长江计算机AI4S行业深度：从模型缩放至科研缩放

发布时间：2026-08-28 一、AI总结内容 一、核心要点 1. 当前AI叙事亟需下一个大场景突破，AI for Science是关键方向，模型已从通用场景的参数缩放转向垂类场景的闭环数据缩放，即从Scaling Models到ScalingScience。 2. AI for Science的核心场景涵盖制药生命科学、材料、化学等，其中生命科学因具备明确标准、集中度高，成为当前最大赛道，市场空间达万亿级，此前受顶尖人才供给限制，研发效率待提升。 3. AI for Science的研发范式正从传统机器学习、深度学习的数据拟合（黑盒式静态数据）转向大模型驱动的动态研发，加入思维链路，可实现实验循环设计、测试、学习，为模型成长提供数据反馈。 4. AI for Science推动制药领域需求变化，打破传统药企研发费用的单一供给，新增模型研发支出，同时改变早期研发经济模式，单个分子生成成本大幅下降，但仍需实验验证，早期选药的可解释性提升将带来更大经济效益。 二、投资线索 1. 率先受益的是数据闭环层的“铲子股”，尤其是提供基因合成、蛋白表达的公司，如金斯瑞，其一体化平台契合大模型对数据一致性、闭环的需求，业绩超市场预期，高通量产能需求持续增长，当前呈现需求爆发式增长。 2. 港股相关平台型公司具备潜力，如英矽智能（AI药物进入临床，或最先验证AI作用）、晶泰科技（一体化药物发现平台，数据闭环完善）、济民恒瑞（LNP及制剂一体化布局，蓝海市场优势），需关注数据质量与闭环能力的核心壁垒。 3. 需求传导将从早期研发逐步覆盖临床前、临床等全流程，后续相关环节也将受益于AI forScience带来的变化。 三、风险与关注 1. AI for Science相关研发项目目前均未完成临床三期，大药企对AI的投入仍持谨慎态度，不愿孤注一掷，需关注AI药物研发的临床成功率落地情况。 2. 大模型参与AI for Science的研发范式仍处于早期，数据链路串联、思维链路落地等方面存在不确定性，需关注技术进展。 3. 行业竞争格局可能因技术变革快速迭代，传统药企、新创AI制药公司、科技巨头等多方参与，需关注格局演变趋势。 二、音频原文（转写） 感谢大家参加本次会议，会议即将开始，请。本次电话会议仅服务于长江证券研究所白名单，客户未经长江证券事先书面许可，任何机构或个人不得以任何形式对外公布复制刊载转载转发，引用本次会议相关内容，否则由此造成的一切后果及法律责任。由该机构或个人承担长江证券保留追究其法律责任的权利。各位投资人大家晚上好啊，我是长江计算机的郭敬超今天跟大家汇报的。 这个报告的主题叫做a i for science。从scaling models到scaling science。然后首先的话呢，我们先做一个前言啊，就是为什么我们会起这样子的一个标题啊，因为其实对于ai，尤其是这一轮的大模型，大家其实可能从二三年到现。现在经常听到的就是呃，我要把模型的预训练的参数量变大，然后或者是我要突破这个所谓的后训练强化学习进一步的可能带来强化学习的所谓的skin law，那之前其实我们更多聚焦在如何把模型和数据在这个所谓的就是通用场景上去做所谓的scaling。 但是现在其实我们越来越观测到，如果模型进一步的要去做垂类场景，它其实要做的是我反而要把垂类的闭环数据sk去ski令，所以其实我们的标题包括现在看到air for science的一个变化的话，其实就是从原来可能大家只关注到模型，现在其实是从模型逐渐的再去走到。所谓的下一步的这个场景，那在这个里面的话呢？为什么我们会从现在啊，然后去重点的去关注到a i for science的这个方向呢？ 因为首先大家也知道就当前的ai叙事其实不是一个呃，你光靠coding，这个市场就能支撑得起，大家认为你的kpax还要投入放很多。然后包括可能大家还要去投入模型的训练，大家其实急需一个下一个大的场景，或者是几个场景的这个突破来证明整个ai趋势的一个呃持续的这样子的一个进阶。那么对于模型公司来说，他们其实也非常的了解这样子的一个变化，所以其实从去年下半年开始。哦，北美的模型公司其实就是在场景端开始做出自己的一些探索。 然后包括可能大家听到的就是模型端，其实也在进一步的想去攻克下一代的模型范式就是大家往往听到的这个所谓的自叠带啊，或者叫d回归，就是想让模型自己具备，比如说如何去自我修正，或者是修改参数，或者是修改自己的harness以这样子的东西来形成自己的。这样子向人认知积累的这样的一个过程，那这个里面的话呢，其实它就会需要场景端有一个非常明确的，比如说这种回馈反馈的数据，并且能告诉我我的这个链路到底是好还是坏，然后这里面其实现在能够非常提供明确清晰标准的场景，其实是相对很少的。 而这里面a i for科研，其实恰恰其实是一个模型下一代范式创新的一个关键的试验场，然后另外的话呢，其实大家可能很早的时候就去有有去听说过ai的药物发现，或者是ai药物研发就是大家常见的这个所谓的aidd，那现在其实我们发现伴随着大模型入局其实aidd的范式啊也在开始发生改变，甚至其实带来了需求端的变化，因为传统的时候这个市场大家其实追求的就是dio企的研发费用，或者是整个市场的一个研发费用。 那现在其实开始增加了模型的所谓的研发支出模型，成为了新的这个所谓的需求的1个提供需需求的这样一个呃玩家，然后在这种情况下，我们看到因为本身呃这个所谓的一个制药链条制药的产业链条，它其实是一个漏斗式的这样子一个产业链，那当你的整个的研发的需求开始提升的时候，其实你的整个闭环，尤其到试试验的这个验证就会不断的去也呈现出由需求端带来的改变，所以这就带来了这个赛道，里面其实也出现了不断的呃基本面层面的上的一些变化，那么最后的话其实我们也会跟大家说一下就现在北美的模型到底在开始如何去进行压注，来跟大家去说一下就现在的a i for science整体上在发生什么转变那么我们就首先进入到我们的第一个章节就是a i for science。 其实我们会认为它正在以a i加速科学发现的这个新型城就是构建这样子的1个新型的科研范式就是本质上呢。科学其实最早的时候就比如说甚至其实现在大部分的科研上，大家其实还是靠人为经验。哦，再去构建自 己的这个所谓的发现的，所以比如说我们去颁各种的奖，包括去发现各种的定理的时候，你会发现其实是靠人的创新。但是其实现在在计算机里面就是大家其实是不断的开始融入进来一些算法，只不过这个算法可能一开始我更多是偏数据型的算法，或者是偏规则型的算法。 然后或者是这种类似于说模拟的算法，那现在其实开始在整个这一轮里面，让整个ai开始去，类似于说它去形成一个闭环，形成了一个思维上的这样子的一个算法，那这个其实是在这个变化下，其实就开始带来了整个范式上的一个不断的变迁的。然后在这个里面呢，又因为整个a i for science这个场景，它其实可能我们现在经常说到的是这个所谓的制药生命科学，但是其实又还包含了材料化学物理学，甚至所有的很多的制造行业。 它的基础啊，其实就是这个所谓的科研，那在这个里面的话呢，就是当你的a i for science，比如说我在某一一个大的领域或者一个领域里面探索出来可能某个落地范式之后，它其实是可以通过更底层有可能改变整个一个社会的这样子一个整体的生产力的，所以在大家对于这个场景的关注度上，就会发现这个场景的关注度啊，其实非常的大，因为你是相当说从源头开始掀起整体的一个变革。 然后其次的话呢，就是我们看到就是生命科学领域，其实是这几年首先探索最多的为什么，因为呃其实本质上对于生命科学领域来说，它的上游，然后包括各种其实集中在大分子小分子，然后以及就是这个整体的一个发现上。但是比如说你如果材料对吧，从网上游去看，你会发现它的分散度非常的高，所以在生命科学领域的话呢？因为它其实还是有一定的。呃集中程度包括在哪一个环节，其实是有一个呃非常明确的标准，这也成为了就是在整个air for science里面就是生命科学，成为了其中最大的一个所谓的赛道。 然后在这里面我们再进一步的去呃看到的就是其实，如果从整体的一个市场，呃，其实a i for sense的市场呃，会非常的大，就是它其实是一个万亿级别的市场，而这个市场里面，它的爆发速度其实是当你能够发现呃新的药物或者是新的事物的时候。它其实是能够呈现出非常陡峭斜率的，这样子一个增加，而这个市场其实之前的1个呃，市场空间的受限更多，其实来自于是什么呢？就是我其实供给的受限。 比如说，我之前虽然有这些研发费用，对吧，但是其实你全球的真正能去搞这类研发的。高顶尖人才其实非常的少，所以就是本质上，如果能去把这一些人的效率提升，或者是我通过ai的方式能够去增加供给的话，其实你的研发比如说，因为你其实是可以高更多的研发开支，带来更多的回报的，但现在其实是你有1个人数上的受限。所以现在其实大家看到的研发也好，或者市场空间也好，其实还是在一个供给受限的情况下所看到的一个市场。 然后所以从整个哪怕在下一个情况下，包括就是对于北美也好，包括对于国内也好，大家其实都非常的明确知道这个现实，所以现在对于国家来说就对于这个领域其实也一直是一个非常核心的战略的这样子一个赛道而现在的话呢？因为其实之前的时候，大家其实更多是靠这个所谓的机器学习和深度学习，也就是说，其实大家都是那种我其实靠的，更多的是数据的拟合，我不需要去知道为什么大家其实都是黑河式的一个做法。 所以在以往的时候呢，大家更多讲的是一个单纯的静态数据，但现在因为你其实大模型开始有一定的进阶，我开始可以去模拟啊，理解人的这个整体的一个思路，那在这种情况下就是它的这个变化其实会带来你研发范式上的呃，进一步的这个样子的一个创新。那么当模型发生改变范式发生改变之后，其实整个的空间其实是有可能再次啊，迎来整体的一个放大，所以就是我们发现就是整个其实像这个游戏科研领域，它其实也已经开始进 入到了一个闭环，就是比如说从一开始对吧，所有的东东西都靠人，那现在可能在整个之前发现侧其实是呃先去靠这个传统的规则类的算法，然后取代了一部分人，或者是所谓的就是增那个提效了一部分人。 后来现在其实大家可以看到甚至做实验的时候啊，我也开始追求的是高通量和自动化，然后包括在后续啊，其实在整个的一个呃就是这个里面，它其实就会渐渐的就是变类似于一开始先经历了一个数字化的过程，然后在这个数字化的过程，当数据能够类似于说被搜集起来的时候，数据其实就会进入到智能的一个阶段，然后再去推动整个智能的一个环节，然后这里面其实就会发现在以往。这个赛道其实积淀的什么是把数据开始构建起一定的这个闭环飞轮？ 然后现在的话呢？是伴随大模型开始把这些数据尝试去形成闭环，真正的用起来。所以其实我们看到的就是呢，就是比如说现在为什么就是像大模型在去一些场景里面，它为什么落地难是因为之前所有的场景，大家的数据其实相对来说都是割裂的，而且就是我相对用起来的时候是我不讲究因果的啊，所以现在比如说大模型，它其实是要讲究一个思维链路，那现在其实它不理解你原来这些割裂的数据，为什么啊就是能够有一些原因，但现在其实大模型通过它自己的入局来尝试把这些数据链条去串联起来，那这里面其实就会带来整个落地侧的一些变化。 比如说我们举例来说啊，因为最近的时候大家可能也看到了像这个所谓的open eye和zeropic其实也开始去提自己在这个蛋白上，包括一些生命科学领域里面的一些变化，那么最早的时候比如说像这个alpha fold，包括所谓的就是呃，就是像以往的这个呃就是其他的一些药物发现的这样子的一些算法之前的时候大家讲的是什么呢？讲的是因为我有这个更多的一些高质量的数据，然后包括呢，就是我做的早，然后所以我的数据其实是最优质的，然后我这个数据又不会给到别人，所以呢就是我所有的算法一定是当前精准度最高的，但是它更多其实是一个类似于说，就是我已经知道什么叫做成功，所以我对于后续的成功。 我其实在做一个预测，尽可能让这个预测变得精准，然后