AI for Science的投资逻辑

我爱免费

作者：微信文章
当大模型还在争论"AGI何时到来"时，另一场由AI驱动的、更深刻的革命正在悄然发生。它不追求聊天的流畅，而是致力于解决人类最根本的科学难题。这就是AI for Science。物理学家薛定谔在近一个世纪前提出的同名方程，与今天火热的AI制药有什么关系？答案是，它们共同指向了一个困扰科学界近百年的"不可能三角"：在原子和分子的微观世界里，精度、效率、尺度这三者似乎永远无法兼得。想要看得准（高精度），就必然慢得离谱；想要算得快（高效率），就只能牺牲精度。这个魔咒，让新药研发至今仍像一场耗资数十亿美元、历时十余年的豪赌。然而，AI的出现，正在让这个魔咒出现裂痕。第一部分：AI for Science的"第一性原理"——Deep Potential如何实现狄拉克的梦想？

要理解AI for Science的革命性，我们必须先回到微观模拟的"三层阶梯"：

薛定谔方程：最底层的物理定律，精确无比，但计算量大到只能处理几个原子的体系。密度泛函理论（DFT）：一个聪明的近似，将精度和效率做了平衡，能处理数百个原子，是过去几十年计算化学的绝对主力。分子动力学（MD）：更大胆的近似，用简化的经验公式代替复杂的量子计算，能模拟数百万个原子，但精度大打折扣。

几十年来，科学家们就在这三层阶梯上痛苦地抉择。直到2017年，由鄂维南院士和深势科技创始人张林峰等人提出的Deep Potential（深度势能）理论横空出世 。Deep Potential的核心思想，是让AI来学习并"模仿"量子力学。这个过程就像训练一个聪明的AI学生：

老师（DFT）：用最精确的DFT方法，计算出大量原子体系的能量和受力数据。学生（AI）：通过深度学习，从这些数据中"领悟"出原子间相互作用的规律，虽然不完全理解背后的物理原理，但学会了大师的"直觉"。毕业（MD）：这位AI学生现在能以传统MD的惊人速度，做出接近DFT精度的判断。

这完美地打破了"不可能三角"，实现了物理学家狄拉克在1929年的梦想："物理学剩下的，就是解方程了。" AI没有修改物理定律，而是创造了一种强大的数学工具，使得求解复杂物理方程成为可能。第二部分：AI制药的"三国杀"——四种技术路线，谁的赢面更大？

基于AI带来的计算能力突破，AI制药应运而生。其核心逻辑，就是解决传统制药"找锁配钥匙"的难题：

找"锁"（靶点发现）：从人体约2万个蛋白质中，找到导致疾病的关键蛋白。配"钥匙"（分子设计）：从10的60次方个化学分子中，设计出能与靶点结合的药物。

目前，市场上主流的AI制药公司，形成了四种截然不同的技术流派，上演着一出精彩的"三国杀"：

公司	技术门派	核心技术	一句话总结
薛定谔 (SDGR)	物理计算派	FEP+精确计算	用物理定律"算"出药物
英矽智能 (3696.HK)	端到端AI派	生成式AI+多组学	用AI凭空"创"造药物
晶泰科技 (2228.HK)	软硬一体派	量子计算+AI+机器人	"预测+实验"闭环验证
Recursion (RXRX)	生物学大数据派	表型筛选+细胞图像	从细胞"表情"里找药物

他们的商业模式也因此分化：

薛定谔、英矽智能："软件/平台+自营管线"双轮驱动，既卖铲子，也自己挖金矿。晶泰科技："AI预测+机器人实验"的软硬一体闭环，为药企提供服务。Recursion：以平台为核心，通过合作开发和自有管线来验证平台价值。

那么，在这场关乎人类健康和万亿市场的豪赌中，谁的赢面更大？第三部分：投资者的"炼金术"——为什么我们最看好Recursion？

在分析了四家公司的技术路线、商业模式和财务数据后，我们给出了一个明确的投资排序：Recursion > 晶泰科技 > 英矽智能。

公司	市值 (约)	市销率(P/S)	估值判断
薛定谔 (SDGR)	13亿美元	~4.7x	可能被低估
英矽智能 (3696.HK)	260亿港元	~69x	高估值，待验证
晶泰科技 (2228.HK)	400亿港元	~100x	高估值，待验证
Recursion (RXRX)	23亿美元	~11x	DCF显示低估

我们最看好Recursion，理由如下：

数据壁垒最深：Recursion拥有一个由数十亿张细胞图像构成的庞大数据库。这是通过多年持续的自动化实验积累起来的，竞争对手几乎无法在短时间内复制。我们认为，在AI时代，"数据壁垒"比"算法壁垒"更重要。估值最具吸引力：Recursion的市销率（P/S）约为11倍，远低于晶泰（~100倍）和英矽（~69倍），提供了更高的安全边际。根据Simply Wall St的DCF模型测算，其内在价值可能被低估了近50% 。技术路线独特：Recursion的"表型筛选"方法不依赖于已知的生物学知识，而是通过观察药物对细胞整体"表情"的影响来反推药物和靶点。这种"不求甚解，先看效果"的思路，最有可能发现全新的、意想不到的药物靶点。闭环能力补强：2024年，Recursion以6.88亿美元的全股票交易收购了Exscientia ，补强了其在分子设计和化学合成方面的短板，形成了从"找靶点"到"配分子"的完整闭环。

当然，投资者也会担心其CEO频繁的减持行为。但我们的调研发现，其减持均通过合规的10b5-1计划执行，主要是出于个人财务规划和资产多元化的需要，CEO本人仍持有大量股份，与股东利益高度一致 。第四部分：超越制药——AI for Science的星辰大海

AI for Science的版图远不止药物发现。材料科学、能源、气象等领域同样是星辰大海。

领域	商业化程度	代表公司/项目
药物发现	⭐⭐⭐⭐⭐ 最成熟	英矽、晶泰、Recursion
材料科学	⭐⭐⭐⭐ 快速增长	深势科技、微软、Meta
蛋白质/生物学	⭐⭐⭐⭐ 成熟	DeepMind (AlphaFold)
气象/气候	⭐⭐⭐ 发展中	华为盘古、Google

这正是深势科技对标"达索系统"（工业软件巨头）而非"薛定谔"（制药软件公司）的原因。它的目标是成为所有微观科学研发的基础设施，其天花板也因此更高。第五部分：AI for Science vs 大模型——"理科生"与"文科生"的对话

最后，我们需要澄清一个常见的误解：AI for Science不是大模型的垂直应用。

维度	大模型（LLM）	AI for Science
比喻	博学的"文科生"	严谨的"理科生"
底层逻辑	统计规律	物理定律+机器学习
特点	知识面广，能侃侃而谈	计算精确，符合物理规律
劣势	可能"胡说八道"（幻觉）	只能回答特定科学问题

大模型的核心是"语言智能"，让AI能"说话"；AI for Science的核心是"科学智能"，让AI能"做科学"。它们可以互补，但不能互相替代。结论

经过从第一性原理到商业应用再到投资分析的完整推演，我们得出以下结论：

AI for Science的核心突破在于用AI加速科学计算，其输出必须符合物理定律，这与依赖统计规律的大模型有本质区别。在AI制药领域，拥有最深数据壁垒和最合理估值的Recursion，是当前阶段最具吸引力的投资标的之一。AI for Science的未来不止于制药，材料、能源等更广阔的领域，将诞生平台级的巨头，深势科技等公司正在为此布局。

我们正处在一个新科研范式开启的前夜。AI不仅将重塑我们获取信息的方式，更将重塑我们探索宇宙的方式。对于投资者而言，理解这背后的底层逻辑，将是抓住下一次科技浪潮的关键。