【主持人開場】
各位機構投資者，大家晚上好。今天我們來一起聊聊AI for Science和量子計算。我們團隊今天發布了AI for Science的深度報告，經過大量的一級、二級項目產業調研，我們非常看好這個賽道。在去年的英偉達GTC大會中，黃仁勛把AI4S和具身智能、大語言模型并列成為AI的三大關鍵方向，可見其高度。
我們團隊可以說是全市場最早投入AI for Science研究的團隊之一，在這里我想先講幾個觀點：
1）AI4S是我們目前看到AI與化學結合最好的方向，甚至有可能成為化學研發的未來。經過我們的產業調研，我們發現AI建模+機器人自動化實驗的模式是確實能給企業賦能的，不僅可以替代大量重復性的勞動，而且做很多事情效率都比傳統方式快幾倍甚至十倍以上。
2）原先，大部分化學制造企業對這個模式還不太了解，但這幾年AI發展非常快，傳統行業很多細分子行業又面臨非常嚴重的內卷，企業求變，加上DeepSeek引爆了對于AI應用端的關注，已經有不少企業開始想要主動尋求與AI結合探索新路徑。
3）我們認為，未來全球最大的AI4S平臺型企業大概率誕生在中國，這是為什么？因為我們中國擁有全世界最齊全的化學制造門類、最完整的產業鏈，比如像化工，我們已經占據了全球接近一半的份額。這意味著我們發展AI4S擁有大量的公司可以一起協同，也意味著大量的數據將產生在中國，所以至少說，我們擁有一個基礎，來訓練出最好的AI化學研發模型。
4）引用深勢科技創始人的觀點“AI4S未來可能成長為千億美金級別的巨大市場”。
AI4S是切切實實能為生產企業增效賦能的，是to B的AI應用，而且具有很好的規模效益，邊際新增業務的凈利率很高。我們看到國內目前已經有一批優秀的企業涌現出來，包括已經擁有270港元市值的全球AI4S標桿企業晶泰科技，公司正在由醫藥進軍新材料星辰大海。以及近期公告攜手中科大孵化企業正在進軍AI4S賽道的產業新銳志特新材。
鑒于市場對于AI4S剛剛開始了解，我們團隊打算舉辦系列電話會議，與市場一同探討這個新領域的投研價值。那么今天我們請到AI4S以及量子計算領域的兩位產業專家，與我一同對話。
【問答環節】
從原理上來看，為什么AI效率比傳統研發更高？
傳統化學研發來看，經歷最開始的常識、自然界的觀察得到初步的結論，然后進行小范圍改性進行材料研發，后面可能會總結經驗，去定制化。到現在，需要用計算去賦能。AI首先計算環節效率很高,包括第一類AI4S（直接預測材料性質），第二類是材料性能計算（產線、力學、反應）類似agent。AI4S來看，站在第一性原理計算的肩膀上，首先能夠規模上算的更大，傳統就是解薛定諤方程，對于復雜體系，比如高熵合金，用AI學**鍵點數據進行合理外推，可以和第一性原理計算結合。比如小米SU7 ultra車架泰坦合金就是這么做出來的。同時AI可以算的更精確，比如算水的運動，可以用AI學習單個時間點性質、力學特性，可以得到整體運動的狀態，省去重復勞動。
第一性原理運算的優勢？
第一性原理來看，在解決這一類化學問題的時候，從最底層原理出發，再演繹到宏觀。第一性原理從最底層的薛定諤方程開始，去解材料的性質。打個比方，在大規模的問題上，可以找計算專家控制超算集群，可以算千萬種材料，但是找不到這么多實驗人員。另外比如在極端環境，如鉆石是高壓環境，昂貴且危險，用計算模擬可以避免。成本方面，計算金、稀有金屬方面成本大大降低，和計算氧氮碳成本是一樣的。
AI適合研發哪些類型的新材料?
大致包括:高熵合金、高分子材料、新能源材料（如鈣鈦礦）、生物材料（如酶，Baker諾獎得主就是AI這個方向）、航空航天材料、核能材料。
DeepSeek對我們行業的賦能？
首先它解決了大模型美國壟斷的問題，實現了平權，使得新興小企業有機會擁有門票。并且DS開源，有很多企業本地部署，我們相信會持續有新模型出現。我們沿著材料的方向，解決了對AI方面的投入問題，比如我們做一個高分子材料，原來需要買很多卡+10個人，現在3個人+買沒有被禁止卡有個幾張就夠了，并且研發進度還加快了。
量子計算和超算有什么區別？
計算機在執行數學程序，背后是圖靈完備，一部分可計算的步驟可以一步一步的做出來，傳統、量子計算機都能算同樣的問題，量子背后也是圖靈完備。但是對于復雜度難題（NP難），經典計算機不能通過多項式求解，但是在量子計算機可以多項式求解。在傳統計算機難度指數增長的同時，在量子計算機只是線性增長。傳統計算機用01的比特，量子計算機用量子比特，存在于一種狀態，可以是0或1或疊加。量子比特有天然的疊加性，加法的時候可以實現同時計算。另外量子運算門級不同，傳統計算是與或非，因此所以遇到一些傳統計算NP難的問題在量子計算不是NP難，比如解加密算法。經典計算機發展了很多年，大部分問題都能解決，量子計算機目前主要為了解決經典計算機解決不了的NP難問題。
量子如何和AI4S結合，賦能材料研發？
經典計算機發展速度比較慢，現在能算100多個原子，實際解決能力有限，但傳統計算能力增長慢，只有比如年化5個原子增量。但是量子計算每多做一個比特，或多做一代，比如今年算10個原子，明年可以算100個原子。所以量子首先要實現對經典計算的取代，再指導實驗。如何與AI4S結合來看，AI和經典第一性計算互補，經典計算得到嚴格求解薛定諤方程的精確數據，AI其實從數據中獲得人類難感知的經驗，更多的應用到更多領域，這一方面量子計算邏輯也是一致。另一方面，AI agent方面，計算和實驗結合有很多節點，有量子計算部分（處理化學問題、硬件處理、噪聲處理）、經典計算節點（比如動力學、能量計算、解波函數獲得激發態性質）、實驗室自動化節點（包括機器人自動化實驗），這么多節點如何管理，這么多數據怎么理解，最后整合需要靠AI。之前算力沒有觸到這個瓶頸，但是伴隨AI和量子計算的發展，可能5年內就會發生，是不可避免的產業趨勢。
量子計算和量子模擬賦能AI4S多快可以應用？
首先有人說量子計算離實際應用很遙遠，這個指的是通用量子計算，就是達到當前AI這種能力，解決大規模的問題，這么看確實很遙遠。假設還要15年才能實現通用量子計算，但是量子模擬和AI的結合在幾年內實現突破是可以期待的。我們和國外500強企業研究院接觸了很多年，他們認為有幾年可以用量子計算應用在他們實際業務中。他們認為2027年會用純量子計算解決第一個概念驗證類問題，把實際問題抽象出來用純量子解決。然后到2030年應用到實際業務，解決他們10%的實際問題。意味著2027年我們用一些量子方法和AI結合可以實現突破。國內潘建偉院士提出，要謹慎樂觀，也要沿途下蛋。舉個例子，現在的AI四小龍，算法突破后可以迅速打開某個巨大市場（如人臉識別），但是這個過程中人臉識別算法不斷迭代，最早的人臉識別門禁十幾萬，現在最便宜的幾百塊。說明技術發展過程中，一定會有新的價值產生，我們不需要等它進入到很通用的階段再進入這個賽道。
目前看量子計算結合AI4S在材料端，可以實現哪些突破？
目前國際上有幾個熱的方向：新能源材料：道達爾和一個新能源公司在做鈣鈦礦，提升轉換效率；高分子材料：我們從前年開始在做，是一款高附加值材料，可以用來在自然界補集二氧化碳、水、特殊氣體，我們已經做出小樣；生物材料：比如酶，AI已經做的不錯了,但是仍然有一些問題沒有解決,國外有些公司在做；mRNA核酸類藥物：我們合作做了幾款mRNA藥物進入到臨床，我們今年還會深入繼續做。
量子計算領域有哪些領先的企業和團隊？
硬件方面：
· 潘建偉院士牽頭國家量子實驗室解決量子前沿方向，近期發布了祖沖之三號，對標谷歌，走超導路線；團隊里陸朝陽做光量子計算機，九章，也發了三代；
· 郭光燦院士國內早期做量子計算，超導路線；
· 清華段路明院士做離子阱路線硬件；
· 薛其坤院士去年拿到了科學獎，在深圳那邊做凝聚態物理，也在做超導方向。
軟件及應用方面：
· 陸軍院士，是中電科首席科學家，在蘇州做量子產業化（產業應用高地）。很多科學家都在研究技術前沿，轉化為實驗裝置，我們可以把量子計算機理解為實驗裝置。陸軍院士是把這些實驗裝置標準化和產業化，目前國內只有他在做。同時標準化之后，會和我們這些做算法和應用的公司結合，供給超算中心或者一些做新材料、藥研發的公司使用。
· 微觀紀元：中國做軟件的公司特別少，有一家微觀紀元，是國內唯一一家做量子算法和應用的，和海內外客戶在推進，并且和陸軍院士在合作。
當前產業現狀如何？
我們對標美國來看，美國量子公司硬件側如制冷機、光學器件，以及幾個主流路線來看，中美在同一水平線。在算法和應用領域，比國內走得更前面，包括合作案例、企業人數等。中國很多專家都是物理出身，所以聚焦硬件比較強。軟件和應用方面，除了陸院士以外，沒有別的國家隊。微觀紀元是國內唯一做這個賽道的玩家，我們做了一個高分子材料多空隙材料，可以做碳捕獲、電子特氣分離、轉化，今年目標做到中試。生物材料方面，我們在改造酶，就是合成生物學，我們會使得性能改造到現在酶的5倍，用來吃二氧化碳，轉化成高附加值產品。mRNA方面，我們今年預計還能拿到幾個臨床批件，預計還會新增世界500強客戶。
一些新材料被國外壟斷，如果通過AI，國內可以將差距縮減到多少？
舉例來看，目前只有美國和北歐有高純石英砂，可以做半導體的坩堝和鈣鈦礦材料。前兩年開始價格飆升了10倍，國內沒有高純度礦。現在有兩個方法可以做，我們在做一種路線，確定可行，通過人工合成的方法從別的礦里，計算反應路徑和反應能量，得到高純石英砂。
【免責聲明】【廣告】本文僅代表作者本人觀點，與和訊網無關。和訊網站對文中陳述、觀點判斷保持中立，不對所包含內容的準確性、可靠性或完整性提供任何明示或暗示的保證。請讀者僅作參考，并請自行承擔全部責任。郵箱：news_center@staff.hexun.com
最新評論