AI for Science投资与创业：下一个十年的机会在哪？

峰瑞资本·2026-01-09

“那些失败的数据是有价值的”

编者按：本文来自微信公众号峰瑞资本（ ID：freesvc），作者：赖力鹏、马睿，创业邦经授权转载。

AI for Science（人工智能驱动科学创新），简单来说，就是让人工智能成为科学家的“超级助手”和“洞察引擎”。

2025年11月25日，谷歌DeepMind发布《AlphaFold：五年来的影响》，以蛋白质结构预测的革命性突破，为AI for Science的“科学价值”写下注脚。

AlphaFold: Five Years of Impact图 | deepmind.google

大半月后，12月18日，中国AI+机器人领军企业晶泰科技正式被纳入“港交所科技100指数”——这一动作不仅将其推至港股科技板块第一梯队，更标志着AI for Science从“技术概念”到“产业硬实力”的跨越，在国内有了具象的“标杆样本”。

作为AI制药与AI for Science双赛道的先行者，晶泰早已用实绩验证技术落地力：从作为“AI制药第一股”登陆港交所，再到拿下DoveTree近60亿美元超大订单、与礼来达成3.45亿美元合作等，每一步都在刷新从“AI加速科研”到“科研反哺产业”的速度。

不久前，在峰瑞资本2025年投资人年度峰会上，峰瑞资本合伙人马睿和晶泰科技联合创始人、首席创新官赖力鹏进行了一场深度对话，围绕AI for Science、技术创新与产业结合以及大模型在生物医药领域的应用，他们展开了探讨，为投资者与创业者拆解下一个十年的核心机会。

他们聊到的主要话题包括：

AI制药已经到了开花结果的时期，AI for Science还是是一个从0到1的阶段，如何把科技上的创新和产业真正融合在一起？
AI for Science 能够发展的底层逻辑是什么？围绕于此，晶泰科技未来在业务方面有哪些布局调整？

大模型在生物医药领域的能力边界在哪里？哪些问题已被较好解决，哪些仍难以突破？

AI+技术从制药向材料、能源等领域跨域迁移的核心难点是什么？落地关键在哪？

我们编辑了对谈的部分内容，希望能带来新的思考角度。本篇是「AI产业观察」系列内容之一，该系列将持续分享AI领域创业者的一手实践和思考观察。如果你在AI for Science方向创业，欢迎联系marui@freesvc.com

01. AI制药进入开花结果期

马睿：我先开个场，聊聊我们怎么理解AI for Science。

第一个逻辑，AI制药已经到了一个开花结果期。三年前很多人质疑，说AI到底能不能做出来药？而到了今天再看，结果是毋庸置疑的。

以晶泰为例，2025年11月晶泰的全资子公司Ailux和全球顶尖药企礼来达成了一个3.45亿美元的AI大分子研发合作；2025年8月，晶泰和美国生物制药公司DoveTree宣布完成总订单规模近60亿美元的AI制药管线合作协议。

此外，AI制药公司英矽智能也已在港交所主板挂牌上市，它在特发性肺纤维化治疗（IPF）上用AI生成的小分子在II期临床获得了非常好的结果。

我们峰瑞早期投资的剂泰科技，其自研的MTS-004口崩片已达III期临床研究主要终点，成为国内首款完成III期临床的AI赋能制剂新药。

第二个逻辑，AI能否复制其在制药领域的成功，将其能力外溢到化学、材料、物理等其他领域？我们发现驱动这些科学底层创新的最大变量可能也是AI。

这是我们今天聊天的一个很重要的内容——beyond AI制药，我们未来五年还能不能捕捉到这类上市或者准上市企业？

第三个逻辑，既然AI制药已经到了开花结果的时期，AI for Science 现在是一个从0到1的阶段，那我们能不能把这些科技上的创新和产业真正融合在一起？

其实“十五五”规划给出了答案，比如提出了未来十年要在量子科技、生物制造、脑机接口、具身智能、核聚变上要再造一个高科技产业。

所以其实我们今天想聊聊，AI for science的技术创新是不是能够把技术创新和产业创新最终能结合在一起，发挥一个1到100的乘数效应？

这里介绍一下赖力鹏博士，赖博是晶泰的联合创始人，也是首席创新官，他从day one开始就是三位创始人之一，然后陪伴晶泰一直走到上市。

目前他主要负责晶泰创新中心，基于晶泰的底层能力在多肽、基因及细胞治疗等更多领域推动从0到1的技术革新与转化，做了非常多AI+和AI for science的事情。晶泰内部在药物上有很多新的modality（药物形态），都是在就是赖博的负责下在往前推进。

这里想问赖博的第一个问题，过去一年晶泰在资本市场上有非常好的表现。请赖博介绍下晶泰现在在业务上有哪些实践和布局？未来在战略上和业务上会有哪些新的举措？

赖力鹏：正好承接马总刚刚讲的话，我先讲讲为什么AI for science的核心逻辑成立，以及AI for science在商业上和晶泰的未来业务规划有什么相关性。

人们通常理解，相比于AI，大脑的功率特别低，AlphaGo需要用大型的超计算机，人只要吃一碗饭就够了。

消耗那么小的原因是我们善于简化问题，比如开普勒观察到天体运动后，将其简化为开普勒椭圆方程。看似简单，可真实的自然界并不是因为人而存在的，有两类事物是无法简化的。

一类是在巨大的宏观领域，比如复杂的天体运动，人或计算机都没办法很好地解决混沌的三体问题；另一类是微观世界，包括生物学、化学、材料学等等这些领域，其复杂程度也不是人脑所能够很好地解决的。

以生物学为例，人类对健康的追求从几千年前秦始皇求长生不老就已开始。现代工业中，这是一个每年万亿美元投入的巨大市场。

这意味着，一是它的存量市场非常大，二是人本身的智力没有办法对这个复杂系统进行很好的理解，所以AI在里面一定是能创造价值，这也是 AI for science 未来能够发展的底层逻辑。

具体落地来看，过去十年，AI在药物研发的每个关键的单一环节上，都有或多或少的加速。以晶泰自己的经验为例，在临床前的药物发现上面，AI平均能够提效20%到80%。

晶泰科技AI自主实验平台——合成工作岛图 | 新闻联播

另外，目前生物学的数据相比互联网数据仍非常稀缺，一是数据采集成本高，二是数据质量相对较低，不同的实验室、不同的文献、同一人在不同的时间做的实验，数据质量可能都不一样。基于这两点，我们认为，未来 3~5 年，数据将是AI生物制药领域的重要资产。

基于此，晶泰的业务布局有以下方向：

一是更关注国际化。我们非常看好中国创新药的发展，从短期到中期的策略来说，一定是“国际化+中国”的一个综合性策略。比如我们与礼来的研发合作，就是晶泰国际化的重要一步。

二是关注药物种类的多元化。过去十年 AI 主要聚焦占药物市场70%的化合物小分子，剩下30%的生物制品中，25%是抗体，5%是多肽、基因细胞疗法、疫苗等其他类型。

晶泰最初聚焦小分子，2019年开始布局抗体，除了ADC、分子胶等技术，近几年也在多肽核酸类药物、与细胞治疗（比如in vivo CAR-T）结合等方向进行AI布局。这一方面是因为技术上具备可行性，另一方面是生物医药研发的趋势下，大家也更关注modality 多样化，更从临床的需求出发，而不是简单从技术出发。

不管是小分子还是抗体，只要能治病，大家就会用，我觉得这也是和商业化的趋势匹配的。

三是探索药物的延展领域，除了生物医药以外，我们也开始去布局消费品、化妆品功效成分、食品保健等领域，只要是AI跟分子设计能结合的，我们也会积极探索。

四是构建数据壁垒。晶泰从2019年起就开始部署自己的自动化实验集群。我们会进一步去扩大数据采集规模，来建立一个长期的数据竞争优势。

此外，在化学领域， AI 对于常见药物化学反应的辅助预测准确度已达 80%到90%，我们也将药物化学能力扩展到化工、材料、新能源等领域。

马睿：未来服务和产品在晶泰的业务里大概会占到多大的比重？我们未来会自己做药吗？

赖力鹏：在可见的未来不会，晶泰始终是一个技术平台。区别于传统意义上的药物服务企业，我们除了能提供标准化的服务以外，更擅长解决“疑难杂症”，即解决一些现在在行业里面大家都觉得很困难的问题。

以化学自动化领域里的固体粉末转移为例。如果在座大家有化学背景的，可能知道液体转移是一个相对来说比较容易的事情，但是固体粉末的转移，尤其是在实验室这样的高柔性、高变化的场景下面，其实非常难处理。

实验中涉及几十万种不同的粉末成分，它们价格昂贵，粉末的颗粒大小、流动性、形态等性状差异巨大。而这又往往是高通量实验前的关键一步，靠人来完成的固体粉末称量和转移不仅是一大效率瓶颈，也涉及精度挑战，痛点很明确。

因为晶泰在机器人自动化方面有非常强的研发能力，我们很好地解决了这个问题，相应的技术也得到了大药企的认可。

在产品端的话，我们主要的策略是和客户进行合作开发。我们会通过早期的技术贡献，以我们的研发产出能力来换取这个产品未来权益的方式进行产品的研发，后续的临床实验等步骤交给更熟练擅长这类研究的药企合作伙伴来完成。

02.在生物医药领域，大模型的市场前景与能力边界

马睿：接下来想聊一下模型，其实过去两年 AI 外溢到生物医药领域对模型产生了非常大的推进作用，比如说将Transformer、Diffusion等AI模型引入到生物医疗领域，对AlphaFold系列的进展来说功不可没。

想请赖博讲讲过去两年你觉得有哪些现象级的模型值得我们关注？以及大模型现在的能力边界大概在哪里？有哪些问题已经被解决得比较好了，哪些问题迄今为止还不能被模型解决？

峰瑞资本合伙人马睿

赖力鹏：总的来说，我觉得AI或者大模型在生物医药领域里面的空间还非常大，相应的商业机会也很大。

回到刚才聊的问题，人对于微观世界的认知是非常局限的。起码对我来说，我能想象几万个人在广场上怎么跑，但无法想象几万个蛋白质在细胞里面是怎么样相互作用的。所以AI模型在过去十年主要在药物设计阶段发挥作用，这个我认为相对来说属于充分应用了。

包括刚才说的小分子设计、蛋白质设计，2018年AlphaFold出现后，大家就相信AI在蛋白质这个生物自然语言领域能做得很好，事实也确实如此，但这个领域其实还有很大空间。

拿我自己打台球举例，大概会经历三个阶段：一开始啥也不会，杆都拿不好，根本打不准球；到了初中级阶段，就是 “大力出奇迹”，大概能打准了，使劲一锤，肯定能有球进。但未来真能胜出的，还是得靠更精准的练习和控球。

这跟AI模型在药物设计里是一样的。和David Baker的通用蛋白设计算法相比，我们内部研发的针对特定疾病领域的蛋白质设计算法有非常大的提升。这并不是说我们在数据上做了特别多的工作，我们用的是一样的数据集，但因为算法更加精细化，把生物学的知识更多地嵌入，所以性能和适用度提升很大。

所以，即便过去十年大家认为AI在分子设计领域已经做得很好了，也有很多商业化的案例，但这个方向依然有增长机会。

后面我觉得更难的一点是生物学的部分，包括对于大量的生物学的数据的处理，以及怎么用AI帮助临床的成功。

如果大家了解这一领域，一款药物的研发，它在临床的成功率，即把I期、II期、III期的概率乘起来可能不到10%，超过90%的其实都失败了。药物在上市前，75%的研发成本在临床阶段，所以这一块是一个潜在的更大的市场。

但这块难在两点：一个是相对来说历史的数据积累比较少，第二个更本质的原因是数据的迭代速度太慢了。越往临床前，数据反馈的速度越快；越到临床阶段，数据反馈的速度越慢。

这也是我们晶泰内部判断AI能否在新领域应用的关键：不在于已有多少数据，而在于数据的反馈速度有多快，这也是 AI 现在在临床端应用还不算多的原因。

所以未来不管是我们自己的资源投入，还是从投资角度看，一方面要看临床前的细分的modality，比如环肽、口服多肽药物、小核酸这些，一定要把问题拆得特别细，同时还要有独特的专业团队，那我觉得他在商业上是有机会的。

第二个就是更大的未被解决的问题。在生物AI+生物学这个方面，如果谁可以通过实验的手段、或者是数据渠道、或者是算法的迭代，提高数据收集和反馈的速度，那么我觉得这样的技术和产品是有巨大价值的。

马睿：赖博的意思是，更垂直、更精细的模型可能会比通用的模型要更好。此外，我们不能只看分子设计，比如说AI+生物既涉及到靶点的选择，也涉及到临床的策略，这个领域如果有更多、更快的数据迭代，可能会产生新的机会。

我觉得模型大概有三个路径：

第一个是跟AlphaFold相关的，能预测分子或者分子之间形态、结构的模型。

第二个是全原子模型，比如现在的RF diffusion3这类，设计得特别细，细到原子级别，AI学的时候能真正学到些物理学知识，它不纯粹是数据驱动的。

第三个就是大模型，直接把大模型结合基因测序数据、转录组数据，学完之后能做一定预测。

所以想问问赖博，你觉得模型的下一步走向会是什么样？比如对于未来的模型，什么会比较重要？

赖力鹏：说到这里我要声明下，今天讲的都是个人观点。我自己是这么看的，分两个阶段：

一个是在短期内，因为数据的缺乏，所以一定是有专业领域知识强化的AI模型的发展。在分子设计方面是Physics-informed model（物理约束的模型），包括全原子模型，甚至是跟量子化学计算相关的指导的模型；在生物学方面，是生物学知识的加强模型。

举个例子，三年前，晶泰做过一个抗体设计的模型，用的方法现在看起来有些老了，用的是类似BERT的方法。大家知道BERT在训练语言模型的时候，masking（掩码）比例大约是30%，相当于遮住30%的信息，然后让AI来推测，然后来复现整个语言，通过这种方式它可以学到这个语言的结构。

但是我们发现这个方法在抗体设计上效果并不好，我们没有改太多模型的结构，只是把掩码的比例从30%增加到70%，并且把随机的遮蔽改为专门在抗体最重要的区域的遮蔽，这就是用生物学的知识来告诉AI这个地方是最困难的，你应该花更多的力气在这个地方学习，模型的效果就大幅度提升。

所以我觉得在数据的量还不够的时候，这种专业知识引导的模型训练可能是更重要的。

另一方面，长期来说，“木头姐”凯茜·伍德(Cathie Wood)曾经在报告里预测说，未来生物学数据会超过互联网的语料数据。我认为后面会有个拐点，当数据足够多的时候，并且我们有合适的模型去看到这个数据增长的Scaling law的时候，就可以通过无监督的大模型的学习来提取背后的规则，而非依靠人去告诉模型这个规则是什么。

所以，大模型在未来一定能发挥很大的作用。类似的事情其实在十几年前已经发生过，2012年AI在图像识别上能力超过人，核心技术点之一就是——2012年之前是人告诉AI图片里什么最重要，而2012年随着卷积神经网络的发展，就不用人来定义规则了，AI只看像素就能自己提取图片里的关键信息。

回到之前说的，人处理复杂系统的能力确实有限，所以AI和AI for science 带来的这个转变，其价值可能会远远超过2012年卷积神经网络在图像识别上超越人类的价值。

03.“那些失败的数据是有价值的”

马睿：对AI 来说，最重要的是算力、算法和数据。数据这端，晶泰有很多机器人组成的 AI 自主实验平台能产生大量数据，而且这些数据对生物学、化学、材料学，特别是AI+生物或者AI+制药来说特别重要。

所以想请赖博讲讲，这个领域有没有可能出现类似Scale AI这样的机会？另外，现在我们最需要什么样的数据？不远的将来,我们能否获得这些数据？

赖力鹏：我们其实一直也在想这件事情。前面提到了未来3~5年可能数据是最核心的战略资源。我个人的观点是，工业革命、技术革命所带来的新生产力的发展，往往源于生产资料的变化。

晶泰科技联合创始人、首席创新官赖力鹏

AI领域的生产资料变化，其实从上世纪五六十年代机器学习被提出时就开始了。当时有一个大家都看到，事后看也正确的想法——那些失败的数据是有价值的。

在机器学习发展之前，很多研究只公布正确的或者是成功的数据，但在科学领域，成功的数据其实非常少，大量失败的数据被丢掉了，没有好的工具能用好它们。当新的生产工具出现，比如说机器学习和深度学习这些方法出现之后，这些失败的数据的价值被发现了。

每一次生产力革命，本质在于对现有生产资料潜能的重新发现。

就像蒸汽机发现的是热能的新价值，热能是自然界一直存在的；然后到了石油能源，石油其实是一直存在的；然后到了半导体，其实硅也是一直存在的。到了信息时代或者说 AI 时代，过往研究里的失败数据本来就存在，现在就是重新发掘它们的过程。

还有一个常见的说法：“garbage in，garbage out”（垃圾进，垃圾出），其实我个人不完全认同。

开个玩笑，即使在投资领域，垃圾回收也是一个非常热的方向，所以如果有好的技术，我们之前认为是garbage的这些数据也可以被很好地利用起来。

那么，未来的数据如何去利用，可能有几个关键的点：

第一个是晶泰自己正在做的，在已有的数据处理方法上面，通过自动化和机器人的方式去统一数据标准和降低数据收集的成本。

第二个是晶泰希望通过合作或投资来做的，即探索数据获取的新工具、新方法 —— 比如多组学技术、快速 DNA/RNA 合成、新型临床检验技术，这些能带来 “数据升维”，让以前看不到的增量数据浮出水面；

第三个事情在中国我觉得具有非常大的优势。我们有大量的医院和庞大的患者群体，临床数据及生物样本已有较好的积累，相信通过科研机构、医院、政府、企业建立合理合规的机制去协同推进，这些临床资源数据能被充分利用。

所以回到核心问题：数据到底怎么用？什么样的数据是最有价值的？

现阶段还没有共识，因为AI for Science尤其是AI for Life Sciences发展时间尚短，大家还没摸清 “什么数据对AI最有用”。

就像图像识别，以前我们通过人工定义 “两眼距离、鼻子长度” 作为输入，后来才发现直接用像素输入效果更好，后续红外探测等数据也可能成为输入项，认知一直在演进。

生物学其实更是这样。之前在药物开发过程中，药物在动物体内或者在人体上到底有没有效，还是依赖于生物学家的专业经验。

那么，未来是否可以不完全依赖于专家，而是让AI来提取跟临床或者跟药物上市之后的效果更相关的这些指标？我认为这极具商业潜力，但目前还不确定什么样的数据能支撑AI实现这一点。

在这个逻辑背景下面，现在最有价值的数据是具有高度的一致性、高度的标准化，并且能够实现快速的采集和反馈的数据。

因为AI在学习的时候，人也在琢磨喂给它什么数据更好，而学习过程中，反馈速度太重要了。现在来说，最重要的、最好的数据就是高质量并且能快速反馈的数据。

目前相对容易获得的有影像数据、转录组数据，还有我们自己在做的化学合成数据。接下来，等蛋白质组数据的成本降下来、通量提上去，可能会成为下一代的核心数据。这就是我的一些粗浅看法。

04.打破共识，AI如何赋能药物研发？

马睿：刚才赖博讲到，采集数据关键有三点：第一是快速、便宜、一致化，第二是和人体疾病最直接相关的数据；第三就是失败的数据。

数据化非常重要，其实丰叔（峰瑞资本李丰）在内部就一直问我们说，AGI缺数据，你们觉得什么数据可能最有用。

我自己总结为三类：

第一类是与真实物理世界相关的数据，包括具身的交互操作，空间智能和三维重建的数据。

第二类和我们这场对话高度相关，是AI for science所需的微观数据，比如分子间的相互作用。

第三类是和脑相关的数据，如果脑接口技术成熟，能高密度地采集脑电的数据并与人类的行为对应，大概率会有很多新发现——毕竟CNN、Transformer这些技术，起初都受到脑科学进展的启发。

所以，对AGI来说，现在确实是模型被数据限制，未来可能要从刚才讲的这些领域获取数据。

那下一个问题，想请赖博介绍下晶泰在制药上的实践，尤其是新的modality；如果能顺带讲讲AI怎么助力多肽、小核酸或RNA相关成药，就更好了。毕竟AI制药最终还是要落地成药的。

赖力鹏：这说到底还是要赚钱的事儿，AI 最终得落地才行。前面提到了晶泰自己的布局，在北京我们单独有一个部门叫晶泰创新中心。每年晶泰会拿出一部分预算投入去做一些这种探索性的、我们自己会觉得有比较大的商业前景的事，其中一个很重要的方向就是更多的modality。

一方面这是市场需求，是商业驱动：像一些大的MNC，在管线选择上会倾向于多元化它们的modality；2022年，辉瑞有篇文章总结2016-2021年临床开发的策略进展，也提到“多元化药物种类选择”是关键因素。

另一方面是技术支撑：AI强大的想象力和分子设计能力可以帮助我们构建多modality设计的能力。因为越往生物药走（如从抗体到多肽，再到蛋白、小核酸），算法的逻辑其实是一脉相承的。因为它本身就是一个线性的序列。所以，我觉得有了好的AI基础设施，去往新的modality扩展是比较可行的。

举个例子，之前大家去投药物或者看药物的话，会说小分子、抗体、多肽各有特点：小分子PK（药代动力学）好，容易穿透膜、进入细胞，能靶向细胞内的靶点，递送能力和稳定性也强；抗体精准度高，不容易脱靶，指哪打哪；多肽介于两者之间，比抗体小，潜在的细胞穿透性更好，安全性比小分子强，但稳定性不如小分子，这是行业共识——但是我觉得AI的出现是可以打破这个共识的。

比如晶泰内部，我们用AI分析了几乎所有蛋白与蛋白、小分子与蛋白的相互作用。多肽不稳定，是因为它由20种天然氨基酸构成，行业里常靠人工修改来优化多肽的性质，使其贴近小分子的优点。我们分析完所有相互作用后，用AI生成了约2000个非天然氨基酸，比天然氨基酸多了100倍。通过引入这些非天然氨基酸，既保留了多肽药物的优势，又吸收了小分子药物的优点，未来在脑部的药物递送、口服给药等细分领域都有应用潜力。

比如现在的司美格鲁肽、替尔泊肽等减肥药，大多是注射剂型，不光晶泰，整个行业都在关注未来能否做出更好的一周或两周口服一次的控制体重的药，这很大程度上要靠 AI 在该领域的突破。

我们团队在看很多药物研发的问题的时候，会从AI的视角重新梳理一遍，其实会有很多新的发现，所以我觉得商业机会真的特别多。

再举一个小核酸的例子。标准的小核酸的设计会有两个步骤，一个叫核酸的序列设计，就是我根据它的配对的mRNA，挑选合适的靶点，然后把大概21~23个碱基的小核酸设计出来，但是小核酸在体内不稳定，很快就分解掉了，这样达不到药效，所以第二步要做化学修饰。

传统的做法是在序列设计和修饰设计上分两步进行。第一步，找到最好的序列。第二步，给这个序列匹配最好的修饰。

这看起来是没有问题的，但是打一个简单的比方——结婚。一个最好的男生和一个最好的女生，不见得能成就美满的婚姻。

所以为了得到一个好的核酸药物，其实应该把两个优化步骤放到一步来进行，而不是分两步来进行。但传统流程是线性处理，靠人的专业知识很难同时兼顾这两步。

所以晶泰内部做了一项很直接的工作：把序列设计和修饰设计放进同一个生成模型，一步完成。

这带来两个好处：一是找到了比现有临床研究中更优的核酸分子序列；二是序列和修饰都具备很好的新颖性。大家知道，修饰相关的很多专利都被Alnylam等大公司主导，我们这样做既突破了专利限制，又找到了更好的分子。

因此，我觉得带着AI视角重新审视现有药物研发流程，会有很多新发现，尤其是在目前AI应用还不算特别热的新的modality上，会有很好的落地机会。