AI应用增速放缓？除了编程以外，AI for Science为什么万众瞩目

7月以来全球AI资产深度回调的背后始终伴随着一个核心的问题：AI应用的增速是不是放缓了？资本开支的增速是不是要回落了？这已经不是AI资产第一次因为担忧没有新的应用空间而经历回调，同样，历史上每一轮AI板块的上行机遇往往也都伴随着新的应用场景横空出世。

下一代AI应用是什么？这一问题再次成为了全球资本尤其关心的问题之一。这一次大家把目光聚焦到正在实验室里静悄悄发生的一场革命，它不写代码，不生成文案，不做客服对话，却正在重新定义人类认识自然世界的方式。这就是AI for Science——人工智能赋能科学研究，一个正在从概念走向规模化落地的庞大领域。

一、AI for Science到底是什么

要理解AI for Science，先要理解传统科学研究的痛点。几百年来，科学发现的基本范式没有变过：提出假设、设计实验、反复试错、归纳规律。一个新药从靶点发现到上市平均需要十年、花费数十亿美元；一种新材料从实验室合成到工业化应用往往要经历上千次失败；蛋白质折叠这个“生物学圣杯”困扰了科学家半个世纪。这些瓶颈的本质，是人类在高维复杂系统面前的计算能力和搜索效率存在天然上限。

AI for Science做的事情，就是用机器学习，特别是深度学习和生成式模型，去替代或加速传统科研中那些耗时、耗力、耗钱的环节。它不是简单地用AI帮科学家查文献、写论文，而是让AI直接参与到科学发现的核心链路中——预测分子结构、设计新材料、模拟化学反应、推导数学定理、分析天文数据。它改变的不是科研的工具，而是科研的范式本身。

二、现在进展如何：从生命科学到天体物理

生命科学和药物研发是AI渗透较为深入、商业化较为成熟的领域。AlphaFold已经从预测单一蛋白质结构进化到AlphaFold3，可以模拟蛋白质与药物分子、核酸等复杂生物大分子的相互作用。基于这一能力，AI药物研发公司已经将候选分子的筛选周期从数年压缩到数月。截至2026年上半年，全球已有100多条由AI参与设计、优化的候选分子进入临床阶段，十余款管线迈入III期确证性临床试验。2026年8月《Science》发表的一项研究中，AI模型从零开始设计出了16株能在大肠杆菌中复制繁殖的活噬菌体——这是人类历史上第一次由生成式AI设计出完整的、可验证的活体病毒基因组。

材料科学是另一个被AI深刻改变的领域。传统新材料研发依赖“炒菜式”的反复试错，而AI可以通过学习已知材料的结构-性能关系，预测未知材料的特性，甚至直接“生成”满足特定性能要求的新材料配方。谷歌DeepMind的GNoME模型一次性发现了220万种新晶体材料，其中数十万种在理论上是稳定的，相当于把人类过去几千年已知的稳定材料数量扩大了一个数量级。在新能源电池、半导体、合金、显示面板等工业领域，AI驱动的材料发现正在成为研发提速的核心引擎。

数学和理论物理这些看似“人类专属”的领域，也在被AI渗透。DeepMind的AlphaProof已经能够在国际数学奥林匹克竞赛级别上证明几何定理；菲尔兹奖得主公开表示担忧AI会在两年内改变数学研究的面貌。在天体物理领域，AI被用于分析黑洞合并的引力波信号、处理望远镜产生的海量观测数据、模拟宇宙演化。

三、为什么AI for Science是天花板更高的AI重要催化？

判断一个领域的天花板，要看它解决的问题有多大。AI for Science面对的，是人类文明最基础也最昂贵的投入——科学研究本身。

目前AI for Science的落地主要集中在生命科学和材料科学，而气候科学、地球科学、农业科学、高能物理、核聚变研究等大量领域仍处于早期探索阶段。每一个领域的深度渗透，都意味着一个万亿级市场的打开。更关键的是，科学研究具有极强的“正外部性”——一个基础科学突破往往会催生一整个新产业。AI加速了基础研究，就等于加速了整个人类技术树的生长速度，这种乘数效应是任何单一应用场景都无法比拟的。

对于投资者而言，AI for Science的意义远不止一个新赛道。它从根本上回答了市场着重关心的一个问题：AI的算力需求和商业化空间，到底还有没有空间？

首先，AI for Science是算力消耗的超级引擎。科学计算对精度和规模的要求远超通用大模型推理。蛋白质结构预测、分子动力学模拟、气候模型、宇宙学模拟，每一个都是算力“黑洞”。2026年4月投入使用的中科曙光6万卡AI for Science集群，是国内规模最大的全栈自研科学计算集群。据预测，2026年全球总算力规模将达到5000至6000EFLOPS，到2030年有望跃升至20000EFLOPS，其中智能算力占比将突破80%。只要科学发现的需求不停止，算力的增长就不会停止——这给了AI基础设施投资一个极其坚实的长期逻辑。

其次，AI for Science打开了ToB和ToG商业化的全新空间。与面向消费者的AI应用不同，科学研究的付费方是药企、材料公司、能源企业、科研机构和政府部门，这些客户的付费意愿和付费能力远高于普通用户。一个AI药物发现平台的年服务费可以达到数百万甚至上千万美元，一个国家级科学智能基础设施的投资规模更是百亿级别。英伟达已经将AI for Science与大语言模型、具身智能并列为AI三大关键方向，这本身就是产业风向标。

最后，AI for Science为AI行业提供了超越“编程效率工具”的叙事深度。当市场担心AI只是帮程序员写代码、帮文案人员写稿子时，AI for Science展示了AI的硬核价值——它可以帮助人类攻克癌症、开发清洁能源、应对气候变化、理解宇宙本质。这种价值不依赖于用户时长或广告变现，而是直接绑定在人类文明进步的主航道上。对于长期资本而言，没有比这潜力更充足、叙事更宏大的投资主题了。

从预测一个蛋白质结构，到AI设计出活的病毒；从发现数百万种新材料，到证明具有划时代意义的数学定理——AI for Science正在用事实证明，人工智能的价值远不止于提升办公效率。它是人类科学研究范式的一次根本性升级，是算力需求长期增长的坚实底座，也是AI投资叙事中展现出恢弘想象力的篇章。当编程之外的世界被AI逐一打开，我们看到的不是增速放缓，而是一个更广阔的时代刚刚开始。

作为当前具备显著高景气优势的核心贝塔赛道之一，AI投资有众多的投资工具可供选择

如果想整体性把握AI投资核心贝塔，相关产品人工智能ETF易方达（159819）或弹性更高聚焦科创创业高弹性主阵地的科创创业人工智能ETF易方达（159140）；

也可以聚焦核心优势环节，例如半导体设备ETF易方达（159558）、科创芯片ETF易方达（589130）、消费电子ETF易方达（562950）等。