铃阅
❌

阅读视图

非侵入式脑机接口创业:如何“读”脑、“写”脑,以及如何商业化?

原创 李龙、盛经纬 2026-11-10 20:56 北京

这个巨头纷纷涌入的赛道,刚需场景在哪?付费方又是谁?

过去三年,脑机接口从科幻电影走进了现实。

2023 年 5 月,马斯克的Neuralink拿到美国FDA的临床批件。此后,它在多场发布会上展示了脑机在运动控制方面的进展,例如患者用意念操控鼠标、轮椅等设备;Meta、Amazon等科技巨头,也以不同的方式相继入局;洛桑的研究团队则通过脑机接口技术治疗,让高位截瘫患者重新获得了行走能力。

在中国,与脑机有关的临床在快速推进,脑机接口还被列入“十五五”规划的未来产业。

热闹之下,人们的期待值也被层层拉高:意念打字、解读梦境,乃至数字永生……

然而,脑机接口要回答的仍然是两个朴素的问题:能不能读懂大脑,能不能准确地干预它。而目前临床上应用最多的,其实是不往脑子里植入电极的非侵入式方案。

本期产业观察,峰瑞资本投资副总裁谢达对话两位非侵入式脑机接口方向的创业者:昆迈医疗创始人、CEO 盛经纬,和穹顶科技创始人、CEO 李龙。

他们有不少共同点:都出身高校实验室,博士毕业后短暂做过科研,也都在脑机接口还不热的时候就入局。不同点在于,一个侧重“读脑”,一个侧重“写脑”。盛经纬是北京大学医学物理博士,物理背景出身,用量子传感技术做无液氦脑磁图,在颅骨外捕捉大脑的磁信号;李龙是西安交通大学生物医学工程博士,团队专注于时间干涉(TI)刺激技术,通过体外电极干涉的方式无创干预大脑深部核团,以替代传统需要开颅植入的有创脑起搏器。

在本期对话里,他们聊到了如下话题:

以下为对话正文,希望能给大家带来不一样的角度和启发。欢迎移步小宇宙APP或Apple Podcasts,搜索并订阅「高能量」收听完整的访谈实录。

谢达:峰瑞关注脑科学很多年了,2019年投了优脑银河,2022年投了昆迈医疗和穹顶科技。先请两位介绍一下自己。

盛经纬:我是昆迈医疗的创始人、CEO盛经纬。在北京大学读完医学物理博士之后,我有个短暂的科研过渡,然后开始创业。昆迈探测大脑神经活动产生的磁场,也就是脑磁图,来对神经信号进行推演和成像。

我们想克服颅骨对电信号的屏障,在无创前提下获得更高保真的信息,更清晰地反映大脑的动态和功能变化。我们用的是一种叫OPM的量子传感器件,不依赖液氦也能做到非常精准的磁探测。现在已在一些医院和高校装机。

李龙:我是穹顶科技创始人、CEO李龙。我的经历和盛博很像,先是在西安交通大学读生物医学工程博士,博士毕业后做了一段时间科研,2019年,我依托研究所在探索的时间干涉(TI)刺激技术,成立了公司。

我们想解决现有神经调控技术“打不深、打不准、打不好”的问题。TI是用两束高频波做干涉,在传播路径上不影响大脑中浅部的神经元,只影响选中的特定核团,相当于用“隔山打牛”的方式激活大脑。因为临床效果非常接近脑起搏器,所以TI技术被称为“无创脑起搏器”,现在在帕金森、特发性震颤和一些精神疾病上都有明确的应用。

谢达:2023年Neuralink拿到FDA临床批件后,脑机接口才真正热起来,人们开始意识到它不再只是科幻电影里的概念。两位入局都在这个里程碑之前,当时为什么创业?

李龙:那时候脑机接口还没被临床认可,我们看到的需求是治病。团队以前做有创脑起搏器(DBS),全国大概180万帕金森患者,最终装机的不到 1%,这两年也就一点几。核心原因有两点:一是很多人难以接受有创技术的安全性风险;二是费用,单例的有创植入非常昂贵,患者自付一般在 10 万到30万之间。2016、2017年左右我们发现 TI 能达到类似脑起搏器的功能,就认为它有非常大的潜力。

盛经纬:我和李博一样,是从高校实验室走出来的创业者,对自己做的技术多少有一份执念和痴迷。2013年,我还在读博的时候,实验室刚进了一台磁共振设备,我是第一个在上面做脑功能成像的受试者,看到自己动手时大脑被“点亮”,十几年过去了还心潮澎湃。

我们创业的核心动机,一个是底层技术的突破:物理学界出现了不依赖液氦、更灵敏的新一代量子磁探测技术,这些技术逐渐变得可工程化。另一个是行业背景的烘托。我看过很多脑磁结果,但我们中国团队自己做的探测器第一次探到我自己的脑磁时,我还是非常激动。

谢达:过去这5年,哪些发展不如你想象的快,哪些被加速了?

李龙:工程在实验室里可以迭代得非常快,但脑机接口是工程和临床的深度结合,考虑到安全、伦理,整体迭代没那么快,数据也只能一例一例地积累。人脑结构虽然相似,但个性化问题仍然存在,靶点、闭环调控参数都要微调。当我们手上只有一两千例数据时,哪怕是同一种疾病,每遇到一个病人都像在面临新挑战;只有等数据积累到 1 万例以上,才总结出规律,形成一个比较通用的模板,再去其他临床中心推行。

盛经纬:如果以产品获批、拿到注册证为里程碑,进度是顺利的。这主要得益于中国完善的制造供应链、丰厚的临床条件和监管对创新的支持态度。比较困难的是,创业之前不知道卖设备这么难。让医生接受一个新技术再规模化应用起来,客观上需要一个过程;产品好,也不一定卖得出去。这是拿到注册证开始做商业化这两年,我和团队面临的很大挑战。

谢达:这 5 年脑机赛道长出了很多热点,哪些已经产生了不可逆的质变,哪些还在路上?

李龙:这两年最难的,是教育市场。脑机接口的星辰大海是未来用在健康人身上,但初级阶段一定是治病。最终它会被归为强监管的医疗器械,不能太激进,也不能太保守。产品打磨要让医生和患者都明显受益,技术迭代不是通道数从 16、32、64 无限往上加就更好。我们甚至有过“回退”。最早精度能做到三四毫米,有二十几个通道,但医生不爱用,佩戴适配要半小时,后面还有一堆门诊病人排着队;患者也受不了,治疗只有 20 分钟,戴设备却要半小时。现在我们是用 4 通道、6 通道,虽然精度降低了,但适配时间降到 5 分钟以内。还是得看场景,不是越精准、越深就越好。

盛经纬:我觉得技术发展几乎是线性的,这 5 年没有出现重大跳变。最大的推动来自马斯克的Neuralink。它的一些试验,我们最早看觉得not a big deal,实验室很早就有相关论文发表,虽然有点像旧菜被炒热了,但有更笃定、有资金的人把它往前推了一步,让脑机接口走到了大众愿意相信的方向上。真正的质变在一些案例上,比如洛桑的研究团队让高位截瘫的人经过脑机接口闭环治疗,从0到1地重新走路。这对大众认知是一个不可逆的推动。

谢达:除了Neuralink,Meta等巨头、Amazon的创始人也投资了脑机接口公司。巨头为什么都涌入了?

盛经纬:说点猜想。巨头未必是以求索大脑为目标,而更多是围绕自身业务:马斯克有移民火星的梦想,也在做机器人,如果要让机器人服务于人,机器人需要大脑,人和具身之间可能也要通过脑机接口link起来。Meta则可能想做神经键盘、神经接入,形成新的交互媒介。

李龙:我以一个比较俗的视角来回答。脑机接口在短时间内是一个不可证伪的命题,起码不会像早期的元宇宙那样被快速证伪。脑机接口要解决的终极问题是:什么是意识?如果意识被解决了,我是不是可以永生,是不是就不用移民火星了?意识是否可以被复制、可以被存储?这个想象空间非常大,短时间又无法证伪,它就有价值。这不是否定,这个过程中会诞生很多有用的技术和公司。

盛经纬:这恰恰是中国工业界稍微缺失的,也就是能带领大家有更远大憧憬的引领者。经常有人问,脑机接口什么时候实现数字永生?我的回答是,它跟人类移民火星一样遥远,或者一样近。马斯克要移民火星,第一步先做商业航天。数字永生可能遥不可及,但不影响我们先解决对大脑的认知和脑疾病的治疗。

谢达:大家常说非侵入式更容易被患者接受、更容易落地。但有个说法很形象:非侵入式像在体育场外听球赛,天然噪音大、信息丢失多。现在非侵入式读取大脑信号的质量和效率,做到了什么程度?

盛经纬:无论侵入还是非侵入,都是通过声、光、电、磁测量神经活动。最直接的是通过脑电来看神经元的放电,已有100多年历史,尽管颅骨是个很大的屏障,它仍是应用最广的无创采集技术。脑磁和脑电是同源的,本质上看的还是电,但颅骨、脑脊液等组织的磁导率几乎一样,大脑的磁场信号可以像雷达一样近乎直线传播,保真度高很多。

今年年中传得比较广的,是 Meta AI 团队用脑磁训练一批西班牙语受试者打字,正确率能达到接近80%,接近很多有创植入重建语言的水平。这是很积极的信号:不打开大脑,借助数据和 AI,在一些场景也能接近侵入式对大脑的解析。

谢达:但我们收集到的大脑信号,和人看到的、想到的有本质不同。两者之间能划等号吗?

盛经纬:至少当下没办法划等号,但这是整个行业努力的方向。我是物理背景,听认知科学的课时了解到它有三个元素:brain大脑、behavior行为、mind心智。心理学家做行为试验,是在测量行为;今天我们用仪器测量大脑,本质上都是通过测量信号来推测心智。我认为当下的机会在于人工智能。大脑和心智之间本身就是某种函数关系,随着数据利用效率和模型的发展,既然能测量大脑,我认为一定程度上也能测量心智。

李龙:我的视角不一样,我们是读脑技术的用户,我们的需求非常高。比如拿三类证,要向药监局回答用无创技术怎么到达大脑中的那个核团,这时就要用有创脑接口。国内外的各种脑接口电极,我们基本都买过。

谢达:深度用户。

李龙:对。有创的信号质量肯定更好,但更适合动物试验或已经开颅的患者,短时间内很难用到我们绝大部分患者身上。

我也看好AI这两年的发展。我读博时是用 MATLAB 编程、用固定公式去“套”大脑,现在 AI 完全不是这个逻辑。我们可以把需求定得可达到,比如只要求患者治疗后大脑活动趋近正常人,先不去考虑他在想什么。这样的目标,现有AI技术两三年内就可能实现。

谢达:资本的热度在侵入式,但临床上用的大部分是非侵入式,有统计说 85% 是非侵入式产品,真正植入大脑的可能不到 10%。我访谈过的一些医生也说,能接受开颅风险的患者有限。两者未来会怎样共存?

盛经纬:侵入和非侵入不冲突,场景不太重合。我们做的是非侵入式,但我认为侵入式是验证大脑、尤其个体特定功能最宝贵的数据。但侵入式的人群比较窄,是需要开颅的,或高位截瘫、渐冻症等严重失能的患者;而很广泛的精神疾病,伦理上几乎不允许开颅,只能依赖非侵入式。

非侵入式的一大优势是数据的可获取性、可积累性和全脑性。侵入式想看得细、看得精,必然看不全,哪怕几万个电极,也只植入特定区域。而很多非侵入式技术能获得全脑级的信号,大脑的很多高级行为又几乎是全脑协同的。充分挖掘全脑数据,再用侵入式的典型记录去验证、学习,这是非侵入式的机会。

李龙:我也不认为存在路线之争。同一种疾病,用户可以做开颅手术,也可以觉得风险高,用无创达到 80% 的疗效,这是用户的权利。

就像谢博的比喻,进球了,场外也知道,因为有欢呼声;在场内能看清射门是左上角还是右上角。只想知道有没有进球,场外就够了;想知道谁进的、怎么进的,场内就很重要。成本也不同,场外免费,进场总得买票。

两者也会相辅相成。无创会采集到更多不同人的数据,而有创能在单人身上积累上千小时的数据。脑科学研究可能需要千人、万人、每人上千小时,现阶段有创很难做到。有创精细采集的结果能不能通过无创的方式来泛化?我不知道,也许AI会加速。正因为还不确定,现在是最有趣的时代。

谢达:这也是Neuralink和Precision两家公司的不同路线:一个是个体长期植入,记录一个人成千上万小时的大脑信号;一个是在必须开颅的患者的手术窗口内植入、结束就撤出电极,强调覆盖更多的个体。

谢达:TI 作为疗法可以分三个阶段:一是指哪打哪,真正刺激到目标脑区;二是神经元确实响应电场;三是在行为学上改善疾病。TI 走到了哪一步?

李龙:这就是国家药监局在问我们的问题。指哪打哪,我们用开颅的猴子或开颅的患者可以证明了打到了特定核团。接下来还要证明打到之后确实产生了影响,单靠无创我们回答不了这个问题,我们就用有创电极观测神经元在 TI 刺激后的放电。

调控一定要有非常显著的临床效果才能被认可,关键是找到适合自己的适应症。如果某个疾病用超声、电、磁都能治,且疗效差不多,最后比的是谁成本更低;如果声和磁都是60分,电能做到90分,电在这个适应症上就有了定价权。这比单纯讨论谁的技术更好更重要。

除了治病,健康人的需求也很多,看怎么去找。我本人是深度的减肥体验者,司美格鲁肽、替尔泊肽全都试过,效果很明显,但我坚持不下来:副作用是恶心,其他兴趣都被抑制,整个人有点emo。我就想有没有代价更小的方式,比如通过调控大脑来减肥。

谢达:相当于从治疗临床的疾病,走向大众的功能改善。我们早年看神经调控,看重无创安全、高精度和全脑多靶点联合调控;现在大家更多转向务实、贴近临床的方向,比如检测调控闭环、个性化靶点。这是热点带来的,还是技术积累到了?

李龙:我觉得是技术逐渐演进到了这一步。在 TI 和超声之前,主流调控技术是经颅磁,打得不够深、不够准,但已经解决了临床很多问题,一年可能大几千台的出货量。比如有些家长在中考、高考前会带孩子去做这种调控,缓解焦虑紧张,可能疗效是个 60 分。现在有了更深、更准的技术,加上能采集个性化数据,可以明确焦虑情绪出现在哪个核团,效果也许能做到 90 分。60 分和 90 分,都是挺好的方法。

谢达:但个性化的另一面是监管,药监部门会要求疗法里有些东西是固定的、明确的。

李龙:现在还没有第一张真正的无创三类脑机接口证,就是因为要求用脑机接口的方式实现闭环、达到更优疗效。这本身很难。以前的调控或吃药,打个夸张的比方相当于扔核弹,整个城市夷为平地,效果显而易见。闭环相当于精确制导,精准摧毁一栋建筑。难点在于,只比眼下的疗效,精确制导并不会比扔核弹更好;可新疗法要拿证,疗效必须优于、至少等同于原有疗法。这也是我们和监管反复沟通的问题。

谢达:侵入式有个不断被强化的商业逻辑:患者需求非常刚性(如严重瘫痪、渐冻症),愿意承担风险和费用。非侵入式有没有真正不可替代的刚需场景?

盛经纬:场景不明确,可能是非侵入式当下的软肋:似乎什么都能干,但又不是那么不可替代。可以明确的是,受开颅限制的都是非侵入式的场景,尤其是精神疾病的诊疗、干预和评估。但强监管限制了它的应用面,因为只要明确指向某个精神疾病的医疗器械,哪怕是非侵入的,也要按三类注册。另一个极端是市面上成千上万个娱乐性的消费级头环,就一两个干电极,戴上像个紧箍咒,似乎就有了通天的能力,其实只能算半娱乐。于是行业找到了一个中间的平衡:既是医疗,又要严肃,带火了康复这个传统行业。但康复效果究竟来自脑机接口,还是同步进行的传统康复,还需要摸清楚。

李龙:从技术到商业闭环,其实得益于不同领域相互促进。以抑郁症为例,以前只有药物(所谓六朵金花),医生做个量表、开药就结束了,不需要精细的脑功能影像。有了超声、TI这样的调控手段,才需要结构像和功能像的数据去做精准调控;而调控离开采集也无法施展,连打哪、怎么到那儿都不知道。现在精神专科医院和医院的心身科,都配有脑磁、磁共振、脑电设备。

谢达:这 5 年,付费客户有什么变化?

李龙:穹顶的付费客户的画像变化很明显:最早是高校科研用户,然后是头部医院的科研用户,现在是真正的医院科室采购。如今付费客户回到了最基本的商业逻辑:既要为患者解决疗效问题,也要为医院降低人力成本,设备买回来还要能回款、能挣钱;对医保来说,还希望它比持续吃药或做手术更能控费。

盛经纬:我们的付费客户基本还是大B端,因为脑磁是医疗大设备,非常昂贵。

李龙:我们两家的设备在医院是联合使用的,穹顶也在逐渐成为付费方。拿三类证需要大量数据,比如 2000 个人、每人 3 小时以上的脑磁数据,我自己买台脑磁、拉人来采,既不经济也没效率,不如和医院在合规脱敏的数据层面合作,或者付费给昆迈这样做“基建”的平台。只要我们能证明效果优于非闭环调控,拿到三类证,收益就足够大。我们已经在和脑电大模型公司以及有成规模磁共振数据的医院合作。

谢达:当更多患者个体被植入脑机接口,会带来更多数据、更好的模型和产品效果,进而赢得更多患者。这个数据飞轮目前被验证了多少,哪里仍是挑战?

盛经纬:理论上很顺畅,但目前还行不通。一是相比自然语言,脑数据还很稀缺;二是标准化不够,不同模态、来源的数据差异很大。脑数据非常 noisy,有人说得比较尖锐:garbage in,garbage out,光有量是不够的。下一个机会是用 AI 大模型来有效挖掘数据,让数据更可用。所以,飞轮会转起来,前提是有足够多的积累、对数据进行标准化,得到大量干净的数据。

如何获得更干净的数据,本身就是行业最底层的机会。只做医疗器械硬件,受到的限制可能会越来越大。这迫使我们思考,如何从医疗器械公司变成解决方案公司,建立数据和模型的壁垒。

李龙:穹顶是数据飞轮的受益方。单纯在硬件设备领先,壁垒是有限的,或许 3 年、5 年,因为中国产业链的复制与迭代能力非常强。所以,这几年我们没有只盯着营收,客户愿意把数据给我们,我们可以让渡一部分商业利益,因为数据会越来越重要。

谢达:不过,行业内还没有一个公认的模型架构,能适配不同模态的脑数据。一边是脑机接口很热,另一边是我们对大脑的理解仍处在早期,所以脑机的落地主要集中在运动康复。之前的语言脑机接口,解码的其实是说话所需的发声运动指令,本质上还是运动解码。要拓展到感觉、意识、逻辑推理这些大脑的高级认知功能,现有的模型和算法够用吗?

盛经纬:理性来说都有挑战。从测量大脑到计算大脑,中间的gap一是数据,二是以计算神经科学为基础的模型化和抽象化。我和一些计算神经科学家交流,听到一个有意思的观点:人的心智没有想象中那么复杂。优秀的心理咨询师不用特别先进的工具,聊聊天就能引导人解决问题。经过抽象化,大脑的高级认知或许可以转化成近似分类的问题,这是有希望的,但这条路有多远还不知道。而且推测高级认知需要看得全,而不是看得太细,这恰恰是非侵入式的优势。

谢达:调控可以理解为对大脑状态的扰动。能不能建立一个从 A 状态到 B 状态的迁移模型?

李龙:这是我们想做的。我们自己也在做超声,就是想知道 TI 和超声打到同一个核团,数据扰动有什么不同。我们在做一个 1000 人、每人 1000 小时量级数据的项目,扰动方式包括声、光、电和磁,预计 8 到 9 个月拿到全部数据。前期预实验已经能看出扰动和不扰动有明显差异;不同手段有没有差异,要做完才知道。

至于意识,我只能非常感性地回答:它可能是量变到质变,到了某个节点,砰一下就解决了,而不是按一个精细的计划一步步走到终点。我的乐观来自我的信念,我的悲观来自我采集到的数据。

谢达:如果未来真的形成“读取大脑—理解信号—进行干预—观察反馈”的完整闭环,最终价值会掌握在谁手里?

李龙:我不太认同会有一家公司或一个环节成为链主。一路追下去,无数个点都会被认为是卡脖子的,就像芯片,各个环节都是价值锚点。比方说,这是一个木桶,有任何一块短板都装不了太多水。未来脑机赛道可能是多元化竞争,有人做炫技的,有人做落地的,各块木板都达标,广泛应用的节点才会到来。

盛经纬:这个问题谈之尚早。终局上,要看谁能真的做成闭环。但现阶段的主角,是掌握数据入口、拥有先进传感器和电极的公司。

谢达:在脑机这个方向,中美的格局会怎样?中国在哪个环节更有优势?

李龙:我们在国内外都做过临床。虽然严肃医疗面临强监管,但国内对脑机接口的支持力度是比较大的。在国内开一个新适应症、做新靶点验证,两三个月能做完伦理;在英国或美国加州,至少需要两年。这意味着在中国做,能比美国早两年拿到更多数据,再叠加迭代速度,优势很明显。

盛经纬:同意。中国的临床资源、数据产出和供应链也都有优势。我们刚开始创业时,有些元件要自己手搓,后来供应链被行业发展带起来了。美国的优势在最原始的idea、原创的技术。现在大家多少还习惯说“我是中国的 Neuralink”,这说明我们还在 follow 美国先提出的概念,我们还需要在更多元的创新上去摸索。

谢达:补充一点,从中美专利的对比看,美国重视基础脑科学和底层的材料、芯片、算法,偏产业链上游;中国重视验证和应用,强在中下游和临床资源。我们应该巩固强项,尽快拿出临床结果。

谢达:最后问一下两位,如果 3 年后我们再录一期,什么事的发生会让你觉得行业真正过了一个重要阶段?

李龙:现在无创脑机接口已经走到商业化的门口,我很期待 3 年内,国内会有第一家脑机接口企业上市,会出现第一个无创脑机接口的医保付费案例。

盛经纬:我更愿意看到的一个场景是:一个科室医生自发开出一张和脑机接口相关的检查单,而不是出于科研或IIT试验的目的。我认为这才是脑机真正落地、普惠大众的表征。或许三年后,脑机接口不再是一个那么时髦的词,热度甚至会下降。但不管叫脑科学还是脑机接口,人类对大脑的探知、对脑疾病的求解,是亘古不变的课题。

我也希望,未来脑机接口不只在康复科流行,不只是运动脑机接口,这些也不是人们对脑机最美好的期待。在运动康复之外,让脑机接口实现对精神疾病的干预与治疗、对人脑高级认知的解析与应用,是我们这个行业所有企业共同的使命。

跳转微信打开

  •  

AI for Science:AI走向物理世界的第一站

原创 马睿 2026-10-28 20:21 北京

AI带来了新的技术革命,但它还不等同于生产力本身。

过去几年,谈到AI,我们谈的多是聊天、写代码、agent、机器人。但这一轮AI最大的生产力机会,或许不在屏幕里,而在原子和分子构成的物理世界里。

AI for Science(下文简称AI4S),简单说,就是用AI来帮助科学研究、增强科研能力。例如让AI学习物理、化学、生物的知识和规律,去计算和设计原子、分子层面的东西,比如蛋白质、药物和新材料。它是AI走进物理世界的第一站。

2024年10月,诺贝尔化学奖颁给了蛋白质设计和AlphaFold2的研发者,AI4S站上了科研范式的转折点。两年后再看,变化比多数人预想的更快:两年前,AI制药还常被质疑“做不出药”;如今,晶泰、英矽、剂泰先后在港股上市,AI参与设计的药物进入了III期临床,礼来、辉瑞、GSK等跨国药企开始花重金绑定拥有专属模型能力的AI原生公司,抗体甚至可以“零样本”直接算出来。

我们持续关注AI4S领域的技术发展,如果你是相关创业者或者从业者,欢迎联系本文作者马睿(marui@freesvc.com)。

黄仁勋在介绍英伟达的战略时,常提到一个AI 产业全栈分层图,或者叫“AI五层蛋糕”:从下往上依次是能源、芯片、基础设施、模型和应用。用这五层对比中美:

· 能源:中国占优。2025年,中国发电量约为美国的2.3倍,能源总量优势明显。

· 芯片:美国领先,中国紧追。在先进制程上(7nm以下),中国与美国有差距,但如果看芯片制造产能,中国正在在追赶。

· 基础设施:中国整体占优,无论是电网、储能、变压器这些硬的设施,还是互联网和AI infra这些软的底座,中国都有扎实的产业基础。

· 模型:最前沿的模型仍在美国,但差距正在缩小,且中国在开源模型上领先。

· 应用:这是中美AI竞争的胜负手所在。AI应用包括agent、具身智能、AI4S和AI+各行各业。目前美国先行一步,编程类agent已经跑出规模化收入:Anthropic的Claude Code上线半年,年化收入就达到10亿美元;Cursor的年化收入也在2025年突破10亿美元。中国有望后来居上,腾讯、阿里、字节等巨头正在为应用层注入竞争力,中国的强势产业链也为AI落地提供了土壤。

历史上,一项技术从被发明到它被广泛应用并真正带来生产力提升,往往要十几到几十年。电力发明于19世纪后期,但生产力的真正爆发是在1900年之后,一直延续到1940年代。

看美国的全要素生产率(TFP,即资本和劳动力投入之外、由技术进步带来的增长)就更清楚。Astera Institute的Eli Dourado指出,1947–1972年,美国TFP年均增长约2.1%;2005年移动互联网时代以来,只有约0.17%。核心原因是,过去20年的创新主要局限在数字世界,而上一轮创新发生在物理世界:电力、火车、汽车带来的生产力提升,远大于计算机和互联网。

美国自1947年以来的全要素生产率(TFP)发展趋势

但这二十年做成了一件关键的事:把与人相关的各类数据(包括人的语言、文本、图像、视频,以及搜索等行为)都数字化了。这正是今天大模型的数据基础。

AI无疑是本轮科技革命最大的技术突破,甚至可以和电力相提并论,但从现有数据看,生产力的全面提升尚未来到——大规模的应用落地还在初期。最大的生产力进步,或许不在在数字世界,而在AI、生物、材料和能源的交叉领域,在数字世界与物理世界的融合之处。

AI的发展依赖三要素:数据、算力、算法(模型)。如今,大语言模型几乎吞尽了可用的文本数据,迭代速度在变慢。它要继续往前走,需要三样新武器:

· 新模型:黄仁勋在前述“五层蛋糕”的长文里也强调,模型不仅要理解语言,还要理解生物、化学、物理和物理世界本身;他认为模型在编程、机器人、数字生物和药物发现等领域已经展现出很强的产品市场契合(PMF)。物理AI正变得前所未有的重要。无论是微观的AI4S、三维重建的模型,还是世界模型,都是下一步的关键。新的模型可能会需要新的架构。

· 新数据:新数据是模型进一步迭代的新燃料。我们既需要物理世界的数据,比如3D高斯重建、深度数据、3D空间中的交互数据、空间智能、具身操作,以及生物制药中分子之间的相互作用;也需要与人相关的数据,它们可能产生于新型传感器、智能硬件;还需要脑科学数据,毕竟,AI历史上的多次重要突破都源于脑科学的启发,随着脑机接口和脑科学的进一步推进,会带来大量可用的高质量数据。

· 新算力:新模型和新数据对算力提出了更高要求。英伟达超越英特尔的背后,是 GPU (图形处理器)凭借并行计算优势,在 AI 时代逐步取代 CPU(中央处理器)成为主流算力架构。而当黄仁勋开始谈GPU与QPU(量子处理器)的协同时,量子计算被寄望为下一代算力。2025年10月,英伟达发布NVQLink,实现了量子处理器与GPU超级计算机的直接连接。

很多人以为AI只是带来效率提升,没法成为一门学科的核心驱动力。但我们确实观察到,AI的能力正在向基础科学领域加速外溢。ARK Invest在《Big Ideas 2026》里把AI称为“中央发动机”,它带动机器人、储能、多组学等创新平台一起加速。换句话说,AI像一场龙卷风,把周围的创新和行业都卷进来。下面是四个例子。

蛋白质结构预测。输入一条蛋白序列,AlphaFold2就能给出它的三维结构,而且精度首次和实验方法相当。在此之前,人类花了约六十年,才用实验解析出约20万个蛋白结构;而AlphaFold数据库则在2022年给出了约2亿个预测结构。这项工作获得了2024年诺贝尔化学奖。在蛋白结构预测这个领域,AI已经是主要驱动力。

电池材料。过去150年,从铅酸电池到锂离子电池,能量密度只提升了约5倍,年均进展小于1%,非常缓慢。美国电池材料公司Feon Energy用基于生成式AI的分子设计平台EDGE,在2周时间内,从头设计电解液分子:用它的电解液,锂金属电池的能量密度超过400Wh/kg,比现有锂离子电池高约50%;它的另一款快充锂离子电解液支持6C快充。据斯坦福大学技术许可办公室介绍,Feon用电池配方和性能数据训练AI预测模型,把电解液的研发周期从一年以上压缩到了三四个月。一边是每年不到2%的进步,一边是大幅缩短的研发周期,AI在材料设计里也在变成关键驱动力。

生物制造。生物制造在常温、绿色的条件下进行,最大优势是环保,以及得率高。通俗地说,得率就是投进去的原料有多少变成了目标产物:化学反应走上20步,得率往往不到1%;生物路线走20步,得率可以达到80%甚至更高。但生物制造的难点在于如何设计路线和途径。ATLAS of Biochemistry数据库收录了超过13万条理论上可行的代谢工程反应,但绝大多数是当时未在生物体中见报道。未来用AI来设计代谢路径,是生物制造里最大的变量。

未来医疗。美国公司Tempus把病人的临床数据、分子生物、影像等多模态数据汇集起来并对齐,用生成式AI分析,再将洞察输出给药企和诊断企业。2025年,Tempus全年营收约13亿美元,同比增长83%左右(含收购的遗传检测公司Ambry),同年它与70多家大中型药企签署了数据合作协议;2026年上半年营收7.31亿美元,同比增长约28%,公司把全年营收指引上调至约16亿美元。

把这些例子串起来,就是我们对AI如何带来生产力跃迁的判断:最底层是AI和大模型本身的进步;它外溢到数学、物理、化学、材料、生物——这就是AI4S;再往上,影响材料设计、蛋白设计、超导材料和新一代芯片;再往上,催生生物制造、AI制药、量子计算、核聚变、脑机接口、具身智能等未来产业;最后,放大到生物医药、新能源、新材料、航空航天等战略性新兴产业。

AI级联放大——五个层次,两个阶段

AI4S正处在这个链条的关键位置:它把大模型的进步翻译成各学科的底层创新,再由产业链逐层放大。

这个过程分两步。第一步,从0到1,以模型为核心:AI通过AI4S的方式溢出到其他学科,完成底层科技的0到1革新,这是中美竞争的焦点。第二步,从1到100,以价值效果为核心:把这些底层创新和中国的强势产业链结合,实现科技创新与产业创新的融合。这是中国科技创新的长期机会所在。

AI4S研究的是原子、分子等微观粒子及其相互作用。它是数字世界和物理世界之间最重要的桥梁:以前我们只能在计算机里计算和设计,有了AI4S,设计结果可以变成物理世界里实实在在的原子和分子。

原子和分子之所以重要,是因为它们构成了物理世界的基础。碳原子排成平面六边形,是铅笔里的石墨;把它立起来排成立体结构,就是金刚石或者钻石。碳原子加上氢、氧、氮、磷,按双螺旋排列,就是生命的基础DNA。锂、锰、钴、镍和氧按特定间距排布,就是电动车里三元锂电池的正极材料。

从元素周期表里挑选元素、组成分子,如果我们知道了分子的结构和动态,就知道了它的功能和作用。AI4S所做的,就是沿着序列(分子组成)→结构→动态→功能这条链条,去计算一个分子能做什么。

难点在于计算。传统的计算方法是分子模拟,但它面临“维度灾难”:当原子或分子数量变多,计算复杂度就指数级上升。比如完全从头计算(即只依据量子力学基本方程、不借助经验参数)的分子动力学模拟,计算量大致随原子数的三次方增长。

深势科技的思路是,只对部分体系做精确的第一性原理计算,用AI学习这些精确值;下次再算,就不必从头计算所有的原子或分子,直接调用AI,计算量降到与原子数成正比。结果是既准又快:用经验力场的速度,达到量子力学的精度。这就是AI4S的核心原理。

还有一种更通俗的理解:AI是一台“猜测机器”,输出能力很强,但常常出错;Science这部分,就是用科学验证的方式,把垃圾过滤掉,留下真正有用的部分。就是用AI生成,用science来验证。

AI4S旨在用AI赋能基础科学研究。在数学领域,它可以来严格验证数学证明;在物理领域,它能在量子力学与经典粗粒度模型之间架起桥梁,打通不同尺度的模型——物理问题一旦解决,就能精确计算能量,进而为分子设计打下基础;在此基础上,化学可以用 AI 设计化学分子和反应,生物可以用 AI 设计生物分子乃至药物,材料科学则可以用 AI 发现新材料。一定程度上,AI4S就是一种物理AI,或者说是微观世界的世界模型。这是它的重要性所在。

过去两年半,我们看到以晶泰科技、英矽智能、剂泰科技为代表的“港股AI制药三小龙”相继上市,标志着AI制药1.0时代的头部公司被资本市场接受。此外,两年前,AI制药最常被诟病的是“做不出药”。现在,证据已经足够充分: AI参与设计的药物进入了III期临床,还卖出了高价。

· 峰瑞已投企业剂泰科技自研的MTS-004口崩片,2025年10月宣布III期临床达到主要终点,据报道这是国内首个完成III期的AI赋能制剂新药。2026年6月,剂泰科技与Boulevard Bio达成三特异性T细胞衔接器(TCE)MTS-128的全球独家授权,总额16亿美元。2026年10月19日,剂泰科技与礼来签署11亿美元的战略合作,一起探索用AI解锁新一代组织和细胞靶向LNP递送技术,加速药物抵达患者。

· 峰瑞已投企业晶泰科技的“AI设计-智能体调度-机器人实验验证-数据反馈-模型优化”研发范式,正在被越来越多药企和材料企业采纳。2025年8月与美国公司DoveTree达成总额约60亿美元的管线合作;2025年11月,其全资子公司Ailux与礼来达成最高3.45亿美元的AI双抗研发合作。2026年6月,它又与一家国际知名药企就GPCR靶点口服小分子药物达成潜在总额超4亿美元的合作。2026年,它还为礼来、巴斯夫交付了自动化实验系统;9月,自研药物KQTD-126向美国FDA提交了临床试验申请。

· 英矽智能‌的TNIK抑制剂治疗特发性肺纤维化(IPF),2025年6月在《自然·医学》发表IIa期阳性结果,这是AI发现靶点+生成式AI设计分子的代表案例。2026年9月,它在中国启动的III期临床完成首例患者给药。英矽的BD(复星、礼来、赛诺菲、齐鲁、施维雅、美纳尼亚等)总额,超过30亿美元+20亿港币,随着管线不断推进,里程碑付款将持续兑现。

· 华深智药(海外公司Earendil Labs)用AI做双特异性抗体:2025年4月将两款双抗授权给赛诺菲,总额18.45亿美元;2026年1月又与赛诺菲达成潜在总值25.6亿美元的发现合作;2026年3月完成7.87亿美元融资。它的商业化表现亮眼。

· Generate:Biomedicines于2026年2月在纳斯达克上市,募资4亿美元。它用AI深度优化的抗TSLP抗体GB-0895(治疗严重哮喘)亲和力提升约20倍、可每六个月给药一次,已进入III期,值得一提的是,从分子合成到进入III期只用了约四年。

所以,AI制药确实做出了临床阶段的资产,而且BD在源源不断为AI制药公司带来现金流。尽管上一代的不成果多是在已知成药分子的基础上做微调;但今天药企手里的模型武器,已经又往前走了一大步。

过去一两年涌现的前沿模型,还没有被药企广泛采用。我们的判断是,未来1–2年它们将迎来规模化应用。谁能率先把这些模型进展“翻译”成药物和商业价值,谁就能抢到先机。这也是我们认为当下最有价值的信息。

技术上,有三条核心路线:

· 以David Baker为代表的蛋白设计路线:过去5年,Baker团队蛋白设计从基于物理计算,全面转向基于AI设计,成功率至少提高了10倍,代表模型是RFdiffusion,RFdiffusion3,和RFD4。

· 以DeepMind为代表的AlphaFold系列:从获诺奖的AlphaFold2,到覆盖所有生物分子的AlphaFold3,再到泛化能力更强的下一代模型,AI从只能算蛋白到能覆盖包括小分子在内的所有生物分子,并能预测分子间的相互作用。

· EvolutionaryScale的大模型路线:从只能做预测,到能做设计和生成。

AlphaFold系列,是把主流AI最大的两个算法创新——Transformer和扩散模型(Diffusion)用到生物数据上。AlphaFold2靠Transformer预测蛋白结构;AlphaFold3则把生成结构的模块换成了扩散模块,并变成“全原子”模型:不再区分蛋白、多肽还是小分子,只认原子坐标。

基于AlphaFold3,DeepMind成立了Isomorphic Labs,专门做药物研发。2025年3月,它完成首轮外部融资6亿美元;此前它与礼来、诺华签下合计约30亿美元的合作。这也说明,模型就是生产力。

但问题也随之而来。出于商业利益考量,AlphaFold3不像2那样彻底开源:2024年11月,只开源了代码,模型参数需申请且仅限非商用。所以,如果想和Isomorphic竞争,第一步就是复现AlphaFold3。

复现者已不在少数:Chai-1、MIT的Boltz-1、字节跳动的Protenix和SeedFold等。峰瑞天使轮领投的探序秩元(IntelliGen AI)在2026年2月发布IntelliFold 2,在FoldBench基准上超越了AlphaFold3的主要指标,其中抗体-抗原预测成功率58.2%,AlphaFold3为47.9%,高出10个百分点以上。

目前,AlphaFold3已经迭代到了下一代。它并不叫AlphaFold 4,而是Isomorphic Labs在2026年2月发布的IsoDDE,并且不再开源。

IsoDDE在和训练集低相似度的测试样本上,成功率是AlphaFold3的两倍以上;在抗体-抗原高精度预测上,是AlphaFold3的2.3倍、Boltz-2的19.8倍。更关键的是,它对亲和力的预测超过了FEP(自由能微扰),FEP是过去几十年CADD(计算机辅助药物设计)物理计算里精度最高的方法之一。

AI又一次超越了基于第一性原理的最佳能力,而且计算成本远低于后者。我们认为,它有望颠覆小分子药物的研发范式。

RFdiffusion借鉴的是AI图像生成中的扩散模型:给一张图不断加噪点,直到变成随机噪声;随机噪声一步步降噪,变出能被辨识的图像。让AI学习加噪降噪的过程,它就能从噪声里“画”出图像。蛋白质也一样,学会降噪,就能从噪声中生成多样的蛋白结构,还能加入约束条件来引导生成。

Baker团队把结构预测模型RoseTTAFold微调成了RFdiffusion(2023年发表于《自然》)。过去,每个设计任务往往要通过测试成百上千甚至更多蛋白,用RFdiffusion有时只需测试十几个蛋白,就能找到一个命中。该模型已被用于针对多种靶点设计结合蛋白,部分设计达到纳摩尔级亲和力,并在特定优化案例中达到皮摩尔级(数值越小结合越强,纳摩尔一般就是能成药的水平)。

2025年9月,RFdiffusion3又往前推了一步:受AlphaFold3启发,它把建模单元从氨基酸变成了原子。这意味着设计师可以做原子级的控制,比如指定某个原子是否形成氢键。速度也比上一代快约10倍。

基于Baker团队的这套技术,前基因泰克首席科学官、斯坦福大学前校长Marc Tessier-Lavigne创立Xaira Therapeutics,2024年4月公司正式亮相时宣布获得超过10亿美元的投资承诺。这是2010年以来美国生物科技最大的几笔风险融资之一。

抗体这个模态被AI渗透的速度,也远超预期。AlphaFold2唯一解决不好的就是抗体:抗体是免疫系统新生成的,没有进化历史可以参考,所以MSA帮不上忙。但到了2026年,抗体已经基本可以被AI模型“零样本”生成,即不需要针对这个靶点的已有抗体数据,就直接算出来。

最先做到这一点的是Chai Discovery于2025年6月发布的Chai-2。过去的计算方法命中率低于0.1%,仍要依赖大量实验筛选。Chai-2测试了52个靶点,每个靶点只测不超过20个设计,第一轮就有一半靶点出现命中,结合力在几百皮摩尔到纳摩尔级别;整体命中率约16%,是过去方法的约100倍。像TNFα这样过去很难做的靶点,Chai-2也算出了抗体。

后续xaira therapeutics、nabla bio、latent labs等公司也纷纷拿出了零样本生成全新抗体的结果,结合亲和力普遍达皮摩尔甚至纳摩尔级,设计成功率20%~50%,进一步验证了AI生成抗体在技术上的可靠性。

抗体研发是一个约3000亿美元的市场。未来,抗体发现很可能不再需要免疫动物或噬菌体展示,只需要计算就能完成。我们认为这会颠覆抗体的研发范式。

这一点也能从上游产业链得到印证。AI设计抗体的时代:先算出抗体序列,再请基因合成公司合成DNA,放进细胞里“生产”抗体来做验证。所以DNA合成的需求应该会变大,下单最多的应该是做AI抗体的公司。

我们调研下来确实如此:Twist Bioscience 2025财年交付约93.8万条基因,同比增长约22%;金斯瑞2025年一体化蛋白表达服务收入增长50%,从基因合成流入蛋白表达平台的订单同比增长160%,公司将其归因于AI驱动药物开发和多抗体药物开发需求的持续增长。

2026年初,头部药企纷纷绑定了一批有专属基础模型能力的AI原生公司。

1月8日,辉瑞与Boltz、GSK与Noetik同日宣布合作。

Boltz将基于辉瑞的私有数据训练专属模型,为辉瑞打造专属的下一代生物分子AI 模型与工作流,从而加速并优化辉瑞临床前药物发现决策。

GSK 则是获得 Noetik OCTO-VC 虚拟细胞基础模型在非小细胞肺癌和结直肠癌领域的非独家授权,GSK承诺为这笔为期5年的交易支付5000万美元预付款及近期里程碑款,后续GSK 还需支付年度订阅费来维持模型的使用权限。这被被业界视为“生物基础模型像软件一样订阅授权”的早期大额案例。

同一周,礼来与Chai也宣布合作。与辉瑞-Boltz 的模式相似,礼来与Chai基于礼来的历史私有数据,共同训练一个礼来专属的模型,据报道礼来每年为此支付数千万美元。

这不是试点,而是把AI直接写进了研发体系。这种合作的合理性非常明确:模型能力最强的公司,帮行业数据最多的公司,训练一个归后者独有的大模型。就这样,百年药企一下子站到了AI浪潮的前端;加上它们有数据壁垒,一旦再掌握模型能力,就能持续立在潮头。

类似的合作逻辑在随后两周内延续,且合作形态更加元化:1月12日,英伟达与礼来宣布在5年内最多投入10亿美元共建AI联合创新实验室;1月13日,阿斯利康收购了做肿瘤多模态基础模型的Modella AI;一周后,Isomorphic Labs与强生达成达成跨模态、多靶点研究合作。

这股潮流仍在加速。据DealForma数据,2026年上半年AI靶点与药物发现领域的授权交易总额达471亿美元,已超过2025年全年的446亿美元。2026年7月,诺华与Chai达成抗体发现合作,Chai随后以38亿美元估值完成4亿美元C轮融资;10月,阿斯利康又与insitro达成总额最高约15亿美元的合作。

RNA是另一个被AI深刻改变的模态。

峰瑞天使轮领投的衡昱生物(Raina Biosciences)2025年8月在《科学》发表了论文:其开发的生成式AI平台用Transformer学习RNA序列、不设定任何人工规则,生成的mRNA序列使荧光素酶的体外表达水平提高了41倍。这意味着AI可以在没有湿实验的条件下,直接给出高表达、高稳定、低免疫原性的全长mRNA序列。

新模态的另一大难题是递送:如何把把药精准送到体内特定的组织,比如去脾而不去肝。主流做法是在脂质纳米颗粒表面加载一个抗体或配体来“导航”,即靶向脂质纳米颗粒(tLNP),递送设计于是又变成了抗体和蛋白设计的问题。

用tLNP在体内生成CAR-T细胞的Capstan Therapeutics,2025年6月被艾伯维以最高21亿美元收购;峰瑞投资的剂泰科技用自己筛选的LNP加靶向配体,在代谢和自身免疫管线上也推进顺利。

把生物模型的变化放进“序列→结构→功能”的框架里看:

序列层,用大模型学习DNA、RNA和蛋白序列,代表是Evo 2、GEMORNA和ESM3;

结构层最为关键,因为结构左连序列、右连功能,生物的基础模型就在这一层,关注点正从蛋白本身转向相互作用、颗粒度从氨基酸走向全原子;

功能层,相比于序列和结构,目前功能的数据量是最少的,且目前多用小模型,未来很可能要靠量子计算来解决。

值得一提的是,序列-结构的协同设计,序列(离散扩散)+结构(连续扩散)被越来越多地采用。

在应用层面,蛋白是被AI解决得最彻底的;抗体是第一个引爆点;多肽、环肽、分子胶、TCE、RNA等高价值以及新的药物模态是当前的热点;最后一个堡垒是小分子,因为它的化学空间极大、难合成,而且分子小,需要高的精度才能算清楚。

AI制药发展到如今,公司可以按代际划分:第一代公司商业上非常成功,尽管在药或AI上不是最前沿的,第二代公司能拿出很多药,但并非AI native,第三代公司则是真正基于最前沿模型的AI原生公司。如果说上一代公司能做出5个药,AI原生公司有机会做出50个甚至更多。

前面讲的AI制药是目前走得最靠前的AI4S赛道。我们认为,AI制药的成功将外溢到AI+材料、AI+化学、AI+脑科学、AI+量子、AI+聚变、AI+生物制造等领域。当下很热的是AI+材料,还没有被广泛关注的是AI+量子、AI+脑科学和AI+聚变。

AI+材料是现在一级市场最热的投资领域之一。

2025年11月,美国总统签署行政令,推出“创世纪计划”(Genesis Mission),把AI驱动的科学发现提升到国家战略层面;英伟达、微软、亚马逊等随后成为美国能源部的合作方。

美国与英国已经有一些公司融了很多钱:Periodic Labs 于2025年9月拿到3亿美元种子轮;Lila Sciences累计融资约5.5亿美元;CuspAI 2025年9月完成1亿美元A轮;做“自驾驶”材料实验室的Radical AI 2025年7月融资5500万美元;DeepMind前研究员创办的Orbital Industries 2026年5月完成5000万美元B轮。在这个方向,中国也有深势科技(2018年成立)、深度原理(2024年成立)等一批公司。

这些公司用AI设计高价值材料:算力设备所需要的冷却液与光刻胶,能源行业需要的电解液与补锂剂,未来能源领域的超导、聚变和裂变材料,以及碳中和需要的MOF(金属-有机框架)材料。2025年诺贝尔化学奖就颁给了MOF领域的开创者,可见其重要性。

这里我们介绍两个里程碑式的工作:

· DeepMind2023年发布的AI驱动的材料发现平台GNoME(材料探索图形网络)。它用图神经网络表征晶体结构,用密度泛函理论(DFT,一种精度较高的量子力学计算)来验证稳定性,再用主动学习决定哪些结构交给DFT算、哪些交给AI判断。只花了很短的时间,它就发现了约220万种稳定晶体,把人类已知的稳定材料扩大了一个数量级;经过反复迭代,预测命中率从不到6%提高到了80%以上。其中有528种是有前景的锂离子导体。

· 2025年1月,微软在《自然》发布了一项工作MatterGen,它被视为AI材料生成领域的范式级突破。它和蛋白设计一样用扩散模型:给稳定材料加噪声、再学会降噪,给定元素组成,就能生成对应的稳定材料。它的厉害之处在于泛化性,它生成的材料里61%是全新结构,还能生成体积模量大于400GPa这样的极端性能材料。材料生成的MatterGen,与图像生成的Stable Diffusion、蛋白生成的RFdiffusion其实底层是一脉相承的,只是用在了不同的地方。

GNoME有点像材料领域的AlphaFold,它把材料的分子组成,和这个分子组成的结构能否稳定存在联系起来;而MatterGen有点像RF diffusion,是一个材料生成的利器,输入分子组成,输出材料结构。当我们发现在材料领域有了很好的生成式AI,那么验证算法会变得越来越重要:某个分子组成形成的结构能不能稳定存在?在一定的结构下某种材料会具有哪些功能?

这些重要工作也催出了一批创业团队和公司。

OpenAI、GNoME和MatterGen团队的前成员创办了Periodic Labs,2025年9月融资3亿美元,用生成式AI设计高温超导和下一代半导体材料。

放到AI4S领域,这或许只是一个小切入点,但一代材料的革新,往往带来一代产业:比如能把聚变堆做小,核心就在于用上高温超导材料。Periodic Labs强调agent和agent驱动的自动化实验室:由agent主导不断迭代实验、采集数据,形成数据飞轮,再训练出材料大模型。

与Periodic Labs类似,Lila Sciences的使命是打造“科学超级智能”。它用agent加高通量实验去设计生命科学、化学和材料分子,包括抗体、小分子、催化剂、半导体和超导材料。这家公司由孵化出Moderna的美国生物科技孵化机构Flagship Pioneering孵化,据报道累计融资约5.5亿美元。

以Periodic Labs和Lila Sciences这两家公司为对标,中国也有很多AI+材料公司值得关注。

自动化实验室也已经有了早期样板。

A-Lab是由UC Berkeley和劳伦斯伯克利国家实验室合作开发的自主实验室系统,让机器人和AI在无需人为干预的情况下自动完成材料合成实验。在17天的连续实验中,A-Lab合成了57个目标无机化合物中的36个,成功率63%。

过去,设计一款新材料往往要十年。如今,具身机器人、自动化实验室和AI agent组合在一起,有望改变材料发现的研究方法并优化其过程。

基础大模型再强,有时也解决不了简单的数学和化学问题,因为它缺乏专业知识。

面向化学研发的大模型agent框架ChemCrow,由瑞士洛桑联邦理工学院与美国罗切斯特大学的研究团队合作开发。ChemCrow以GPT-4为基座模型,整合了18个专家设计的化学工具,涵盖化学合成、文献检索和实验安排,并能连接自动化实验室,表现大大优于只用基模。

在化学领域,生产力的提升可能就来自把基础模型和化学垂直工具结合起来。

很多时候,问题不在于列不出方程,而是列得出却解不了。因为许多物理原理实在太难用,数据驱动又面临数据不足,这正是AI4S的用武之地。

以深势科技和北京科学智能研究院为例,它们一直在用AI把不同尺度的物理模型连起来,比如从微观层面的薛定谔方程、密度泛函、分子动力学、粗粒化分子动力学,到介观层面的玻尔兹曼方程,再到宏观层面的连续介质力学和湍流模型。最后落到应用上,可以覆盖包括火箭和发动机、柔性材料、地质、动力电池设计、半导体等各种不同的模拟等。

人类对大脑的研究正不断深入,而AI等前沿技术正在加速这一过程。以Neuralink的脑机接口系统为例,AI 已成为其运转的核心环节。但更有想象空间的,是形成一个真正完整的闭环:读取大脑—理解信号—干预调控—观察反馈。

顺着这个闭环看,峰瑞在这一方向的投资布局刚好落在不同环节上。

昆迈医疗侧重于“读脑”。 它的核心技术是脑磁图(MEG),通过探测大脑神经活动产生的磁场,更清晰地反映大脑功能的动态变化,进而赋能精准的神经解码与神经调控。

穹顶医疗则在用无创的方式“调控脑”。 不用开颅,穹顶医疗选择用时间干涉刺激(TI)技术,把调控信号送到大脑深部,精准调节特定核团,用来治疗帕金森、特发性震颤等疾病。

优脑银河把“读脑”和“调控脑”串起来了。它用功能性核磁共振(fMRI)对每个人进行约 20 分钟的测量,再用 5–10 小时做个体化的脑功能分区计算,找到每个人特异性的刺激靶点,再用经颅磁刺激(TMS)治疗脑疾病。公司数据显示,其产品化原型在 75 例抑郁症患者中的有效率为 81.2%。

更重要的是,“数据 + AI”还帮助发现了帕金森病的新靶点。过去帕金森病的治疗靶点都在深脑(如丘脑),如今在皮层上找到了新的靶点:TMS 治疗两周后,新靶点组的有效率达到 55.6%,而传统运动区靶点组仅为 22.2%,效率提升一倍以上。这项研究于 2026 年 2 月发表在《自然》上。

AI也在向量子领域渗透。

美国公司SandboxAQ做的就是AI+量子,2022年从Alphabet拆分出来,2025年4月又融资超过4.5亿美元。它的理念和黄仁勋差不多:不能只有大语言模型,还需要在物理、化学、生物上训练的“大定量模型”(LQM),应用场景包括生物医药、材料科学、金融和国防等领域。

AI和量子擅长的事不一样。

AI擅长处理海量数据;量子计算擅长解决“小数据、大组合”的问题,比如给婚礼上的300位嘉宾排座,或者计算500个原子多体系统的能量。量子计算本质上等效于在解薛定谔方程,它能产生大量媲美真实世界的高质量合成数据,为物理AI提供数据。反过来,AI和GPU可以帮量子计算做纠错、解码和前后处理;如果把GPU里适合量子的那部分计算交给QPU,AI的能耗有望得到降低。

因此我们认为,AI和量子的结合可能是AI4S很多问题的下一步解决方案。2025年6月,黄仁勋在巴黎GTC大会上表示:“量子计算正在到达一个拐点。”而就在5个月前,他还说,“非常有用”的量子计算机15年实现算早、30年算晚,“如果说20年,我们很多人都会相信”。

AI 在核聚变领域也发挥着非常重要的作用。

托卡马克作为“人造太阳”最核心的技术路线,是当前全球可控核聚变领域技术最成熟、最接近商用化的主流装置。然而,很多专家指出,没有AI帮助做预测和控制,托卡马克几乎很难稳定运行。AI 不仅可以用来设计整个核聚变的反应堆的构造,它还能够去预测、设计和控制等离子体的运行。

我们来看看这个方向的进展。2022年,DeepMind与EPFL瑞士等离子体中心合作,已经利用深度强化学习控制了瑞士TCV托卡马克的等离子体位置、电流和形状,相关研究发表在《自然》。2025年10月,DeepMind宣布与Commonwealth Fusion Systems(CFS)合作,将其开源的等离子体模拟器TORAX用于SPARC运行方案的模拟、测试与优化。

整体而言,在聚变领域, AI是个重要变量。与此同时,聚变也是未来AI发展的能源保障。

生命不仅可以被理解,也可以被设计。生物制造是一种关于制造的学问。其核心是“细胞工厂”,也就是一个能自我复制、设计即制造的菌株,让人类的设计借由细胞变成现实中想要的物质。

合成生物学想把生物变得像芯片一样可设计,但这非常困难,因为生物系统太复杂,人类对生物系统和生物进化的了解远远不够,对化学生物空间的探索也较为缺乏。

AI和计算在一定程度上有帮助,但生物系统越复杂,预测就越难。据文献整理,DNA/RNA层面的预测准确度约80%,蛋白质层面约50%,把一串元件连成基因线路后的预测准确度只有约10%,整个细胞则只能做定性预测。

随着AI基础模型能力的持续增强,以及AlphaFold系列等AI4S的突破性进展,生物分子之间相互作用的预测准确度大幅提升,AI+合成生物正在成为最受瞩目的方向之一。

从发现、设计到制造,AI正在把生物制造从“经验驱动”推向“数据与模型驱动”。

在新物质发现方面,人能探索的空间有限,AI可以为人类引路,预测基因簇和化合物,探索全新功能的分子。

在酶和元件设计方面,AI可以驱动酶的设计和进化。

在传感器设计方面,由于生物制造长期缺乏高通量表征数据,好的传感器恰恰能够帮助采集数据,助力设计与特定代谢物结合的蛋白。

在代谢途径设计方面,代谢网络如一张地铁图,AI可以规划底物如何更多更好地变成产物,哪里不通就要设计关键的酶把它修通。

再到发酵过程控制方面:AI还能基于实时发酵参数来预测和控制发酵过程,比如在发酵早期就预判出发酵效果不佳的批次,及时止损。

过去二十年,创新从原子世界来到了数字世界。下一个十年,创新会带着AI回到原子世界,而AI for Science就是这条路的起点。

越来越多的例子证明,AI4S已经来到突破的边缘。我们即将进入数据驱动、小样本甚至零样本生成、端到端优化的研发新范式。作为早期投资机构,我们希望能在未来十年投到更多AI原生的AI4S公司。往未来看,我们有五个判断。

1. AI制药的主战场在蛋白和抗体,小分子颇具潜力

AI制药是AGI应用的重要方向,重点在于用好外溢的技术,踏实落地,做出好药和好分子。

虽然AlphaFold3和下一代模型不断把模型界限往前推,但AI原生的小分子设计仍有难度,小分子合成也是瓶颈。它不像蛋白或抗体,知道序列、合成出基因就能表达出来。所以当前主战场仍在蛋白和抗体。抗体、环肽、多肽、三元复合物等高价值的分子模态,将是应用落地的重要方向。

不过,AI + 药物研发,对团队的复合能力要求极高,既要非常懂模型,也要非常懂药。最典型的就是David Baker团队和DeepMind。

2. 谁掌握前沿模型,谁就有生产力

从Isomorphic、Xaira到Generate,每一个前沿模型背后都站着现象级公司和大量的钱。而这些模型还没有被药企广泛采用,未来1–2年将形成规模化应用。与此同时,AlphaFold3半开源、下一代模型闭源,最重要的生物基础模型已经构成“卡脖子”。能复现并超越AlphaFold3的团队,以及能把最新模型翻译成药物的AI原生公司,是我们格外关注的。

3. 数据会由机器人、自动化设备和agent来产生

不同行业的数据化程度各不不同。受益于测序技术的发展,生物属于数据丰富的领域;AI+材料、核聚变、具身智能、脑科学则都面临“数据墙”;量子科技处在两者之间。未来十年,各行业的数据化都是重要任务。数据的重要来源将是具身机器人+自动化实验室+AI agent,Periodic Labs和LilaSciences走的就是这条路。

4. 关注新的算力:AI+量子

评判新算力的标准是:能不能产生媲美真实世界数据的合成数据。量子计算有望最终解决AI的数据问题,成为下一代算力;量子模拟有可能成为量子计算最先落地的方向。当然,通用容错的量子计算还需要比较长的时间才能成熟。

5. 从0到1,到从1到100:中国机会在于AI4S底层创新与产业优势结合

0到1的底层创新可能是中美竞争的焦点,而中国产业最大的机会在1到100。AI制药的成功将外溢到材料、聚变、量子、脑机接口、生物制造等领域,而这些恰恰是「十五五」的未来产业:生物制造、脑机接口、具身智能是AI重要的应用方向,核聚变是AI未来的能源保障,量子计算可能成为AI算力的补充。毫无疑问,中国在发酵产能、制造能力、电力电子和超导材料生产上都有扎实的产业基础。谁能把AI4S带来的底层创新和这些强势产业链接在一起,谁就能在下一个十年胜出。

跳转微信打开

  •  

打开“生命黑箱”,我们需要看见什么?| 峰瑞报告

原创 沈炯 2026-10-19 19:08 北京

当AI开始成为人类“新的眼睛”

图片

几千年前,人类用药大多靠试。

中国有“神农尝百草,一日而遇七十毒”的传说:哪种草能吃,哪种能治病,哪种会要命,都是一口一口尝出来的。西方也一样,古埃及人用蜂蜜涂抹伤口,欧洲人头疼发热时会嚼柳树皮,还有流行了近两千年的放血疗法,医生相信疾病来自体液失衡,于是把病人“多余”的血放掉。

这些今天看来奇怪的治疗方法,折射出很多当时医学面临的局限,那时的我们能够观察症状、记录疗效,却无法解释疾病为何发生、药物为何起效,也缺乏科学方法来验证治疗效果。

随着医学技术不断前进,许多曾经无法解释的机制逐渐被看见。进入AI时代,进步再一次加速,AlphaFold2更是让延续约50年的蛋白质结构预测难题取得关键突破,AI 开始成为人类“新的眼睛”。

结构被看见了,但结构的变化却难以捕捉。从一次干预到最终结果,生命系统究竟经历了什么,依然是药物研发反复面对的空白。

我们持续关注生物医疗领域的技术发展,如果你是相关创业者或者从业者,欢迎联系本文作者沈炯(shenjiong@freesvc.com)。

图片

看一张图片约等于读多少文字?84.1个英文单词。

剑桥大学学者艾伦·布莱克韦尔曾对“一图胜千言(A picture is worth a thousand words)”这句英语俗语,发起过一次挑战。

他组织了多位参与者来解释洗衣机、摩托车、电视机等设备是怎么工作的。每个人对一部分设备写文字说明,对另一部分画出由节点和连线组成的图。根据文字描述平均用掉的词数,最终算出了“84.1”这个数字。

实验参与者手绘的摩托车工作原理示意图

图片来源:Blackwell, A. F. Correction: A Picture Is Worth 84.1 Words. In Proceedings of the First ESP Student Workshop, pp. 15–22, Fig. 3

严格说,这个实验并不算严谨,但它确实让我们清晰地理解到,图比文字更好读懂。

人类的眼睛看到的是像素,大脑看见的是结构,图的优势就在于,它绕开文字复杂的抽象推理,直接给到了结构,这就让看见变成一个降维的过程。

但这种能力是有边界的,人类只能直接感知三维空间,可生命数据动辄有成千上万个维度。比如一个细胞,可能同时记录着上万个基因的表达,叠加起来早已超出人类的直观感知。过去我们看不清,如今AI 补上了这块短板。

高维数据看似散布在上万个维度中,但由于许多基因成组协同表达,它们往往集中在一个维度低得多的结构附近。就好比一张揉皱的纸,看起来占据了三维空间,展开后仍是一个平面。AI 能把这些纠缠、褶皱的结构展平,提取关键特征,捕捉真实世界的复杂结构。

在AI时代,人类看见的能力再一次从时间和空间尺度突破了感官的边界。而对药物研发来说,这一点尤为关键。因为回顾制药史上的每一次跨越,你会发现几乎都始于新的看见。

1850年以前,制药尚未成为一门科学,用药知识主要来自经验。人们知道某些草药、动物药和矿物可能有效,但无法解释原因。

随着有机化学和天然产物纯化技术逐渐成熟,药物开始以明确的化学分子进入研究视野,人类看见了药物本身。1897 年,拜耳研究人员制备出可供药用的乙酰水杨酸,成为这一阶段的重要节点。

与此同时,微生物学的发展让人们逐步理解部分感染性疾病的病因。1928年,弗莱明发现青霉素,经过后续研发,它成为抗感染治疗的重要突破。这条研究路径,也让疾病病因与药物作用之间的联系更加清楚。

科学制药史与结构生物学史的发展

到了现代,制药开始与分子生物学和结构生物学更紧密地交汇。1953年,DNA双螺旋结构被发现;1958年,肌红蛋白的低分辨率三维结构模型发表。这些发现让研究者第一次能够从三维结构的角度,理解生命分子的形态及其功能。

伴随X射线晶体学、核磁共振等技术逐步成熟,我们开始能够解析越来越多的生物分子结构,基于靶点和结构的药物设计也逐渐发展起来。

进入21世纪,高通量实验和组学技术迅速发展,研究者开始获取越来越多关于信号通路和分子相互作用的数据。药物研发的视野也从单个靶点和静态结构,逐渐扩展到分子之间的复杂关系网络。计算方法和 AI 的进步,又帮助研究者开始尝试从这些数据中预测分子如何运动、如何相互作用。药物研发也由此开始迈向AI原生制药时代。

人类每多看见一点,药物研发就多一分理解与干预的空间。但生命系统因此变得足够透明了吗?答案是:还没有。

在我们的制药史中,你可以看到许多关键进展都发生在空间维度,X射线晶体学、冷冻电镜等技术能帮助研究者看清分子的形态,可它们捕捉到的大多是某一时刻的静态画面;在时间尺度上,我们仍缺少能够连续追踪变化的有效手段。一个状态怎样转变为另一个状态、变化以什么顺序发生、又如何沿着分子和细胞网络传递,这些还有很多空白。

换句话说,我们看得见起点,也看得见终点,却看不清中间。从药物进入人体到最终起效,这期间究竟发生了什么,依然是一个“黑箱”。这个“黑箱”,就是生命系统的中间态。

我们今天说的中间态,是对不同尺度上、起始状态与终点之间尚未被充分观测的状态和变化过程的概括。

中间态可能表现为蛋白质短暂出现的构象、分子结合过程中形成的复合物,也可能是细胞受到扰动后的状态转换。

人们经常说,大模型像一个黑盒,人们只能通过输入和输出的部分,去猜测大模型是怎样运作的。生命系统也面临相似的黑盒:研究者能够记录它在不同时间点的状态,却很难完整看见这些状态如何连续转换。

观测的困难主要来自生命系统在时间与空间上的巨大跨度:原子运动可能发生在飞秒之内,蛋白质构象变化可能持续微秒到秒,细胞响应可能需要数小时;药物作用从微观尺度开始,最终产生的疗效与疾病变化却表现在细胞、器官和人体等层面。此外,不同尺度的数据彼此之间难对齐,并且部分观测手段还可能会改变系统原有的状态,进一步增加了状态重建的难度。

要知道,关键中间过程缺少观测和解释时,研究者即使知道干预前后的结果,也难以定位作用从哪一步开始、在哪个环节受阻,或判断哪些机制决定了效果。

所以对中间过程理解得越清楚,药物设计越有可能从结果筛选走向过程推演:先判断药物可能经过哪些作用路径、影响哪些关键节点,再根据变化线路设计分子、安排实验和修正方案。这样药物研发就可以减少部分无效试错,提高设计与验证效率,并提升候选药物成功推进的概率。  

过去研究者借助各类实验和模拟,尝试一点点逼近那些中间缺失的过程。但就像上文说的,这并不容易。

那今天,我们能否借助AI完成这件事呢?

答案是可以。

AI为看见中间态提供了新的方法。

模型结合实验数据与适用的生物学或物理化学约束,对观测之间缺失的生命过程进行重建、模拟和预测,把微秒级的分子动力学数据和月年级的临床观察进行跨尺度的结合。我们将这条路径概括为“动态可视化”。

举个例子,一部电影由一帧帧静态画面组成,相邻画面连接起来,观众便感受到运动。对应到医学中,就是实验提供有限的“帧”,模型推演出帧与帧之间可能发生的变化。

如果说过去的结构生物学主要回答“它长什么样”,动态可视化要回答的则是“它怎样变成这样”。当AI补齐观测之间缺失的中间态,研究者就有机会沿着时间线索找到前后状态之间的因果关系,让生命系统从“黑箱”逐步变成“白盒”。

回到具体的研发中,我们选择了三个非常有趣也很有代表性的案例:由氨基酸连接成环、可能随环境改变形状的“分子变色龙”环肽;在计算机中模拟细胞反应、预测干预结果的虚拟细胞;还有像“胶水”一样促成特定蛋白质相互作用的分子胶。

从理解、推演到设计,它们为我们提供了三个观察入口:

  • 环肽说明为什么需要把动态信息纳入模型;

  • 虚拟细胞展示AI怎样提出并验证扰动后的状态假设;

  • 分子胶则进一步讨论,动态关系怎样成为药物设计的对象。

三个案例也共同指向了一个变化:过去难以观测的中间过程,正在逐步进入可计算、可验证的研发框架。

2026年,环肽领域迎来两个标志性的进展:

  • 强生的盐酸伊可白滞素片先后在美国和中国获批,成为首个靶向IL-23受体的口服环肽药物;

  • 默沙东的恩利西肽获得FDA批准,成为FDA批准的首个口服PCSK9抑制剂。

两项获批说明口服环肽进一步拓展应用边界,为构象系综(同一分子在特定环境下可能采取的多种空间构象及其分布)研究提供了现实背景。环肽通常分子量较大,含有较多酰胺键、氢键供体和受体,极性表面积也较大。按照传统小分子的经验规则,这些特征会给口服吸收带来困难。

一些环肽能够跨过口服吸收的障碍,与其随环境切换构象的能力有关。环孢素A就是典型代表:在水相环境中,它会暴露部分极性基团;接近非极性环境时,它收缩成更加紧凑的构象,通过分子内氢键隐藏极性;到达靶点附近后,又可以切换到有利于结合的构象。

分子变色龙的环境适应性示意图

图片来源:Poongavanam, V. et al. Molecular chameleons in drug discovery. Nature Reviews Chemistry 8, 45–60 (2024).

环孢素A这类”分子变色龙”提示了一个容易被静态指标忽略的变量:分子随环境切换构象的能力。这意味着,环肽能否穿过细胞膜,仅看单一构象下的极性表面积不够,还需要观察它如何在不同环境中改变构象。

维亚算法团队提出的EnsembleCycPerm模型沿着这一思路展开,综合环肽的序列、理化性质,以及它在水相和氯仿环境中的多种可能构象,预测其在平行人工膜渗透性测定(PAMPA)中的被动渗透性。

模型关注的不只是环肽的极性表面积有多大,还包括它在不同环境中能改变多少。研究者用水相与氯仿环境下的三维极性表面积之差(ΔPSA3D)描述这种变化。在该模型的SHAP分析中,它是对渗透性预测贡献最大的单个特征。换句话说,除了看分子暴露了多少极性,还要看它能否随环境变化“收起极性”。

这为环肽设计提供了一条走向动态可视化的路径。EnsembleCycPerm将不同环境中的构象系综及其变化纳入渗透性预测,给候选分子筛选和先导优化提供参考。

一个环肽的构象变化,发生在分子内部。把视野推向细胞,研究者面对的是一张由大量信号共同牵动的网络。

传统研究是通过基因敲除、药物处理或其他分子扰动,观察细胞随后发生的变化。一次实验可以建立一组相对明确的“扰动—结果”关系,大量实验积累起来,逐步拼出细胞信号通路。但面对复杂的信号网络,实验能够覆盖的关系仍然有限,许多交互作用和动态变化留在观测之外。

虚拟细胞的“预测—解释—发现”框架示意图

图片来源:Noutahi, E. et al. Virtual Cells: Predict, Explain, Discover. arXiv:2505.14613 (2025).

虚拟细胞作为一种学习型模拟器,利用真实细胞在不同基因型、药物处理、基因编辑和环境条件下产生的数据,学习细胞状态怎样发生变化。模型建立后,研究者可以在计算机中进行大量“如果这样会怎样”的虚拟扰动,推测细胞可能产生的响应,以及信号网络中尚未被实验覆盖的交互关系和动态过程。

它对AI制药的意义,在于把模型与实验连接成一条闭环:真实细胞数据用于训练虚拟细胞,模型通过虚拟扰动推演细胞状态的变化,并以动态可视化的方式呈现预测结果;这些预测随后回到真实实验中验证,新的实验数据再继续修正模型。在这一循环中,扰动与结果之间的过程开始进入可计算、可验证的动态可视化框架。

就如前文所说,时间关系的研究对于人类来说一直是短板。虚拟细胞尝试的正是补上这块短板,这也是它在行业里备受关注的一个重要原因。

峰瑞被投企业百曜科技的核心创始团队较早沿着这条路径展开探索。自2023年起,团队便持续投入相关研究,是国内较早开展 AIVC 技术探索的团队之一。在此基础上,百曜科技成立后推出虚拟细胞基础模型 CellOS。

CellOS 基于 3.905 亿个人类单细胞转录组数据训练,参数规模达 120 亿,独创性地采用 LLM-JEPA 架构。模型从基因表达与细胞状态两个视角学习生命系统的稳定表征,用于理解细胞状态,并预测基因编辑、药物作用和环境变化等扰动下的响应。百曜致力于搭建全栈 AIVC 平台 ,使原本依赖大量试错的研究过程逐步转向“AI模拟—实验协同驱动”的范式跃迁:研究者可先在虚拟环境中开展大规模模拟,比较不同干预可能引发的状态变化,再把高价值候选交给真实实验检验;实验结果反馈模型,形成“模拟—预测—验证—学习”的闭环。

虚拟细胞所解决的,本质上是一个时空动态的可视化问题。从扰动数据出发,对未被实验覆盖的细胞响应提出预测,并为潜在的调控关系提供线索。随着模型与实验反复校正,分散的观测结果才可能逐步连接成更加完整的细胞信号网络。

虚拟细胞展示了状态推演的基本路径。到了分子胶,问题进一步推进:一个原本难以形成的蛋白质界面,怎样在小分子的参与下出现,并维持到足以触发泛素化和蛋白降解。动态关系由此直接成为药物设计的对象。

在靶向蛋白降解领域,PROTAC(蛋白水解靶向嵌合体)利用一个双功能分子,一端结合目标蛋白,另一端结合E3泛素连接酶,再通过连接臂将两者拉到一起。若形成的复合物能够支持有效泛素化,目标蛋白可被加上泛素标签,并由蛋白酶体降解。这样的设计路径相对清楚,但分子通常较大,成药性会面临挑战。

分子胶则不依靠这样的连接臂,而是通过小分子促成目标蛋白与E3连接酶的结合。以CRBN相关分子胶为例,CRBN是E3连接酶复合体中负责识别底物的受体。小分子、CRBN与目标蛋白形成的三元复合物,可进一步促进目标蛋白的泛素化和降解。

难点集中在三元复合物的形成过程:小分子怎样形成新的识别界面,哪些蛋白质能够与之匹配,三者怎样形成稳定结构,仅凭结合前后的结果很难判断。

随着结构生物学、蛋白质组学和化学筛选积累更多数据,AI开始有机会连接这些分散的观测结果:从蛋白质结构中寻找可能被招募的新底物,预测潜在的相互作用,再交给实验验证。

Monte Rosa Therapeutics的QuEEN平台(Quantitative and Engineered Elimination of Neosubstrates),代表了当前阶段的一种尝试。它将人工智能、化学库、结构生物学和蛋白质组学结合起来,提高新底物的发现效率,推动分子胶研发形成“建模—筛选—验证—优化”的过程。

我们判断,分子胶研发下一步会继续走向动态可视化。

模型需要进一步描述小分子结合后界面如何变化,目标蛋白怎样靠近,三元复合物如何形成并保持稳定。当这段过程能够被重建、预测和验证,分子胶的理性设计才会获得更完整的基础。

环肽有模型将不同环境中的构象系综纳入渗透性预测;虚拟细胞正在利用扰动数据预测未被观测的细胞响应;分子胶对三元复合物形成过程的动态建模,仍指向下一步的发展方向。三个案例共同表明AI制药开始走向动态可视化。

回到早期投资视角,动态可视化的发展是一个关键路径,峰瑞将持续关注AI原生制药领域正在出现的机会,尤其关注那些能够利用AI的干湿闭环实验平台,解决传统方法无法解决的不可成药或难以成药的问题。

从依赖经验用药,到借助AlphaFold预测蛋白质结构,人类对生命系统的认识不断深入。如今,看见+AI的这对新组合,将再一次拓展人类理解生命的能力边界。

反复验证让预测沉淀为知识,而新的问题和干预路径,往往来自研究者对复杂关系的直觉。庞加莱曾说:“我们靠逻辑来证明,但要靠直觉来发明。”

直觉并不是逻辑的反面。很多时候,它来自对结构的长期观察和压缩。当AI能够把不可见的中间态转化为可被观察、质疑和验证的动态模型,研究者的直觉也会获得新的材料。

图片

图片

跳转微信打开

  •  

从近亿元到数十亿元,4家企业宣布新融资

峰瑞资本 2026-10-10 20:30 北京

「FreeS Family 融资新闻 Vol.28」

从技术前沿,走向产业深处。过去两个月,新一轮AI技术加速向更广阔的物理世界延伸,技术与产业的融合不断深入。AI算力、AI芯片、计算光学等多个前沿赛道里,四家峰瑞被投企业宣布融资新进展。

今天,让我们聚焦这四家FreeS Family企业的融资情况,见证创新力量的不断突破。

报道详见:

光本位完成数十亿元融资,估值达到近200亿元

威邦震电完成近亿元B轮融资,推进分子振动光谱技术在工业检测、临床及AI for Science商业化进程

「行云集成」完成近8亿元融资

厘清智能完成数亿元天使轮及天使+轮融资

#峰瑞资本 #融资新闻 #AI芯片 #物理AI #计算光学 #AI光计算 #前沿科技

跳转微信打开

  •  

峰瑞李丰:全球流动性见顶之后,这一轮AI周期往哪儿走?

原创 李丰 2026-09-20 21:02 北京

泡沫破了,AI应用的机会才真的到来

九月中旬,全球三大央行在同一周内完成了同向转身。

9 月 18 日,日本央行宣布加息 25 个基点,利率升至 31 年来的最高水平,这是其年内第二次加息。前一天(美国时间 9 月 16 日),美联储三年多来的首次加息正式落地,利率区间上调至 3.75%–4.00%;再往前一周的 9 月 10 日,欧洲央行也将欧元区三大关键利率同步上调 25 个基点,同样是年内第二次。

至此,美、欧、日都转向加息,全球流动性的总闸门,正被一道道拧紧。

加息听起来离我们很远,但它的回声就在身边。

过去一年,朋友圈里刷屏的话题,从“新模型又多了什么功能”,悄然换成了“某只股票今天涨跌多少”“某家公司估值翻了几倍”;在硅谷大厂和创业公司,工程师们热衷讨论的不再是技术参数,而是某家公司的估值到底虚不虚,以及“手里这份期权,该去 A 公司、O 公司,还是 X 公司”。

这些日常的细微变化本身就是信号:一轮由天量流动性驱动的美元资产周期已行至尾部,AI 产业周期正在进入后半段。

这正是本文想要讨论的。素材主要来自「高能量」播客《宏观漫谈》栏目和丰叔近期的分享,围绕三个问题展开:全球资本市场此刻站在周期的什么位置?AI 产业在这个位置上处于什么坐标?拐点之后,机会将从哪里生长出来?

这是「宏观漫谈」专栏2026年的第四篇图文内容,我们希望分享一种观察视角,欢迎各种不同角度的交流。也欢迎移步小宇宙App / 苹果播客,搜索「高能量」收听完整的节目。

要判断一轮周期走到了哪里,先来简单回顾一下它从哪里来。

本轮AI热潮在金融层面的起点,不是2022年11月的ChatGPT,而是2020年的全球放水。

2019年,全球股票总市值与全球GDP之比仍在100%左右,处于“巴菲特指数”的合理区间;2020年为应对疫情,美国开启无上限量化宽松,全球主要经济体的央行在前后一年内印出了超10万亿美元基础货币。这些钱经银行体系3到4倍的乘数放大后,相当于全球流通货币总量凭空多出了百分之十几。这在金融史上几乎没有先例。全球股市和一级市场随之在2020年下半年到2021年普涨走高。

这笔钱被集中推向美元资产,发生在2022年:俄乌冲突让欧洲难以配置,中国面临疫情等不确定性,占全球GDP近三分之二的三大经济区域中有两个去不了,天量资金于是涌向美元资产。

与此同时,美元加息又推高了美元及美元计价资产的升值预期:2022年3月,美联储首次加息25个基点,5到7月又连续加息200个基点。同年11月,ChatGPT的出现,更是给资产价格上涨提供了一个再好不过的理由。此后2023到2025年,全球资金持续增配美元资产,堆出了一轮规模越来越大的市值上涨。

我们来看一组数据:全球股市市值从2019年的89万亿美元上涨到2025年的148万亿美元,其中美股市值占全球股市市值的比例从2019年的38%上涨到2025年的47%。(关于这一轮金融周期的详细由来,欢迎阅读《峰瑞资本李丰2025年年终分享:AI投资的逻辑与展望》)

这一轮资本周期可以分为三段:2024年底之前是第一阶段,全球资本市场总市值普涨;2025年中开始进入第二阶段,即存量博弈——通胀在全球成为普遍现象,没有人能再大幅印钱,于是纳斯达克涨的时候道琼斯不涨,道琼斯涨的时候纳斯达克不涨,A股也差不多;第三阶段则是资金的再配置。

判断这一轮美元主导的金融周期走到了哪里、流动性是否开始见顶,依据的是一个朴素的逻辑:任何一个大类资产要持续涨价,都需要越来越多的增量资金流入,因为价格越高,再往上推一层所需要的钱就越多;一旦新钱不够了,市场就难以继续普涨,而会变成“A涨B跌、A跌B涨”的轮动。

当下,全球流动性应该已经接近见顶,新钱开始不够了。

与此同时,前面已经赚到钱、想止盈离场的人也越积越多。最近一个月的几个迹象都指向同一个方向:欧美日韩英等主要发达经济体的债券收益率同时飙升(收益率上升意味着债券被抛售),美国下场干预日元汇率,美国科技巨头不管交出多好的财报,股价都有点涨不动了。

一组数字可以说明,这轮上涨吃掉了多少钱。

美股总市值从2019年疫情前的34万亿美元涨到今天的约75万亿美元。考虑到并非所有筹码都在时刻流动,多出的40万亿美元市值,可能需要五到八万亿美元级别的净流入来支撑。债与股不同,每一笔债背后都有一笔真实的钱在买:同期全球债务规模从约250万亿美元增长到350万亿美元左右,增加了约100万亿美元;其中美债从约23万亿增长到约40万亿美元,对应17万亿美元的现金流入。

当钱的总量不再增长,市场上的资金会同时出现两种心态:恐高,和追逐热点。于是同一体量的钱开始“从这个坑蹦到那个坑”,指数不再普涨,板块之间轮动的速度和幅度都在加大。这种轮动甚至发生在半导体行业内部:一会儿涨CPU,一会儿涨存储,一会儿涨GPU。轮动加剧,说明存量博弈已经充分展开;而接下来要讨论的增量资金枯竭,则说明这个阶段正在走向尾声。

存量博弈的根源,是美元资产的增量资金来源正在耗尽。

先看美国自己的账本。联邦财政收入约5万亿美元,按当前利率水平推算,全年国债净利息支出约1万亿美元,再加上约0.9万亿美元的国防开支,仅这两项就占掉财政收入的近40%。赤字预计还会继续扩大,美债因此只能越发越多——美国财政部预计,2026年6到9月将发行超过7000亿美元的国债。

但买家却在减少。过去两年,包括中国在内的多国央行持续增持黄金,降低美债在储备中的占比。剩下的主要买家日本,又因日元贬值到40年来的低点而自顾不暇。美国号称要帮日本稳汇率,但财政部不经国会就能动用的汇率稳定头寸只有小几百亿美元,本质上是在管理预期,实际作用有限。

供给多、买家少,市场要求的利率自然就高:当前美债10年期收益率升到5%左右,30年期突破5.2%,接近或达到2007年以来的高位。

于是形成了一个“敏感而脆弱的三角”:美国需要大规模发行国债;美债的中标利率又不能太高;同时,日本不能以不买或抛售的方式引爆流动性。

周期尾部最难的问题是没有钱了。对美联储来说,加息会抬高偿债成本,降息则会暴露弱势。美国财长与联储主席正竭力维持“美元适当强势”这条比钢丝还细的通道,但真正能用的手段已经不多:一是鹰派喊话、管理预期,二是在全球风险升温时,坐收避险资金回流美元之利。

2026年3到6月的一个小循环,正好验证了这套机制及其极限。

2月底美以伊冲突爆发后,全球资金先是恐慌性地配置现金,随后配置美元和美债,4到5月美元指数快速上涨,美股存储芯片板块同步急涨。这场危机客观上让全球资金又向美元资产集中了一轮。但这一次能抽的体量已经不多,抽不动之后,美债和美股都进入了宽幅波动。即便日韩的杠杆被打爆,所能抽走的资金相对于75万亿美元的美股来说,也已不足以驱动下一轮上涨。

雪上加霜的是,这些有限的钱正被几方同时拉扯:美债需要流动性支撑,这是第一优先级;75万亿美元的美股要再往上推,需要持续的资金流入;AI数据中心的融资需求也在快速膨胀,私募债规模正向万亿美元级别靠拢。

而全球其他主要经济体同样自顾不暇:欧洲央行已重启加息,日本央行也在缓慢收紧、日元资金回流本土,都难以再像过去那样为全球资本市场输送大规模流动性。

在估值高位、流动性边际收紧的情况下,黑天鹅往往不是从具体公司的基本面恶化开始,而更可能由外部流动性与地缘冲击引发。

第一只黑天鹅是日元。

过去一年多,日本一直是美元流动性的主要提供者。日本本身就是美债最大的海外持有者之一,更关键的是“套息交易”:日本长期维持近零利率、又没有资本管制,全球投机资金从日本低息借入日元,换成美元去买美债美股,这是过去一年美元资产的一大流动性来源。

而套息交易大多加了杠杆,随着日本持续加息,这些交易可能被大规模平仓;日本的保险等机构也会集中抛售美元资产、回流本土,以享受日元升值的收益。

第二只黑天鹅是数据中心私募债。

苹果、谷歌这类账上趴着上千亿美元现金的公司,原本是美债的重要买家。但今年二季度,除现金流最稳的微软外,谷歌、亚马逊、Oracle等互联网及科技巨头都因资本开支过高,自由现金流转负,从美债的买家变成了自己发债抢流动性的一方。发债最多的是Oracle,去年发了430亿美元债券,今年预计再筹200亿美元,其企业债的交易利率已持续走高。

一旦这类私募债爆雷,就可能引发对整个资产类别的连环抛售。

第三只黑天鹅是霍尔木兹海峡。

6月备忘录带来的“部分重开”窗口已经关闭,海峡目前重回接近停摆的状态,而全球能源和大宗商品市场今天的抗压能力,远弱于两个半月前。如果封锁局面持续,大宗商品价格将面临更大的上行压力(9月9日,布伦特原油期货自7月24日以来首次突破每桶100美元),整个市场都可能被拖垮。

即使不直接影响美国,它也会波及美国遍布全球的供应链。依据业界估算,中国的石油战略储备能力已扩大到四个月,加上新能源的发展使能源来源更加多元(如数据中心多用绿电),相对安全;日本、韩国等则很难说。

判断周期是否已经翻转,有两个可跟踪的指标。

第一个指标是“只看第一名”:只要头部公司(比如2000年的思科)的股价还能创新高,资本周期就还在向上;一旦第一名股价不能再创新高,就可能已进入下行周期。

第二个指标是黄金与美元的跷跷板:市场预期美元走强时,资金优先去有利息、流动性高的美元;美元表现出弱势而风险担忧仍在时,资金就转向黄金。

在周期尾部,最难赚的是最后一波钱。

当大类资产进入高波动或下跌阶段,很难指望某个子类别逆势快速上涨,就像过去四年房地产普跌时,几乎找不到能长期独立上涨的商业地产。但见顶并不意味着立刻下跌,大类资产会持续宽幅波动,直到某一天流动性真正逆转。

至于黑天鹅从哪里、何时飞出,实在不好预判。

把镜头再拉远,这轮金融周期还有一个更大的背景。

1971年美元与黄金脱钩后,央行印钱不再有硬约束,各国央行越来越激进地用扩表来干预危机。有一本书叫《货币之手》,描述的正是全球央行行长们如何用自己那只“神奇之手”制造出流动性。但凡有潮起潮落,就上手段。

2008年全球金融危机后的量化宽松(QE),美国分了三次半、用三年半逐步试探,基本是不够就再印一点,相对审慎。2020年则不同,一上来就是降息至零加无限量QE,七八个月就完成了上一次用三年半才完成的QE总量。

2008年印出来的钱,本应在2017年开始的加息、缩表周期中逐步出清,但特朗普政府对美联储政策的干预打断了这一收缩过程。随后2020年疫情又叠加了一轮规模更大的放水,结果是“至少一次半的泡沫”堆在了一起。后果是:除中国外全球通胀难抑;资产价格高企(75万亿美元的美股市值,对应的只是30多万亿美元的GDP);以及贫富分化加剧(有资产者受益更多,没有金融资产的人没法受益)。

由此悬着两把达摩克利斯之剑:如果泡沫破裂,理论上要“破一次半”,届时全球的一二级市场都会受到冲击;但央行行长们已经习惯了自己那只干预之手,很可能更快出手,再堆起一个更大的泡沫,代价则是长期滞胀与难以逆转的社会分化。

AI技术能解决当前困局吗?

这显然是个过高的期待,而这种期待本身,又放大了AI叙事的泡沫。需要区分的是:AI技术有价值,不等于AI公司及其股票就有价值、或值那个价。热点的形成和估值的弹性,很大程度上受流动性影响——在流动性的上行期,一些线性增长的技术,也能获得非线性增长的估值。

撇开技术本身,从金融视角看,由技术创新驱动的金融周期通常分为两个阶段:

在一个技术周期的前半段,一般是搞金融的人竭尽全力去讨论技术;

在周期的后半段,则是搞技术的人竭尽全力在讨论金融。

具体到AI,开头提到的那些日常变化——朋友圈从讨论模型参数转向讨论股票涨跌,硅谷的工程师从讨论技术转向讨论估值与期权——就是这种阶段切换的写照。

从这个角度看,这轮AI产业周期正在进入后半段。就像爬山,有上山,就有下山。

那么,由AI技术创新引发的金融周期,不同阶段的投资标的有什么不同?

第一阶段,技术创新刚起步,大家投的是最大的技术创新节点,也就是大模型。

第二阶段,大模型阵营大致成型之后,大家投的是这项技术“最有想象力”的应用:在美国是通用Agent(或者此前常说的AGI),在中国还多一条赛道——具身智能机器人。前者替代人在数字世界的工作,后者替代人在物理世界的工作。但“最有想象力”的另一面,就是没那么容易落地。

只有当前两个阶段走完,大家不再关心谁能讲最大的故事,而开始关注“谁能用技术真正赚到钱”时,才会进入第三阶段。

我认为,AI正处在技术投资从第二阶段向第三阶段过渡的临界点。从2026年5月开始,我个人判断拐点已经临近,于是在基金内部鼓励同事们转向“谁能用上AI、并且靠它赚到钱”的方向。

支撑今天AI相关产业这些“高楼大厦”的底层,是全球AI资本开支的持续投入。高盛的数据显示,到2026年底,全球AI领域的累计投资总额将达到1.8万亿美元。这样的资本开支能否持续?答案或许要交给时间检验,但眼下已经能看到一面镜子和五个信号。

这面历史的镜子,是2000年的思科。

互联网泡沫时期,市值创下全球纪录的不是互联网商业模式公司,而是做交换机的基础设施公司思科,最高时达5500亿美元。当时的逻辑是:互联网再怎么有泡沫,总要建基础设施、总要买交换机,何况思科手里还有几百亿美元的在手订单和客户定金。

思科在2000年还推出了一项业务:向购买设备、建设基础设施的互联网公司提供设备租赁和贴息贷款。是不是和最近我们看到的一些新闻很像?泡沫破裂后,最大的打击恰恰来自那几百亿在手订单——其中大部分不再执行,客户宁可损失定金也不再扩张,思科市值一年之内跌去了80%多。这里没有影射任何一家公司的意思,只是回顾一段早年的故事。

如果说思科的例子比较特殊,我们不妨再看看全球资本开支正在转折的五个信号。

第一个信号是资本市场态度的逆转。

2026年一季度,全球主要AI科技巨头和中型互联网公司在“谁激进就给谁高估值”的氛围下,纷纷宣布激进的数据中心资本开支计划。二季度则是全产业链“最FOMO”、花钱最狠的季度:所有人都相信存储一定会涨价,于是囤库存、砸真金白银。

但从7月下旬二季度财报陆续公布以来,风向似乎从“谁花钱激进谁厉害”变成了“谁激进惩罚谁”。对于上半年资本性投入超过自由现金流的中大型互联网公司,资本市场都给了折价,谷歌也没能逃过。

7月22日,谷歌母公司Alphabet公布二季度财报:收入增长24%,云业务增长82%,但资本开支同比翻倍至449亿美元,自由现金流首次转负(-59亿美元),并将全年开支指引上调至1950亿至2050亿美元。次日股价下跌7.1%,单日市值蒸发约3000亿美元。

第二个信号是成本压力。

二季度主要科技公司的毛利受涨价影响相对较小,是因为卖出的产品用的还是一季度之前备好的低价库存。到了三季度,原有库存消耗殆尽,再加上英伟达因存储成本飙升而上调AI服务器价格,成本压力开始集中传导至终端。

从公开报道看,苹果在日本市场两度上调iPhone售价,华为、小米、荣耀等国产安卓阵营的多款产品也在9月初宣布涨价,原材料涨价的影响开始显现。

第三个信号是基建不达预期。

美国2026年初宣布的大批数据中心,因为更严格的环评、州政府审批、电网与配套发电设施、周边居民投票等因素,在进度和规模上普遍受阻:仅一季度就有超过75个项目(总价值达1300亿美元)被取消或延迟。到了二季度,反对数据中心的声浪和行动还在持续扩大,以至于特朗普总统8月底甚至出面回应——在他看来,数据中心是那只会下金蛋的鹅(Golden Goose)。

目前,美国2026年宣布的12GW数据中心容量中,已有六成(7GW)被取消或延迟,处于活跃施工状态的仅约5GW。

第四个信号是巨头启动“以租代买”策略。

英伟达与第三方金融公司合作,帮客户获得贷款或为体外贷款提供担保,再把GPU租给用户使用。《金融时报》的评论指出,这本质上是“老式的供应商融资”——英伟达在给客户开支票,让他们多买产品,或者买得起原本买不起的产品。思科和北电在互联网泡沫崩盘前的半年,也用过同样的方法。

第五个信号与之相关,是巨头的现金流。

《巴伦周刊》发文追问:英伟达财报炸裂,但现金流去哪了?依据最新财报,英伟达净利润亮眼,但自由现金流环比腰斩,应收款项激增(半年增加约246亿美元),远高于历史水平,长期借款单季度翻了四倍。

二级市场的情绪会传导到一级市场,因为一级市场的财富效应,归根结底受二级市场影响。

今年以来,中国的一级市场和二级市场有点像:不是普涨,估值增长集中在AI与中国产业政策有交集的领域,如机器人、具身智能、世界模型、量子计算、可控核聚变。热点转得也很快,很短的时间里就能积累很高的涨幅。

最近一两个月,这些热门赛道在一级市场出现了降温的迹象。

首先,新钱在减少。

此前能把机器人企业的估值推到上百亿,是因为有足够多的钱涌入;现在国资因54号文有不同程度的刹车,发改委和超长期特别国债出资的几百亿母基金也要求投早、投小、投特定估值以下,中后期所需的更大规模资金出现了缺口;美元基金上半年激进了一下,在追平进度之后,有的也开始观望。

其二,财富效应的传递在逆转。

2025年上市的公司到2026年下半年陆续解禁,大家发现上市时几百亿港币的故事,到解禁时只剩几十亿或百把亿的市值,财富效应远不如预期。

其三,港股“打新”市场的赚钱效应降温。

港股打新通常不是高概率赚钱的事。然而今年上半年,港股新股首日破发率只有14.3%,为近三五年来的最低水平,吸引了大量短期投机资金去打新炒作。打个不严谨的比方:当打新几乎稳赚、两周就能赚百分之几十时,谁也不愿意等一年去赚10%。

因此,破发率何时回到“正常水平”(大约一半),可以视作港股能否回归投资属性的一个观察指标。

7月以来,这个指标开始变化:7月港股共有17只新股上市,首日破发率超过40%;8月仅2家公司挂牌,上市节奏放缓;在经历了8月下旬约两周的空窗后,9月初当周仅有的两只新股首日双双破发,首周均跌去两成。截至9月中旬,5只新股中4只首日破发,破发率达80%。这或许是港股打新赚钱效应消退的开始。

总结一下,AI产业在当前宏观环境中的周期坐标可以概括为:

金融周期处于第二阶段(存量博弈)的尾部;技术投资处于第二阶段(最具想象力的应用)向第三阶段(谁能赚钱)过渡的节点;支撑科技公司估值的资本开支自我强化机制(只要开支不停,收入和股价就能互相喂养,估值就能维持),已出现了与2000年相似的裂缝。

每到泡沫尾声,总会有人搬出那句老话:“这次和以前不一样”。

这轮AI和上一轮互联网有什么不同?烧钱的位置确实不一样。

互联网时代,绝大多数人没用过互联网,互联网公司必须用补贴把用户拉上来,钱烧在前台,用来教育用户;后来市场要求这些公司证明当期能赚钱,烧钱一停,有些公司就倒了。今天用户已普遍使用移动互联网,许多公司只需在产品里加上AI功能即可,钱主要烧在了后台——也就是大模型相关的技术上。

但烧钱的位置不同,并不意味着结局不同。如果有一天,市场要求大模型公司证明当期的赚钱能力,它们同样要开源节流:减少资本开支,想办法让每一个Token都能收到钱。

这正在开始发生,不管是国外还是国内的大模型,都已经开始收费,或在考虑收费。

一旦大模型公司开始对Token收费,大模型与互联网的一个重要差别就会凸显:互联网用的几乎都是静态数据库,一次处理、多次复用,单次服务的边际成本很低;大模型则是每一个问题进来都要实打实地消耗算力算一遍,输出答案时还要再动态算一遍,两者的成本结构差距很大。

所以,如果市场真的要求基础模型公司赚钱,结局会是什么样,是值得我们持续关注的问题。

判断周期处于尾部,并不等于看空技术。泡沫破裂只是一个金融周期的概念,有泡沫不意味着技术没价值。

蒸汽机从成为工业革命的象征到被广泛使用,中间隔了大几十年;互联网经历了若干次泡沫破裂,并不妨碍它今天在应用层面无处不在。说AI技术有泡沫,也不是否定它对商业和社会的深远影响。

拐点之后该往哪里看?在资本上行周期,大家投的是叙事,看谁的故事大;过了拐点进入下行周期,技术叙事没那么重要了,大家投的是谁能赚钱。

因为一级市场不能随时交易,所以我们需要先做一个判断:如果认为还在资本上行周期,可以接着投故事大的;如果认为快到拐点了,就要多投能赚钱的。

那么问题来了,投什么能赚钱?

中国的AI应用就是答案之一。以前中国在技术周期的前半段通常落后,到了应用阶段才开始领先。这一轮AI则不同:中国在技术阶段已经不太落后,到了应用阶段更有长处。

中国的优势在于数字化基础设施完善、产业链齐全、产业环节和场景多,外加产业政策的驱动:从2025年下半年以来,产业政策已经开始导向AI+应用。

2025年8月,国务院印发《关于深入实施“人工智能+”行动的意见》;2026年4月28日,中央政治局会议明确要求“全面实施‘人工智能+’行动”;7月30日的政治局会议在科技论述中,也把“人工智能+”放在了非常重要的位置,还强调了发展智能经济新形态,完善人工智能治理体系。

AI+的故事也许没有机器人那么宏大,也不是当下的投资热点,但当具体行业加上AI之后,提质增效、开源节流的故事,同样值得投资。

关于AI技术溢出的路径,我有一个初步判断:今天的热度都集中在数据中心租赁与服务、半导体设备和芯片这些与AI直接相关的领域。但世界终究是公平的,经济终究是多元的,任何一个大经济体都不可能只靠一个主轴驱动,所以各个方向都会有机会。我认为市场热度会向更广义的领域蔓延,例如AI+消费、AI+服务、AI+工业和制造业,扩散到那些既用得上AI、又能赚到钱的方向。

另一个角度的答案,是投那些又大又便宜、目前可能无人问津的资产。

不论一级还是二级市场,多年验证下来的一个道理是:买在无人问津,卖在人声鼎沸。所以要看“哪里大、哪里便宜、哪里无人问津”。我们完全可以乐观一点:又大又便宜,就决定了它不可能一直无人问津。

我举两个例子。一个是生物医疗与AI的交叉。

峰瑞投了多轮的生物医药企业炎明生物,用六年多做出了十几条全新靶点的First-in-Class管线,其中5条已进入一二期临床。这家公司做了六年,估值却与另一家我们今年才投了6个月、估值已翻了十几倍的世界模型公司几乎一样。

听起来有点不公平,但这个世界迟早会公平。所以从5月起,我一直在内部鼓励同事们多投生物医疗,尤其是生物医疗与AI的交叉。

8月,AI和生物医疗行业迎来了一条鼓舞人心的重磅新闻:Moderna用AI筛选做出了人类首个个性化的黑色素瘤癌症疫苗,股价一天涨了近两倍。它用的是一项故事不够大、但确实与AI有关的技术,完成了核心的筛选工作——AI在这里是真的有用。

从产业侧看,当下中国的管线类药企都在积极license out(对外授权),这也是今年中国生物医药license out金额突飞猛进的原因(已占全球医药研发license out总金额的2/3)。这个趋势会倒逼或鼓励更多药企提高管线研发的速度、广度和效率:既要快、又要多、还要好。为了达成这个结果,它们会竭尽全力用上更多新的效率工具,AI自然是其中之一。

另一个例子是SaaS。

SaaS这个行业一向不太被看好,大模型起来之后,更有一种声音认为SaaS会被AI淘汰。我的看法有点不同:SaaS公司有自己的数据与资产积累、客户积累以及工作流积累,一定会有很多SaaS公司走向AI化,变成新一代的软件服务公司。

总结来说,本轮AI热潮在金融层面,是2020年的天量流动性在2022年被迫集中配置于美元资产的结果,ChatGPT只是这笔钱恰好找到的理由。到2026年三季度,增量资金即将耗尽,全球流动性开始收紧,美元主导的资本市场走到了存量博弈的尾部。科技巨头的AI资本开支出现了与2000年思科相似的裂缝,一级市场的热门赛道也开始降温。

不管这次是否真的与以前不一样,只有当大模型驱动的金融周期进入后半段,市场才会开始关注到底谁真的能用AI赚到钱,而不是谁能拿AI讲一个最宏大的故事。到了那个时候,AI应用的机会才会真正到来:普遍、巨大,且持续。

(以上内容为个人观点,仅供参考,不构成任何形式的投资和金融建议。)

跳转微信打开

  •  

海外年轻人在关心什么?和耶鲁、宾大学子聊AI、泡沫与周期、机器人与未来能源

原创 支持年轻人的 2026-09-08 20:50 北京

奔涌的AI浪潮,会将我们推向哪里?

这个暑假,耶鲁创投俱乐部和宾大创投俱乐部先后带队来到峰瑞交流。丰叔和投资同事们与两波对创投感兴趣的年轻人各聊了一上午。

这样的交流已持续了几年,我们乐在其中。因为我们过往投资的创始人中,过半有海外学习或工作经历,我们希望能够尽早认识并支持更多海外华人回国创业。

每次见面,流程都很简单,大家围坐一圈,简单自我介绍,就进入对话环节。话题天马行空,从宏观形势到 AI、能源、生物医药、出海,再到创业的起心动念。

把两次交流放在一起,我们发现,身处海外的年轻人有很多共同关心的问题:技术会往哪里走,中国和美国各自还有什么机会,什么行业值得创业,自己该把未来押注在哪里。

我们挑了一些有代表性的问题,尽量保留现场原本的问答方式,分享给大家。

这些问题没有标准答案,我们只是把看到的公司、产业和周期变化一一摊开,希望能提供一种看问题的角度。

我们做早期投资,基本上是顺着技术周期往下看。新技术刚出来时,我们找不同类型的 0 到 1,看的是技术本身;到第二阶段,我们找的是这项技术最可能改变什么、哪里会发生最大的变化;再往后,就找泡沫下去以后什么场景真的用得上技术,看谁能把技术变成实际效率和商业价值。每个阶段投的其实不是同一件事。

所以做早期投资有一件事特别重要,就是 Identify the change,你到底有没有找到一个真正大的变化。如果是个小变化,托举不了太多新公司。做投资有句话,宁可蹲在一个金矿边上随便捡两块金子,也别低头在马路上捡钢蹦儿。

也有人说,早期投资就是投人,这句话百分之一百正确,没有任何争议。但在所有人都投人的情况下,谁能赚到钱主要取决于谁投对了大变化。一家公司的成功,大概六到七成取决于市场贝塔(Beta),剩下的三四成才看自身的阿尔法(Alpha):Beta 决定你的发展基数有多大,Alpha 决定你在同赛道里能不能活下来、排第几。

如果在一个增长偏线性、竞争又激烈的赛道里创业,可能拼尽全力才比别人进步 1%,而这 1% 还很容易被有资金、人才、渠道和供应链优势的大公司追平。创业公司的机会,往往来自一个产业突然发生巨变:竞争规则变了,过去的优势会被重新计算,这时候小公司更可能找到位置。

真正值得创业公司去抓的时机,往往是产业突然拐弯的时候。

比如汽车,如果一直沿着燃油发动机技术来发展,中国企业要追赶宝马、奔驰上百年的工程积累很难;但从燃油发动机转向电机以后,产业拐了一次弯,原来的积累没那么重要了,中国在电机、制造业、硬件供应链上的能力反而能接上来,竞争局面就变了。手机从功能机到智能手机,生物医药从小分子药到大分子药,再到基因细胞治疗、AlphaFold 和 AI for Science,都是类似的拐弯。

所以看创业机会,最重要的不是“这个行业够不够大”,而是它有没有拐弯——只要拐弯足够大,巨头要转身也不容易,新公司反倒有机会。

但对投资机构来说,光看到拐弯还不够,还有一个时点问题。我们希望比市场早一点,能判断什么将要发生,而不是只看什么已经发生;是稍微ahead of time,但不能太早,要等十年、二十年才兑现同样不合适。翻译成投资的话就是:要在它还不热的时候投,但不能因为它不热就投——你敢投,是因为你知道它为什么以后会热。

所以我们大部分投资,是先判断变化在哪里,再判断变化大概什么时候发生。方向已经很热,通常意味着共识已形成;完全没人关注,也不代表值得投。

真正难的是在共识形成之前,找到那个正在发生、但还没被充分定价的变化。当然早期投资也有 random 的成分:有时创业者做的方向不一定是我们推演过的,但人好、事情有意思,也会愿意试一下。

如果只看人本身,可能跟有些人想的不太一样。对我们来说,最重要的是:他为什么要做这件事。

投资人通常是先看到变化再去找公司;创业者则不一样。他们往往在自己熟悉的领域里先直觉地感受到一些机会,或者相信了今天大多数人还不相信的未来,所以决定去做。他看到变化,更多是从经验里感受出来的,而不是推出来的。

这也是为什么“初心”重要。跟风创业也不是不行,每一波里都有 late mover,出来晚但聚集资源的能力特别强,一样能做起来;只是对投资人来说,跟风的人更难挑。我们更希望看到:在所有做同一件事的人里,他是那个最想做的,而且不是因为别人都做了他才想做。

这个为什么重要?因为创业本质上是一场长跑。那些最后成功的人,中间几乎都经历过若干次很绝望的阶段:公司快不行了、看不到出路,或者必须做艰难取舍。如果出发时的原因不够坚定,很容易在某个阶段就妥协,甚至算了。

其次是聪明和能力匹配。真正能把公司做出来的人肯定要够聪明,但不需要是最聪明的那个,top 15% 就行,不必非得 top 1%;同样重要的是能力和事情匹配,过去的专业、经验最好能对现在做的事有帮助——你一直做芯片突然去做制药,难度就很大。

第三是性格和判断力。真正做成事的人,既不会什么都不听,也不会别人说什么都听。他们能听得进意见,但会自己判断该采纳多少。

所以按顺序,我会看三件事:为什么创业、能力和事情是否匹配、心态是否开放且不盲从。很多时候,真正值得走的大路反而人不多,小路上才最容易人声鼎沸。我们想找的,是在大多数人还没拥挤过去时,就已经因为自己的判断开始往前走的人。

只要它叫泡沫,就没有不破的。但泡沫破了不一定是坏事。泡沫还在时,大家更关注故事;泡沫破了以后,才会真正关注应用,开始看谁能拿这个技术赚到钱、真正从消费者或企业手里收到钱。

互联网就是典型例子。泡沫破掉后,回头看当时上市公司讲的很多商业逻辑——线上购物、数字社交、在线服务,后来其实都兑现了,只是把它们做成的不一定是当初制造泡沫的公司。

大的技术发展本来就会经历很多轮周期:技术创新时市场放大想象力、形成 hype,其实是在奖励技术创新;泡沫破掉后噪音被消掉,市场开始看谁真能把技术用起来,进而推动应用的发展。

所以,如果认为这一轮 AI 泡沫正在接近尾声,投资逻辑也该变:更多的去投能拿 AI 真正去落地应用并赚钱的公司,而不是只拿 AI 继续讲故事的公司。

一个简单的判断方法,就是假定未来每一个 token 都要算账:谁使用 token 之后创造的价值高于 token 成本,谁才真正用得起 AI。

大模型和搜索引擎不太一样。搜索引擎背后是一个静态数据库,query 进来去检索、再呈现;大模型你每问一次它都要把问题放进模型里重新计算再生成答案,哪怕模型已冻结、只做推理,每次互动也都要计算,所以每次都有成本。

在 ToC 端,现在大家还没有特别感受到,是因为有人在后面补贴。一旦补贴减少、所有 token 都要算账,用户行为一定会变:你今天很自然地把 AI 当搜索引擎用,但如果你每问一次都要付钱,还会不会什么都拿去问?肯定有一部分需求会消失。

关键问题就变成:什么样的需求值得花这个钱?要么让他用 AI 的成本低到没感觉,要么功能价值明显高于 token 费用。像金融这类高价值任务,模型能快速帮你完成原本要几十分钟、几小时才能做完的事,你多半愿意付钱;如果只是完成一个价值很低的动作,token 再便宜也可能是负担。

在 ToB 场景,我更看好几类基础条件已具备的公司:原来就有数据积累(专有壁垒)、原来就有客户(不必重建整套销售关系)、本身已有数字化的业务流。这样 AI 加进去能直接体现为降本或增效,才容易真正用起来。

再往后还有一个变化。过去几年大家一直在比基础模型能做什么、参数多少、能力边界扩得多快;当模型能力差距开始缩小,token 越来越像标准化云服务,智能本身越来越商品化,真正拉开差距的,会变成谁能用更低的成本提供足够好的智能。

我们大概三年前开始有具身智能这个投资主题,当时一个很重要的判断是:如果一项新技术恰好需要和复杂的硬件产业链结合,最后变成一个新的科技产品,中国通常比较有优势。

看过去的例子:无人机需要飞控、图传、传感器和精密制造能力;智能汽车既有电池、整车制造,也有毫米波雷达、激光雷达、视觉传感器、AI 芯片等等。机器人也符合这个逻辑,所以我们当时判断要投:这是中国有积累、也擅长,且过去反复证明能做到全球领先的一类事。

对于“机器人造机器人”这个美国叙事,还是需要回到:你得先有机器人。

今天机器人面临的挑战,不是能不能做出一个人形,而是很多落地过程中的控制和决策问题没解决好,把 demo 做出来不等于真正能干活。世界模型也好、生成高维数据也好,本质上都指向同一件事:今天的机器人还不够智能。

假设这一轮机器人的热度开始下降,所有公司都要回答一个更现实的问题:我的机器人怎么赚钱?

一旦要求赚钱,它就必须进入真实场景,只有在商业场景里活下来,技术才会进入下一轮迭代。到那时竞争重点会变成:谁的应用更多、场景更多、数据更多、成本更低。

把这几条放在一起,中国优势明显——具身智能下半场的竞争,已经不只是比谁先做出机器人,而是比谁能让机器人进入足够多的真实场景,并用数据和成本优势推动技术继续进化。

新能源肯定已经不是 0 到 1 的阶段了,但 AI 把能源问题重新推到了非常重要的位置。

我以前讲能源会用一个“能源和能源转换器”的框架:历史上每一次当新的能源和新的能源转换器被一个国家较好地掌握,都可能改变它的产业能力和国际竞争力。

打个比方,马既是能源使用者又是转换器,它是欧亚大陆古代强权的重要工具之一;英国靠煤和蒸汽机一度做到了生产力领先;美国很重要的一段产业优势则来自石油和内燃机。

站在今天往未来看,主要有两条路。一条路是继续提高利用太阳能的能力,包括风光水电,对应的能源转换器是电机、电网,本质上都是更高效地收集、转换、使用能源;另一条更远的路线是可控核聚变,相当于人类自己造了一个太阳。

我的判断是技术发展有次序:我们可能要先学会更好地利用太阳,再变成太阳。这不是说可控核聚变不重要,而是前一条路可能还有大量事情没做完。

我们先看中国企业在国内到底形成了什么竞争能力。过去一段时间,很多行业竞争都非常残酷,把价格压到很低、利润也不一定好,却把供应链、产品迭代和组织效率都卷了出来。

在国内不挣钱,卷完效率再在出海中获利,这可能是理解今天很多中国企业出海的一个起点。

出海大概分两个方向。一类是中国已经卷出的新技术或中高附加值新物种,比如 AI 硬件、新能源车、智能硬件,有机会直接去发达国家;另一类是偏中等附加值、核心竞争力来自供应链极高效率的传统产品,更适合去发展阶段小于等于中国的新兴市场,比如东盟或“一带一路”市场。

这里有一个我也有点诧异的观察。原以为国内价格已经卷成这样,到支付能力低一些的东南亚只能卖得更便宜;但有些企业的反馈不是这样——一些在中国很日常的消费品,到东南亚反而被看成有品牌属性的商品,有点像 2003 到 2010 年的中国:当时很多海外品牌在中国卖得比本土贵,消费者仍愿意“够着买”,现在一些中国品牌到新兴市场也是如此。

所以,出海不能笼统地问“海外有没有市场” “该去欧美还是东南亚”,更重要的是先回答:你在国内到底卷出了什么能力?是技术和产品创新,那有机会去更成熟的市场;是极致的供应链效率,那么在新兴市场里会有优势。

我先不直接回答“要不要回来”。从中美跨境投资的角度看,两边已经经历了几个阶段:科技战、贸易战大概从 2017、2018 年开始,前面割裂得比较快;2021 年回国的人比较多,2022 年下半年到 2024 年初不回国的多, 2024、2025 年起回国的又变多。但我们不能只看短期的人员流动,还是要先看技术和产业本身发生了什么。

历史上的技术发展大致都经历三个阶段:原创技术周期,从 0 到 1;然后大家开始赋予它应用端的想象力,去想它最后可能最大地改变什么;最后才逐渐普及,在各行各业产生大量应用。

拿这一轮 AI 来说,2022 年底到 2025 年初,中美市场最关注的都是基础模型,是典型的 0 到 1。到应用想象阶段,两边出现了差异:美国的产业数字化程度高,很自然往各种 Agent 方向走,从 coding agent 到各种数字化场景里的 Agent;中国有更长的制造业和硬件产业链,大模型更容易跟芯片和传感器、硬件、具身智能结合。不是说美国没有机器人、中国没有Agent,只是两边最容易长出来的应用不同。第三个阶段其实还没真正到来——今天除了 coding 和少数数字化程度很高的企业,大部分行业还没大规模把 AI 用进实际生产。

所以,海外年轻人到底该去哪里,很难只从“中国还是美国”来回答。还是要看你想做的事情处在哪个技术阶段、产业下一步往哪走,以及你的能力在哪种产业环境里更容易发挥价值。

跳转微信打开

  •  

当机器人开始做实验,AI for Science的效率拐点到了 | 对话源络科技连文昭

原创 连文昭、李丰 2026-09-03 08:09 北京

机器人的下一步,往哪里收敛?

刚刚过去的这个 8 月,机器人行业非常热闹:世界机器人大会(WRC)与人形机器人运动会先后在北京举行,宇树科技登陆科创板。热闹尚未散尽,发改委的表态来了,“防止盲目跟风、一哄而上”。热闹与冷静之间,一个追问变得迫切:这个行业,究竟走到了哪一步?

我们请回了一位分享嘉宾:源络科技创始人连文昭。两年前他和丰叔对话时,机器人赛道还没火起来,他提出的 “直觉物理” 还是个冷门词;如今,它以 “世界模型” 之名成了最热的创业方向。当时他用 “不可能三角” 来形容机器人落地之难并表达自己的偏好:在可靠性、泛化性和速度这三者之间,他选择不苛求速度,优先保证前两者。如今,源络开始在这个方向上交出应用上的证明。

连文昭有一份少见的履历:杜克大学博士毕业后,他从硅谷通用人工智能公司 Vicarious,到 Google X 的机器人项目 Intrinsic,再到人形机器人公司 Figure。2023 年,他回国创办源络科技,不做叠衣服、倒咖啡的 demo,而是扎进泛实验室场景,把长序列、高柔性、高精度的科学实验任务作为机器人的练兵场。他同时在上海交大人工智能学院担任教授。

这场对话从今年 WRC 的现场体感谈起,谈到机器人出海的真实需求、世界模型的收敛方向、具身智能软硬件两年来各自的真实进展,最后落到一个正在升温的判断:当 AI 改变了科学发现的范式,瓶颈来到湿实验——机器人,可能是打通“干湿闭环”的物理接口。

以下为对话正文,希望能给大家带来不一样的角度和启发。欢迎移步小宇宙 APP 或 Apple Podcasts,搜索并订阅「高能量」收听完整的访谈实录。

图片

李丰:机器人行业火热了两年,这周宇树机器人也刚刚上市,虽然之后表现跌宕起伏,但不管怎样是个标志性事件。结合正在北京举行的世界机器人大会(WRC),我们请回了两年多以前来录过播客的 CEO 嘉宾连文昭。请连博士先简单介绍一下自己和源络科技。

连文昭:我们是一家做 AI 机器人的创业公司,既做硬件本体——类人形机器人,现在也有更多种硬件架构;同时我们在大脑算法模型这侧的投入越来越大,在推以物体为中心的物理原生模型,持续提升机器人的可靠性和泛化性。

我们切入的场景是科学智能(AI for Science),选了泛实验室场景的一大类任务,作为练兵场和试金石,跟一些企业(如华大智造)和科研单位(如中科院)合作部署了机器人,证明在这个最难的考场上机器人能实现很多高柔性、高精度的技能。

我自己一方面负责源络的研发运营,同时在上海交大人工智能学院担任教授,带学生探索具身智能的技术边界。回国前我有三段工作经历:先在硅谷 AGI 创业公司 Vicarious 做类脑神经网络,把机器人部署到美国邮政等客户的物流场景;后来在 Google X 参与早期机器人项目、也就是后来的 Intrinsic ——很神奇,今年初它又被并回了 Google——做机器人操作系统,就像手机里的安卓系统;2023 年加入 Figure,搭建了最早的一些数据采集链路和模仿学习框架。

李丰:信息量挺大。回到最简单的现实问题:横向比较,今年 WRC 现场是什么感受?

连文昭:展馆越来越大,探索各行各业场景的都有:搬箱子的、分拣的、工业装配的、做饭的、端茶倒水的。几百家公司像在做几百个平行实验——说明行业还没有共识,方法上也百花齐放:有点到点纯预编程的,有靠视觉语言动作模型的,也有靠生成世界模型的……这是好事,证明行业的天花板是高的,人们对于机器人未来的预期是高的。

但如何兑现预期,是值得思考的问题——让机器人真正从 demo 走向可用的生产力。跟去年比,不同公司展示出来的能力其实差不多——叠衣服、折盒子、搬箱子、抓东西——但今年明显是 “场景化” ,都在强调场景、落地标准、产业价值,之前更多的是 “展示性” :机器人做一个很短的任务、展示一个小能力就结束了。

今年双足跳舞还是很热闹,情绪价值也是一种真正的价值;但我更关注操作这一层:它明显在从能力展示,往可靠性这个行业目标迁移。

源络今年是第二次参展。我们还是以生命科学领域里长序列、高柔性、高精度的操作牵引研发,展示了细胞学实验,包括细胞毒性检验这种长序列流程——要处理移液枪、液体、试管、离心机等各种仪器——又要柔性又要精度,既要智能又要可靠。

李丰:有报道说这次 WRC 有非常多外国人参会,你的体感是什么样?

连文昭:确实,非华人面孔明显多了:欧洲的,日韩的,还有中东、东南亚的。有些是做商业的,希望把中国产的智能机器人引入当地;也有的想自己做机器人公司,来看看和学习。海外对中国的机器人研发和生产制造能力是绝对认可的。我们正在成为事实上的机器人全球中心。

李丰:这些外国友人里,多少是带着商业和需求目的想找解决方案的,多少只是看看热闹?

连文昭:更多是前者,至少是尝试实质合作——比如作为集成商或分销商卖到当地,这个意愿很高。

李丰:在你接触的小样本里,需求有多少是可行的,有多少还在机器人能力之外?

连文昭:从能力讲,绝大多数都可以做到,前提是付出足够的成本。他们提的多是很惯常的诉求:机床上下料、装配自行车(不知道他们为什么要在当地做自行车,应该从中国买),也有做超市服务的、制药公司的,大家实实在在有诉求。这些需求发生在中国,我们肯定能做,但在海外难一些:当地工程师数量低于国内,人员协同的投入会更大,地缘政治因素也需要考虑。

李丰:假定能力上大都能解决,有多少是成本能覆盖住的?

连文昭:初期小量肯定都可以做;真要上量,还是回到是不是能可靠地做。如果只是推一台特定的机器,定价都可以谈,但最终总要形成标准、然后规模化,这时就需要机器人证明它是可靠的。

什么叫可靠?机器人在一个地方跑了一天,第二天客户是不是还主动愿意开机?愿意开机,就可以覆盖成本,付费意愿就强;如果第二天没开机,比如“工程师不来就不开机”,成本肯定高。所以要筛选,这是个动态过程。

另外,行业过去传递的信心也让市场预期偏高——经常有人拿一个很复杂的流程说,这个你们应该很容易做。但预期高也是好事,需求池子更大,可以筛选。

李丰:看起来机器人的国际化,可能成为中国新出口中的一个潜在增项,虽然现在量还小。

李丰:两年多以前录上一期时,你提了一个当时不受关注的词,叫 “直觉物理” ——说白了,人知道怎么拿东西,用什么姿态、力道对物体做动作,也包括常识性的物理。而从去年年底开始,最热的机器人创业方向叫世界模型、物理模型。虽然定义非常多,总之是让机器人理解这个带物理量的世界,并与物理世界交互。我们也投了几家这样的公司,估值涨得非常快。因为你两年前就在思考 “直觉物理” 这个话题,你怎么看待今天世界模型的发展阶段和解决方案?

连文昭:机器人要做的事情,本质上是两个问题:一是知道要动到什么地方,二是怎么安全可靠地动到那。运动大体分两类:自由空间里从 A 点到 B 点;以及有接触、有交互——把这个东西也从 A 挪到 B,这个 A 到 B 不光是空间上的,也是状态上的。另一个问题是:如何决定我的 B 点在哪、目标是什么。

之前行业在推的视觉语言动作模型(VLA)也好、世界模型也好,都是想理解常识,方式是采集大量数据。VLA 是采完数据做一个回归:从观测到的量直接决定往哪动。它其实是一条捷径,绕过了理解,直接生成动作。但后来大家发现有点问题——它是过拟合的,泛化性没有想象的好。

插一句,现在我的学生也经常说泛化,说一个东西往左移 0.5 厘米还能抓,就叫泛化了。我从来不觉得这叫泛化——大家往 VLA 走的时候,反而把标准降低了。

慢慢大家意识到这个问题,又开始做世界模型:用神经网络、Transformer提特征,做决策时不丢掉理解世界的信息——不光生成动作,还要理解客观物体的发展规律。但过去这些世界模型往往还是 pixel to pixel。

李丰:从像素点到像素点。

连文昭:每一个像素都要预测、重建出来。这其实是反直觉物理的——模型把大量表达能力都用在重建和恢复上。我们一直在践行“以物体为中心”的思路:不过度建模不用去关心的小细节;但有一些重要的细节,以前的视觉世界模型里没有的,我们反而要关心——比如力,力的模态是很关键的模态。

力这个模态很有意思:视觉上,你换个角度,得到的信息跟你的本体可能没有太大关系;但力是你的本体施加到环境中的,完完全全取决于你自己。你施力大,反馈就大,是跟动作极其绑定耦合的东西。我们在做的世界动力学模型先建模原始的图像和动作输入,然后一边预测未来的图像和力,一边把预测结果跟实际施加动作后实测到的力做比较。

李丰:做闭环,做反馈。

连文昭:不能只做前馈。我预测会感受到多大的力,也预测我的动作;动作施加到环境中,又感觉到一个新的力;新的力跟预测的力比较,反哺回来纠正预测能力。形成这么一个闭环之后,随着数据增多,机器人跟物体交互的直觉规律,就能被理解得越来越好,估计误差越来越小。

李丰:今天这些方向肯定没有收敛,概念也变了好几个,包括 VLA、VLM、世界模型等等。从你的角度看,当然只代表你个人观点:接下来一两三步,大家在建模世界、理解世界上可能向哪几个方向收敛?

连文昭:需要从最终目标倒推:一是零样本、小样本的泛化——扔到新环境,一次演示甚至零演示,它就能动起来、理解任务并去执行;二是绝对安全,知道自己的边界,有异常也能处理。就是可泛化且可靠。倒推回来:需要数据效率最高的方式,也要能评估自己输出的不确定性边界,保证自主的安全性。应该沿这两条路线走。

关于提高数据效率,大家在做各种尝试。一是让数据采集更便宜,比如egocentric(第一人称视角)的视频数据,丰叔应该还记得 2023 年我们讲公司的具身路线时,就已经在大量采集。

二是让数据里能榨出的信息密度更高、更贴近直觉物理,比如以物体为中心而非一个个像素点,以及从 2D 或多视角 2D 中隐式推出 3D,因为 3D 是对环境更本质的理解。

另一个维度是安全性:过去的数据集通常以视觉为主甚至只有视觉,现在行业也在采集力觉甚至触觉,有做触觉手套、做各种传感器的。我们自己也在探索把视、力、触觉融合起来,也做了自己的数据采集链路。这也是个比较显著的趋势。

李丰:回到中国机器人行业。过去两三年,软的——算法,和硬的——电机、关节这些硬件和手的控制,各自进步的状态和速度是什么样的?

连文昭:硬件看起来发展没那么快,但工程上实质取得的进展很快;软件上大家看到的演示很漂亮、变得特别快,但拉长时间维度看,进展可能没有想象的那么快。

硬件上很多人会说,两三年前 WRC 展示的就是这些协作臂、人形机器人,现在还是这些,关节可能还是谐波或者行星减速器。但背后的供应链、设计、系统集成,实质发展比想象快很多,成本自不必说。

另外是可靠性:像我们自己做的,绝对定位精度已经能逼近以往工业机器人,这在两年前不太敢想象。硬件的迭代速度甚至已经逼近软件迭代的曲线。这得益于国家的大量投入和行业的百花齐放,使得上游机加工、电子、传感器产业很成熟,生态越来越好,协议和标准也逐渐形成。进展比大家的体感快一些。

模型算法这一侧,新成果很多,不管是纯端到端的 VLA,还是基于世界模型,展示出的能力越来越强。但透过展示看本质,研发范式没有特别大的颠覆。可以讲我们还在 “抄大语言模型的作业”。

李丰:对。

连文昭:我更期待找到一个不一样的范式:语言本质上是一个维度,token 空间是离散的,观测空间和预测空间一致,语言是个很特殊的问题;但机器人的输入空间如此之多——力、触觉、自己的关节,甚至环境中视觉观测不到的状态,水是满的还是空的、电器是开的还是关的,都要融合进来,而输出空间只是机器人自己的控制。它跟大语言模型本质上不是同一个问题,但我们还在按大语言模型的方式在推。拉长时间看,机器人模型的训练推理范式,还需要更多思考。

李丰:我不是技术背景,试着简单归纳一下。语言预测 token,字词之间是“逻辑关系”,不是绝对零和一,换句话说一句话可以有很多种表达,虽然也有一些简单约束。但机器人涉及到物理关系:比如你不能把手穿过桌面,它受非常严格的物理和环境约束,很多是零和一、中间没有 0.1、0.3 的过程。既然机器人和语言存在这个差别,它最终有多大可能借鉴大语言模型的能力和架构,又有多大比例会不同于语言模型?

连文昭:挺难的问题。我完全赞同这个归纳:大语言模型本质在学逻辑关系,约束更简单、解空间更大。但物理世界约束更多,它蕴含了逻辑问题,之上还有物理和几何问题。几何是运动学相关的:关节动多少度,杆子末端相应动多少厘米;物理是动力学相关的:施加多大的力,东西被推多远,摩擦力是多少;逻辑也包括任务层面的,比如大象放冰箱分几步。所以有逻辑、物理、几何,机器人是一个更高维、更复杂的问题。

给具身智能一个不那么正式的定义:在很多约束条件下,如何改变目标物体的状态。它很多时候有精确解,做到就是做到,没做到就是没做到;语言则可以模棱两可。

如果我们同意具身智能是个更难的问题,我们肯定可以借鉴大语言模型很多东西,比如 next token prediction 这种学过去与未来关联、用关联近似因果的范式。但只有这些不够,因为文字没有时间概念,物理有时间维度,几何还有很多约束。把因果、约束、时间维度加进来,是必须的。

李丰:回到源络本身。两年半以前确定应用场景时,大家还在做叠衣服、倒咖啡之类的 demo,你选了一个比较不同、相对难做的方向。你是怎么考虑的?

连文昭:上次谈到 “不可能三角”:通用性、可靠性和速度,不能同时达到,牺牲哪一个?我们的选择是:速度不苛求,达到阈值就行;通用性则不是一开始解决一万件事情,而是在一个真实场景里先解决几十件事情。

基于这个假设,我们找现在的机器人“踮踮脚够得着”、能在可预见时间内落地的场景,但又不希望这个场景把我们的天花板锁死、把我们牵引到短视的技术路线上。

所以要选难的场景:长序列,拷打逻辑能力;高精度,考验对几何和物理的理解;同时高柔性,区别于以往的工业自动化。我希望在最难的考场里去牵引我们的技术研发,如果这些能做好,未来走向家用的一万件事一定能解决。

同时,从行业本身讲,它得是真的需求:生化环材、生物医药行业,确实需要这样的智能体做物理操作。科学家、博士生做实验,很大的痛点是不可复现。

即使流程写好了,“把 A、B、C、D 在 25 度下混匀”,有人的理解是从 4 度冰箱拿出来放一小时、真到了25度再混匀;有人理解为在 25 度的环境下,拿出来直接混就行,哪怕 A 其实还是 4 度的;倒完 A 才想起要拿 C,又去冰箱跑一趟,反应条件自然就不一样了。类似的细节很多,更别提做实验时还可能打个喷嚏。

所谓新药研发“十年十个亿、成功率 10%”,这还是很大的痛点。机器人干这件事天然比人好:每个步骤都忠实地按细粒度做下来,今天怎么做,第二天还怎么做,每个条件参数都记录下来,可靠性就提升了。

另一个点,实验室研发依赖仪器,仪器依赖人操作。人朝九晚五,人不工作,仪器就闲置,利用率可能只有百分之三四十,而仪器往往很贵,研发流程就被无限拉长。在计算机和 AI 领域,我们能并行跑一大堆实验;如果机器人做实验助理,把仪器串联、调动起来,质量和吞吐量都能提升,更不用说有些危险实验本身就不适合人做。

AI 已经让我们人类快速走向“好吃懒做”,它已经在帮助我们思考,机器人应该能比较快地帮我们“不用怎么做事情”;如果科研的研发方式能有一个比较好的变革,人类追求的另一个目标“长生不老”,应该也能比较快地实现。

李丰:在我念书时,生化环材是“天坑专业”,今天都变成热门方向了。最近的好消息是:前些天,当年做 mRNA 疫苗的莫德纳,个性化肿瘤疫苗三期临床拿到显著结果,算是个大突破,新闻里说筛选时用了 AI。还有一篇文章说:如果 AI 改变了科学发现的范式,最大的瓶颈就来到湿实验,因为只有湿实验和发现效率配套,提供足够多、足够快、足够整齐的数据来验证和循环。这让我想起自己念研究生时做化学实验的痛苦——每次和每次都不太一样。那今天机器人在实验环节里,能力上到底能解决到什么程度?哪些难的技术节点被你们克服了?

连文昭:过去两年多积累的能力,至少覆盖常见的实验流程,包括处理液体、固体、粉末或颗粒状的样品,操作离心机、PCR 这些常见仪器。我们把实验流程拆解成相应的技能,现在 80% 以上的常见流程都可以复现,一些局部已经能做到小闭环。

相当于 PI、甚至博士生也可以享福,有了研究助理:发一个指令,机器人调度实验室里的相关要素来完成局部闭环,导出结果,他根据结果决策下一步。

所以我们现在是辅助科研人员的阶段,不会去替代科学家,类比自动驾驶上高速开 L2。一个人下班前六点想做一组实验,不用半夜两点回来换液,机器人干这个事,保证他第二天早上九点来时结果是读出来的。这种能力我们的机器人已经达到了。

数字 AI 已经能把“生成”解决得很好,在极大的搜索空间里提假设、提可能的流程。但当流程提得越来越多,不可能靠人海战术一个一个去验。这里存在一个很大的鸿沟,大家经常提机器人的 sim to real 鸿沟,这个更像“生成到验证”的鸿沟,即实验的缺失。

我们一直在提供一个物理的界面把这个鸿沟闭环掉:数字 AI 利用这些数据,我们的物理 API 可以被调度,整个流程就闭环了。现在也在跟很多客户逐渐验证,开始规模化。

李丰:能做什么大概听懂了。你在 WRC 里溜达时,有看见跟你们方向类似的公司吗?如果很少,你们做的事难在哪儿?

连文昭:场馆太大,我走得很快,我感觉信息量不太大,很多是相似的。至少在能看到的范围内,在科学智能领域做高精度、高柔性的事情,我们还是比较独特的。

李丰:插一句:从你们已实现的精度来看,智能和硬件各起多大作用?

连文昭:硬件的提升是下限的保障——必须达到某种能力,才可能去解决这些问题。刚成立时我们外采过机械臂,精度到不了;自研最初期也抖动很厉害,但现在能到了。到了这个程度,才有可能达到软件模型带来的上限,也就是用多大的成本训好一个模型,让它快速学会移液、操作离心机。

我们现在的状态是比较健康的:下限比较稳,上限也做到了可部署、可交付;当然我们会持续提升上限,让处理新任务所需的样本量减少,甚至真正零样本泛化出来。

李丰:除了精度,过去两年还有别的在克服的挑战吗?

连文昭:另一个是泛化性,我们自己叫高柔性。实验流程中物体的物理状态,例如有没有拧紧、有没有插紧、颜色是否对齐,对于这种微小的状态估计,以及针对状态的反馈控制,都要克服。精度解决“知道到哪就一定能到”,这部分指导“下一步应该去什么地方”,这个需要大量数据采集和清洗,训练架构上我们也调整了很多。

李丰:你们已经有应用上的证明了吗?

连文昭:很早就在跟华大智造、中科院深入合作,在研发过程中就能把能力放到真实流程里验证。比如简单的细胞培养、毒性检测,已经能在客户的场地中真实跑起来。

李丰:今天有多少可能的场景、行业方向,用得上你们?

连文昭:不严谨地讲都可以做,但需要的投入不一样。硬件已经到了可以支撑这些应用的程度,但有些应用有很特殊的要求。举个例子:家里吃完饭,剩菜放进冰箱前要撕保鲜膜封上,这就是我们实实在在接到过的需求。硬做也能做,但真的是硬着头皮上,对实时决策、感知都有很多挑战。

李丰:撕保鲜膜对机器人可能太难了,从感知上就难,又高透又高反,还薄,一撕就破,对力的要求还高。

连文昭:真的有需要,我们也一定能做,可以做特定设备来解决。但现在我们还是以自己的能力为圆心向外扩展,类似这样的需求是一个单点,我们希望逐渐拓宽过去。

李丰:今天你最希望能合作上的商业化对象,大概是什么样的?他们需要有什么样的商业环境和条件,把你用在哪儿,他既用得起,也可用、好用,然后你也接得住?

连文昭:我们积极地希望跟生化环材、检验检测,包括分析、材料、制药学科合作。机器人的好处是可以兼容以往所有异构的仪器,老的、新的,不需要任何接口。

打个不恰当的类比:人就是最好的 API,可以调度所有接口,我们的智能机器人提供的就是这么一个接口。不管过去的实验室什么样,都能很容易地嵌入原有流程,改造是很轻量的,甚至零成本。

我们带来的价值,一方面是闭环科研实验流程,避免人的参与所带来的不确定性和效率问题;更大的价值是,机器人一旦开始闭环,这些数据自然是标准化的、可信赖的,形成一个新的科学智能的物理基座。

类比 GPU:有了它,不光是解矩阵计算比之前快多少倍,而是可以做以前不敢想的事,比如大规模处理图像、视频、语言。当机器人进入泛实验室之后,不光是替人操作,它带来的环境数字化、标准化和可复现性,可以解锁过去不敢设计的实验。所以,我们很愿意跟想做干湿闭环的企业和科研单位合作,把湿实验数据留存、汇总,反哺干实验的迭代,螺旋上升,设计不管量上还是假设上更不一样的实验拓扑结构。

李丰:今年除了世界模型,另一个从二季度以来很火的方向就是 AI for Science。但我们看的项目里,更多还是在用 AI 模型来解决科学问题,这把火好像还没烧到“湿实验怎么更 AI 化”。从你的体感看,火到你们这儿了吗?

连文昭:会看到一些苗头。基础科学需要长期投入才能看到产出,机器人一定能发挥作用。过去数字 AI 做的是读文章、读文献、读实验报告,从人类已知的东西中学习,这是有边界的。

下一步自然需要 AI 去探索未知的边界,做人类不知道的东西:自己设计需要得到什么新信息,从新信息里得出新假设,再去迭代。相当于赋予 AI 创造力,或者不严谨地说,赋予 AI 好奇心。这是必然会发生的,需要花一些时间和投入,已经有一些有前瞻性的机构在开始推进了。

李丰:你接触的潜在用户里,做 AI for Science 背景的人,和传统做生化环材实验的人,对你们的接受度是一样的吗?

连文昭:这两类人其实不那么割裂,是混着的。传统生化环材学科在往 AI 融合;纯做 AI 转来做 AI4S 的,对数据的敏感度更高,第一反应就是数据能否积累、循环起来。两类人都比较开放,拥抱用新的方式推进湿实验。

李丰:大家对成本的敏感度是什么样的?

连文昭:最基本的账很容易算,也就是降本增效:一个人工是否算得过来。大家普遍也接受仪器利用率、实验通量是不是真的提上来了。还未被广泛接受、但后面可能会被接受的是,实验质量提高后,AI 能否提出更好的假设、完成更好的闭环。这是未知的,但未来可能是价值最大的。

李丰:到明年参加 WRC 的时候,对源络而言,你比较大的预期是什么,到时你们可能会有哪些变化?

连文昭:划一个节点到明年,我们肯定希望物理 AI 和科学智能的基座真正嵌入到很多合作方。我们现在有一个“原点计划”,希望跟科学智能行业里的机构和企业一起构建生态,大家有一个共享物理技能和数据的地方,在允许的范围内,使生态里的企业和科研单位产生新结果的速率得到提升。

前两年尤其去年,中国生物医药 license out 的例子越来越多,我们希望加速这个进程——不单在医药领域,在材料和其他行业,我都希望看到变化。

李丰:作为结尾,从团队人才到行业合作伙伴、再到产业链上下游,各个方向上你有什么期望?

连文昭:源络一直是长期乐观、短期务实的公司。从成立到现在,我们积累了自己的硬件本体、模型和数据,下限已经很稳很高,同时在提升上限,也就是在保证可靠性的前提下,提升通用性和泛化性。

一方面,我们希望跟行业中的伙伴合作,不管是科学智能还是其他行业,我们现在也在跟农业、精细化工、制造业的企业合作,把高精度、高柔性的能力应用到更多行业里。

另一方面,如果有对科技驱动落地感兴趣、想死磕机器人在真实场景产生价值的研发小伙伴,欢迎联系我们加入源络。

图片

跳转微信打开

  •  

AI for 制药化学合成:今天的AI,能力比肩10年经验的化学家?

原创 夏宁、李丰 2026-08-20 20:38 北京

AI for Science 正在成为一级市场最热的方向之一。

AI for Science 正在成为一级市场最热的方向之一。

7 月底的中央政治局会议强调“加强对基础研究的长期稳定支持”,叠加此前的人工智能+计划,一个很具体的问题被推到台前:AI 到底怎么用在科学研究上,怎么真的把效率和预测能力提上去。

这周,产业界也迎来重磅消息。莫德纳与默沙东宣布,双方合作的首款个性化mRNA癌症疫苗在黑色素瘤三期临床取得初步阳性结果。这款疫苗在新抗原选择过程中受益于AI,研究人员能通过计算来模拟复杂的分子相互作用,而不是进行无休止的湿实验。

这一期「产业观察」,我们请到的是智化科技创始人夏宁博士。夏宁是有机化学博士,从 2008 年在法国参与创业算起,他在“AI+化学”这条路上已经走了接近 18 年。这 18 年,他亲历了行业从零起步,到 AI 制药的第一波高光,再到生物医药的三年寒冬,以及 GPT 时刻之后 AI 制药的第二轮热潮和 AI4S 新趋势。

他们回顾了“脚踩两只船”的跨界能力是怎么长出来的,聊了技术落地时黑盒和白盒分别怎么起作用,聊了拒掉的收购要约,也聊了一笔很现实的账:如果 AI 要替代的是月薪两万的化学专业从业者,token 成本该怎么算。

以下为对话正文,经删减与编辑。欢迎移步小宇宙App和Apple Podcast,搜索「高能量」收听完整对话。

图片

李丰:我们2015 -2016年前后就一直关注交叉学科创新,尤其是计算机和生物制药、化学的结合,也投过晶泰、剂泰。这个行业走过十年多,我们发现两个问题。第一,比较难找的是凑巧“脚踩两只船”的人——能力横跨在两个不交叉的学科上,比如计算机和化学。第二,如果是“脚踩两只船”,最后到底哪只船更重要?先看第一个问题:你是怎么在年纪还小的时候,把化学和计算机这两个看起来不相关的科目连到一块?

夏宁:主要是兴趣。编程是逻辑思维非常强的学科,化学需要很多记忆、需要对大自然的好奇,我正好对这两个都感兴趣。后来机缘巧合两个竞赛都获了奖,选专业的时候就很犹豫。同济大学的招生老师跟我说了一句话:计算机是一门技术,化学是一个专业。我选了化学,后来证明也是正确的,如果先学计算机,再想跨到化学,难度会非常大。

李丰:学化学的时候,计算机原来积累的能力怎么保持不掉下去?

夏宁:我每天都在写代码。白天做实验,晚上写代码。

李丰:那时候写的程序跟什么相关?

夏宁:也跟人工智能相关。那时候我很好奇,人的大脑的思维方式是不是能用程序来模拟?做了很多探索,但肯定没有太成功——要成功的话,现在可能就做别的了。后来在国外念博士也一样,白天做实验、晚上写代码,在游戏、下棋这种场景上,让计算机程序来模拟人的判断。

李丰:博士毕业时选择留在国外还是回国,有过挣扎吗?

夏宁:那时国外发展还不错,欧洲还没到现在这个样子,所以留在法国参与创业。我当时想找一家能用计算机技术去解决化学问题的创业公司,但这样的岗位非常少。我有幸找到一家公司,在法国的斯特拉斯堡,这家公司其实还没成立,网页刚做出来。我跟那个老板聊了一下,觉得非常契合,他们也是想用数据来解决化学的预测问题。

李丰:这段持续了多久?

夏宁:7 年,从 2008 年到 2015 年。那时这个领域完全不热,根本没有什么投资人看,全凭个人的理想和兴趣。而且当时没有现在这些底层的 AI 技术,也没有数据,所有基础设施都要从头搭。

李丰:那时候的落脚点也是用计算机加数据做化学合成路径的探索吗?

夏宁:还不是。第一件事是先找数据,因为我们连数据都没有。做了多种尝试:用类似高通量的实验来产生数据,那时候没有自动化,人来做反应实验,实验员手动平行做几百上千个是可以的,但这个数据量远远不够;也让人从博士论文里提取结构化的数据,但成本太高、效率太低;后来还做了电子实验记录本,希望高校老师用了之后把数据共享给我们,但这个方式后来有一些商业上的困境。

李丰:这种多头受阻的情况下,这家公司最后怎么办了?

夏宁:被它的母公司收购了,母公司现在是法国最大的 CRO (通过合同形式为制药企业提供药物研发外包服务的专业机构)。那时候积累了大量底层技术,我们现在的底层架构,很多也是那时候积累起来的。

李丰:2015 年你就回国了,我记得你先有一段帮朋友创业的经历。

夏宁:对,上海网化科技的老板把我叫过去。当时化学品 B2B 电商平台很火,一开始我负责搭平台。后来我们就想,能不能把我之前想做但没做的方向——AI 逆合成做起来。2016 年,我们在全球最早申请了 chemical.ai 这个域名,后来才有了智化科技。

李丰:这里有个小故事。你还在网化的时候,做了一套预测从 A 化合物合成到 B 化合物的软件——用什么条件、经过多少中间步骤、最后得到什么结果,甚至部分意义上的产率。药明康德的主营业务就是化学合成的 CRO,它们向全球征集谁能做合成路径预测,好多家公司参选,夏博士因为还没做智化科技,是以个人身份去的,得了个第一名。

夏宁:确实也挺巧。那是2016年,我们跟药明的一些高管有联系,我就说有这么一套软件,你们要不要试一试?他说好,然后约了个时间。去了以后,我发现来了很多人,一屋子都是他们的高管。我当场演示,各种分子上去跑,效果非常好,所以最早跟药明有了商业化合作。

通过这件事,我意识到第一,产业对这个事非常重视;第二,当时技术到了第一个临界点——以前这件事根本就没有软件能做好,我们算是最早让它看到这个事是可以做的。到今天它已经成为一个很通用的工具,中间也大概走了六七年。

李丰:那时候还没有 GPT,我猜也没用到 Transformer 架构,顶多是再往前的卷积神经网络。回过头看,当时那个阶段的产品,有多 AI?

夏宁:那时候的 AI 和现在的概念不一样。最早我们说机器学习,后来有了深度神经网络、Transformer,再后面变成大模型,它一直在演变。但通用来看,基于数据去做预测的,本质上都是 AI 的一种模式。那个时候更偏传统机器学习,外加很多化学信息学——专门研究化学反应的逻辑如何写成算法。

李丰:用 AI 做预测,有个经常被探讨的问题:到底是黑盒还是白盒?白盒是里边有很多已知的人类经验、规律、公式的总结;黑盒是数据进,中间经过一串计算,然后结果出。今天自动驾驶也碰见这个问题。当时在满足药明康德的需求上,你们那个完胜大公司的软件里,有多少黑盒、多少白盒?

夏宁:白盒的比重非常大。对于这种严肃的科学软件,如果是一个黑盒,很难建立客户信任。因为它会不定期出现幻觉或者 bug,后果可能非常严重,而且不可解释。最大的挑战是,你发现了问题,但不知道问题出在哪,就无从改进。

李丰:对,它不好调教——你改了 A 之后,它如果莫名其妙同时改变了 B、C、D,你又没办法抑制B、C、D往不好的方向变化,更何况你甚至不知道 B、C、D 是谁。

我们看过很多包括材料和化学在内的各种方向上的 AI for Science 公司。生物其实好一点,因为有基因组学在底下做基础的约束规律。那化学呢?你觉得它今天的可解释性到了什么程度?

夏宁:在我们的系统中,可解释性是非常强的。所有大模型或者黑箱模型给出的结论,都得在我们的白箱模型里得到解释、验证、约束,这样我们才能把幻觉去掉,同时能知道它给出的那些模棱两可的结论到底哪个对、哪个错。这个在科学领域非常重要。

李丰:程序上,是先过一层黑盒再到白盒,还是两个融合在一起?

夏宁:有比较强的融合,两个是同时进行的。

李丰:2018 年我们认识夏博的时候,夏博刚出来做智化科技。公司成立后的第一个里程碑,是给一家全球著名的 MNC(跨国大型药企)提供了第一笔金额不小的软件服务。

夏宁:非常感谢药明把我们介绍给了他的一个大客户。这个客户在做一套 AI 制药系统,其中 AI 逆合成部分完全交给我们做,这是个 100 多万美金的合作,难度不小。通过那次合作,我们真正把产品化做到了能匹配这些大客户在安全性、速度、质量上的各种要求。这对我们是一个非常重要的起点。

李丰:这是非常多科学家创业都会面临的问题:做了一个很好用的科研结果,但到真正的工业闭环里去应用的时候,有时候会不可用、不好用,或者如果用的人正好不对,就会有抵触。你们是怎么克服这些问题的?

夏宁:一定会有这些问题。你的产品一出来,肯定不是 90 分,可能是 60 分、70 分。我们其实经历了大量的客户反馈、迭代、优化——这也是为什么白盒这么重要。如果你是黑箱,客户提了反馈你又改不动,他就绝望了。

所以我们就是不断的改进,让客户看到产品在不断的进步。我还看了一下我们的需求清单,各种客户提的意见可能已经有上千条,每一条都意味着大量的工作去提升、去修正。

这个过程非常重要,但现在很多人,不管是投资人还是行业,可能会忽略这一点——他会觉得我只要模型好、技术好,就可以一下变成全球最好。但我觉得很多时候,它是靠这种迭代出来的。

李丰:就拿这个单一客户举例,前三年里使用的部门和人,是相对固定,还是越来越多跨部门在用?

夏宁:越来越多。客户在应用过程中会产生很多想法,他会说,诶,这个功能你这样做是不是更好?那个帮我串起来是不是更好?这样我们就了解了客户在真实场景里原来是这样用的,通常实际情况和我们自己的想象是不一样的。

李丰:那企业内部在用的时候,用的人是偏传统的化学合成的人,还是会扩展到研发链条上不同背景、更多环节的人?

夏宁:几个环节都会用。首先是做分子设计的人,他们擅长的点不是合成,他们偏 CADD(计算机辅助药物设计) 或者 AIDD (人工智能药物设计),但设计分子的时候他们必须考虑这个分子能不能合成、好不好合成,我们的工具就能派上用场。

后面到了药化部门,他们会用它快速设计路线,他们的需求是快速拿到分子,比如几毫克就够了,不考虑成本。

到了临床工艺放大环节,需求又反过来:我就做这一个分子,你不要给我用最容易的反应,你要给我找成本最低的。有时即便这个反应本身风险很高,但他们愿意用,因为能降本。当然反应不能太危险,一放大可能有爆炸的危险,那也不行。

李丰:我是被化学专业“折磨”过的,读研究生时一天到晚探索各种不同的合成路线。回到20多年前,化学研究生的常态是,导师指个方向,比如从 A 到 B ,然后学生自己查文献、自己试条件、自己遍历各种失败。假定那时候有这个工具,对一个研究生而言能解决多少问题?

夏宁:可能学生的所有工作现在 AI 都可以帮忙做了。AI 最先替代的大概就是这种初级的智力劳动。

李丰:那学化学的研究生岂不是跟今天许多做编程的人一样,要被逐渐替代了,或者说也许可以去做更有创造性的事?

夏宁:有一点类似,但化学方向更乐观。化学领域的任务更多,我们有太多创新的材料要去做,空间足够大。即使我们干的活比例少了,还可以做更多的项目。

李丰:相当于每个人的带宽增加了。

李丰:回到20 到 21 年,因为疫情等原因,生物医药来到了被资本市场追捧的高光时刻。那时夏博还面临一个诱惑:有家大 CRO 不止一次向你们发出收购要约,当时你们公司还很小,十几、二十几个人。今天回过头看,你会不会觉得当时还不如卖了?

夏宁:那倒没有。我是个比较偏理想化的创业者。在高光的周期,我也会思考,这些资金是不是真的帮我把这个项目、这个理想往前推进了?如果没有,可能这个资金也没有那么大作用。在行业低谷、融资环境比较差的时候,只要我觉得我的进展达到了预期,我觉得就是一种进步。

李丰:高光经历了一年半,低谷恨不得三年、三年半。这五年对你的公司管理、个人心性有什么影响?

夏宁:我算是偏科研工作者创业,最初对管理、公司治理、商业化都不那么擅长。我学到的最重要的一点是,一定要抓住我们想做的事情的本质,不要被高光、低潮影响,那个影响会把人带偏。如果你为了一件资本市场很追捧的事,改变了核心方向,去做一个自己都不认可的事情,长期来看结果是不好的。

李丰:今天的 AI 毫无疑问在高光时刻。对刚开始 AI 创业、有科学背景的创始人,你有什么经验教训可以分享?

夏宁:坚持自己认为正确的想法,不要完全被资本的观点带着走。

李丰:2022 年生物医疗进入低潮期,但那年年底有了 “GPT 时刻”。这两件事叠加,对你的产品和模式有什么变化?

夏宁:是个非常大的机会。因为在 AI 化学合成这个垂直领域,我们能解决很专业的问题,但真实工作场景中有很多泛化问题。随便举个例子:这个实验室里可能没有某一个反应器,这个反应就做不了——这不是个专业问题,但以我们之前的积累解决不了。现在大模型可以很好地解决这一类泛化问题。因为大模型和人类专家的思维方式类似,能综合各种客观因素做判断,这就能弥补算法的不足——很难考虑周全各种影响结论的因素。换句话说,我们具备了用智能体(Agent)加专业工具去解决整个工作流程的能力。

李丰:有了大模型之后,产品架构上有大的调整吗?

夏宁:垂直领域的算法不直接受影响,但最终交付给客户的产品形态不太一样。之前我们的技术都是以工具的形式呈现给化学家,化学家再用工具来解决问题;未来,产品的用户从人变成智能体,用户界面逐渐变成智能体使用的API。很有可能人只用提出目标,然后由智能体来完成整个工作。

这个智能体会逐渐熟悉这些工作,它有记忆,会不断学习,最后可能就像你公司的一个员工一样——你教它几次之后,不用每次都教了,你只要给它任务,它就去干活了。

李丰:交给智能体做决策,会让使用者觉得漏掉了能进入循环的关键节点吗?

夏宁:早期会有。但后面随着它交付的质量越来越高,甚至效率和质量都超过人的时候,人就不会再去在意这一点。

李丰:在整个后端的结构和体系里,黑盒和白盒的比例今天有变化吗?

夏宁:目前看没有大变化,且白盒越来越多了。因为大语言模型出现,它具有非常强的可解释性——它做的所有决策,会给你解释为什么。

李丰:刨去模型能力之外,是什么促进了白盒能力的提升?

夏宁:最核心的还是这些年在跟客户不断交互迭代中得到的信息。在一个严肃的科学场景下,如果你不具有可解释性,商业推广是非常难的,因为客户需要知道这些结论是怎么得出来的。所以,产品要做得越来越好,你必须越来越白盒化。这可能是 AI 真正落地在商业上的隐形门槛。虽然说你可以直接交付产品,但我觉得还不能完全把人的因素拿掉,只要这个过程里有人,可解释性就是必要的。

李丰:或许现在各种不同方向的AI4S公司都会经历类似的过程。

李丰:结合今天的AI能力和现有数据,你觉得化学领域(包括化学合成)的进展,跟生物领域如AlphaFold或基因组学应用相比,前者大概相当于后者的百分之多少?

夏宁:跟AlphaFold有点难比,但在我们所在的合成路线设计领域,AI已经大规模落地了。

李丰:在一个不过分复杂的化学合成过程里,比如涉及少数几个条件的多步反应,今天AI能好用到什么程度?

夏宁:我们内部和外部都做过测评,当前的结论是:现在化学合成的 AI 能力,大致相当于 10 年工作经验的化学家的水平。基本上化学家能想到的路线方案,AI 都能想到,而且 AI 一般能平均想到 5 到 6 种不同的策略,人一般能想到 1 到 2 种。

这其实是客户非常满意的一点。因为客户都会拿真实案例来测——他可能花了一两个月设计出来的路线,我们这边的产品 5 分钟就能跑出来,而且还能给出一些客户也尝试过、但最终没有选择的路线。

李丰:这就很像晶泰科技 2016 年感恩节参与辉瑞的盲测。那时候,整个制药界几乎没人相信AI能做晶型预测,辉瑞拿出了三个没发布、但他们自己已经知道的药物分子,来请不同的团队做晶型预测,最后发现晶泰的预测结果跟他们的实验结果是一样的。所以,你认为化学合成已经到了类似的阶段?

夏宁:对。

李丰:问一个技术上的小问题:AI能不能预测出全新、之前没出现过的东西——有经验的化学家也想不到、但可行、并且更优美的合成路径?

夏宁:可以,但有一个限制前提:它不会造新的反应。我们所有的 AI 都是基于已有的数据在做创新,因为合成路线的创新基本上用的都是已知反应,只是这个已知反应可能藏在海量文献的某一个角落里。如果你看不到它,你的路线可能就是 10 步;你看到它,可能就变成 3 步、4 步。

AI 能够接受的知识量更大、检索速度更快,所以它有能力找到我们平常看不到的这个反应,把整条路径变得更优美,或者成本更低。这是我们已经验证出来的。

李丰:在小分子相关的生物医药研发全链条里,AI辅助逆合成路线设计大概处在一个什么样的位置?

夏宁:不管是 AI 制药还是 AI 材料发现,研发本质上不是简单的分子设计,而是多个 DMTA 的循环——D 是 design 设计,M 是 make 合成,T 是 test 测试,A 是 analyze 分析,分析之后再改进方案,再重新进入循环。一般做一个药可能要 7 到 8 轮,做一个材料也要多轮。

在这个循环里,每个步骤的效率不一样。设计阶段,我们一天设计成百上千、甚至几万个分子都很轻松。但在合成阶段,它会卡住——一个化学家一个月大概合成 3 到 5 个分子,一天做 2 到 3 个反应,这是行业内普遍的效率。到了测试环节,效率又很高,因为有高通量测试,一下可以测几百个分子对靶点的亲和力。

所以,真正让 DMTA 循环成倍加速,需要花力气提升合成的效率。这也是我们从客户那边得到的反馈:客户非常重视合成这一端的效率,因为它整个研发效率就卡在这一端。

李丰:在2016-2020年那一轮AI制药热潮中,我们遇到两类创业者。一类是AI背景出身,认为AI用到生物领域是个很好的方向;另一类背景更偏生物制药,然后逐步积累了AI能力。如果今天一个偏 AI 背景的人进来做你们这个事,他可能碰到的最大挑战是什么?

夏宁:我们和一些纯 AI 背景的人合作过,包括高校老师,最后发现一个挑战是,他们对我们这个行业的问题并不理解,或者他的理解是错误的,但又没跟我们说,就在错误的路上一直试,做到最后结果不好,他可能会说是数据的问题。我不是说他们能力不行,只是行业 knowhow非常重要。

我发现 AI 背景的人有一种能力比较强:当数据量足够大的时候,他能在训练效率上提出不错的见解。不过,数据恰恰是我们 AI for Science 领域最缺的。你会发现,在很多领域,亿级的数据很少,有些领域只有几百、几千、几万个数据。

李丰:过去八九年,你们积累的各类数据,包括文献、真实工业场景的正负反馈、内部的闭环实验,对模型能力的贡献各有多大?

夏宁:这要分问题,不同问题需要的数据不一样。对逆合成来说,我们认为现在贡献最大的还是公开文献和专利数据,因为AI主要学的是逆合成的思路。

李丰:简单类比下,我们今天讲的大模型,最大的数据来源是积累了 40 多年的全世界公开互联网文本数据集,但今天任何一个科研领域,即使把全部论文都加上,数据也差很多个量级。对你们来说,正数据和负数据对模型进步的贡献率是什么样?

夏宁:我认为正数据,也就是成功的数据,在现阶段非常重要;失败的数据,在未来非常重要。

这一代的智能体也好、AI 模型也好,只要能达到人的判断能力和水平,就已经可以大规模商业化了。在这个阶段,AI学习更多的是人的正向数据,也就是人觉得能行、实际上也成功的数据。但未来如果AI要超过实验人员的认知,它要能预判人觉得能行但其实不行的反应。这时候,负数据才重要,这是下一步的事情。

李丰:在你们今天的应用场景里,需要调后端的基座模型、用云端的 token 吗?

夏宁:我们正在做的智能体会用,一些数据处理的工作也会用。现在的基座大模型在解决一些科学问题上能做到六七十分了。不过成本上我们现在不用承担,因为大客户们在内部都部署了自己的基座模型。

李丰:假定我们今天能替代的,是一个化学专业毕业、有 10 年工作经验的人。在一间中国化学 CRO 公司里,这样的人大概是什么薪酬水平?

夏宁:月薪 2 万左右。

李丰:那大概是二三十万年薪。我问这个的原因是:除去购买成本,后端还有 token 消耗成本,最终大家也得算算账——这个替代过程到底是省了钱,还是没省太多钱?

夏宁:客户非常重视这个问题。他们知道基座模型能做很多工作,但如果太贵,他们也不愿意用。所以我们有很大的一个工程性的工作要做,就是帮客户省钱——我不能随意调用这个基座模型,只有在必要的时候调合适的模型,用最小的成本去调。

李丰:这非常重要。今天有一个很多人还没特别关注的问题:AI 跟以往软件最大的差别是,它每一次交互和调用都是有成本的,而原来的软件和数据库交互几乎成本为零。所以等大家开始关注成本之后,AI 最容易落到的应用方向,是替代有一定价值的场景,也就是它要替代掉的这些人,是值一定钱的。

夏宁:我相对乐观,我认为它的价格会不断下降,可能最终变得像电力一样低成本,那时人们就没那么在意了。

李丰:这个非常长期了。

夏宁:短中期,更多依赖于智能体层面的优化。但凡简单的问题,我们就用不花钱的、或者自己部署的模型;把最好、最贵的资源和模型,留给最核心和最关键的问题,最终减少整体的 token 消耗。

李丰:因为付费模式变了,从 SaaS 转向 agent 的时候,你觉得会发生什么变化?

夏宁:在相当长的时期,会是一个混合:既有收基础版订阅费的SaaS,又有按调用付费的Agent。因为有些问题客户用SaaS就能解决得很好,他们自然不愿意付更多钱。另一类问题,SaaS解决不好、用人解决又太贵,客户会愿意尝试智能体模式。假设我们跟用户收的钱不变,成本大头会变成token消耗,所以降本会成为我们的一个动力。

李丰:你们现在的客户里,跨国公司和国内企业分别占多少?

夏宁:从数量上说,目前国内客户多一些,但从付费总金额来看,国外现客户超过国内客户。

李丰:今天中国的管线类药企都在积极 license out(对外授权),这也是今年中国生物医药license out金额突飞猛进的原因。这件事会倒逼药企提高管线研发的速度、广度和效率——既要快、又要多、还要好。为了这个结果,他们可能会竭尽全力用上更多新的效率工具。这种需求你们感受到了吗?

夏宁:已经能感受到一些了。现在国内新药研发的速度和效率,跟欧美比其实已经有比较大的优势。但刚才我说为什么国外还多一些,是因为我们主要的客户以大型客户为主,而中国的这种大 MNC 还比较少。

李丰:这就像 2008 到 2012 年期间中国的精密制造产业——中国在果链中的占比接近一半,但造一台苹果手机中国公司占的利润总额非常少。现在医药有点像这个状况。

夏宁:对,需求端在国外,供给端在国内,而且这几年国内供给端的增量非常明显。照这个趋势,往未来看,不排除能像制造业一样,形成一个中国主导的「世界医药工厂」的模式。

不过我还有一个观察,印度在药物研发层面增增长也很快,增速不比中国慢。今年,我们的印度客户就增加了 30 多家,有CRO、CDMO(为制药企业提供从研发到生产的一体化外包服务的机构),也有一些做药的。所以我觉得,也许印度也有这个机会。

李丰:今天有一些国外的基座模型公司也慢慢拐到 AI for Science 上。你怎么看往后几年智化的机会和挑战?

夏宁:首先是一个机会。大模型能力的增强对我们是非常有帮助的,能让我们把整个流程做出来。

其次,我觉得大模型公司下场来做垂直模型不太容易。他们可能很难进入到企业的具体场景中去一点点做服务。也有很多人问,通用模型最后能不能把垂直能力直接做了,甚至做得更好?我觉得也难。我们内部做过大量测试,在垂直领域上通用模型能很快做到 50 分、60 分,再往上就非常非常难,基本达不到可用的程度。主要原因是通用模型底层更多是文本数据,而我们做的这种垂直模型更像一个多模态的数据。

而且大语言模型太通用了,如果要做一个垂直领域,做法还是搭一个小团队,像创业公司一样。但他们这个「创业公司」也没有太多所谓的优势——他们能用大模型,我们也能用。所以积累就显得更重要,或者说对客户场景的理解、跟客户深度的不断合作,这部分更重要。

李丰:那你觉得你们的挑战是什么?

夏宁:挑战更多是我们如何把自己的壁垒逐渐加深。它是一个长期的脏活累活,要不断投入资源,把地基打得更深,最后和大模型来合作——大模型把它们擅长的部分解决得更好,我们解决我们能解决的问题,双方互相结合、互相依赖。

李丰:因为 AI for Science比较火,你们也变得比较热了。你最近交流的投资人里,大家最容易误解的部分是什么?

夏宁:可能有两点。

第一,有投资人觉得我们一定要去做一个创新药、或者做一个新材料,市场空间才足够大。这在我看来是一个结果,而不是一个原因。我们做AI合成的目的是提高 DMTA 的研发效率,提高效率的目的是提升新药、新材料研发的效率——这时去做药、做材料才有巨大的优势。

否则,如果只是因为我要做一个药、做一个材料,那可能就和传统模式没有太大区别,就偏讲故事了。我认为要先解决工具效率的问题,再去把最终的目标调整到做完全创新的材料分子或者药物分子,这是我们在理解上的一个不同。

第二点是对市场空间的理解。他们看到的是过去工具软件的市场可能没那么大,不容易去想象未来工具软件结合了大模型、结合了智能体之后的市场空间。我觉得只要新的效率工具能够把之前没法做完的工作流全链条地做完,然后变成一个整体交付的结果,市场空间就不一样了。

李丰:转成智能体模式,飞轮效应会比原来的软件模式更明显吗?

夏宁:会更明显,主要体现在效率上。

李丰:假定有个跟你一样背景的人,在 2026 年上半年进来做跟你一模一样的事。你做了 8 年,回过头看,你积累的优势在什么地方?

夏宁:首先,整个技术体系经过了 8 年的打磨,这是一个非常漫长、要投入大量精力和资源的事情,对一个新进入的人来说,这个时间可能是省不了的。

其次,从客户的角度讲,现在再来创业做同样的事,有些市场窗口已经没有了。举个例子,头部客户已经用了像我们这样的成熟的产品,也和我们建立了非常深的合作关系,它要做切换成本会极高。这个我们之前做电子实验记录本的时候就看到过——客户已经用了、做了很多定制,你再让他改,基本上没可能。所以我倒觉得,创业做这块的最好时机可能已经过去了。

李丰:这个答案比我的问题还要残酷一些。最后作为收尾,你还有什么想跟大家分享的?

夏宁:AI for Science 是个很好的时代机遇。虽然它还在非常早期,但趋势几乎是必然的。10 年之后,是不是还主要是人在做科研?我觉得大概率主要是 AI 在做。

李丰:这也是个非常确定的中国机会,有点像2012年开始大力推的电动车产业发展规划。我们老讲弯道超车,弯道超车不是说你造出来一条道,而是正好出现了一个行业整体转向的机会,然后你综合了各种优势,在这条路上先跑起来了。

今天的 AI for Science,广义上是把数字化工具或者 AI 模型用在各种各样的科研领域里,去解决科学突破和发现的效率问题。我经常会打比方,这就像当时发明的显微镜——能看见细菌、细胞,使得生物医学领域的科学进展出现了广义上的许多突破。今天也有点像那个阶段。

图片

跳转微信打开

  •  

为什么我们仍然看好AI+硬件+出海赛道?

峰瑞资本 2026-08-12 21:16 北京

在出海赛道,微观体感与宏观数据正上演着一场耐人寻味的“错位”。

创投圈的注意力几乎被具身智能赛道独占,AI+硬件开始被贴上“没人看了”的标签,全球化也似乎被热点遗忘。

然而,宏观数据呈现截然不同的图景:依据海关总署数据,2026年上半年中国货物贸易出口额高达14.73万亿元,同比增长13.4%,连续11个季度保持正增长。特别值得一提的是,AI技术正成为改变出口结构的重要变量,开始拉动增长。

这不仅是规模的增加,也是动能的跃升。作为持续布局出海领域的早期投资机构,峰瑞看到了许多出海赛道的新故事和新物种——替代传统撸铁的智能健身器械,让小白能快速体验到乐趣的智能乐器,提供个性化陪伴互动与日常陪伴的AI宠物机器人,把半导体薄膜技术跨界应用到呼吸酮监测的医疗器械,能真实记录并重建三维空间的3D高斯相机……

不久前,峰瑞资本执行董事沈颖接受亿邦智库采访,从早期投资的视角分享了出海领域的新趋势、AI带来的想象力、出海投资的底层逻辑以及下一代全球化品牌的画像。

希望能带来新的思考角度。如果你是消费硬件领域的创业者或者从业人员,欢迎与本文作者沈颖联系(shenying@freesvc.com)

亿邦智库:峰瑞资本是少数很早就布局出海的机构,出海赛道投资经历了怎样的演进?当前处于什么阶段?

沈颖:我们最早投的出海,是十多年前基于中国劳动力成本和供应链优势的那一波——服装、小商品这类卖家型项目。当时中国品牌在海外的存在感还较弱,基本都是卖家或中国供应链输出。

这个阶段大约五年,就往上提升了一层。大量中国工程师和创业者开始基于自己对行业技术的掌握去寻找机会,从技术出发切入新赛道。比如运动摄影,极限运动的精彩瞬间很难用普通相机记录,就有团队抓住这个竞争没那么激烈的场景,做品牌。

后来这类创新遍地开花:从运动、户外健身到宠物、智能音乐,再到更“重”的医疗器械。整体趋势是往更深技术壁垒、更需要消费者信任的方向演进。

近几年,我们在出海方向布局较多科技驱动的项目,比如智能硬件、消费医疗。由技术创新驱动出海的团队,是我们当前投资的一个重点方向。

我们的判断是:出海是一个不可逆转的趋势。未来它不是以十年计,而是一个非常长期的、未来几十年都会持续的过程。中国品牌的出海与全球化,会是一场很精彩的进程。

亿邦智库:出海方向您主要投什么阶段、重点看什么样的项目?

沈颖:我们集中在天使轮到A轮初创阶段。

第一优先级永远是人,创始人和核心团队的素质、积累,以及赛道特性与出海的适配度。在此基础上,再看产品、技术,以及整个市场的趋势。

我们内部常说timing,要在正确的时间投正确的事。十年前投服装、小商品是正确的,现在可能更需要投新的品类了,如果还是这些品类,但投的东西可能就完全不一样了。

团队背景上,我们希望团队一定具备技术壁垒,同时最好在营销等方面也有能力,更侧重技术+产品,因为从技术到产品还有一段距离,两者要同时具备。

亿邦智库:会聚焦到某些细分赛道吗?对赛道量级有没有一些要求?

沈颖:我们更看重在特定领域构建独特壁垒与实现价值创造的能力,而非单纯追逐市场规模的绝对量级。当然,不能太小、太niche,比如只服务某个年龄段的某种极细分小众需求,天花板可能有限。但我们不把大赛道作为投资的硬性前提,汽车、手机那种体量不是必须的。

一些中小型细分方向,甚至是从0到1的新赛道,我们都觉得是不错的投资方向。像韶音的骨传导耳机,十年前品类还极小。影石的运动相机、大疆的无人机,都是从无到有开创了新品类,这种我们最喜欢。

哪怕再细分的赛道,把全球市场加起来,基本都会超过我们心里那条线。所以我们更看增量,而不是用现在的体量去定义未来。

亿邦智库:您提到峰瑞布局了较多科技驱动的项目,具体指什么样的技术?

沈颖:举几个例子。一个是智能健身品牌SPEEDIANCE速境。力量健身是非常古老的行业,传统靠铁片产生物理重量。速境团队用电机替代铁片,迭代了力量健身的传统方式,实现数字化,现在又叠加了AI。

另一个是我们投过的智能乐器赛道,用智能化技术重构了吉他和架子鼓。传统乐器的发声靠共鸣腔,他们把底层整个迭代,由传感器加背后的技术来产生音乐,等于把吉他从里到外重新设计了一遍。一把吉他,即使完全不会弹的人,也能在几分钟内上手弹出一首歌,大大降低了学习乐器的门槛。

最近我们还投了一个偏消费医疗的项目,把半导体行业的薄膜技术应用到医疗监测。比如呼吸酮检测,酮存在于血液、尿液和呼吸中,过去要验血或验尿,门槛高且不方便。现在通过吹气,就能得到接近血液检测的金标准,随时了解自己的燃脂效率。

亿邦智库:是否有通用的技术迭代机会?

沈颖:比如整个造车行业,从电机到激光雷达、传感器,再到智驾系统,这样一个巨型行业会带动一系列社会供应链升级。它的电机、传感器、激光雷达等技术迭代,会外溢到其他领域,比如家电的智能化。

消费领域几个最大的行业,其产业迭代往往会对整个消费大赛道产生巨大的提升作用。所以我们会看这些技术能应用到哪些细分消费场景。

亿邦智库:很多机构现在看早期项目也要利润了,您会重点看营收利润指标与退出方式吗?

沈颖:对于早期来说,我们一般不要求企业在营收利润维度上证明自己,这是投后要求,不是投前指标。但早期就能产生营收和利润,是很大的加分项。

我们会看这个项目最终是一个生意型机会,还是一个创业型机会。我们肯定想投创业型机会,需要一个比较有想象力的退出空间。

如果一个赛道可以形成头部品牌,且快速增长,就是个创业型机会。如果赛道本身比较去中心化、碎片化,形成一个个小山头,就偏生意型。

亿邦智库:今年资本市场您听到的高频词和出海热点有哪些?

沈颖:主要是AI,然后是具身智能、世界模型,更前沿的还有量子,商业航天等。

出海的热点一个是创客经济,3D打印、激光雕刻,还有Tufting(簇绒)等各种创客方向都很火。另一个是健身领域,有氧、无氧运动,比如HYROX今年也非常火。整体看,出海已经是一个包罗万象的大方向,不再像以前集中在少数几个方向,而是遍地开花、蓬勃发展。

亿邦智库:在您看来,什么样的企业有潜力成为下一代全球化品牌?需要跨越哪些关键障碍?

沈颖:中国出海企业实力已经很强,GMV和销售额增长飞快,有的几年就从0做到数十亿。但坦白说,在品牌这个维度上还非常年轻。和欧美几十年、上百年的品牌比,还在很初期。

品牌本身没有捷径,还要靠时间沉淀。真正跟时间做朋友、长期陪伴消费者、持续创造价值的品牌,才能获得全球范围内的认知度。经历足够长的时间、穿越几个周期还能生存下来,才算证明了品牌能力。

亿邦智库:您怎么看AI给中国企业出海带来的改变?哪些AI+出海的交叉领域值得重点关注?

沈颖:AI现在已经成为必备的生产力工具和基础设施。不管是组织管理、市场研究,还是营销投放、客户服务,都在用AI。原来硬件+软件,现在所有软件层都要叠一层AI,采集数据后做垂直模型,再形成AI Agent服务。

AI最后肯定是标配。但从新入口、新生态角度,真正的颠覆式机会还没到。真正成为新入口需要硬件加AI技术形成很深的护城河,目前整个技术还在飞速演化阶段。随着硬件在大赛道里采集的数据不断增加,AI能力会迅速提升。消费品每个垂直方向都是数据入口,数据增加再加上AI整合,都会有非常大的价值。

亿邦智库:出海面临复杂的国际环境,包含地缘政治、法律制度、数据主权、文化差异等多重变量,决策过程中您会重点看哪些风险指标?

沈颖:现在世界局势多变,我们对做发展中国家单一市场的项目会更谨慎。较多发展中国家普遍面临政治稳定性和金融系统风险敞口挑战,我们都会重点考量。

在这种大背景下,创始人通过多区域、多国家布局来分散风险,是个合理的选择。相较于发展中国家和地区,欧美等发达市场的体制和安全性相对更好,只做欧美单一市场,通常倒是问题不大。

峰瑞资本长期深耕出海领域,持续看好中国品牌在全球市场的结构性价值投资机会,我们坚信“出海是一个非常长期的、未来几十年都会持续的过程”。

8月22日下午,峰瑞资本作为协办方,联合中欧GLOBALEMBA出海俱乐部,在深圳南山共同举办一场聚焦“中国品牌全球化叙事”的线下活动。

当天下午,峰瑞资本执行董事沈颖将带来「出海新时代的品牌投资」主题分享。诚邀关注出海赛道的朋友共聚深圳,现场交流。

跳转微信打开

  •  
❌