AI应用增速放缓？编程之外，AI for Science能否成为新引擎

7月份以来，全球范围内AI相关资产经历了大幅度的估值收缩，而贯穿这一轮调整始终的核心悬念在于：AI应用端的扩张节奏是否正在减速？科技巨头的资本支出增速是否会触顶回落？事实上，这并非AI板块首次因"缺乏增量应用场景"的忧虑而出现阶段性回撤；回顾历史，每一次AI赛道的新一轮上行周期，几乎都由某个全新应用场景的爆发所点燃。

那么，下一个引爆点究竟在哪里？这个问题再度成为全球资金最为关切的议题。这一次，投资者的视线转向了实验室深处一场悄然酝酿的变革——它不编写程序、不撰写文章、不承担智能客服职能，却在从根本上重塑人类认知自然界的路径。这便是AI for Science，即人工智能驱动科学研究，一个正从学术概念迈向大规模工程化应用的巨型赛道。

一、何为AI for Science

要真正理解AI for Science的价值，首先需要看清传统科研模式中的结构性困境。数百年来，科学探索的基本路径从未发生本质变化：构建假说、规划实验、反复迭代、总结规律。一款新药从靶点锁定到最终获批上市，平均耗时十年以上，烧掉数十亿美元；一种新型材料从实验室首次合成到实现产业化，常常要跨越上千次失败的尝试；蛋白质三维构象解析这一"生物学终极难题"，则折磨了学界整整五十年。这些瓶颈的根源在于，面对高维度、强耦合的复杂体系，人类的算力水平和穷举搜索能力存在不可逾越的物理极限。

AI for Science的核心使命，正是借助机器学习——尤其是深度学习架构和生成式模型——来取代或大幅压缩传统科研流程中最消耗时间、人力和资金的环节。它的定位绝非简单地充当科学家的文献检索助手或论文润色工具，而是将AI嵌入科学发现的关键链条之中：推演分子空间构型、构想新型材料、仿真化学转化过程、演绎抽象数学命题、解译深空观测数据。它所颠覆的，不是某件科研工具，而是整个科学方法论的底层逻辑。

二、前沿进展：从生命医学到宇宙探索

在生命科学和制药领域，AI的渗透深度和商业成熟度目前领先所有其他学科。AlphaFold系列已从最初预测单个蛋白质的静态构象，迭代至AlphaFold3版本，能够刻画蛋白质与药物小分子、DNA/RNA等复杂生物大分子之间的动态互作。依托这一底层能力，AI驱动的制药企业已将先导化合物的筛选窗口从数年量级缩短至数月。截至2026年年中，全球累计有超过一百条经AI辅助设计与优化的候选化合物推进至临床阶段，其中十余条已进入III期注册性试验。2026年8月，《Science》期刊刊发了一项里程碑式成果：一个AI模型完全自主地设计了十六株可在宿主大肠杆菌内完成复制增殖的活性噬菌体——这在人类历史上尚属首例由生成式AI从头构建出完整且经验证的活体病毒基因组。

材料科学是另一块被AI彻底改写的版图。过去开发新材料高度依赖"炒菜"式的盲目摸索，而如今AI能够通过深度学习已积累的海量"成分-结构-性能"映射关系，外推预测尚未合成的物质属性，乃至直接输出符合指定指标的全新配方方案。谷歌旗下DeepMind团队研发的GNoME模型，一举识别出约220万种此前未被记录的新型晶体结构，其中数十万种经理论验证具备热力学稳定性，相当于将人类数千年来积累的已知稳定材料库扩充了近十倍。在锂电池正极/负极体系、先进制程半导体、特种合金、柔性显示基板等高端制造场景中，AI加速的材料筛选已成为缩短研发周期的核心驱动力。

即便是数学和理论物理这类长期被视为"纯人类智力领地"的方向，AI也已开始实质性介入。DeepMind推出的AlphaProof已具备在国际数学奥赛难度层级上完成平面几何严格证明的能力；多位菲尔兹奖章获得者曾公开表达，AI可能在两三年之内深刻改写数学研究的日常工作方式。在射电天文学和高能物理方向，AI承担着解析双黑洞并合释放的引力波波形、清洗和处理大型巡天望远镜回传的海量像素数据、以及数值模拟宇宙从大爆炸至今的膨胀演化等任务。

三、为何AI for Science代表着AI更具想象空间的催化剂？

衡量一条赛道的天花板，关键在于它所承载的问题体量。AI for Science所瞄准的，恰恰是人类文明中最根本、也最烧钱的那项活动——基础科学研究。

眼下AI for Science的工程化落地仍以生物医药和材料工程为主阵地，而气候建模、地质勘探、精准农业、粒子物理、可控核聚变等众多前沿方向尚处于初步验证阶段。每有一个学科被深度打通，就意味着一片万亿级经济规模的蓝海被激活。更为重要的是，基础研究天然携带巨大的"正溢出效应"——一项底层科学的突破，往往足以孵化出整条全新的产业链条。AI若能在基础研究层面持续提速，其效果等同于按下了人类整棵技术演进之树的快进键，这种指数级的放大效应是任何单点应用场景都不具备的。

站在投资视角审视，AI for Science的战略意义远远超出"多了一条新赛道"这么简单。它实际上正面回应了市场最为焦虑的那个根本性问题：AI对算力的渴求和商业化变现的纵深，究竟还能走多远？

第一层逻辑：AI for Science是算力需求的超级放大器。科学计算对数值精度和并行规模的要求，远远超出通用大模型的日常推理负载。无论是原子尺度的分子动力学轨迹积分、公里尺度气候系统的参数化模拟，还是星系团引力求解，每一项都是名副其实的算力"无底洞"。2026年4月正式投运的中科曙光六万卡AI for Science专用集群，是目前国内体量最大的全栈自主研发科学计算平台。行业普遍预计，2026年全球总算力部署规模将触及5000至6000 EFLOPS区间，而到2030年有望攀升至20000 EFLOPS量级，届时智能算力在总盘子中的份额将突破八成。只要科学探索的脚步不停歇，算力军备竞赛就不会停摆——这为AI基础设施板块提供了一条极为扎实的长期成长主线。

第二层逻辑：AI for Science开辟了面向企业和政府的高壁垒商业化通道。区别于C端AI产品以流量和注意力为核心，科研场景的买单者是跨国药企、先进材料厂商、能源集团、国家实验室及各级科技主管部门，这些机构客户的预算弹性和支付意愿远超个人消费者。一套AI辅助药物发现SaaS平台的年度订阅费用可达数百万乃至上千万美元量级，而一座国家级科学智能算力基地的单项目投资额则动辄百亿元起步。英伟达已在官方战略中将AI for Science与大语言模型、具身智能并排列为AI产业的三大支柱方向，这本身便释放出强烈的产业信号。

第三层逻辑：AI for Science赋予了AI行业跳出"提效工具"框架的叙事纵深。当舆论场反复质疑AI不过是替工程师敲键盘、替营销人凑字数时，AI for Science呈现的是AI最硬核的存在价值——助力攻克恶性肿瘤、解锁清洁可控能源、缓解全球气候危机、揭示宇宙运行的基本法则。这种价值锚定不取决于日活用户数或广告eCPM，而是直接焊接在人类文明向前推进的主干线上。对追求长期复利的机构投资者而言，很难找到比这更具纵深感、更具史诗感的投资母题。

从破解一个蛋白质折叠谜题，到AI独立造出活着的噬菌体；从一次性挖掘数百万种未知晶体，到演绎具有范式转换意义的数学命题——AI for Science正在以一连串硬成果宣告：人工智能的意义绝不仅限于让办公室运转得更快。它是科学方法论的一次代际跃迁，是未来数十年算力需求持续扩张的压舱石，也是AI投资版图中最具宏大叙事的章节。当代码之外的广袤世界被AI逐一叩开大门，我们所见证的不是增长引擎的熄火，而是一个更加辽阔时代的序章刚刚翻开。

作为当下确定性较高、景气度突出的核心β方向之一，AI赛道提供了丰富的配置载体供投资者选择：

若希望一站式捕捉AI产业的整体β收益，可关注人工智能ETF易方达（159819），或偏好更高弹性、聚焦科创板与创业板高波动主战场的科创创业人工智能ETF易方达（159140）；

若倾向于沿产业链核心环节做精细化布局，则可考察半导体设备ETF易方达（159558）、科创芯片ETF易方达（589130）、消费电子ETF易方达（562950）等细分品种。