究平台， 深耕 AI4S 材料研发，取得积极的进展，具备卓越的综合实力。其中核心研究主体包括：

微尺度研究中心：合肥微尺度物质科学国家研究中心是科技部 2017 年 11 月批准组 建的六个国家研究中心之一，依托于中国科学技术大学，是聚焦物理、化学、材料、 生物、信息共 5 大一级学科融合，以国家重大战略需求和交叉前沿领域为导向的新 型基础科学研究中心。中心坐拥中国科学院院士 15 位、中国工程院院士 1 位、国 家杰出青年科学基金获得者 97 位、国家重大人才工程获得者 22 位，科研实力雄厚。 中科大化学物理系执行主任罗毅任微尺度研究中心主任。

精准智能化学实验室：精准智能化学全国重点实验室是经中国科学院批准依托中国 科学技术大学筹建的国家级研究平台，在江俊教授带领下 团队负责人），推出全球 首个数据智能驱动的机器化学研发平台“机器化学家”。实验室面向世界科技前沿， 聚焦如何改变化学研究范式，探索建立化学研究的精准化、智能化双驱动模式。实 验室以中国科大化学与材料科学学院为主体，联合校内信息/工程/计算机/数学学科 队伍共同组建而成，现有固定研究人员 100 余人，包括 2 位中国科学院院士。

4.2.1. 机数量子：AI+机器人实验驱动新材料研发

孵化自中科院顶级团队，机数量子是中国 AI4S 化学物理材料研发的先行者。机数科技 是数据驱动材料开发新范式的领航者，以量子化学计算和人工智能分析，为新材料开发 赋能。机数量子核心技术团队及研究成果孵化自中科大精准智能化学实验室及科技部下 属微尺度研究中心。机数量子以“量子化学计算、大数据分析、人工智能预测”为核心 技术，为企业与科研用户提供材料大数据检索、新材料智能开发服务和整体解决方案。 机器人化学家平台，自动、智能化程度超越欧美。机数量子机器化学家平台于 2021 年 全球率先发布，集成了移动机器人、智能化学工作站、智能操作系统、科学数据与模型 库，是全球首个“数据智能驱动的全流程机器化学家平台”。机器人化学家由“化学大脑”、 机器人实验员和智能化学工作站三部分组成。其中核心的“化学大脑”通过分析大量化 学实验和理论数据建立知识图谱，在智能阅读文献、自主设计实验、自动执行合成-表征 -测试的化学全流程、智能优化化学创制等方面全面超越欧美同类平台；机器人实验员和 16 个化学工作站之间能进行数据交换和互动，精准配合执行化学实验。该平台还建立了 包含 8 千万种化合物、1 千万种化学反应等资源的数据库和检索引擎，并在此基础上开 发了物理化学知识图谱。目前，该平台正应用于析氧反应催化剂、掺氢氧化物光催化剂、 新能源电池的高熵催化剂等新材料开发。

数据库平台 dcaiku 为世界一流、亚洲最大的材料数据库平台。公司建成了世界一流、 亚洲最大的材料数据库平台机数大材库 www.dcaiku.com），并开发了半导体数据库、 磷矿数据库、催化数据库等软件，在量子化学计算、大数据分析、人工智能预测的技术 上达到国际先进、国内领先。公司融合 9000 万化合物、1100 万化学反应路径的庞大材 料数据，将数千次实验优化过程缩短至 300 次以下，开发效率提升超百倍，大幅提升新 材料研发效率。公司拥有新材料领域的独有数据，独享空白赛道；未来将积极进行自主 研发，并与国内外一流大学的相关研究组合作，保持技术的前沿性、先进性、全面性。 在实际应用中大大加缩短研发时间、提升研发效率：高熵非贵金属产氧催化剂：高熵材 料具有高混乱、高无序、高复杂度的特点，能提高能源电池的稳定性，对新能源发展非 常重要。如果按照以往的方法，科研人员要从 29 种非贵金属元素中选出 5 种进行超过 55 万种配比组合，“试错”研究可能需要 1400 年。而机器化学家通过阅读 1.6 万篇催化 论文，自主遴选出 5 种非贵金属元素，并融合 2.5 万组理论计算数据和 207 组全流程机 器实验数据，建立并优化预测模型，将传统“炒菜式”遍历搜索所需的 1400 年，缩短为 5 周；基于火星陨石的制氧催化剂：如果用人工方式做实验，以 5 种不同的火星矿石作 为原料，有超过 376 万个配方的排列组合。按每个实验验证至少 5 小时计算，找到最佳 配方可能需要 2000 年，而机器化学家只用了 5 个星期就做完了实验。

4.2.2. 微观纪元：量子计算驱动的 AI4S 材料研发软件商

公司是中国量子计算工作组秘书单位，致力于 AI4S 赋能材料研发。微观纪元成立于 2022 年 2 月，核心技术负责人来自中科大体系，董事长、算法总监出自科大少年班。公 司依靠自主创新的量子算法和融合各类量子计算机、图形 GPU 计算、经典 CPU 计算等 多形式算力平台实现行业应用的自动化生产管线，构建了应用于组合优化方向的稳定子 算法，用于金融、电力等行业，基于量子化学的生物制药药物筛选、新材料研发等管线。 2022 年中国信息协会量子信息分会量子计算工作组 QIAC 正式成立，微观纪元当选为秘 书单位。

核心技术路径：量子计算驱动。引用中国工程院院士、中电科首席科学家陆军观点：“量 子科技是新一轮科技革命和产业变革的前沿领域，量子科技的发展具有重大科学意义和 战略价值，是一项对传统技术体系产生冲击、进行重构的重大颠覆性的技术创新”。微观 纪元是一家量子计算驱动的 AI4S 研发服务商，现阶段公司以生物制药和新材料研发两 个细分行业作为突破方向，产品包括量子-经典混合集群云平台、应用量子算法/量子启 发式算法的应用软件及高精度计算服务等。从量子计算产业链来看，主要包括：上游： 量子比特监控系统、量子比特环境、量子芯片；中游整机：超导、离子阱、光量子、中 性原子、半导体等路径；软件：系统软件 包括量子编程软件、量子主机软件）、量子应 用软件 包括 药物、金融、化学化工等领域）；云平台：量子计算云平台。公司所在赛道 为基于量子计算的药物、化学应用软件分支。

围绕量子计算化工应用，与多个国内科研机构以及上下游行业领军企业建立了深度合作。 公司产品主要用于生物医药和新材料等化学领域，通过高精度的量子化学计算方法，帮 助生物医药企业或新材料企业完成分子材料配方设计。通过两年多的技术及产业经验积 累，目前微观纪元正在构建一套以量子计算+AI 为基础的干湿结合实验及生产平台，聚 焦高效节能生物能源及新材料的研发生产，公司与多个上下游核心客户达成战略合作：

与阿法纳合作发布 MiQro RNA 药物设计平台。2023 年微观纪元与阿法纳生物合 作开发了国内首个基于量子计算和生物医药的药物设计平台 MiQro RNA；

与国仪量子达成战略合作。2023 年 1 月，微观纪元与国仪量子达成战略合作关系， 就量子计算软硬件一体化平台及行业应用领域开展长期合作。基于国仪量子在量子 计算硬件平台及相关系统技术上的积淀，结合微观纪元在量子算法和融合计算平台 等领域的研发优势，双方将共同构建硬件、算法、应用一体化的合作流程；

与中电信量子达成战略合作。2024 年 1 月，微观纪元与中电信量子正式签约开展 关于量子技术在产业应用合作，双方将围绕量子计算技术及算法的科学研究、产业 化研究以及在生物医药、新材料等重要领域的应用实现组建联合攻关团队；

与量子科技长三角产业创新中心达成战略合作。2024 年 3 月中国工程院院士、中 国电科集团首席科学家、量子科技长三角产业创新中心主任陆军一行拜访微观纪元， 并达成战略合作意向。创新中心将整合目前长三角量子中心的超导系统，与微观纪 元一同开展应用算法研究，共同开发典型的量子计算应用示范。

志特新材：携手微观纪元、长三角产业创新中心，进军 AI4S

2025 年以来，公司陆续公告成立产业基金、战略合作协议、合资公司，携手量子计算“国 家队”，切入 AI4S 材料研发蓝海。具体时间线包括：

成立产业基金：2025 年 2 月 19 日，公司设立志特尖晶新材料数智化产业升级基金 合伙企业 持股 99.5%）布局新材料智能化研发等领域；

与微观纪元、量子科技长三角产业创新中心签订战略合作协议：2025 年 3 月 3 日， 公司与量子科技长三角产业创新中心 由工程院院士陆军担任主任，由中电科联合 成立）、合肥微观纪元 注册地位于中科大先进技术研究院）签订三方战略协议 ，共 同搭建基于量子科技和 AI 为支撑的新材料研发制造体系，推动量子科技成果转化 与产业化应用。具体分工方面，量子创新中心提供量子科技前沿创新研究、量子硬 件支持和关键人才支撑；微观纪元重点负责量子计算和 AI 技术为核心的新材料研 发制造平台搭建；志特新材拟运用市场及产业相关优势资源，主要负责应用场景需 求定义、产品验证量产以及产业化应用推广；

与微观纪元成立合资公司 志特控股）：2025 年 3 月 5 日，公司携手微观纪元成立 合资公司志特纪元产业科技有限公司（ 注册资本 3000 万元），其中全资子公司横琴 志特持股 51%，后续纳入母公司合并报表范围。通过合资公司的成立，公司进一步 推动先前量子计算及 AI 新材料研发相关战略协议的落地，深化公司与微观纪元的 战略合作关系，加速相关产品的研发和技术升级以及前沿科技领域的前瞻性布局。

量子科技长三角产业创新中心：背靠中电科，量子领域“国家队”级别研发机构。创新 中心由苏州市、相城区、中国电子科技集团、中国电子科学研究院四方共建，由中国工 程院院士、中国电科首席科学家陆军领衔并担任主任，目前已突破 20 比特量子芯片设计 与制造、量子微波测控、量子芯片自动标校、0.9mK 级极低温制冷、量子-电子混合算力 控制等关键技术；成功研制了全自主可控的 20 比特超导量子计算机，初步构建量子算力 网基础平台，形成支撑基础理论研究、计量基准标定、工业母机研发、产品研制和应用 服务等任务的能力。2024 年 5 月成功启动 100 比特实验样机集成联调联试，推动 100 比特实验样机测试验收。 主业方面，公司作为铝模板龙头迎“出海大时代”，拐点已至。公司是国内铝模板龙头企 业，2014 年开始布局“出海”业务，2014 年到 2023 年海外收入从 0.07 亿元增长至 3.67 亿元，十年增长超 52 倍。同时，境外铝模板业务往往具备更优的盈利能力 2024 年上半年，境外业务毛利率 39.4%，境内业务毛利率 20.4%）。2024 年公司预计实现归母净 利润 6500-9500 万元，其中下半年预计实现 5742.81-8742.81 万元，相比 2023 年强势 扭亏，拐点已至。

编辑：火腿肠