站在2025年的岁末回望 ，AI for Science（AI4S）已彻底告别了实验室里的‘概念验证’阶段 ，甚至跃升为全球科技巨头竞相角逐的下一个战略主战场。
英伟达正在试图将其芯片与CUDA生态变成科学计算的“操作系统”，不仅涉足气候预测（Earth-2），更通过NIM微服务嵌入生物医药工作流；微软则通过MatterGen和TRAIN联盟 ，在材料与医疗领域构建“生成—验证 ”的闭环标准；谷歌DeepMind更是凭借GNoME一次性解锁了相当于人类800年实验产出的新晶体结构 。
在硅谷 ，这已经是一个巨头环伺的赛道 。但在中国，行业格局却呈现出另一种张力：科技巨头尚未完全关注这一垂直领域 ，市场的“生态真空 ”为具备全栈能力的创业公司预留了成长为平台级企业的珍贵窗口。
不同于单纯追求模型参数的竞赛 ，深势科技（DP Technology）选择了一条更务实的路径：做“科学发现的基建工”。它试图在底层算力和上层应用之间，搭建一套通用的操作系统 ，让复杂的科学探索变得像使用手机App一样简单 。
近日 ，深势科技完成总额超8亿人民币的C轮融资，本轮融资由达晨财智、京国瑞基金 、北京市人工智能产业投资基金 、北京市医药健康产业投资基金、联想创投、元禾璞华等机构共同出资 。在资本趋于冷静的当下 ，这笔巨额融资不仅是金额惊人 ，更是一个明确的行业信号：资本市场正在从投资“单点技术的突破”，转向投资“科学发现的工业化基础设施 ”。
第一部分：不仅是工具 ，而是做科学界的“安卓 ”
在2025年AI for Science（AI4S）的赛道上 ，我们观察到一个显著的战略分化 。绝大多数公司选择的是“做深” 。它们或专注于攻克蛋白质折叠的单一难题，或深耕某一种特定新材料的生成。这种“小而美 ”的垂直路径固然能带来单点突破，却极易陷入无法通用化和规模化的泥潭 ，最终沦为大型药企或化工巨头的技术外包商 。
深势科技的选择截然不同 。这家由“北大元培90后 ”创立的独角兽企业 ，从第一天起就没有把自己定义为一家单纯的软件开发商，而是试图构建一个“生态系统”。
正如创始人张林峰所言 ，AI for Science不只是一条新兴赛道 ，而是一项面向未来几十年科学发现的基础设施建设工程 。在国家将“人工智能+科学研究 ”放在首位的大背景下，资本投下的 ，是对抗全球科技竞争中“卡脖子 ”风险的确定性 ，也是对从“经验试错”向“智能设计 ”转型的必然性 。
与DeepMind专注于攻克一个个“诺奖级 ”难题（如AlphaFold 3或GNoME）略有不同，深势科技在中国独特的产业土壤中 ，摸索出了一条更具生态粘性的路径：做“科学界的安卓”。
这就好比智能手机时代 ，不仅需要好用的App，更需要一个强大的操作系统（OS）来调度底层硬件与上层应用 。深势科技正在构建的 ，正是这样一套从底层模型到上层应用 ，再到开发者生态的完整“三级火箭 ” 。
安卓系统的核心在于Linux内核对硬件资源的调度，而深势科技的“内核 ”，则是其全面升级的“深势·宇知”科学发现智能引擎。
不同于ChatGPT学习人类语言的概率分布 ，“深势·宇知”学习的是微观世界的物理规律。它包含了一系列硬核的预训练模型 ，如专注于分子构象的Uni-Mol和解决行业痛点“维数灾难 ”的DPA原子大模型 。
基于强大的内核，深势科技构建了一个名为“玻尔·科研空间站 ”的产品矩阵 。这相当于应用商店里的核心App ，通过一种被重新定义的“SaaS”模式（Science as a Service） ，将复杂的科学计算变成了标准化的工业软件。
此外，为了打通“读—算—做 ”的闭环 ，深势致力于将纷繁复杂的实验设备统一管控 ，已通过Uni-Lab OS整合接入了100多款高频使用的实验仪器 。这意味着，AI不仅能在云端计算 ，还能指挥现实中的机械臂做实验 ，真正实现了研发的自动化 。
最关键的是，深势基于成熟的开源开放生态 ，凭借其打造的玻尔·科研空间站 ，已服务了全球超过1000所高校的300多万科学家。张林峰曾深刻地指出，开源社区的本质是从一个“弱连接的社区形态”向“开放开发系统 ”的进化 。
传统的科研软件公司，往往是卖出一套软件就结束了 ，用户是孤立的 。深势则是让全世界的科学家习惯在这个系统上开发新的算法 、上传新的模型。每一个新用户的加入 ，都在为平台贡献数据和反馈，从而反哺底层的“宇知 ”大模型 。
这种模式建立了极强的壁垒 。它不是在卖单一的“铲子” ，而是在建立一个生态。当全球最聪明的头脑都习惯用Bohrium跑数据 、用Uni-Mol做预测时 ，深势就掌握了未来科学发现的入口 。
第二部分：跑通了AI4S的经济模型
在科技创新浪潮中，一个项目的价值评估正经历深刻转向 。当深势科技完成8亿元融资 ，市场关注的焦点已非单纯的“技术炫酷 ” ，而在于其能否精准切入产业核心痛点，并带来可量化的经济回报。
这标志着AI for Science（AI4S）的价值逻辑已完成关键闭环：从辅助科研的“叙事工具 ” ，演进为对抗研发成本指数级增长的 “新一代工业底座”。其商业含金量的内核 ，在于成功将物理学的突破，转化为一本清晰可算的“经济账 ” 。
传统工业研发 ，尤其在生物医药、新材料 、新能源等领域 ，长期受困于一个底层物理学魔咒：“维数灾难 ” 。它如同悬在创新之上的达摩克利斯之剑，锁死了效率与成本的极限。
深势科技首席科学家张林峰对此有深刻解读：在微观尺度模拟原子 、分子的行为时，系统的复杂程度（即“维数”）随原子数量增加而暴增 ，所需计算资源和数据量呈指数级爆炸 。例如 ，计算十几个原子的体系或许可行，但当面对真实场景中涉及数万原子的蛋白质 ，或需模拟溶液中成千上万分子的相互作用时 ，即便动用顶级超算，也算力竭尽、时间漫长 。
其直接商业后果是灾难性的：因为“算不动” ，研发不得不高度依赖反复的“湿实验 ”试错。这种模式如同在黑暗迷宫中盲目摸索 ，不仅代价高昂：催生了新药研发“十年十亿美金 ”的经典困局，更导致新材料开发周期漫长 ，严重滞后于市场迭代需求 。整个产业的创新效率 ，被禁锢在物理规律设定的天花板之下 。
深势科技的商业价值基石，在于用“AI+物理”的方案 ，实现了对“维数灾难 ”的釜底抽薪。其核心并非简单用AI拟合数据 ，而是让AI深度学习和复现量子力学的底层物理规律（如势能函数），从而在保持第一性原理精度的前提下，将计算效率提升数个数量级 。
这不仅是科学突破 ，更是一场商业上的 “时间折叠” 。一个极具说服力的案例是：此前 ，科研人员为精确模拟64个水分子的微观相互作用，需消耗顶级超算2亿核时 ，耗时三个月 ，仅机时成本便堪比天价。而今，基于深势科技的DPA预训练大模型 ，同一任务在一台普通笔记本电脑上 ，仅需不到五天即可完成 。
技术的降维打击，最终必须转化为客户账本上清晰的降本增效 。深势科技交出的答卷 ，将其技术叙事扎实地锚定在经济叙事之上。
最直接的体现是成本结构的重塑。根据合作伙伴的实测反馈 ，在引入深势的AI计算平台后，研发中对昂贵 、耗时的湿实验依赖程度大幅降低 ，相关成本平均下降高达76% 。与此同时 ，该平台已助力合作伙伴沉淀了超过50项经过计算验证的高价值科学资产（如先导化合物 、新材料配方），这些数字资产构成了未来持续创新的核心资本 。
对于翰森制药、复星医药等药企而言，这意味着药物发现从“大海捞针 ”的运气游戏 ，转向“按图索骥 ”的理性设计。深势的Uni-Fold是全球首个最快复现Alphafold的工作 ，且在Alphafold3发布时被列为了排名第一的benchmark 。对于宁德时代 、比亚迪等新能源巨头，该技术能以前所未有的速度筛选高性能电解液 、正负极材料 ，成为在激烈技术军备竞赛中抢得先机的关键利器 。
当一家公司能够帮助客户将研发过程中的“运气”成分转化为可重复、可预测的“计算 ”过程 ，将“十年磨一剑 ”的漫长周期压缩为“数年出成果”的敏捷节奏，它的价值便深深嵌入了客户的核心价值链与竞争力之中。
这正是资本市场给予深势科技高估值的根本逻辑：它正将不可预测的科学发现 ，转变为一门可计算 、可规划 、可预期的高确定性生意 。这8亿元融资 ，不仅是对其技术领先性的认可，更是对这套已通过验证的“技术-经济 ”新范式的重磅投资 。
本文来自作者[曼梅]投稿，不代表视听号立场，如若转载，请注明出处：https://stddy.com/xinwen/202512-68419.html
评论列表（4条）
我是视听号的签约作者“曼梅”！
希望本篇文章《深势科技获8亿融资：做AI for Science的“安卓系统”》能对你有所帮助！
本站[视听号]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：站在2025年的岁末回望，AI for Science（AI4S）已彻底告别了实验室里的‘概念验证’阶段，甚至跃升为全球科技巨头竞相角逐的下一个战略主战场。英伟达正在试图将其芯...