引言：
BV 关注和投资的不只是 AI 本身，还有那些由原创性技术突破驱动、能够定义未来产业格局的下一代文明基础设施。我们相信，未来产业的诞生往往始于尚未形成共识的技术方向，而真正改变世界的创新，也总是在被广泛看见之前悄然发生。
《未来序章》是 BV 推出的未来产业观察系列。我们聚焦那些正在开启未来的重要技术方向，记录科学突破迈向产业落地的关键节点，探寻技术突破如何跨越实验室与现实世界之间的边界，并最终成长为推动时代进步的新产业力量。
因为每一个未来产业的诞生，都始于一个尚未被充分看见的序章。
本期未来产业观察｜AI for Science（AI4S）
当科学发现，开始拥有第二种力量：
第一种力量是人类科学家。
第二种力量是AI4S。
先说观点：
BV百度风投投资人陈昊认为：“AI for Science正从根本上颠覆底层科学创新的方式，推动科学发现从“作坊模式”转向“工程化模式”。这意味着，科学发现将不再是少数天才的灵光一现，而成为全人类可以系统化推进的文明工程。底层科学的重大突破，往往伴随巨大的产业机遇。如今，我们正站在科学新文明的门前。”
BV百度风投是国内最早系统布局AI4S赛道的VC之一，目前已在该方向投资了Insilico Medicine（英矽智能，03696.HK）、深势科技、分子之心、恩和科技、深度原理、开物纪、百曜科技、量坤科技等企业。
01. AI4S——科学发现的范式革命
Science历来是AI发展的催化剂：Boltzmann machine源于统计物理中的Boltzmann分布，CNN受到猫视觉皮层研究的启发，Diffusion模型则借鉴了热力学中的逆扩散过程。如今，AI的快速进步开始反哺科学探索，AI for Science（AI4S）正引领一场科学发现的范式革命。
AI凭借强大的非线性拟合能力和高维空间搜索能力，正逐步将物理世界转化为可编程、可预测的信息系统，推动科学探索走向工程化和系统化，使科学发现以“数字速度”演进——过去需要数十年人工实验的探索，如今可缩短至几天甚至几小时。
同时，AI4S正尝试突破人类的认知边界。2016年，AlphaGo对阵李世石时下出的第37手，突破了人类思维定式，超越了围棋数千年的认知积累，是AI自己“悟”出来的。AI4S也正沿着类似路径，引领人类打破固有思维，探索生物、材料等领域的新空间。
AI4S真正重要的，不是让科学家工作更快，而是在改变科学发现本身的生产方式。从经验驱动走向数据驱动，从个体突破走向系统化推进，科学发现第一次开始具备工程化和规模化的可能性。
从AlphaFold到全科学开花
2018年发布的AlphaFold堪称AI4S的“iPhone时刻”。如今，AI4S的应用版图已远不止蛋白质折叠。在生命科学领域，它正向靶点发现、基因组学、虚拟细胞等方向延伸；在新材料领域，AI正探索新结构发现、催化剂设计、工艺优化和配方优化等环节；在能源与气候领域，核聚变等离子体反馈控制、百米分辨率短期天气预报等场景中，AI已给出比传统数值方法更快、更准的答案。
Google DeepMind作为AI4S领域的先驱，其成果已从早期的单一突破（如AlphaFold系列）演变为覆盖多个基础学科的系统性模型矩阵，并逐步构建出自动化科研的完整工具链。
AI4S正在各类前沿科学研究中全面开花，从单点模型到平台底座，已经构建了一整套科研工具链， AI4S正从单点验证走向体系化赋能，系统性加速前沿科学发现。
02.数据、模型与研究闭环
数据层面：
高质量科研数据昂贵且稀缺。相较互联网语料数据，科学数据的获取成本高出数个数量级——单次湿实验成本可能高达数十甚至上百万元，而一篇科研论文背后的实验数据往往凝聚了数年心血。
例如，AlphaFold系列依赖的蛋白质数据库（PDB）目前约有25.4万条数据；全球典型的材料数据库Material Projects和Alexandria合计约60万条稳定材料数据。AI4S的存量数据体量远不及LLM所用的互联网语料库。此外，AI4S还面临数据标准化程度低、私有化数据难以获取等问题。尤其在材料、化工等领域，结构、配方和工艺数据是企业的核心资产，难以对外分享。这种“数据孤岛”效应严重制约了AI4S的规模化发展。
解决思路包括：
1)开发新型表征工具，拓展数据维度；
2)利用自动化、具身智能等技术，实现高通量湿实验；
3)开发更准确、更高效的模拟工具，生成合成数据。
模型层面：
AI4S的模型体系，与传统大语言模型有本质区别。
科学问题天然是跨模态、跨尺度的——从量子力学层面的电子结构，到分子层面的化学反应，到微观层面的结构性能，再到宏观层面的工程应用。
在模型架构层面，Transformer、Diffusion、GNN（图神经网络）的各类变体正在被广泛探索：
Transformer用于处理序列化的科学数据（如基因序列、分子SMILES表达式）；
GNN天然适配分子结构和材料晶格的表征；
Diffusion Model在分子生成、材料设计等生成式任务中展现出巨大潜力
同时，几个“隐秘变量”有望推动AI4S加速发展：
1)LLM在专业领域的渗透：LLM正向科学垂直领域延伸，已展现出设计跨学科实验方案的深层逻辑思考能力。部分团队尝试在LLM训练中引入物理先验约束，增强其对物理世界的理解。
2)AI4AI自主进化：在不依赖人类干预的情况下，顶层的“导师AI模型”能够自主发现底层科学预测模型的偏差，并自动设计训练任务，迭代修正底层AI4S模型。
3)量子计算的技术合流：量子计算正进入NISQ时代，有望在量子力学模拟、组合优化等问题上展现超越经典计算的潜力。量子比特天然适合模拟微观量子行为，可直接生成绝对精准的模拟数据，成为AI4S模型的终极加速器。
系统闭环：
随着Agentic AI能力持续迭代，前沿团队正探索AI4S闭环加速体系——由AI主导、全自动完成“假设生成—实验设计—机器人执行—数据分析—迭代优化”全流程的循环式科学发现。这是科研范式的核心革新方向，其优势在于：研发周期压缩10~100倍，实现7×24小时高通量无人值守实验，大幅降低无效实验成本，推动科研从“人驱动试错”升级为“机器驱动生成”。但难点依然存在，包括AI模型与真实实验的适配误差、黑箱预测的可解释性不足、高质量标准化科研数据稀缺，以及全链路系统工程复杂度高等。
AI4S最大的瓶颈已经不再只是模型，而是数据与实验能力。谁能建立起"数据—模型—实验"的飞轮，谁就有机会构建下一代科学发现基础设施。
03. 商业化：AI4S商业化道阻且长
AI4S的商业化路径仍处于艰难探索期。科研成果处于产业链最上游，距离可售卖产品仍有诸多环节的挑战。新药研发平均成本已攀升至超过20亿美元，从靶点发现到上市仍需要10~15年，与VC基金7~10年的存续期严重错配。湿实验验证的“最后一公里”成本高昂，建设一个功能齐全的AI化学实验室，初期投入至少2000万元人民币。此外，跨学科人才极度稀缺。
面对困境，行业正分化出两条主要路径：
路径一：MaaS平台——做淘金时代的“卖铲人”为药企、材料厂商、科研机构提供AI模型、计算平台或SaaS工具。核心逻辑是轻资产、高可复制性，不承担药物或材料上市的巨大风险，靠软件订阅或服务费盈利。挑战在于，此类业务的TAM通常较小，天花板相对较低，且容易陷入大客户定制化的泥沼。
路径二：深入管线，全链条拉通——手握金铲子，亲自下场淘金此类公司以AI为核心研发引擎，构建自有新药管线、新材料配方，最终通过License-out或直接销售产品获取超额回报。本质上是“AI-native药企或材料企业”，高风险、长周期，但一旦成功回报惊人。挑战在于资金消耗巨大、后续环节繁杂，对团队的综合能力要求极高。
AI4S最大的挑战从来不是发现规律，而是把规律变成产品。从论文到产业，中间仍然隔着实验验证、工程放大和商业落地的漫长距离。
04.BV发现
1. 数据是AI4S的命门，更是最大瓶颈。
AI4S数据获取成本极高，且标准不统一，企业核心实验数据多私有化，形成数据孤岛。存量的“喂不饱”，增量的“等不及”。如何做好高质量数据scaling以及匹配对应的模型架构，正在成为AI4S竞争的第一道分水岭。
2. AI4S最缺“翻译官”和“组织者”
从人才角度，AI4S稀缺的不是会写代码的AI工程师，也不是懂专业的领域科学家，而是能够站在AI的前沿定义科学问题的人。这要求核心团队能够同时对AI的潜力和边界以及科学的核心痛点有足够深的理解，并且能够用AI的“语言体系”——数据、模型、算力去翻译和重构科学问题。
AI4S的商业化是一条超长链条，没有任何一个个人能够覆盖从科学发现到商业化的端到端能力。这意味着AI4S的创业必须是团队作战。需要AI科学家、领域专家、自动化工程师、产业BD等高度协同工作，彼此理解、信任对方的判断。能够在组织层面把这些人拉通、对齐、持续产出的人，比单一的技术天才更稀缺。
3.闭环能力比单点能力更重要
过去很多AI4S公司聚焦于单一环节。但从长期来看，真正有机会建立壁垒的团队，往往能够打通：数据获取 → 模型训练 → 实验验证 → 产品开发完整闭环。
无论是生命科学、新材料还是其他前沿科学领域域，AI4S都不是短周期产业，其价值创造周期往往长于互联网和软件行业，但一旦形成突破，影响的往往是整个产业链。
4. 为什么是现在？
AI4S正在同时迎来三股力量的共振：基础模型能力突破、数据的逐渐丰富、国家对产业链合作的引导整合。过去很多科学问题无法被计算。今天很多科学问题开始变得可计算、可预测、可优化。
05. BV相信——迎接科学发现的大爆发
AI4S的根本突破，在于把稀缺的创造力变成可工程化的流水线，AI 在万亿级解空间中系统性地搜索，将每一次试验转化为下一次预测的养分。科学家不再是唯一的发现者，而是这条探索流水线的设计者与决策者。
AlphaGo的第37手棋落下时，无人理解。但当它最终主导棋局，所有人才恍然大悟——原来围棋还可以这样下。今天，在科学世界的探索中，AI for Science的先行者们正在落下属于他们的“第37手”，其中一些探索或许将成为通向伟大新大陆的路标。BV百度风投希望成为先行者们最早、最坚定的同行者。
