AI for Science的理解
AI for Science的理解
我理解 AI for Science（AI4S，人工智能驱动科学研究），不是“给科学家配一个聊天机器人”，而是：
用 AI 参与科学发现的完整闭环：提出假设 → 设计实验/模拟 → 预测结果 → 实验验证 → 更新模型。
一、它和普通 AI 的核心区别
普通生成式 AI 主要优化：
- 文本是否流畅
- 图像是否逼真
- 用户是否满意
- 代码能否运行
AI4S 更看重：
- 预测是否符合物理、化学、生物规律
- 能否在新条件下泛化
- 能否减少实验次数和成本
- 结果是否可验证、可重复
- 是否最终形成新材料、新药物、新工艺或新理论
所以 AI4S 的底层不是简单的“大模型套壳”，而是 数据、科学机理、计算模拟和真实实验的结合。
二、主要应用方向
1. 生物医药
例如：
- 蛋白质结构预测
- 抗体设计
- 小分子药物筛选
- 药物毒性和疗效预测
- 细胞状态建模
- 个体化治疗
AI 可以先在巨大的候选空间中筛选出少数值得实验验证的方案，把“盲目试错”变成“有方向地试错”。
2. 新材料
例如：
- 电池材料
- 光伏材料
- 催化剂
- 半导体材料
- 超导材料
- 高强度、耐高温合金
材料组合数量往往极其庞大，AI 可以预测材料的稳定性、导电性、能量密度、合成难度等。
3. 物理和工程
例如：
- 天体物理
- 核聚变
- 流体力学
- 天气和气候模拟
- 芯片设计
- 工业数字孪生
- 机器人控制
这里的价值通常不是生成一篇论文，而是加速复杂模拟，降低超级计算成本，或者实时优化控制参数。
4. 数学与基础科学
例如：
- 猜想发现
- 符号推理
- 自动定理证明
- 发现新的数学结构
- 从实验数据中寻找规律
这一方向最接近“AI 是否能成为科学家的合作者”，但距离真正独立地产生可靠新理论还有较大距离。
三、真正有价值的 AI4S，不只是“大模型”
我会把 AI4S 分成三层：
第一层：科研效率工具
例如：
- 文献检索
- 论文总结
- 实验记录整理
- 代码生成
- 数据分析
- 自动绘图
这类产品容易落地，但护城河通常有限，很多能力会被通用模型吸收。
第二层：科学预测模型
例如：
- 蛋白结构模型
- 分子性质预测模型
- 材料性能预测模型
- 天气和物理模拟模型
这类模型需要专业数据、科学先验和大量验证，壁垒更高。
第三层：自主科学发现系统
理想状态是：
- AI 读取文献和实验数据；
- 找到知识空白；
- 提出多个假设；
- 设计最有信息价值的实验；
- 操作机器人完成实验；
- 根据结果更新模型；
- 继续下一轮实验。
也就是 AI + 仿真 + 自动化实验室 + 反馈学习。这才是 AI4S 最具想象力、也最难实现的终局。
四、它最大的瓶颈是什么？
1. 数据不是越多越好
互联网文本可以无限抓取，但科学数据往往：
- 样本量小
- 获取成本高
- 实验条件不统一
- 负面结果很少公开
- 数据带有强烈的仪器和实验室偏差
因此 AI4S 的关键不只是模型，而是 高质量、结构化、可重复的实验数据。
2. 模型会“看起来合理但实际上错误”
科学问题不能只靠语言流畅度判断。AI 可能：
- 生成不存在的化合物
- 提出无法合成的材料
- 忽略边界条件
- 把相关性误认为因果性
- 在训练分布外完全失效
所以必须让模型接受物理定律、化学约束、实验验证和不确定性评估。
3. 模拟不等于现实
计算机里表现好的候选物，现实中可能：
- 无法合成
- 不稳定
- 成本太高
- 工艺不可放大
- 有毒
- 性能无法重复
AI4S 最后一定要接上真实世界的实验和制造环节。
4. 科学验证周期很长
普通 AI 产品可以几周内迭代，药物、材料、能源项目可能要几年才能验证。AI4S 的商业回报周期通常比软件更长。
五、从投资角度怎么理解？
我不会把所有“AI+科研”公司都视为同一种机会。更值得区分的是：
可能形成较强壁垒的方向
- 高质量专有实验数据
- 与药企、材料企业深度绑定的研发平台
- AI 设计和自动化实验闭环
- 高性能科学计算基础设施
- 能把模型结果转化为产品或工艺的公司
- 掌握真实生产反馈数据的工业软件平台
容易被高估的方向
- 只是把通用大模型包装成“科研助手”
- 只有论文和演示，没有实验验证
- 没有独占数据，也没有客户工作流
- 只强调模型参数量，不披露真实转化率
- 把“预测候选物”直接等同于“发现了新药/新材料”
一个很重要的判断标准是：
AI 是否真正减少了单位科学发现所需的实验、时间和资金？
如果不能回答这个问题，很多 AI4S 项目仍然只是概念，而不是生产力。
六、我对它的总体判断
AI4S 的长期意义可能比普通 AI 应用更大，因为它直接作用于：
- 新药
- 新材料
- 新能源
- 芯片
- 气候与能源系统
- 工业制造
但它的发展路径不会像互联网应用那样迅速普及，更可能是：
先成为科研人员的效率工具，再成为预测引擎，最后与自动化实验室和产业制造结合，形成真正的科学发现基础设施。
一句话总结：
AI for Science 的核心，不是让 AI 更会“回答科学问题”，而是让科学发现从低效率的人肉试错，逐步变成由 AI 提议、机器实验、数据反馈驱动的闭环系统。
我先按“AI4S产业链里哪些上市公司是真正受益者”来筛，重点区分：科研软件/模型、算力基础设施、自动化实验室、药物与材料转化；不会把所有“AI概念股”混在一起。
有，但要先区分 “AI4S纯标的” 和 “AI4S基础设施/间接受益者”。如果按业务纯度和可验证性排序，我会优先看下面几组：
第一梯队：AI4S纯度最高
这组怎么区分？
- 想押 AI真正改变科学研发流程：看 SDGR、RXRX、ABSI。
- 想押 AI4S产业扩张但不承担单个药物失败风险：看 NVDA。
- 想要“科学软件”而不是“生物医药管线”：SDGR更合适。
- 想要“AI自主实验室”方向：RXRX更贴近，但波动和失败风险也更高。
第二梯队：成熟平台型公司
Dassault Systèmes（DSY，法国）
旗下 BIOVIA 覆盖材料模拟、分子建模、化学信息学、实验室信息管理等。它的 AI4S 业务是真实存在的，但公司整体还包括工业设计、制造和工程软件，因此不是纯AI4S标的。
Thermo Fisher Scientific（TMO，美股）
拥有质谱、测序、实验室软件、自动化和科研仪器，受益于“实验室数字化”和“自动化实验室”趋势。但AI4S只占其业务的一部分，不能按纯AI公司估值。
Danaher（DHR，美股）
生命科学仪器、细胞分析、测序、生物工艺和实验室工作流平台较完整，也是AI4S基础设施的受益者，但AI本身不是主线收入来源。
这三家公司更像：
卖仪器、软件、实验室系统和研发基础设施，而不是直接押注某个AI药物能否成功。
第三梯队：A股可关注标的
A股目前没有特别纯的 Schrödinger 类型公司，更多是产业链映射。
如果只选几个研究优先级
偏稳健、想要产业确定性
- NVIDIA
- Dassault Systèmes
- Thermo Fisher
- 中科曙光
逻辑是：AI4S最终需要算力、仿真软件、实验仪器和数据基础设施，这些公司的收入不依赖单个药物临床成功。
偏高弹性、接受高风险
- Schrödinger
- Recursion
- Absci
但这三类公司必须重点看：
- 现金还能烧多久；
- 合作项目是否产生里程碑收入；
- AI设计出的候选物是否真正进入临床；
- 软件客户是否持续付费；
- 管线失败后，公司是否还有第二增长曲线。
如果只看A股
我的排序会是：
- 中科曙光：科学计算基础设施最直接；
- 中望软件：工程仿真和工业软件映射；
- 药明康德 / 康龙化成：AI药物研发向实验和产业化转化的受益者；
- 华大基因：生物数据和测序基础，但AI4S纯度较低。
不过要强调：A股这些公司更适合定义为“AI4S产业链受益者”，不应直接包装成纯AI4S股票。
我的核心判断
如果从投资角度建立观察名单，我会分成两条线：
- 确定性线：NVDA、DSY、TMO、DHR——卖算力、科学软件、仪器和实验室基础设施；
- 高弹性线：SDGR、RXRX、ABSI——押注AI真正改变药物发现和科学实验流程。
对于你偏好的“产业链卡点”思路，AI4S最值得继续追踪的瓶颈不是普通AI应用，而是：
高质量实验数据、自动化实验设备、科学计算软件、模型到实验的闭环，以及能够把候选结果推进到真实产业化的公司。
所以我暂时不会把所有“AI+医药”公司都纳入候选，尤其要警惕只有概念宣传、没有真实客户、实验数据或研发管线进展的公司。
要，而且我认为“卖铲子”比直接押注 AI 药物/材料最终成功，更适合作为 AI4S 的第一观察方向。
但不是所有卖算力、卖仪器的公司都值得关注，关键要找 AI4S不可替代的瓶颈环节。
为什么优先看“卖铲子”？
AI4S 的终局可能很大，但直接做药物和材料发现的公司存在几个问题：
- 单个项目失败概率高；
- 研发周期长；
- 现金消耗大；
- AI带来的价值很难单独确认；
- 即便模型有效，也可能卡在合成、毒理、临床或量产环节。
而上游工具公司可以同时服务大量客户。只要科研投入增加、实验自动化升级、科学计算需求提升，它们就可能持续受益。
这和淘金逻辑一样：
淘金者不一定赚钱，但卖铲子、卖水、卖设备的人，往往能从整个行业扩张中获益。
但要区分三类“铲子”
第一类：科学计算基础设施
包括：
- GPU和加速计算；
- 超算集群；
- 高速互联；
- 液冷；
- 科学计算软件栈；
- 云端HPC。
代表标的：
- NVIDIA（NVDA）
- 中科曙光（603019）
- 浪潮信息（000977）
- 曙光数创（872808）
其中 NVIDIA 的优势是硬件、开发工具和科学计算软件栈一体化；A股几家公司更多是服务器、超算和液冷基础设施，AI4S收入通常不会单独披露。
这条线的缺点是：容易被市场直接当成“泛AI算力”炒作，未必能反映AI4S本身的发展。
第二类：科研软件和仿真平台
这是我认为更有质量的“铲子”。
包括：
- 分子模拟；
- 计算化学；
- 材料设计；
- 工程仿真；
- 实验室信息管理；
- 数字孪生；
- 科学数据管理。
代表标的：
- Schrödinger（SDGR）
- Dassault Systèmes（DSY）
- Synopsys（SNPS）
- 中望软件（688083）
这类公司的关键优势是：
- 客户一旦把研发流程嵌入软件，替换成本较高；
- 软件通常能产生订阅或授权收入；
- 不承担每一个药物候选物的临床失败风险；
- 数据和工作流可以形成更强的长期壁垒。
其中 SDGR 是AI4S纯度最高的公司之一，但规模和盈利稳定性不如大型软件公司；DSY和SNPS更成熟，但AI4S只占整体业务的一部分。
第三类：自动化实验室和科学仪器
AI提出的假设最终需要真实实验验证，因此自动化实验设备和分析仪器是非常关键的瓶颈。
包括：
- 质谱；
- 色谱；
- 测序；
- 单细胞和空间组学；
- 自动移液和样本处理；
- 高通量筛选；
- 实验室机器人；
- 实验室数据管理系统。
代表标的：
- Thermo Fisher（TMO）
- Danaher（DHR）
- Agilent（A）
- 华大基因（300676）
- 皖仪科技（688600）
这类公司的商业模式比较稳，但AI4S贡献往往被隐藏在传统生命科学仪器和实验室业务里，因此弹性可能不如纯AI概念股。
我认为最值得重点研究的排序
第一档：高质量核心铲子
NVDA、SDGR、DSY、TMO、DHR
- NVDA：科学计算底层基础设施；
- SDGR：科学软件和计算药物发现；
- DSY：材料、化学、生命科学仿真平台；
- TMO/DHR：实验室仪器、自动化和生命科学工作流。
第二档：A股映射标的
中科曙光、中望软件、药明康德、康龙化成、华大基因
但需要分清逻辑：
- 中科曙光：卖超算和算力基础设施；
- 中望软件：卖工程设计和仿真软件；
- 药明康德、康龙化成：承接AI生成候选物之后的实验和研发外包；
- 华大基因：提供测序和基因组数据基础。
它们都不是纯AI4S公司，估值时不能简单套用“AI4S高增长”逻辑。
真正值得买入/重点跟踪的“铲子”要满足什么？
我会看五个指标：
1. AI4S客户是否是真实科研客户
重点看客户是不是：
- 药企；
- 材料企业；
- 芯片公司；
- 高校和科研机构；
- 国家实验室；
- 工业研发部门。
只和普通互联网客户合作的“AI算力公司”，不一定受益于AI4S。
2. 收入是否来自持续性工具，而不是一次性项目
更好的模式是：
- 订阅收入；
- 软件授权；
- 仪器耗材；
- 数据服务；
- 长期维护；
- 持续实验服务。
相对要谨慎的是一次性服务器订单、政府项目和概念性合作协议。
3. 是否拥有数据或工作流壁垒
真正的壁垒可能来自：
- 科学数据库；
- 实验数据；
- 专业模型；
- 行业软件生态；
- 仪器与软件的绑定；
- 客户研发流程嵌入。
单纯采购GPU、组装服务器，壁垒通常没那么高。
4. AI是否带来新增需求
不能只看公司“用了AI”，还要看：
- 客户是否因为AI增加算力采购；
- 实验次数是否增加；
- 仪器利用率是否提高；
- 软件席位是否扩张；
- 新产品是否提高客单价；
- 科学研发周期是否缩短。
5. 估值是否已经透支整个AI叙事
“卖铲子”并不等于低风险。如果市场已经把公司按最乐观的AI增长定价，即使业务不错，也可能因为预期落空而下跌。
我的结论
AI4S投资可以优先从“卖铲子”开始，但最值得关注的不是泛算力，而是“科学软件 + 自动化实验 + 数据闭环”。
按产业链优先级，我会这样排：
- 科学计算与专业软件；
- 自动化实验室和高端科研仪器；
- 科学数据和实验服务；
- 通用服务器与液冷；
- 直接押注单个AI药物/材料管线。
如果按你偏好的“卡点”框架，AI4S真正的瓶颈更可能在：
高质量实验数据、科学软件、自动化实验设备，以及模型结果能否被快速验证。
因此下一步如果做深入筛选，我不会直接从“AI概念股”名单里挑，而会从这四个卡点反向找：
- 谁掌握不可替代的科学数据；
- 谁提供关键仿真软件；
- 谁控制高端科研仪器；
- 谁能把AI预测接入真实实验流程。
我按“AI4S产业链卡点”开始筛，不按泛AI概念股罗列：先找科学软件、自动化实验、高端仪器、科学数据/计算这四个环节，再过滤业务纯度和真实客户。
先排产业链层级，再排公司。我会优先看“自动化实验与科学数据”，其次是科学软件；通用算力排在后面。原因是 AI4S 最终的稀缺环节不是提出假设，而是能否低成本、稳定、持续地完成真实实验并产生高质量反馈数据。
一、我暂时排出的优先级
第一档：最值得深挖
这五个标的，分别覆盖：
模型与仿真 → 数据生成 → 测序耗材 → 实验设备 → 真实药物研发验证
其中，Schrödinger更像“科学软件铲子”；Illumina、MGI、Danaher更像“实验和数据铲子”；药明康德更像“外包实验铲子”。
第二档：高弹性但风险更高
这组适合做“高弹性观察”，但不能简单按纯AI4S公司估值。
第三档：A股映射标的
二、目前最重要的结论
1. 自动化实验比普通算力更可能成为AI4S的真实瓶颈
AI可以生成候选分子，但最后还要解决：
- 能不能合成；
- 能不能稳定检测；
- 能不能快速筛选；
- 能不能重复实验；
- 能不能把实验结果反馈给模型。
所以我更关注拥有以下能力的公司：
- 自动化液体处理；
- 高通量筛选；
- 质谱、色谱、流式和成像；
- 测序和多组学；
- 实验室信息管理系统；
- 仪器装机基础和耗材复购。
这也是为什么 Danaher、Illumina、MGI、Thermo Fisher 的产业链位置可能比很多“AI药物概念股”更扎实。
2. 科学软件是最容易形成工作流锁定的“软件铲子”
Schrödinger值得重点研究的原因不是它用了AI，而是它可能控制了：
- 分子模拟工具；
- 计算化学工作流；
- 药企研发数据；
- 软件客户使用习惯；
- 模型和实验之间的接口。
科学软件的真正壁垒不是模型参数，而是：
客户研发人员是否已经把它嵌入日常流程，并且替换成本很高。
3. A股目前更适合找“真实受益环节”，不适合找纯AI4S龙头
A股中真正类似 Schrödinger 的纯科学软件公司很少。现阶段更现实的路线是：
- 测序和多组学数据：MGI Tech、华大基因
- 实验验证和研发外包：药明康德、康龙化成
- 科学计算基础设施：中科曙光
- 工程仿真软件：中望软件
但这些公司必须逐个核验 AI4S 是否带来新增收入，不能只因为公司公告里出现“AI”就当成主线。
三、我会重点查什么，而不是先看股价
对每个候选公司，我会继续核验四件事：
- AI4S相关业务有没有真实付费客户；
- 收入来自软件订阅、仪器耗材、实验服务，还是只有一次性项目；
- 是否有客户认证、装机量、耗材复购或研发流程锁定；
- AI是否带来新增需求，而不是仅仅帮助公司内部降本。
特别要警惕的信号
- 只有“战略合作”，没有合同或收入；
- 只有AI平台演示，没有实验验证；
- AI4S收入无法从传统业务中拆分；
- 应收账款和存货增长快于收入；
- 公司把普通服务器、普通检测服务包装成AI4S；
- 依赖单一客户或单个药物管线。
四、下一步优先深挖顺序
我建议先按这五个顺序做公司级研究：
- Schrödinger：软件业务是否真正形成客户续费和工作流锁定；
- MGI Tech：测序装机、耗材复购和科研/药企订单；
- Illumina：测序平台与AI基因组分析是否产生新的软件价值；
- 药明康德：AI药物研发是否带来新增实验服务量；
- Danaher：自动化、质谱、蛋白组和耗材业务的增长质量。
我的初步判断：如果要找AI4S产业链里相对靠谱的“卖铲子”方向，优先级是：
科学数据与测序耗材 ≈ 自动化实验与科研仪器 > 科学软件 > 科学计算基础设施 > 直接押注单个AI药物管线。
下一轮我会先从 Schrödinger、MGI Tech、药明康德、Illumina、Danaher 开始，重点核验真实收入、客户、复购和业务纯度，而不是先做估值或追热点。
这一轮进入公司级核验：我先查五家公司是否真的卡在 AI4S 的关键环节，重点看收入/客户/复购/工作流锁定，最后再把“纯标的”和“间接受益者”分开。