志特新材迈向AI和量子计算新领域，与微观纪元深度合作解读

各位机构投资者，大家晚上好。今天我们来一起聊聊AI for Science和量子计算。我们团队今天发布了AI for Science的深度报告，经过大量的一级、二级项目产业调研，我们非常看好这个赛道。在去年的英伟达GTC大会中，黄仁勋把AI4S和具身智能、大语言模型并列成为AI的三大关键方向，可见其高度。

我们团队可以说是全市场最早投入AI for Science研究的团队之一，在这里我想先讲几个观点:

1)AI4S是我们目前看到AI与化学结合最好的方向，甚至有可能成为化学研发的未来。经过我们的产业调研，我们发现AI建模+机器人自动化实验的模式是确实能给企业赋能的，不仅可以替代大量重复性的劳动，而且做很多事情效率都比传统方式快几倍甚至十倍以上。

2)原先，大部分化学制造企业对这个模式还不太了解，但这几年AI发展非常快，传统行业很多细分子行业又面临非常严重的内卷，企业求变，加上DeepSeek引爆了对于AI应用端的关注，已经有不少企业开始想要主动寻求与AI结合探索新路径。

3)我们认为，未来全球最大的AI4S平台型企业大概率诞生在中国，这是为什么？因为我们中国拥有全世界最齐全的化学制造门类、最完整的产业链，比如像化工，我们已经占据了全球接近一半的份额。这意味着我们发展AI4S拥有大量的公司可以一起协同，也意味着大量的数据将产生在中国，所以至少说，我们拥有一个基础，来训练出最好的AI化学研发模型。

4)引用深势科技创始人的观点AI4S未来可能成长为千亿美金级别的巨大市场。

AI4S是切切实实能为生产企业增效赋能的，是to B的AI应用，而且具有很好的规模效益，边际新增业务的净利率很高。我们看到国内目前已经有一批优秀的企业涌现出来，包括已经拥有270港元市值的全球AI4S标杆企业晶泰科技，公司正在由医药进军新材料星辰大海。以及近期公告携手中科大孵化企业正在进军AI4S赛道的产业新锐志特新材。

从原理上来看，为什么AI效率比传统研发更高？

传统化学研发来看，经历最开始的常识、自然界的观察得到初步的结论，然后进行小范围改性进行材料研发，后面可能会总结经验，去定制化。到现在，需要用计算去赋能。AI首先计算环节效率很高,包括第一类AI4S，第二类是材料性能计算(产线、力学、反应)类似agent。AI4S来看，站在第一性原理计算的肩膀上，首先能够规模上算的更大，传统就是解薛定谔方程，对于复杂体系，比如高熵合金，用AI学习关键点数据进行合理外推，可以和第一性原理计算结合。比如小米SU7 ultra车架泰坦合金就是这么做出来的。同时AI可以算的更精确，比如算水的运动，可以用AI学习单个时间点性质、力学特性，可以得到整体运动的状态，省去重复劳动。

第一性原理运算的优势？

第一性原理来看，在解决这一类化学问题的时候，从最底层原理出发，再演绎到宏观。第一性原理从最底层的薛定谔方程开始，去解材料的性质。打个比方，在大规模的问题上，可以找计算专家控制超算集群，可以算千万种材料，但是找不到这么多实验人员。另外比如在极端环境，如钻石是高压环境，昂贵且危险，用计算模拟可以避免。成本方面，计算金、稀有金属方面成本大大降低，和计算氧氮碳成本是一样的。

AI适合研发哪些类型的新材料?

大致包括:高熵合金、高分子材料、新能源材料、生物材料(如酶，Baker诺奖得主就是AI这个方向)、航空航天材料、核能材料。

DeepSeek对我们行业的赋能？

首先它解决了大模型美国垄断的问题，实现了平权，使得新兴小企业有机会拥有门票。并且DS开源，有很多企业本地部署，我们相信会持续有新模型出现。我们沿着材料的方向，解决了对AI方面的投入问题，比如我们做一个高分子材料，原来需要买很多卡+10个人，现在3个人+买没有被禁止卡有个几张就够了，并且研发进度还加快了。

量子计算和超算有什么区别？

计算机在执行数学程序，背后是图灵完备，一部分可计算的步骤可以一步一步的做出来，传统、量子计算机都能算同样的问题，量子背后也是图灵完备。但是对于复杂度难题，经典计算机不能通过多项式求解，但是在量子计算机可以多项式求解。在传统计算机难度指数增长的同时，在量子计算机只是线性增长。传统计算机用01的比特，量子计算机用量子比特，存在于一种状态，可以是0或1或叠加。量子比特有天然的叠加性，加法的时候可以实现同时计算。另外量子运算门级不同，传统计算是与或非，因此所以遇到一些传统计算NP难的问题在量子计算不是NP难，比如解加密算法。经典计算机发展了很多年，大部分问题都能解决，量子计算机目前主要为了解决经典计算机解决不了的NP难问题。

量子如何和AI4S结合，赋能材料研发？

经典计算机发展速度比较慢，现在能算100多个原子，实际解决能力有限，但传统计算能力增长慢，只有比如年化5个原子增量。但是量子计算每多做一个比特，或多做一代，比如今年算10个原子，明年可以算100个原子。所以量子首先要实现对经典计算的取代，再指导实验。如何与AI4S结合来看，AI和经典第一性计算互补，经典计算得到严格求解薛定谔方程的精确数据，AI其实从数据中获得人类难感知的经验，更多的应用到更多领域，这一方面量子计算逻辑也是一致。另一方面，AI agent方面，计算和实验结合有很多节点，有量子计算部分、经典计算节点(比如动力学、能量计算、解波函数获得激发态性质)、实验室自动化节点(包括机器人自动化实验)，这么多节点如何管理，这么多数据怎么理解，最后整合需要靠AI。之前算力没有触到这个瓶颈，但是伴随AI和量子计算的发展，可能5年内就会发生，是不可避免的产业趋势。

量子计算和量子模拟赋能AI4S多快可以应用？

首先有人说量子计算离实际应用很遥远，这个指的是通用量子计算，就是达到当前AI这种能力，解决大规模的问题，这么看确实很遥远。假设还要15年才能实现通用量子计算，但是量子模拟和AI的结合在几年内实现突破是可以期待的。我们和国外500强企业研究院接触了很多年，他们认为有几年可以用量子计算应用在他们实际业务中。他们认为2027年会用纯量子计算解决第一个概念验证类问题，把实际问题抽象出来用纯量子解决。然后到2030年应用到实际业务，解决他们10%的实际问题。意味着2027年我们用一些量子方法和AI结合可以实现突破。国内潘建伟院士提出，要谨慎乐观，也要沿途下蛋。举个例子，现在的AI四小龙，算法突破后可以迅速打开某个巨大市场，但是这个过程中人脸识别算法不断迭代，最早的人脸识别门禁十几万，现在最便宜的几百块。说明技术发展过程中，一定会有新的价值产生，我们不需要等它进入到很通用的阶段再进入这个赛道。

目前看量子计算结合AI4S在材料端，可以实现哪些突破？

目前国际上有几个热的方向:新能源材料:道达尔和一个新能源公司在做钙钛矿，提升转换效率；高分子材料:我们从前年开始在做，是一款高附加值材料，可以用来在自然界补集二氧化碳、水、特殊气体，我们已经做出小样；生物材料:比如酶，AI已经做的不错了,但是仍然有一些问题没有解决,国外有些公司在做；mRNA核酸类药物:我们合作做了几款mRNA药物进入到临床，我们今年还会深入继续做。

量子计算领域有哪些领先的企业和团队？

硬件方面:

middot; 潘建伟院士牵头国家量子实验室解决量子前沿方向，近期发布了祖冲之三号，对标谷歌，走超导路线；团队里陆朝阳做光量子计算机，九章，也发了三代；

middot; 郭光灿院士国内早期做量子计算，超导路线；

middot; 清华段路明院士做离子阱路线硬件；

middot; 薛其坤院士去年拿到了科学奖，在深圳那边做凝聚态物理，也在做超导方向。

软件及应用方面:

middot; 陆军院士，是中电科首席科学家，在苏州做量子产业化。很多科学家都在研究技术前沿，转化为实验装置，我们可以把量子计算机理解为实验装置。陆军院士是把这些实验装置标准化和产业化，目前国内只有他在做。同时标准化之后，会和我们这些做算法和应用的公司结合，供给超算中心或者一些做新材料、药研发的公司使用。

middot; 微观纪元:中国做软件的公司特别少，有一家微观纪元，是国内唯一一家做量子算法和应用的，和海内外客户在推进，并且和陆军院士在合作。

当前产业现状如何？

我们对标美国来看，美国量子公司硬件侧如制冷机、光学器件，以及几个主流路线来看，中美在同一水平线。在算法和应用领域，比国内走得更前面，包括合作案例、企业人数等。中国很多专家都是物理出身，所以聚焦硬件比较强。软件和应用方面，除了陆院士以外，没有别的国家队。微观纪元是国内唯一做这个赛道的玩家，我们做了一个高分子材料多空隙材料，可以做碳捕获、电子特气分离、转化，今年目标做到中试。生物材料方面，我们在改造酶，就是合成生物学，我们会使得性能改造到现在酶的5倍，用来吃二氧化碳，转化成高附加值产品。mRNA方面，我们今年预计还能拿到几个临床批件，预计还会新增世界500强客户。

一些新材料被国外垄断，如果通过AI，国内可以将差距缩减到多少？

举例来看，目前只有美国和北欧有高纯石英砂，可以做半导体的坩埚和钙钛矿材料。前两年开始价格飙升了10倍，国内没有高纯度矿。现在有两个方法可以做，我们在做一种路线，确定可行，通过人工合成的方法从别的矿里，计算反应路径和反应能量，得到高纯石英砂。