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。
刚才并行核验没有拿到结果，我改成直接查公开披露，先把第一批三家公司核实出来，再继续补另外两家。
这一轮核验后，结论更清楚了：AI4S“卖铲子”里，最值得优先研究的是科学数据入口、实验执行平台和科学软件；药明康德的业务验证最扎实，Illumina的AI4S数据闭环最清晰，Danaher更像高质量但低纯度的平台型公司。
目前的优先级调整
第一组：基本确认有真实产业位置
1. 药明康德：AI4S实验执行端，业务确定性最高
药明康德不是AI公司，但它处在 AI 生成候选分子之后的关键环节：
候选分子设计 → 合成 → 筛选 → 生物分析 → 临床前研究 → CMC开发
公司2025年披露：
- 总收入为；
- 持续经营业务收入同比增长21.4%；
- 持续经营业务订单积压达到，同比增长28.8%；
- 2025年新增小分子开发与生产分子数量为839个。
来源是公司2026年3月23日发布的2025年全年业绩公告：WuXi AppTec 2025年业绩。
判断：
- AI4S纯度：低—中；
- 产业链位置：强；
- 真实卡点：把AI提出的候选物变成可合成、可测试、可放大的真实项目；
- 主要风险：AI带来的增量需求未必能从传统CRO需求中拆出来，且受地缘政治、客户研发预算和项目取消影响。
我会继续看：
- AI药物客户是否增加实验项目数量；
- 订单积压中，药物发现和早期研发服务占比；
- 自动化实验、化学库和生物分析能力是否转化为更高订单单价。
2. Illumina：AI4S科学数据入口，逻辑比“普通测序公司”更完整
Illumina与 NVIDIA 的合作不是单纯宣传“AI赋能”，而是明确把：
- 测序技术；
- Illumina Connected Software；
- 多组学数据；
- NVIDIA AI工具；
结合起来，用于基因组AI、临床研究和药物发现。
官方公告明确提到，双方合作目标是开发生物学基础模型，并分析大规模多组学数据。Illumina与NVIDIA合作公告。
判断：
- AI4S纯度：中；
- 产业链位置：较强；
- 真实卡点：高质量、多组学、可规模化的数据生成；
- 优势：测序仪器、耗材、分析软件和数据工作流可以形成闭环；
- 主要风险：AI软件价值能否转化为新增付费，还是只会提高客户对测序平台的议价能力。
我的关键观察：
Illumina真正的铲子不是“AI算法”，而是它能持续产生高质量生物数据，并通过耗材和软件形成复购。
这比单纯发布一个生物大模型更有商业验证价值。
3. Danaher：实验室铲子扎实，但AI4S纯度偏低
Danaher的生命科学平台覆盖生物工艺、基因组学、蛋白组学、细胞分析、实验室仪器和耗材。公司2026年1月28日发布的2025年业绩公告强调，生命科学、诊断和生物工艺业务仍是核心业务板块，并提到生命科学业务动能改善。Danaher 2025全年业绩。
判断：
- AI4S纯度：中—低；
- 产业链位置：强；
- 真实卡点：实验室仪器、自动化流程、分析设备和耗材；
- 优势：装机基础、品牌、客户认证和服务网络；
- 主要风险：公司业务非常庞杂，AI4S对整体利润的贡献难以单独识别。
Danaher更适合被看成：
生命科学实验基础设施平台，而不是AI4S纯标的。
如果AI4S进入规模化实验阶段，Danaher可能受益；但股价未必会按照AI4S逻辑定价。
第二组：逻辑很强，但还需要进一步验证
4. Schrödinger：最纯的科学软件铲子
Schrödinger的核心产品包括分子模拟、计算化学、蛋白质和材料科学建模工具。它与药企研发流程的结合，比普通“AI+医药”公司更深。
它卡住的是：
- 分子模拟；
- 计算化学；
- 虚拟筛选；
- 药物设计；
- 科学模型嵌入研发工作流。
目前判断：
- AI4S纯度：高；
- 产业链位置：强；
- 主要风险：软件收入与内部药物管线混合；客户可能转向自研模型或开源工具；
- 最关键的验证点：软件客户续费率、企业级部署、AI功能是否带来新增合同。
它是目前最符合“科学软件卖铲子”定义的上市公司之一，但不能只看产品宣传，必须继续核对：
- 软件收入占比；
- 客户数量和续费；
- LiveDesign等产品是否嵌入药企工作流；
- AI功能是否提高客单价。
5. MGI Tech：A股数据入口，但还不能直接当AI4S公司
MGI Tech 的核心是：
- 测序仪；
- 测序耗材；
- 多组学数据；
- 科研和临床测序服务。
它的AI4S逻辑是间接的：
AI生物学发展 → 对大规模、高质量测序数据需求增加 → 测序仪和耗材需求提升。
目前判断：
- AI4S纯度：低—中；
- 产业链位置：中—强；
- 主要优势：测序设备与耗材复购；
- 主要风险：AI训练需求不一定直接转化为仪器订单，客户也可能使用其他测序生态。
MGI Tech 需要重点核实的不是“有没有AI”，而是：
- 科研和药企客户占比；
- 测序耗材复购率；
- 装机量是否形成持续耗材收入；
- 是否进入大规模药物研发或多组学项目。
目前的排名
按照“卡点强度 × 业务可验证性 × AI4S相关度”，我暂时排成：
一个重要的修正
此前我把 Schrödinger 排在最前面，是按“AI4S纯度”排序；这一轮按“卖铲子投资质量”重新看后，应该区分两个排名：
按AI4S纯度
- Schrödinger；
- Recursion；
- Illumina相关AI数据平台；
- MGI Tech；
- 药明康德。
按商业确定性和产业链卡点
- 药明康德；
- Illumina；
- Danaher；
- MGI Tech；
- Schrödinger。
这两个排名不能混为一谈。
我的暂时结论是：如果你要找“能穿越单个AI药物失败”的卖铲子公司，优先研究 Illumina、Danaher、药明康德；如果你要找AI4S纯度和弹性，则优先研究 Schrödinger。A股方向里，MGI Tech和药明康德比泛算力公司更贴近AI4S真实实验链条。
下一步最值得做的是补齐五家公司同口径的财务和业务拆分，尤其是：
- 软件/仪器/服务收入；
- 复购和订单积压；
- AI4S相关客户；
- 毛利率和现金流；
- 估值是否已经透支主题。
下一步我先做“可投资性筛选”：把这五家公司分成纯度、商业确定性、AI4S增量、估值压力四项，先补当前市值/价格，再判断哪些值得进入你的核心研究名单。
下一步筛选结果：先把五家公司分成两组，不建议一锅端。
先看当前市场给出的定价
截至2026年9月11日盘中/收盘数据：
美股报价时间为2026年9月11日纽约时间10:32—10:33；A股报价为2026年9月11日15:00收盘。以上只是当前市场数据，不等于估值结论。
第一组：进入核心研究名单
1. Schrödinger：高纯度、高风险、高弹性
它是五家公司里最接近“AI4S纯标的”的：
- 科学软件是核心业务；
- 产品直接进入计算化学、分子模拟和药物设计流程；
- 不是单纯卖服务器或普通医药服务。
但它当前市值只有约14亿美元，说明市场并没有给予它稳定软件平台的估值，反而仍然把它视为：
软件业务 + 高风险药物管线的混合体。
这既可能是机会，也可能是市场已经在反映：
- 软件增长不足；
- 药物管线失败；
- 客户自研模型替代；
- 现金消耗和持续亏损。
下一步重点：确认软件收入、客户续费率、软件毛利率、药物管线现金消耗是否分开披露。
2. 华大智造：A股最值得继续验证的数据入口
华大智造的逻辑比“AI+医药”更具体：
AI生物学需要数据 → 数据需要测序 → 测序产生仪器装机和耗材复购。
但它目前不能直接被称为AI4S公司。关键问题不是有没有AI合作，而是：
- 测序仪装机是否增加；
- 单台设备耗材收入是否稳定；
- 科研客户、药企客户占比如何；
- 多组学项目是否形成规模订单；
- 海外市场是否能够持续扩张。
它目前市值约人民币226亿元，规模不算大，如果数据闭环和耗材复购被验证，弹性可能高于大型仪器平台；但如果设备销售不转化为耗材收入，AI4S逻辑就会明显降级。
3. 药明康德：商业确定性高，但不是AI4S纯标的
药明康德最新披露的持续经营业务收入和订单积压都很强，说明其核心CRDMO业务有真实需求支撑。问题在于：
这些增长究竟是AI带来的，还是传统创新药研发复苏带来的？
所以药明康德不能按AI4S高成长股处理，而应按：
- CRDMO基本盘；
- 全球研发外包；
- AI候选物增加带来的潜在实验增量；
三部分拆开分析。
我的判断是：它更适合做“AI4S间接受益的基本盘标的”，不适合作为纯主题弹性标的。
第二组：暂不作为AI4S核心标的
Danaher
Danaher的实验室设备、生命科学工具和耗材业务质量高，但市值约1408亿美元，业务非常多元。即使AI4S快速发展，也未必足以明显改变公司整体盈利预期。
它更适合作为：
生命科学工具行业的稳健基准，不是AI4S主题的高弹性标的。
Illumina
Illumina的AI4S产业链位置非常重要，尤其是测序、多组学数据和分析软件。但它还要面对：
- 测序设备周期；
- 客户资本开支；
- 平台竞争；
- 耗材价格；
- AI软件是否真正收费。
所以我会把 Illumina 定义成：
产业逻辑强、商业验证尚未完成的核心观察标的。
当前研究排名
按“AI4S纯度”
- Schrödinger；
- 华大智造；
- Illumina；
- 药明康德；
- Danaher。
按“业务确定性”
- 药明康德；
- Danaher；
- Illumina；
- 华大智造；
- Schrödinger。
按“最适合你的卡点投资框架”
- 华大智造：测序数据和耗材复购卡点；
- Schrödinger：科学软件和研发工作流卡点；
- 药明康德：AI候选物落地的实验执行卡点；
- Illumina：高质量多组学数据卡点；
- Danaher：实验室基础设施，但卡点纯度偏低。
下一步我建议这样走
接下来不再扩展名单，而是深挖前三个：
A. Schrödinger
核验：
- 软件收入占比；
- 客户数量和续费；
- 软件毛利率；
- AI产品是否产生增量合同；
- 药物管线是否拖累现金流。
B. 华大智造
核验：
- 仪器装机量；
- 测序耗材复购；
- 科研/药企订单；
- 国内外收入结构；
- 多组学和AI相关订单是否真实。
C. 药明康德
核验：
- 订单积压结构；
- 药物发现业务增长；
- 自动化实验能力；
- AI药物公司客户；
- AI带来的业务增量是否能从传统CRDMO需求中识别。
暂时结论：如果现在就建立优先研究名单，我会留下 Schrödinger、华大智造、药明康德；Illumina作为海外核心观察标的；Danaher作为行业基准，不作为AI4S主题主攻方向。
下一步进入“三家公司深挖”：不再扩展名单，直接验证 Schrödinger、华大智造、药明康德的收入质量、业务卡点和反方证据，最后给出谁最值得继续跟踪。
这一轮的结论很明确：从“AI4S卖铲子”切换到“可投资性”后，药明康德领先；Schrödinger是高纯度高风险标的；华大智造暂时不能进入核心名单，因为关键财务数据还没有被结构化数据验证。
1. 药明康德：目前最像“基本面支撑的间接受益者”
TTM数据表现较完整：
- EV/销售额约；
- EV/EBITDA约；
- EV/自由现金流约；
- ROE约；
- ROIC约；
- 净债务/EBITDA为，说明净现金状态较明显；
- 自由现金流收益率约。
判断
药明康德的问题不是“有没有业务”，而是：
AI4S能否让它获得更多、更复杂、更高价值的研发项目。
目前它的基本面质量比纯AI药物公司可靠，但AI4S只是业务增量，不是估值核心。
最大风险
- AI生成候选物未必带来等比例实验外包；
- 客户可能把AI能力内建，而不是外包；
- 地缘政治和医药研发周期可能压过AI增量。
结论：进入核心观察名单，但投资逻辑应写成“全球研发外包+AI实验增量”，不能写成纯AI4S。
2. Schrödinger：主题纯度最高，但财务质量明显弱
TTM数据显示：
- EV/销售额约；
- EV/EBITDA为；
- EV/自由现金流为；
- ROE为；
- ROIC为；
- 研发费用/收入约；
- 股权激励/收入约。
判断
这组数据说明：
Schrödinger不是一台已经成熟盈利的科学软件机器，而是一家仍在高强度投入、同时承受药物研发风险的公司。
它的优势是AI4S纯度高，劣势是：
- 现金流仍为负；
- ROIC为负；
- 研发投入极高；
- 股权激励占比不低；
- 软件和药物业务混在一起，盈利质量难判断。
关键判断标准
Schrödinger能否从“概念纯度高”升级为“值得重仓研究”，取决于三个证据：
- 软件收入是否持续增长；
- 软件客户是否高续费、高留存；
- 软件业务能否独立覆盖公司研发投入。
如果软件业务本身不能形成稳定现金流，那么它更像：
一个科学软件平台为药物管线融资，而不是一个纯粹的卖铲子公司。
结论：保留，但定位为高风险卫星标的，不是当前核心仓位候选。
3. 华大智造：产业逻辑成立，但数据验证出现缺口
华大智造当前行情数据可以确认其A股上市身份和市场报价，但结构化TTM财务指标查询没有返回数据。
这意味着目前不能严谨确认：
- 收入和利润质量；
- 自由现金流；
- 研发投入；
- 资产负债情况；
- 估值和现金消耗；
- 测序耗材复购是否改善。
这不是小问题
华大智造的投资逻辑高度依赖：
仪器装机 → 测序耗材复购 → 数据规模扩大 → AI/多组学需求增强。
如果只有设备销售，没有稳定耗材复购，那么它更像周期性仪器公司，而不是数据基础设施平台。
结论：产业链位置值得研究，但在财务证据补齐前，不进入核心投资名单。
下一步应该直接查：
- 最新年报和中报中的仪器装机量；
- 测序业务耗材收入和毛利率；
- 科研、药企、临床客户结构；
- 设备销售与耗材收入的比例；
- 海外订单和现金流。
目前的优先级调整
按“可投资性”
第一名：药明康德
基本面、现金流、订单和客户需求都更容易验证。AI4S是增量，而不是唯一逻辑。
第二名：Schrödinger
AI4S纯度最高，但需要承受亏损、研发和管线风险。适合做高弹性观察，不适合因为概念纯就高仓位。
第三名：华大智造
产业链逻辑不错，但数据尚未补齐。现在只能列入“待核验”，不能直接下结论。
按你偏好的“产业链卡点”
我会这样分：
- 实验执行卡点：药明康德
- 科学软件卡点：Schrödinger
- 测序数据卡点：华大智造
- 自动化仪器卡点：Danaher
- 底层算力卡点：NVIDIA
下一步
接下来应该做的不是继续增加公司，而是完成两项关键核验：
对药明康德
查清楚：
- AI药物研发是否带来新增订单；
- 订单积压中早期药物发现业务占比；
- 毛利率和现金流改善是否可持续。
对华大智造
查清楚：
- 仪器装机和耗材复购；
- 设备业务是否从“卖设备”转向“耗材+服务”；
- 多组学和AI相关需求是否已经形成收入。
现阶段我会把资金研究优先级排成：药明康德 > Schrödinger > 华大智造。
但这不是买入排序，而是“下一步最值得投入研究时间”的排序。
下一步补最关键的缺口：核验华大智造的“设备装机—耗材复购”闭环，并把药明康德的AI增量与传统CRDMO基本盘拆开。
这一步核验后，药明康德的“实验执行铲子”逻辑得到加强；华大智造的“测序耗材复购”逻辑仍未被充分验证，因此暂时不提升评级。
一、药明康德：从“概念受益”升级为“真实转化平台”
药明康德2025年披露的核心数据比较扎实：
- 持续经营业务收入同比增长21.4%；
- 年末持续经营业务积压订单达到；
- 积压订单同比增长28.8%；
- 2025年新增小分子开发与生产分子839个；
- 公司强调其一体化CRDMO平台和“follow the molecule”策略。
这些证据说明它确实拥有大量化学合成、药物发现、开发和生产能力，而不是只有AI概念。公司还披露常州和泰兴原料药基地通过FDA检查且未收到483表格，说明质量体系和全球交付能力仍是其核心竞争力。来源：药明康德2025全年业绩公告、FDA检查公告。
但要注意
这还不能证明“AI带来了580亿元订单”。目前只能确认：
药明康德拥有承接AI药物研发结果的基础设施，但AI增量尚未从传统CRDMO需求中单独拆出。
评级
- 产业链卡点：强
- AI4S纯度：中低
- 商业确定性：高
- AI增量可验证性：中低
- 研究结论：保留为核心观察标的，但按CRDMO估值和逻辑研究，不按AI股估值。
二、华大智造：卡点方向对，但最关键的证据仍缺
华大智造的逻辑仍然是：
测序仪器 → 装机 → 耗材复购 → 多组学数据 → AI生物学和药物发现
但这一步公开检索没有找到足够精确的、可直接确认的证据来回答三个问题：
- 2025年仪器装机量到底增长多少；
- 测序耗材复购是否快于仪器收入增长；
- 科研和药企客户是否已经形成可规模化订单。
搜索结果更多是科创板整体业绩概览，而不是华大智造本身的业务拆分。因此目前不能把“测序+AI”直接等同于“AI4S高质量卖铲子”。
评级不变
- 产业链卡点：中强
- AI4S纯度：低中
- 商业确定性：待核验
- 研究结论：继续跟踪，但暂不进入核心名单。
它要升级，必须看到以下证据
- 耗材收入和毛利率改善；
- 装机量与耗材消耗量同步增长；
- 药企/科研客户订单增加；
- 多组学数据平台产生独立软件或服务收入；
- 经营现金流改善，而不是只靠设备销售。
三、目前三家公司重新排序
按“AI4S产业链研究价值”
- Schrödinger：科学软件卡点最纯，但财务风险最高；
- 药明康德：实验执行和产业转化能力最强；
- 华大智造：数据入口逻辑有潜力，但装机—耗材闭环尚未确认。
按“基本面确定性”
- 药明康德
- 华大智造：暂不下结论，证据不足
- Schrödinger
按“潜在弹性”
- 华大智造：如果耗材复购和药企订单被证实，弹性可能较大；
- Schrödinger：软件商业化或管线突破可能带来重新定价；
- 药明康德：更偏稳健增长和订单兑现，主题弹性相对有限。
目前的投资框架
我会把这三家公司分成三个不同策略，避免混淆：
-
药明康德：基本盘型卖铲子
- 买的是全球研发外包、实验执行和订单积压；
- AI4S是潜在增量，不是唯一投资理由。
-
Schrödinger：高风险纯主题型卖铲子
- 买的是科学软件、计算化学工作流和AI药物发现；
- 必须接受亏损、研发和管线失败风险。
-
华大智造：待验证的数据基础设施型卖铲子
- 买的是测序装机、耗材复购和多组学数据需求；
- 在复购证据出现前，不宜把它当成确定性AI4S标的。
当前最重要的结论：药明康德已经完成“产业链真实性”验证；Schrödinger完成“主题纯度”验证但未完成“财务质量”验证；华大智造连“商业闭环”都还需要继续核验。
继续做证据核验，目标只剩一个：确认华大智造是否存在“装机—耗材—科研/药企订单”的闭环；同时检查药明康德的AI相关合作是否已转化为可持续服务需求。
这轮有一个重要进展：华大智造的产业链位置被正式披露验证了，但“AI需求带来的增量收入”仍没有被验证；药明康德的AI增量也仍属于未拆分状态。
一、华大智造：产业链闭环的“结构”已经确认
华大智造2025年年报摘要披露，公司已形成三大业务板块：
- 全读长测序（SEQ ALL）；
- 智能自动化（GLI）；
- 多组学（OMICS）。
其中，测序业务明确包括：
- 高通量基因测序仪；
- 纳米孔长读长测序仪；
- 测序配套试剂；
- 建库试剂；
- 自动化设备。
公司还明确披露，其产品面向：
- 科研机构；
- 临床检测实验室；
- 药物研发企业。
相关应用包括全基因组、外显子组、转录组、细胞组和时空组学等。测序试剂套装必须与其基因测序仪配套使用，这说明“设备—试剂耗材”闭环在商业模式上是成立的。
来源：华大智造2025年年度报告摘要。
这改变了什么？
此前华大智造只是“可能是AI4S数据入口”；现在可以确认：
它确实控制着测序设备、测序试剂、建库试剂和实验室自动化这一组基础设施。
也就是说，产业链位置不是蹭概念，而是实际存在。
但还不能确认什么？
年报摘要没有直接证明：
- AI4S客户收入占比；
- AI训练或药企多组学项目订单规模；
- 仪器装机量；
- 每台设备对应的耗材收入；
- 耗材复购增速；
- AI相关收入的独立核算。
因此要区分两个结论：
- 产业链卡点：已确认；
- AI4S增量收入：仍待验证。
华大智造评级调整
所以华大智造可以从“待核验标的”升级为：
A股中值得重点研究的AI4S数据基础设施标的。
但还不能升级为“确定性AI4S受益股”。
二、华大智造真正的卡点在哪里？
它的卡点不是简单的“测序仪国产替代”，而是三层叠加：
第一层：数据生成
没有高质量测序数据，AI生物学和多组学模型就缺乏训练与验证材料。
第二层：设备—耗材绑定
测序试剂必须配套自有测序仪使用。一旦设备进入客户实验室，后续试剂消耗可能形成复购。
第三层：从短读长扩展到全读长
公司年报披露短读长和纳米孔长读长双线布局，覆盖复杂基因组、结构变异、罕见病和病原体检测等场景。
这比单纯卖一类测序仪更有想象空间，但也意味着：
- 技术路线仍需要市场验证；
- 长读长产品是否形成规模化商业需求尚未确认；
- 设备销售增长不等于耗材复购增长。
三、药明康德：AI增量暂时不能写进核心逻辑
这轮没有找到药明康德官方披露中可明确拆分的：
- AI药物发现收入；
- AI客户数量；
- AI项目订单；
- AI带来的实验量增速；
- 自动化实验带来的单价提升。
目前能确认的是它的传统CRDMO能力、全球质量体系、订单积压和分子项目数量都很强，但这些证据证明的是：
药明康德是强大的药物研发和生产外包平台。
它们还没有证明：
AI正在显著增加药明康德的订单或利润。
药明康德的投资逻辑应暂时写成
主逻辑：
- 全球创新药研发外包；
- 一体化CRDMO平台；
- 化学、生物学、临床前和生产能力；
- 客户项目积压。
AI4S增量逻辑：
- AI生成候选分子数量增加；
- 候选分子需要更多合成、筛选和验证；
- 药明康德可能成为实验执行端受益者。
但AI增量目前只能标为：中低置信度假设。
四、最新排序
按产业链卡点真实性
- 华大智造：设备、耗材、自动化、多组学闭环已确认；
- 药明康德：实验执行和研发转化能力已确认；
- Schrödinger：科学软件卡点强，但财务和客户商业化仍需核验。
按AI4S业务纯度
- Schrödinger
- 华大智造
- 药明康德
按当前证据质量
- 药明康德：经营数据和订单证据最完整；
- 华大智造：产品和业务结构证据明确，但订单复购数据不够；
- Schrödinger：主题最纯，但盈利和现金流质量较弱。
五、下一步最关键的一步
下一步不应该再找新公司，而应该直接从华大智造年报全文中提取五个数字：
- 测序仪器收入；
- 测序试剂和耗材收入；
- 仪器与耗材毛利率；
- 国内外装机量或客户数量；
- 经营现金流与存货变化。
如果这些数据呈现：
装机增长 → 耗材收入增长 → 毛利率改善 → 现金流同步改善
那么华大智造就可能是A股里比较少见的、真正拥有“AI4S数据入口+耗材复购”逻辑的卖铲子公司。
如果只是：
仪器销售增长，但耗材和现金流没有跟上
那它更像设备周期股，而不是AI4S核心标的。
下一步直接拆华大智造年报里的关键经营数字，验证“设备销售—耗材复购—现金流”是否成立。
这一步验证结果很关键：华大智造的“AI4S卖铲子”产业链位置比此前判断更强，但2025年经营数据仍显示它处于投入期，而不是已经兑现利润的成熟平台。
一、华大智造：从“测序公司”升级为“AI实验室基础设施公司”
2025年年报摘要显示，公司已经形成三条业务线：
- SEQ ALL：全读长测序
- GLI：智能自动化
- OMICS：多组学
更重要的是，GLI并非普通实验室自动化，而是明确包含：
- AI智能化产品；
- 实验室管理平台；
- 液体处理和自动化设备；
- 通用计算与存储；
- “智惠实验室”整体方案。
其中，PrimeGen通过大模型连接引物设计和实验执行；αLabStudio负责实验流程设计、排产和设备脚本；PrepALL负责自动化移液和建库；αCube与MegaBOLT负责计算、存储和生信分析。
这说明华大智造正在尝试构建：
AI决策层 + 自动化实验执行层 + 测序数据层 + 生信分析层
这比单纯的“测序仪国产替代”更接近真正的 AI4S 闭环。
二、最重要的业务证据
年报披露了几个比较有价值的细节：
- 测序试剂套装必须与公司基因测序仪配套使用；
- 产品覆盖科研机构、临床实验室和药物研发企业；
- 高通量测序和纳米孔长读长产品均已进入商业化量产；
- G400-E长读长测序仪已经进入规模化量产和客户交付；
- 公司推出了高通量酶筛选、噬菌体展示、高通量质粒构建、自动化细胞培养等方案；
- 公司发布“智库云枢”，试图打通样本、存储、多组学检测、数据整合和AI分析。
这些证据说明它不只是卖单台设备，而是在往：
设备 + 试剂 + 自动化 + 数据 + AI分析 + 场景解决方案
的方向走。
不过，以上大部分是公司年报披露的产品和战略信息，还不等于已经形成高质量收入。
三、财务数据给出的真实结论
2025年华大智造：
- 营业收入为，同比下降7.73%；
- 归母净利润为；
- 扣非归母净利润为；
- 经营活动现金流净额为；
- 研发投入占营业收入比例为。
怎么解读？
这不是“收入已经被AI拉起来”的公司，而是：
产品和技术路线正在扩张，业务结构在升级，但利润仍然承受较高研发和商业化投入。
值得注意的是，经营现金流已经转正，这是积极信号；但收入仍同比下降、净利润仍亏损，说明“设备—耗材—AI服务”的闭环还没有完全转化为稳定盈利。
四、对“装机—耗材—复购”假设的验证结果
已确认
- 设备和配套试剂存在绑定关系；
- 测序产品覆盖多个科研和药物研发场景；
- 公司在向自动化实验室和多组学扩展；
- 产品组合具备形成耗材、软件和服务复购的基础。
尚未确认
- 2025年设备装机量；
- 单台设备耗材消耗；
- 耗材收入增速；
- 耗材毛利率；
- 科研/药企客户占比；
- AI产品收入；
- 客户续费和软件订阅收入。
所以最终判断是：
商业模式闭环存在，但财务上的复购闭环尚未被公开数据充分证明。
五、华大智造的评级调整
我对它的新定位
华大智造现在不应该只被看成：
“国产测序仪公司”
更准确的定义是：
面向生命科学的测序、自动化实验、多组学和AI分析基础设施平台。
但它还没有证明自己已经成为一个成熟的“耗材复购型平台”。
六、当前研究结论
如果看产业链卡点
华大智造已经比药明康德更接近 AI4S 的“物理基础设施卡点”：
- 药明康德：承接客户项目，提供实验和研发服务；
- 华大智造：提供设备、耗材、自动化和数据基础设施；
- Schrödinger：提供科学软件和计算模型。
如果看基本面兑现
目前仍然是：
- 药明康德：基本面最稳
- 华大智造：产业链卡点最有想象力，但盈利仍需验证
- Schrödinger：AI4S纯度最高，但财务风险最高
下一步最关键的验证
现在只剩三项：
- 从年报全文中提取 测序仪器、试剂耗材、自动化和多组学的分部收入/毛利率；
- 对比近三年 存货、应收账款、合同负债和经营现金流；
- 查找公司披露的 装机量、客户数、耗材复购和海外订单。
如果这三项能证明耗材和服务收入在增长，华大智造可以升级为：
A股 AI4S 卖铲子方向的核心研究标的。
如果只能证明产品线变多、但收入和现金流没有改善，那么它仍然只是一个高研发投入、处于商业化验证期的主题标的。
下一步继续拆华大智造的分部收入和现金流质量，重点验证“业务线变多”是否已经转化为可持续收入，而不是停留在产品发布层面。
这一步没有找到华大智造分部收入、耗材复购和装机量的完整公开拆分，反而给出了一个重要结论：
华大智造的产品闭环已经很清楚，但财务披露还不足以证明“设备—耗材—AI服务”已经形成规模化盈利闭环。
当前能确认的财务状态
2025年：
- 营业收入同比下降7.73%；
- 归母净利润仍为负；
- 扣非净利润亏损更大；
- 经营现金流转正；
- 研发投入占收入约21.95%。
这意味着公司处于：
产品线快速扩张、研发投入较高、现金流开始修复，但盈利尚未兑现的阶段。
因此，华大智造现在不能被列为“确定性AI4S核心标的”，更准确的分类是：
产业链位置强，商业兑现待验证
华大智造当前研究结论
已验证
- 测序仪器和配套试剂存在绑定关系；
- 同时布局短读长、长读长、多组学和自动化；
- GLI业务已经加入AI智能体、实验室管理、自动化执行和算力存储；
- 产品明确面向科研、临床和药物研发客户；
- 正在构建“样本—实验—测序—数据—AI分析”的基础设施体系。
未验证
- 耗材收入是否持续增长；
- 装机量是否转化为耗材复购；
- GLI和OMICS是否形成规模收入；
- AI相关收入是否能单独识别；
- 亏损收窄是否来自主营改善，而不是非经常性因素；
- 现金流转正是否具有持续性。
对投资判断的影响
我会把华大智造从“核心研究标的”调整为：
高潜力二级观察标的，不追主题，不提前假设耗材复购。
只有出现以下信号，才考虑把它升级：
- 连续两个报告期收入恢复增长；
- 测序耗材收入增速高于仪器收入；
- 经营现金流连续为正；
- 毛利率不因设备降价而持续下滑；
- GLI/OMICS出现明确订单或收入贡献；
- 减亏来自主营业务，而非一次性收益。
三家公司最终分层
核心基本面标的：药明康德
买的是：
- CRDMO平台；
- 订单积压；
- 全球研发外包；
- AI候选物增加后的实验需求潜力。
AI4S是增量逻辑，不是唯一逻辑。
高纯度高风险标的：Schrödinger
买的是：
- 科学软件；
- 计算化学；
- AI药物发现工作流。
但必须接受：
- 亏损；
- 高研发投入；
- 软件和药物管线混合；
- 客户商业化不确定。
高潜力待验证标的：华大智造
买的是：
- 测序数据入口；
- 设备—耗材闭环；
- 自动化实验室；
- 多组学和AI分析平台。
但目前最缺的是商业兑现证据。
下一步不再继续盲目找数据
我建议进入决策门槛阶段：
- 药明康德：继续做估值和风险定价；
- Schrödinger：核查软件业务能否独立支撑公司；
- 华大智造：等待耗材复购、现金流和收入增长证据。
目前的研究优先级是：
药明康德：可进入正式估值研究；
Schrödinger：进入高风险情景估值；
华大智造：保留观察，暂不按AI4S核心股定价。
下一步进入估值与仓位门槛，不再继续堆产业链资料：分别判断药明康德、Schrödinger、华大智造当前市场价格隐含了什么预期，以及哪一个更适合进入你的研究组合。
这一步做了估值门槛测试，结论是：药明康德可以进入正式估值研究；Schrödinger的常规DCF失效；华大智造目前缺少可用的DCF输入。
1. 药明康德：估值上可以继续研究，但不能只靠AI4S溢价
结构化DCF模型给出的参考每股价值为，模型参数包括：
- WACC：；
- 长期增长率：；
- 首年预计自由现金流：。
但这个模型输出和当前市场价格差距很大，不能机械地得出“严重高估”。原因是：
- 药明康德属于全球化CRDMO，现金流和订单具有周期性；
- DCF对收入增速、利润率和资本开支假设非常敏感；
- 模型未把AI药物研发可能带来的实验增量单独建模；
- 还需要检查模型输入对应的财务期间和现金流口径。
判断
药明康德真正值得研究的不是“AI4S估值”，而是：
市场是否低估了订单积压、全球研发外包和AI候选物增加带来的实验需求。
下一步应做三种情景：
- 保守情景：AI没有明显增量，按传统CRDMO增长；
- 基准情景：订单积压逐步转化，利润率维持；
- 乐观情景：AI药物研发增加早期筛选和化学合成需求，带来额外订单。
在这三种情景没有拆开之前，不能直接把AI4S当作估值溢价。
2. Schrödinger：常规DCF已经失效，不能用传统现金流估值
Schrödinger的模型输入显示：
- 首年预计自由现金流为；
- WACC为；
- DCF模型给出每股。
这个结果不能当作合理目标价，因为公司仍处于高研发投入和现金消耗阶段，负自由现金流会让终值模型失真。
Schrödinger应该换估值方法
它更适合用：
- 软件业务单独估值；
- 药物管线按成功概率折现；
- 现金和研发消耗单独处理；
- 最后做加总估值。
因此 Schrödinger的核心问题不是“DCF值多少钱”，而是：
软件业务能不能独立成为一家可持续盈利的科学软件公司。
如果不能，市场会继续按高风险生物科技公司给估值；如果能，估值框架才可能切换到软件平台。
3. 华大智造：估值模型暂时不可用
华大智造的DCF查询没有返回可用数据，因此目前不能给出可信的内在价值或目标价格。
这与它当前的经营状态一致：
- 2025年仍亏损；
- 业务板块正在重组和扩张；
- 设备、自动化、多组学和AI业务尚未形成清晰的分部盈利数据；
- 未来现金流对耗材复购和新业务商业化高度敏感。
华大智造当前最重要的估值问题不是PE，而是：
它什么时候能从“研发和产品扩张期”进入“耗材复购和现金流兑现期”。
在这个问题解决前，给它做精确目标价没有意义。
当前投资优先级
研究优先级
- 药明康德：继续做情景估值；
- Schrödinger：拆分软件业务与药物管线；
- 华大智造：等待分部收入、耗材复购和盈利数据。
适合的投资角色
- 药明康德：基本盘型卖铲子；
- Schrödinger：高风险科学软件期权；
- 华大智造：产业链期权，尚未完成商业验证。
最终判断
目前不建议因为“AI4S”三个字就提高三家公司的估值中枢：
- 药明康德：AI4S可以作为增量催化，但不应作为估值核心；
- Schrödinger：主题最纯，但必须接受DCF失效和高波动；
- 华大智造：产业链最有想象力，但财务兑现还没跟上。
下一步应转向药明康德三情景估值 + Schrödinger分部估值。华大智造暂时继续观察，直到出现耗材复购、收入恢复增长和经营现金流连续改善。