2025年晶泰控股研究报告：AI for Science全球领袖，万亿赛道启航

1. 晶泰控股：AI4Science 范式革命引领者

晶泰是 AI for Science 范式革命的引领者。晶泰科技由三位华人 MIT 物理学博士后于 2015 年创立，是化学研发范式革命的全球引领者。2016 年，公司获得辉瑞盲测大赛冠 军，开始与辉瑞展开长期战略合作。COVID-19 期间，公司仅用六周时间便帮助辉瑞完成 口服药晶体结构预测，使辉瑞新冠药 Paxlovid 提前 6 个月上市。2022 年，公司通过自建 的机器人自动化实验室开始了高质量数据的加速积累，成为了全球独特的 AI 与机器人结 合研发范式重构者。目前，在医药领域全球前 20 大药企中已有 16 家为公司客户。2024 年，晶泰与保利协鑫签订钙钛矿研发订单，正式驶进 AI for Science 新材料领域蓝海。

公司使用 AI+机器人，打造行业独有的“高通量实验-高质量数据-高智能模型”飞轮： 算法：公司已积累分子生成模型 XMolGen、晶体结构预测模型 CSP、自由能微扰算 法 FEP、三元复合物结构预测模型 Xmodel、自由能结合模式预测模型 Xpose、蛋白 质复合物结构预测模型 XtalFold 等超过 200 个 AI 垂类模型，并在持续丰富储备； 数据：2024 年诺贝尔化学奖得主 David Baker 表示“数据是 AI 科学进步的瓶颈”， 公司拥有规模、先进程度领跑全球的自动化实验室，可以实现提升数据收集能力 40 倍，已覆盖超过 80%的常见药化反应类型，每个月可以积累 20+万条化学合成过 程数据。 以“高质量数据”为核心的垂直领域 AI for Science 模型将成为颠覆性力量。在过往研 究《AI for Science：化学研发的超级范式》中我们曾指出：AI+机器人的化学研发新范 式可以大幅增加速度和精度，从而高效突破药物和新材料分子研发的瓶颈。具体而言： 公司的机器人实验室平台 7×24 小时进行实验，高速地积累“高质量数据”，这些数据被 用于训练各类 AI 模型，用于包括靶点解析、合成策略推荐、虚拟筛选、合成反应结果预 测、专利搜索及结构化地整理数据等环节。

公司由三位华人 MIT 物理学家于 2015 年创立。公司由温书豪、马健、赖力鹏三位在麻 省理工学院担任博士后研究员的物理学家于 2015 年创立。公司董事长温书豪博士为全 球知名量子物理学家，在计算物理及量子化学领域拥有超过 14 年的研究经验，拥有中科 院大连化学物理研究所物理化学博士学位；CEO 马健博士拥有浙江大学物理学博士学位， 在国际领先的科学期刊发表 30 篇论文；首席创新官赖力鹏博士本科为北京大学物理数 学双学位，在芝加哥大学博士期间研究粒子物理、流体力学和数学物理领域。同时，公 司还拥有大量的 AI 算法与物理化学复合型人才。截至 2025 年 5 月，公司拥有员工 783 人，其中科学家与技术专家超过 500 人。

三位创始人股权集中度高，腾讯是第一大外部股东。公司大股东主要包括三位核心创始 人 与 董 事 长 温博 士 家 族信 托 控 股 持股 平 台 QuantumPharm Holdings Limited 、 QuantumPharm Roc Holdings Limited，以及腾讯、红杉、国寿等战略投资机构。截至 2024年报，董事长温书豪直接持股2.38%、信托持股6.51%，马健博士直接持股1.33%、信托持股 3.60%，赖力鹏博士直接持股 0.95%、信托持股 2.57%。三位创始人团队股权 集中度高，股权结构稳定。

获全球顶级资本青睐，2021 年底 D 轮融资估值已达 20 亿美元。公司在上市前已成为 AI 应用领域一级市场明星项目，上市后继续引入战略投资者： 一级市场融资：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、谷歌、OrbiMed 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； 上市后配售：2025 年 1 月 19 日，公司拟以每股 4.28 港元配售约 2.64 亿股，募资 约 11.30 亿港元；2025 年 2 月 19 日，公司拟以每股 6.10 港元配售约 3.42 亿股， 募资约 20.88 亿港元。

根据公司 2024 年报，截止 2024 年 12 月 31 日，公司现金及现金等价物、定期存款、按 公允价值计入损益的金融资产的流动部分及受限制现金合计人民币 31.2 亿元，若加入 2025 年 Q1 两笔配售所募款项净额人民币 29.68 亿元，公司当下账上现金资产规模超 过 60 亿元。 药物发现、自动化两大业务并举，收入高速增长。2020 年以来，公司着手机器人自动化 实验室建设，并将业务拓展至医药以外的 AI 新材料领域。截止招股书数据，2023 年公 司可创收项目达 504 个，同比 2022 年增长 72%。2024 年公司药物研发、自动化两大业 务营收、项目数高速增长：2024 年公司实现营收 2.66 亿元，同比大幅增长 52.75%，其 中 H2 营收同比增长高达 73%。2024 年公司药物发现实现营收 1.04 亿元，同比增长 18.16%；自动化板块实现营收 1.63 亿元，同比增长 87.76%。

2. AI4Science 远期万亿市场，我国具备培育巨头的土壤

2.1. AI for Science：一场化学研发的范式革命

AI for Science（AI4Science）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、AI4Science 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。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。 医药和材料是 AI4Science 的两大主战场。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。

AI4Science 有三种主要的商业模式。AI4Science 的能力圈主要包括“读、算、做”。以 晶泰为例，其在 AI4Science 领域的能力包括：读——晶泰的 PatSight 专利数据挖掘平台 可以将传统需要数天甚至数周的提取的文献和专利数据在 1 小时内提取完成，准确率达 到 95%；算——晶泰超过 200 个 AI 模型可以通过算法大幅提升研发的速度和精度；做 ——公司的自动化工作站可以实现提升数据收集能力40倍。基于AI4Science的能力圈， 行业产生出了三种实现盈利的商业模式：

定制 AI 模型：该模式中，AI4Science 企业依托算法能力，担任“卖铲人”角色， 既可以为客户定制用于优化、迭代、预测的 AI 垂类模型，又可以将反复淬炼后得 到的 AI 垂类模型复用给客户的同类型需求。从中收取“里程碑式”技术服务费， 下游客户产品上市销售后一般可以从中获得一定利润分成； 

输出机器人自动化工作站：机器人自动化实验室为训练 AI 模型生成高质量数据的 重要方式，也是验证化合物合成可行性的重要环节。以晶泰无机材料机器人实验室 系统为例，其中包括了自动化配料工作站、四通道自动球磨工作站、自动化马弗炉、 自动化压片工作站、AGV 智能运输机器人等部分。该模式中，AI4Science 企业可根 据客户（企业或院校）需求为其定制自动化工作站或全套的“黑灯实验室”；

自研管线：该模式中，AI4Science 企业（（一般与各领域行业龙头联合）开发新产品， 以合资公司的形式联合投入并进行产业化。该商业模式在新材料领域有巨大的潜力。

2.2. 空间测算：AI4Science 拥抱万亿蓝海

AI4Science 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 AI4Science 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 AI4Science 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： （一）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，AI4Science 合计可覆盖的下游市场规模近 11 万亿美元。 （二）AI4Science 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。 （三）我们计算了在 AI 渗透率分别为 1%、2.5%、10%、25%的不同情况下，AI4Science 的合计市场规模。结果表明，在渗透率达到 2.5%时，AI4Science 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 AI4Science 将成长为年产值突破 1400 亿美元（近万亿人民币）的巨大市场。

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。

2.3. 我国拥有诞生 AI4Science 巨头全球最好的土壤

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 AI4Science 巨头。在 AI4Science 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 AI4Science 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 AI4Science 企业快速积累数据； 快速融合产业：本质上，AI4Science 为跨学科领域，其产业的发展需要 AI4Science 企业与不同细分领域生产企业的“双向奔赴”。由于过去 AI4Science 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，AI4Science 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 AI4Science 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 AI4Science 范式在中国各材料领域迎来“多米诺式”扩散。 我国 AI4Science 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 AI4Science 的厂商主要包括 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、机数量子、深势科技等。

3. AI 制药：小分子业务高速增长，大分子业务扬帆起航

3.1. AI4Science 在小分子领域正持续渗透，在大分子领域前景广阔

从“试错时代”到“算法驱动”，药物研发范式革命进行时。传统药物研发依靠“人力” 的堆积，是耗时最长、成本最高的环节，科学家需要手动筛选数万种以上的化合物，进 行动物实验和临床验证，平均耗时 10 年、耗资 26 亿美元（智药邦数据）。伴随 AI 技术 的发展，制药行业正经历一场深刻变革，从药物发现到临床试验，从生产制造到市场推 广，AI 技术所带来的（“分子级别”的精准计算正在以人人的效率优化流程。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，药物开发能力极大提升。

1）小分子药物：AI4Science 能大幅提升研发效率

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。

2）大分子药物：AI4Science 应用潜力大，成为 2024 年诺贝尔化学奖方向

蛋白质是生命通过数十亿年逐渐进化而来的，它们就像微型机器人，在生命体中承担着 各种重要的职能。长久以来，人类面临着癌症、神经退行性疾病等诸多难题。如果依靠 大自然进化出全新的蛋白质来解决这些问题，恐怕要等上亿年的时间。然而 AI for Science 的发展有望终结这一难题。

AI4Science 在医药大分子领域的应用潜力大。一个典型的蛋白质包含 100 多个氨基酸 构成的序列，而氨基酸本身就有 20 种，潜在蛋白质的种类有至少 20^100 次方个，这是 一个天文数字。生命自然进化中诞生的蛋白质，只是其中非常非常微小的一部分。

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。

3.2. 晶泰打通临床前全流程，涵盖小分子、大分子

公司是国际领先的 AI 制药服务商，涵盖小分子、大分子药物发现，以及复杂分子固态 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。 模型底层逻辑：AI+量子物理计算的结合。公司是人工智能与量子物理计算的集大成者， 其中人工智能提供计算框架，量子物理则为微小尺度运算的第一性原理运算方式，两者 相结合就形成了 AI4Science 的模型逻辑。具体来看，公司 AI 制药计算平台产品包括： 基于人工智能的模型：小分子药物发现模型 ID4Inno、大分子设计和抗体药物发现 模型 ProteinGPT、抗体药物发现模型 XupremAb； 基于量子物理计算的模型：药物发现模型 XFF、XFEP、XPose；固态研发模型 XtalCSP。

从量子物理出发，公司具备顶级的分子力学计算平台。分子的性质与行为从本质上来说 是由量子物理学所决定的，因此基于量子物理学的方法能够更加准确地预测和模拟这些 分子的结构、性质以及行为或反应活性，并且能够从电子和原子层面提供对其作用机制 的深入理解。基于量子物理第一性原理的基础计算方法，公司开发出一系列计算工具， 具备能量和结构计算、高通量筛选、综合构象分析、构象空间采样、热力学特性预测、 结构或参数优化等能力，使公司能够识别苗头化合物和先导化合物，最终确定适合用于 进一步开展药物及材料科学研发的候选化合物和晶体形式。公司核心分子动力学模型平 台包括 XFF（（力场计算）、XFEP（（亲和力计算）、XPose（（结合构象计算），三者互相作用， 根据不同场景定制化应用，为新材料及药物化学空间提供高效、准确的开发平台：

力场计算平台 XFF：该模型为公司与辉瑞共同开发，用于计算分子间力场。XFF 全 面覆盖新型药物及材料的化学空间，能够以数倍的效率计算出更多的分子。同时 XFF 运用量子化学以及实验数据进行训练，从而能够可靠地呈现分子构造、单分子特性、 分子间相互作用，以及在溶液环境和药物靶点中分子的行为表现。相比开源及学术 力场模型，XFF 可节省 80%化学合成工作量；

亲和力计算平台 XFEP：FEP（（自由能微扰）是一种预测候选分子与其生物靶点之间 结合强度的方法，可计算不同配体之间的相对结合自由能。传统FEP 具有成本高昂、 等待周期长、缺乏可扩展性等缺点，公司自主研发用于大规模评估候选分子与其生 物靶点之间结合亲和力的亲和力预测平台 XFEP，将高精度、高通量的亲和力预测与 人工智能模型相结合，并且集成了增强采样算法、统计分析方法以及自主研发的 XFF。 XFEP 可以加快从苗头化合物识别到临床前候选化合物提名的整个过程。公司 XFEP 每年大约能够评估 24 万个分子的结合亲和力，是其他知名生物技术与制药公司 FEP 能力的 10-100 倍，同时相比传统 FEP 成本降低约 75%；

结合构象计算平台 XPose：分子及其靶点就如同钥匙和锁，结合构象是分子与其药 物靶点相结合时的正确结构和方向，正确的结合构象能够设计出与靶点更匹配的分 子，使分子能够更有效地“解锁”靶点，同时避免“解锁”其他靶点。XPose 通过整合不同采样及评估算法的优势，更精准地预测小分子靶点-配体的结合构象。通过 与 FEP 的结合，XPose 的成功率大大提升，对于小分子结构（（RMSD<1.0A）的预测 精度可达 58%高于文献中商业方案的 30%，攻克“不可成药靶点”。

依托强大的模型、自动化实验能力，公司与全球顶级药企实现全方位合作。根据 2024 年 报，公司医药板块持续迎来进展，与礼来、强生、优时比、默达生物、希格生科、某美 国领先制药公司、东亚多个 biotech 龙头企业、莱芒生物（公司孵化）、N1 Life 等客户药 物研发进展顺利，锁定长期成长空间： 2023 年 5 月 31 日，晶泰科技宣布与美国知名药企 Eli Lilly（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； 2024 年 10 月 10 日，晶泰科技其下属部门 Ailux Biologics 与强生公司下属杨森生 物技术公司签署大分子药物发现 AI 平台授权协议。根据协议，晶泰科技商业授权 Janssen Biotech 及其附属公司使用 Ailux Biologics 自主开发的 XtalFold™ AI 平台进 行大分子药物的发现和工程化设计； 2025 年 1 月 9 日：晶泰科技其下属部门 Ailux Biologics 与总部位于比利时的跨国生 物制药公司优时比（UCB）签署大分子药物发现 AI 平台授权协议。根据协议，晶泰 科技商业授权 UCB 使用 Ailux Biologics 自主开发的 XtalFold™ AI 平台进行大分子药 物的发现和工程化设计。

晶泰的小分子药物发现业务

依托 200 余个垂类模型，ID4Inno 小分子药物发现平台具备强大的研发及定制化能力。 公司小分子药物发现平台 ID4Inno 旨在以更高的效率和更低的成本，探索新型药物及材 料的化学空间。ID4Inno 小分子设计平台能够在 1-2 天时间内生成多达数千万个分子， 并通过以下方式进行灵活组合实现定制化服务： 人工智能算法：ID4Inno 融合了预训练、迁移学习、强化学习以及主动学习等主流 人工智能学习范式； 垂类模型：公司拥有 200 余个垂类模型，可用于小分子的目标导向生成、筛选以及 评估； 化合物标记：采用不同标记方式，如一维的 SMILES 表达式、二维图形、三维形状、 结合位点以及药效团。

两大核心子平台结合，实现小分子药物发现功能。ID4Idea、ID4Gibbs 是 ID4Inno 两大 核心子平台，其中前者为 AI 算法驱动的药物发现平台（坐拥 200 余个垂类模型），后者 为量子物理计算驱动的高精度计算化学平台（融合 XFF、XFEP、Xpose 等物理模型）：

AI 药物发现平台 ID4Idea：ID4Idea 构建了药物发现不同场景的数字化流程和智 能化算法，拥有超过 200 个 AI 垂类模型，可根据客户需求定制化完成定向分子设 计、高通量评估、以及辅助合成、测试等步骤；

高精度计算化学平台 ID4Gibbs：ID4Gibbs 基于量子力学、分子力学、统计力学等 物理原理，构建了自研分子力场 XFF、结合模式预测 XPose 和亲和力预测 XFEP 流程，从精度、效率和通量上有力地支持 FIC、BIC、FF 等业务项目的分子设计、评估 和优化。

定制化筛选解决难成药靶点 GPX4。GPX4 是细胞铁死亡过程中的重要靶点，但 GPX4 催 化口袋非常规意义上的可药口袋，平坦的特征类似于蛋白蛋白界面，这对非共价靶向 GPX4 的催化口袋造成了很大的难度。在处理这类平坦口袋问题时，需要在特大化合物库 中进行筛选，其分子数量能达到 10 亿以上，目前没有任何湿实验方法可以支持。公司通 过虚拟筛选的策略，通过采用不同颗粒度的亲和力打分算法，并结合机器学习算法可以 实现对 10 亿分子的高效筛选，并具有高度的准确性。依托多样性领先同行的特大虚拟化 合物库，以及精度更高（成功率超 90%）、通量更高（大规模云平台能力保证 5000 个分 子/天的亲和力评估通量）的 XFEP 技术，公司最终实现在 1 天内完成特大化合物库的药 效团匹配，而传统虚拟筛选流程仅打分环节耗时就长达 3 个月。

晶泰的大分子药物发现业务

公司大分子研发平台 XupremAb 具备靶点到临床全流程设计能力。抗体研发平台 XupremAb 将 AI 和经典的抗体发现技术有机融合于抗体药物发现的多个环节，助力制药 企业快速获得性质更优的候选药物。公司企业研发平台还包括 XploreSeq-AI 赋能的免疫 组库测序抗体发现、ImmuMab-人源化小鼠抗体发现、XuperHuman-AI 赋能的超级人源 化、Xffinity-AI 赋能的亲和力改造、XcelDev-AI 赋能的可开发性评估与改造等抗体发现 等。目前 XupremAb 拥有多个细分子平台，涵盖从靶点到临床前候选分子的整个流程（抗 体筛选、抗体工程改造、抗体可开发性评估等）。

在抗体筛选方面：XupremAb 平台利用 AI 从大量数据集中提取特征的能力，结合 NGS 技术，能进一步挖掘获得许多潜在的免疫组库信息。相较于杂交瘤技术 XupremAb 可拓展 2 个数量级以上的抗体序列空间，在增加抗体多样性的同时降低 了周转时间，预测阳性率仍保持在 50%以上；

在抗体工程改造方面：XupremAb 平台通过高效运用生成式 AI 和判别式 AI 两类方 法，在更大序列空间内的突变体搜索范围基础之上，可筛选获得各方面性质优良的 突变体。在项目中 81%的样本在改善 ADA 的同时保留了较好的亲和性，并且其他 理化性质均有不错的表现。

对标 AlphaFold，公司建立全球领先蛋白质结构预测算法 XtalFold。XtalFold 是公司自 主研发蛋白质结构预测平台，能够为大分子药物研发提供快速且准确的结构信息，在多 个研发阶段加速创新。XtalFold 利用序列信息对生物大分子之间的相互作用进行建模， 在整体成功率和难以建模区域（如抗体-抗原界面）的质量方面表现出行业领先的性能。 目前 XtalFold 已经授权给多家全球性药企，并在多种不同的研发项目中发挥了关键作用， 包括抗原设计、表位识别、亲和力成熟、pH 敏感性改造和双抗设计等。

基于大语言模型 LLM，自主开发大分子药物设计模型 ProteinGPT。ProteinGPT 技术路 线与 ChatGPT 相似，基于大语言模型 LLM 的底层技术，可一键生成符合要求的蛋白药 物。公司在训练 ProteinGPT 的过程中也使用了无标记的蛋白质序列数据（约 2.8 亿条） +抗体序列数据，包括公开数据集中的数十亿条+晶泰科技内部积累的抗体 NGS 数据。 目前 ProteinGPT 已经正式应用在公司各类大分子药物项目中，可以实现：1）依据特定 的靶蛋白序列来生成结合蛋白；2）按照特定的预设标准来生成抗体库；3）根据特定的 改进需求对若干抗体进行优化。

性能优异的大分子筛选工具 XploreSeq：XploreSeq 利用 NGS 和 AI 挖掘 BCR 免疫组 库，实现超快速抗体筛选，可分析数百万个抗体序列并推荐高度多样化的候选分子组合， 准确率超过 50%。在苗头抗体识别方面，XploreSeq 在项目中预测了 717 个结合抗体， 从中随机选择 48 个用于表达和测试，其中 66.7%（32/48）被确认为结合抗体。同时 XploreSeq 还可用于 VHH、共同轻链双抗的发现。

利用 AI 驱动工作流程，实现大分子亲和力改造。大分子药物的亲和力改造面临诸多困 难，包括了耗时长、成本高、难以同时优化多项性质、难以得到“天然的”变异、存在 人为偏差、一致性和可靠性低。通过 LLM 大语言模型的引入，可在保持关键性质的同时 达到所需的亲和力。在案例中公司对无法兼容展示系统的模块蛋白进行亲和力成熟，得 到 2 个突变体，包含 3-4 个点突变，亲和力均提高了 13 倍，对 60 个突变体进行 2 轮设 计-合成-测试，获得 9 个亲和力提高>3 倍的突变体。

晶泰的固态研发业务

固态研发是药物研发的第二阶段，传统实验筛选难以做到完整解析。固态研发是属于药 物研发的第二个阶段（第一个阶段为药物发现），其目的是为体外研究、中试研究以及专 利保护确定合适且热力学稳定的晶体形态。晶体结构预测的结果能够加强实验筛选工作， 并且有可能减少不必要的实验测试，进而能够选出药物的最佳固态形式。选择药物的最 佳固态形式能够提高后期药物开发的质量和成功率。传统的固态研发几乎完全依赖于实 验筛选，无法保证全面解析所有的晶型、对确定药物开发的最佳晶型、确保晶型情况的 完整性，进而导致在药物的生物利用度和功效方面存在潜在风险。 公司是全球顶尖固态研发龙头，晶型预测成功率达 100%。晶型预测是对目标分子及其 他可选组分在指定晶体空间进行全局搜索，预测该空间内热力学稳定的晶体结构（包括 实验结构）及其稳定性排序。公司可进行游离态、盐型、共晶、水合物/溶剂合物等体系 的晶型预测，是行业少有同时具备晶体结构预测、多晶筛选的服务商。公司通过 AI 驱动 固态研发能高效解决传统固态研发方案所面临的挑战，比如原料药溶解度低、体外稳定 性差、吸湿性、原料药构象不清晰、多晶风险等，在所有针对小分子开展的晶体结构预 测项目中都达到 100%的成功率。

晶型预测平台 XtalCSP，可高效分析复杂分子体系。2016 年，公司推出晶型预测平台 XtalCSP，该平台配备了全局搜索算法，涵盖了所有理论上的稳定形态。XtalCSP 不依赖 于实验，能够对实验进行交叉验证，降低多晶体系所存在的风险。XtalCSP 可以针对目标 多晶型推荐具有更高结晶倾向性的溶剂，同时每年在超过 70 个实验晶型上进行验证。截 至 2023 年底公司已通过 XtalCSP 平台评估过超 350 个体系的风险，可以在 4-8 周内提 供收敛的低能晶体全景图，而传统的实验方法需要数月甚至更久也仅能提供子集。同时， 公司技术也可应用于更复杂的体系，如拥有超过 15 个可旋转键的高柔性分子、具有多个 柔性环的复杂异构化分子，以及盐型、共晶、水合物、溶剂化物等多组分晶体。

为辉瑞 PAXLOVID 新冠药研发晶型，帮助药物提前 6 个月上市。PAXLOVID 是全球第 一款获 FDA 批准上市的口服固体新冠药物，由辉瑞研发，并相继在世界各地投入使用， 2022 年销售额 189 亿美元。PAXLOVID 的主要成分为化合物 PF-07321332，一款蛋白酶 抑制剂，它可以干扰病毒复制的过程并起到抗病毒的效果，对已知可感染人类的所有冠 状病毒都表现出抗病毒活性。为了探索和理解 PF-07321332 的晶型分布，辉瑞科学家选择与晶泰科技联手。晶泰科技的智能预测算法协助辉瑞显著缩短了 PAXLOVID 药物开发 中的关键环节，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。

具体项目中，公司晶型预测仅用 6-8 周完成客户需求，而传统晶型实验花费 17 周未能 获取单晶结构。在服务某国际知名药企项目中，客户要求通过理论计算，了解化合物的 稳定晶型全景，判断是否存在其他实验未能获得的稳定晶型；同时明确已知晶型（Form A&B&C）的转晶风险；最后得到未能通过实验完成单晶解析的 Form C 的单晶结构。公 司仅用四周完成前期计算工作，对解得的晶胞参数及预测得到的晶体结构进行衍射精修， 获得实验晶型 Form C 的单晶结构；随后使用 PSCP 方法，比较实验存在的晶型和理论的 潜在稳定晶型的相对稳定性，给出随温度变化的稳定性变化曲线，估计相变温度。公司 晶型预测计算周期仅为 6-8 周，而晶型实验共花费 17 周才得出与计算结果对应的相同 结果。

晶型预测有助于目标晶型专利的申报。单晶结构的获取有助于进一步研究目标晶型的固 相性质（如结晶性分析、溶解度评估等），并且单晶结构的理论衍射峰位置对晶型专利的 衍射峰保护有明确意义，在申报资料中尤为重要。在具体项目中，某国际知名药企的在 研管线 API 分子结构较为复杂，存在复杂的多晶型现象，有一定的多晶型风险。而通过 实验仅能得到目标稳定晶型 Form A 结晶度质量有限的粉末，单晶结构难以获得。同时 目标稳定晶型 Form A 粉末衍射数据/固态核磁数据存在杂峰，难以确定样品是否为纯净 晶型，不利于质量控制及申报工作。公司利用 XtalCSP™晶型预测平台，最终获得了实验未能得到的目标晶型 Form A 的单晶结构，并确认该晶型粉末是纯净晶型。通过单晶结 构获取的目标晶型理论衍射峰位置，可用于申报晶型专利时的衍射峰保护；同时根据前 期晶型预测结果，得到该化合物稳定晶型全景，并确认目标晶型 Form A 是全局最稳定 晶型。整个流程周期来看，公司晶型预测+固相分析大约 8-10 周，而实验路线总周期长 达 30 周。

4. 人工智能自主实验平台：AI×机器人，打造数据飞轮

4.1. 高质量数据驱动，晶泰是 Self-Driving Labs 先驱

自主实验室 Self-Driving Labs 是材料科学研发的重要发展方向。Nature 于 2025 年 1 月发布《2025 年值得关注的 7 项技术》，涉及癌症治疗、生物修复、可持续建筑、光子 计算等诸多前沿领域，其中自主实验室 Self-Driving Labs 位列榜首。Nature 指出：“将现 代机器人技术与人工智能算法相结合，能够规划和解读复杂的高通量工作流程”。ARK INVEST 的《BIG IDEAS 2025》同样对 Self-Driving Labs 前景进行了详细的解读和推荐： “自主实验室通过整合可大规模解读生物学信息的多组学工具、配备能实现高通量实验 的自动化设备、搭配可分析数据并设计下一组实验的大语言模型（LLM），有望推动药物 研发从自动化向自主化转变。Self-Driving Labs 可加快发现周期、降低成本和时间、提高 效率，在药物发现过程中最多可节省 2 年时间和数亿美元投资”。

正确的数据是决定 AI4S 逻辑推理成败的根基。目前通用大模型持续迭代，在处理日常 非学术问题能力显著，但面对物理、化学空间结构探索即材料（药物）科学研发时，往 往由于没有足够的数据（行业公开数据仅为冰山一角且众多来源难以溯源）而导致推理 逻辑无法形成正确结论。正确且优质的高通量数据（无法用人工湿实验完成），是解决 AI4S 科学研发的重要根基。

AI 模型训练的数据的积累，目前主要依托高通量“自动化”实验室。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。

公司机器人实验室可提升数据收集能力 40 倍，每月积累 20+万条反应数据。公司通过 “AI+机器人”模式打造了行业独有的“高通量实验-高质量数据-高智能模型”飞轮。公 司机器人实验室平台可 7*24 小时高负荷实验，通过高速积累“高质量数据”反馈于各类 AI 模型训练，这些模型可应用于包括靶点解析及虚拟筛选、合成策略推荐、合成反应结 果预测、专利搜索等环节。目前公司机器人实验室已经覆盖了 80%以上的常见药化反应 类型，每月可以积累 20+万条化学合成过程数据，实验结果的一致性高，数据质量远远 优于开源数据，可实现数据收集能力提升 40 倍。

公司机器人自动化实验可大大提升研发效率。以自动化合成为例，无论是在高通量平行 反应，还是多步自动化合成反应，晶泰科技人机结合的自动化合成实验系统都可大幅提 高合成效率，提高药物研发的效率，终极目标是在所有的人工实验场景中用自动化合成 替代人工合成。举例来看，某项目需要合成 78 个药化分子，平均每个分子反应步数约为 5 步，每个分子交货 20mg，希望在 20 周内完成交货。公司采用“人机结合”服务模式， 配备了 1 个组长+3 个研究员+1 个自动化实验室操作员。此项目 78 个药化分子* 5 步反 应，总共合成步骤高达 390 步。传统人工模式下，按每人每周同时推进两条路线，每条 路线上成功推进两步来计算，一个 5 人组需要将近 20 周完成（390/(5X4)=19.5）。而人 机结合模式下，5 人+3 台自动化合成工站（未满负荷运行），可在 10 周内完成。 高通量平行反应：在高通量反应或平行反应中（如化合物库合成、催化剂筛选、反 应条件优化），自动化合成有明显的优势。机器人可承接重复、繁重而耗时的工作， 实现 7*24h 不停歇地开设反应、处理反应、纯化产物，减少人为失误和环境改变带 来的偏差，使得实验结果更加可控； 多步自动化合成：自动化合成可以同时探索多条反应路线，效率远远高于传统人工 方法。应用场景包括：苗头化合物的筛选和优化、多骨架探索、大量 SAR、同时探 索多个基团替换。

“自主实验室”是“自动化实验室”的发展方向，两者区别在于决策者由人转变为 AI， 而海量的数据积累就是推动实验室由“自动化”转向“自主化”的核心。

晶泰是 Self-Driving Labs 自主实验室探索先驱，通过高通量机器人工作站的建设以及 AI 算法的扩充，致力于早日实现 AI 决策的全自主化实验室。随着数据的持续积累，目 前公司 AI 已展现出优于人类化学家的预测能力，尤其在失败反应预测方面，预测召回 率高达 81%，显著高于人类化学家的 39%、48%。

通过底层技术协同，公司将“AI+机器人”解决方案由医药研发推广至新材料研发的各 个领域。万华化学董事长廖增太在采访中提到，以催化剂研发为例：催化剂其分子式、 性能组合复杂，包含 14000 多种可能性。传统方法下一个有经验的硕士做一个分子合成 +评估需要 0.5-2 月时间，一年只能做 20 个左右实验，合成 14000 种分子式需要 20 个 硕士工作 35 年。而通过 AI 的方式进行筛选后再做合成、实验，在得到满意结果的前提 下仅花费半年多时间，大大缩短了催化剂的研发周期。目前公司依托底层技术相通性， 将（“AI+机器人”解决方案由医药研发持续推广至新材料研发中的各个领域，并取得积极 的进展： 在催化合成领域：晶泰科技为中石化、复旦大学麻生明院士团队交付了用于催化剂 筛选的智能合成工作站，突破了高通量合成筛选的瓶颈，增加科学研究产出； 在材料领域：晶泰科技为某材料研究院交付了无机材料研发智慧实验室，实现了多 种辅助合成、制样和分析设备的集成和调度，可自动完成材料研发中配料、球磨、 焙烧、烘干、压片和测试等实验流程。

4.2. 机器人自动化已斩获院校、国内外产业客户订单

中石化催化剂合成工作站交付

催化剂是石化工业的“芯片”，合成难度严苛。催化剂被誉为石化工业的“芯片”，石化 工业领域 90%的工艺过程都需要使用催化剂，石化工业的发展很大程度上依赖于催化剂 的发展。催化剂可以提高石油产品的产率和质量，减少环境污染物的排放。同时，石油 催化剂的设计和研发也是一个复杂而关键的工程领域，需要考虑催化剂的稳定性、选择 性、反应速率等因素，以充分发挥其催化效果。例如，中石化在进行该催化剂合成研究 时，需要面临如下挑战： 该催化剂合成工艺流程复杂，实验过程加粉加液频繁，需要在不同的来源容器和目 标容器间切换，量程和精度都有不同要求，对硬件稳定性和软件灵活性要求高； 实验过程工艺原料种类繁多且浓度高，反应液浆料粘度高，需要充分搅拌混合均匀；反应过程中产生大量酸性物质易腐蚀设备，要打通自动化全流程，具有极大的挑战 性。 2024 年 10 月公司顺利交付给中石化上海石化研究院一台催化剂合成工作站，用于一 种催化剂的高通量合成。该系统运用先进的自动化和机器人技术，突破催化剂高通量合 成瓶颈，可自动化完成固液投料、高温控制不同搅拌方式下的反应等步骤。解决了客户 实验过程遇到的催化剂合成工艺原料种类繁多且浓度高；反应液浆料粘度高，难以搅拌 混合均匀；反应过程中产生大量的酸性物质易腐蚀设备等问题，助力催化剂研发合成效 率提升。

无机材料研发自动化解决方案

高端无机材料应用领域广阔，研发难度高。无机非金属功能材料具有独特的高模量、高 硬度、耐磨损、耐高温、耐腐蚀、抗侵蚀、良好的生物相容性以及优异的电学、光学、 磁电、压电、热电等特性，从而在航天航空、新能源汽车、半导体、高端装备等新兴战 略产业具有巨大的应用前景。无机材料的研发生产难点包括了材料合成涉及的操作步骤 繁琐、需多种设备的配合、多种硬件设备的集成、不同种类样品的转移和软件系统的精 准调度控制等。 公司为客户开发出全流程材料制备和分析的智慧实验室，实现了多种辅助合成、制样和 分析设备的集成和调度。该系统包括了自动化配料工作站、四通道自动球磨工作站、自 动化马弗炉、自动化压片工作站、AGV 智能运输机器人、智能控制与调度系统等，适用 于材料研发中配料、球磨、焙烧、烘干、压片和测试自动化实验流程。

复旦大学自动化实验室交付

2024 年 6 月公司顺利交付给复旦大学化学系麻生明院士团队一台 XmartChem®智能合 成工作站（手套箱工站），用于团队某催化剂的合成筛选研究。XmartChem®智能合成工 作站（手套箱工站）可自动完成合成实验中投料、反应、产物稀释、过滤全过程，实现 无水无氧操作体系下化学合成实验操作流程自动化，进而突破高通量合成筛选的瓶颈， 提高实验的效率和安全性。

机器人自动化实验室出海

与阿联酋王室签署合作协议，打响机器人自动化实验室出海第一枪。2025 年 3 月，公司 与阿联酋王室谢赫·哈马德办公室签署商业合作协议，双方将在阿联酋共同建设中东地 区首个自动传统药物现代化研发实验室，首期投资 3000 万美元（按建设进度支付）。该 实验室项目计划于 2025 年 4 月正式启动首期建设，将服务于阿拉伯世界药物研发。

5. 进军 AI4Material，万亿赛道启航

5.1. 新材料是 AI4Science 的星辰大海

传统研发模式效率低，“AI+机器人”驱动范式加速革新。化合物发现是一个化学空间探 索的过程，而新材料的研发多属于高维非线性优化问题。新材料的研发需要对材料和环 境的物理、化学及力学性质进行复杂的耦合建模，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，传统研发模式效率低下。AI4S 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。目前 AI 新材料研发商业化尚处于蓝海，竞争格局优，在新能源材 料、电子材料、合金材料、化工材料等领域已开始渗透：

1）新能源材料

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。

钙钛矿电池：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。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；

电解液配方研发：基于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；

固态电池材料：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。

2）电子材料

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 发光材料等难度最突 出的领域做出贡献：

半导体材料：光刻胶 PAG 光酸是光刻胶生产时必不可少的关键组分，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；

OLED 发光材料：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。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（（热活化迟荧光光）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 也表示其具备独有 AI 模型，用于加速磷光 OLED 的研发工作， 与 AI 的结合是 UDC 在 OLED 材料领域久居霸主的关键支柱之一。

3）合金材料

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，但具有更高的硬度、强度、耐腐蚀性、 高温抗力，高端领域应用潜力大；而传统领域 90%为低熵合金，单一元素占比高达 80-90%。熵合金研发难度高，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，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，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，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。

4）化工材料

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：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。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，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；

聚合物：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；

复配体系：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。

5.2. 进军 AI 新材料，万亿赛道启航

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。此次大赛涉及光电材料分子、生物医药 分子、农药分子等多个材料体系，公司均展现了全球领先的技术实力。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”。 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。目前公司在钙钛矿电池、固态电池、碳基 材料、电解液、催化剂、化妆品、岩土固化材料超级塑料材料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。

与工信部签署战略协议，推动 AI 技术赋能百行千业、助力产业集群升级。2025 年 3 月， 工业和信息化部中小企业发展促进中心与晶泰科技达成战略合作，聚焦美妆消费品、生 物医药、前沿新材料、农业科技等细分行业，运用人工智能和自动化技术，促进产业智 能化转型升级。依托中心覆盖 31 个省级平台和 169 个地（市）平台的服务网络以及体 系内国家、省、市、县四级 1780 多家中小企业公共服务机构，公司面向特定行业的垂直 领域人工智能模型有望更高效地为广泛分布于百行千业的中小企业提供更加高效、智能、 可持续的解决方案，提升核心竞争力。

AI 新能源材料

斩获协鑫 10 亿元订单，布局 AI 钙钛矿材料。2024 年 8 月 24 日公司与协鑫集团签署 为期 5 年的战略合作协议，根据正式研发委托协议约定，协鑫将按照项目研发进度，分 期向晶泰科技支付预计约 1.35 亿美元（约 10 亿元人民币）的研发费用。晶泰科技将为 协鑫提供钙钛矿、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，携手开发一系列新材料。同时，晶泰还将为协鑫打造材料领域大模 型驱动的 AI+自动化数智创制系统，实现从新材料/复合物的快速设计、功能材料的高定 制，到工艺的高效开发应用。 电解液材料交付北京大学研发团队。公司为北京大学交付了电解液研发智能解决方案， 该解决方案可以大规模地进行电解液配方实验，获取大量的配方和测试数据，这些数据 将用于算法的训练和优化，能够准确、高效地完成电解液的配方和测试。

AI 碳基新材料

携手碳素龙头布局 AI 碳基新材料。2025 年 3 月 22 日，公司与我国炭素材料行业的龙 头企业方大炭素签署战略合作协议，双方将以人工智能（AI）为核心驱动力，围绕炭素 新材料领域展开协同创新，推动高端碳基材料研发与智能制造升级。合作模式下，通过 构建垂直大模型，两家公司将联手打造新材料领域 AI+机器人结合的“超级智能体”，持 续驱动行业创新与范式升级，在新能源、新材料产业实现技术突破与产业化落地。同时 双方将共同设立“晶泰-方大炭素智能研究院”，共同培养新一代 AI 材料研发技术骨干。 合作目标包括：

提升高端碳基材料量产效率：基于材料基因工程与 AI 算法，开发高性能硅碳复合材 料及石墨烯应用方案，覆盖锂电池、土壤修复等多元化应用场景，优化合成工艺并 实现自动化精准施工，推动新材料研发及量产效率升级； 打造“AI+工业”超级智能体：通过数字孪生、人工智能及机器人等技术，打造覆 盖材料研发、监测、生产的全流程智能化管理系统，全面推进碳基材料的技术突破、 智能制造与自动化升级； 构建技术资产与超级算力平台：在材料设计、工艺优化等关键场景沉淀超百个 AI 算 法模型，搭建百万核级算力资源调度平台，支撑国家在新材料、新能源领域的垂直 行业超级人工智能攻关。

未来农业材料

未来农业材料是晶泰在 AI 新材料领域的重要潜在空间，主要包括了： AI 沙漠治理材料：设立 Al 生物基材料和植物数字生命研究实验室，布局沙漠绿化材料。

AI 超级作物：携手柒彩之心研发超级作物培育。2025 年 2 月，公司与柒彩之心签 署合作协议，两家公司将携手打造植物的“智能进化引擎”，催生下一代安全、抗压、 绿色、经济的超级作物，以应对持续升级的气候变化挑战。基于柒彩之心的 CyberplantX 平台的海量数据，结合晶泰科技的 AI 蛋白质设计研发能力，研究团队 将精确识别植物细胞损伤后诱发组织修复与器官再生的调控蛋白信号因子，并对转 运蛋白进行精准设计改造，从而提升植物在应对气候胁迫、病虫害、机械损伤等外 部侵害时的组织器官修复与再生能力，定向培育出“超级作物”。

AI 种业：携手寿光蔬菜，推动 AI 种业研发。2025 年 3 月，公司与恒健控股（广 东省重大战略投资平台）、寿光蔬菜（现代农业厂商，负责种业产业及落地）签署战 略合作协议。该模式下：1）建设智能育种科研平台：在广东打造人工智能种业科技 平台、AI 农业种业软件研发平台及机器人柔性实验室；2）推动智能育种技术突破： 运用量子物理与 AI 算法优化基因组选择，提升精准育种能力；3）促进产业化落地： 整合粤港澳大湾区产业链资源，培育高价值新型种子产品。

AI 生物化肥：与美国 Kula Bio 合作 AI 生物化肥研发。2025 年，公司与美国 Kula Bio 签订千万级研发合作订单，双方将结合晶泰的 AI 和自动化技术，以及 Kula Bio 在微生物领域的深厚技术，共同开发新型生物肥料，推动可持续高效农业发展。

AI 建筑材料业务

与国内岩土工程龙头合作，以 AI 赋能特种岩土材料研发，服务国家重大工程建设。2025 年 3 月 31 日，公司与国内岩土工程龙头企业中岩大地签署战略合作协议。通过构建建 筑材料垂类模型，双方将开发新一代 AI 驱动的特种固化材料智能设计系统，研制适应极 端环境的特种岩土材料。项目还将借助 AI 技术实现深度解析建筑材料组分，精准推荐最 优配方及工艺参数，实现建筑材料研发从“经验试错”到“智能预测”的模式跃迁，并 大幅缩短研发周期。项目预计可降低传统岩土工程碳排放 15%-20%。

编辑：火腿肠