马睿深度解析：“十五五”AI赋能物理世界，洞悉造富新机遇

我们常常认为机遇源于市场情绪波动、资本追捧或某个突然兴起的领域。然而，在中国这样一个产业升级与政策引导并行推进的环境下，许多更宏大的机遇恰恰是沿着国家战略规划的轨迹，一步步孕育而生的。

在“十三五”期间，光伏、锂电、生物医药等产业迅速崛起；

“十四五”时期，数字经济和产业升级成为核心议题；

那么，在即将到来的“十五五”阶段，哪些技术将真正渗透到各行各业，催生新的发展机遇呢？

上周，混沌学堂邀请了峰瑞资本合伙人马睿，就“十五五”规划中的科技产业方向及投资机会进行了深入剖析，旨在指导大家如何把握趋势，识别真正具有影响力的变革。

马睿作为一名资深投资人，长期专注于科技与医疗领域，其投资组合涵盖了生物制造、脑科学、AI for Science（人工智能驱动科学创新）、固态电池等前沿领域，并持续关注量子计算、核聚变、具身智能等新兴方向。

尤为关键的是，他还曾参与过“十四五”规划的制定工作。这意味着他不仅能复盘市场成果，更能深入理解国家产业逻辑和资源流向的早期动向。

每一次五年规划的发布，其核心价值不仅在于“提及了什么”，更在于明确了资源的持续投入方向，哪些产业将被重点扶持，哪些技术将加速从实验室走向规模化应用。

无论您是投资人、创业者，还是关注未来发展的行业人士，这都将是一次从顶层设计到落地应用的系统性梳理的宝贵机会。

以下内容为课程精华节选，仅占全部内容的十分之一，完整版可在混沌APP收听。

AI将成为“十五五”未来产业的核心驱动力

“十五五”规划对未来产业的发展方向已做出明确界定。对于新兴产业，不仅要实现提质升级，形成新质生产力，更要朝着支柱化、集群化和规模化的目标迈进。而未来产业若想占据制高点，则必须具备前瞻性、孵化能力和生态构建能力。

战略性新兴产业预计将形成一个规模达40万亿的产业集群，涵盖新一代信息技术、新能源、新材料、智能网联新能源汽车、机器人、生物医药、高端装备以及航空航天等领域。而若干年后有望形成万亿级规模的未来产业，将成为新的增长引擎，其范畴包括量子科技、生物制造、氢能与核聚变能、脑机接口、具身智能以及第六代移动通信。

本轮“五年规划”与以往最大的不同之处在于，人工智能（AI）将扮演主要的驱动角色。Agent（智能体）以及高计算量（高Token消耗）的时代即将到来。

相较于前三次工业革命，本次AI革命的颠覆性尤为显著，堪称前所未有的技术革命。然而，技术突破并不等同于生产力提升，从当前数据来看，AI尚未完全实现生产力的质的飞跃。这是因为过去二十年的移动互联网时代，我们主要完成了与人相关的数据化工作，包括收集语音、文本、视频、搜索行为等信息，这些构成了当前AI发展的数据基础。

展望未来，AI本身的发展正面临瓶颈：大语言模型已基本吸收了所有可用的文本数据，迭代速度趋于放缓。要实现进一步突破，不仅需要新的数据来源，还需要创新的模型。同时，随着新模型和应用需求的涌现，对算力的需求也将不断提升。数据、算力和模型三者协同迭代，AI才能持续向前发展，最终迈向通用人工智能（AGI）。

因此，若要实现AI的最大规模落地应用，关键在于在物理世界中提升生产力，特别是在生物、材料和能源等交叉领域。AI在物理世界的应用（物理AI）的重要性前所未有，无论是微观层面的AI for Science（AI赋能科学），还是三维重建模型、世界模型等，都将发挥关键作用。

基于AI的这种演进路径，我认为它将带来三个层面的生产力跃迁：

第一，Agent（智能体）的崛起。随着Token费用的持续下降（可能遵循摩尔定律），未来的收费模式或将从按Token计费转变为基于为客户带来的价值来收费。

第二，AI的创新能力将从“从0到1”的突破，向其他基础科学领域进行外溢，例如AI+生物、AI+制药、AI+化学、AI+物理等。通过AI for Science的方式实现底层科技的创新，这很可能成为中美科技竞争的焦点。

第三，实现“从1到100”的价值放大。这部分得益于AI for Science带来的底层创新，结合中国强大的产业链优势，将科技创新与产业创新深度融合。这正是中国在未来十年、二十年内赢得竞争的关键所在。

正如我在此图中所展示的那样。最底层是AI本身，它将从当前的大语言模型演进为下一代的视觉模型、物理AI，或者特定领域的专用模型。这些模型上的进步将扩散到数学、编程、物理、化学、材料、生物等学科领域，我们将其统称为AI4S（AI for Science）。

再往上一层，AI将影响材料设计、蛋白质设计、生物分子设计、激光技术改进，甚至包括高温超导材料、新一代芯片以及新一代机器人等。更进一步，它将渗透到我们之前提到的实体经济中的未来产业，如生物制造、具身智能、AI制药、量子计算、核聚变和脑机接口。

最终，AI的影响将触及更广泛的行业领域，即战略性新兴产业，包括生物医药、新能源、新材料、食品、云计算、自动驾驶、航空航天，乃至低空经济。

科技创新：AI向基础科学领域的渗透与物理世界的融合

当AI成为最主要的驱动力，通过层层递进的放大效应，逐步影响AI for Science、各类技术以及不同产业。因此，理解AI for Science带来的科技创新至关重要。

当前，AI for Science作为继经验科学、理论科学、计算科学、数据科学之后的“第五科研范式”，正在引发全球科研体系的深刻变革。AI for Science被视为AI三大关键发展方向之一，其市场规模预计将达到百亿美元级别，并成为科技强国和未来产业竞争的核心驱动力。

让我们先概览一下AI for Science领域取得的重大进展：

·AI已成功研发出药物，多家AI制药公司已实现上市。

·前沿模型层出不穷：如AlphaFold 4、RF diffusion 3、Chai-2、LatentX-2等。

·跨国制药巨头纷纷与AI原生公司建立合作，Agent+具身机器人+高通量实验室成为新的研发范式。

·AI的应用已不再局限于制药领域，正拓展至AI+材料、AI+生物制造、AI+脑科学、AI+聚变等多个方向。

接下来，我们将具体介绍一些领域的情况。

AI制药

AI制药领域已进入2.0阶段。我们峰瑞资本全程参与了AI制药的1.0发展历程，近五年来，相关模型取得了显著的进步：

从AlphaFold 2荣获诺贝尔奖，到ChatGPT的横空出世，再到蛋白质设计工具和生物基础模型的不断演进，以及头部上市企业逐步转向新的药物形式（如mRNA、小核酸、多肽和抗体）。AI制药正从单纯的工具应用，发展到能够设计药物，从概念走向日益成熟的商业化进程。

例如，已被AI制药上市公司Recursion收购的Exscientia公司，其研发的一款GLP-1药物已进入上市申请阶段，预计将于本月（2026年4月）获得FDA的正式批准。

再比如，峰瑞资本早期投资的剂泰科技，其研发的MTS-004口崩片已达到Ⅲ期临床研究的主要终点，对神经退行性疾病后的吞咽困难症状具有显著的缓解效果。

然而，截至目前，许多前沿模型尚未被大型药企广泛采纳。我的判断是，未来一到两年内，AI在制药领域的生产力释放和规模化应用将更加显著。

在技术路径上，这些模型主要有三条路线：

第一，以美国David Baker教授团队为代表，基于基础模型进行蛋白质设计。过去三年，他们已将蛋白质设计完全从基于物理计算的模式转变为以AI为基础，成功率提高了至少十倍。代表性的模型包括RF diffusion和RF diffusion 3。

第二，以谷歌DeepMind的AlphaFold系列为代表。它们已从仅能计算蛋白质结构扩展到能够覆盖所有生物分子（包括小分子）的预测，并能预测分子间的相互作用。

第三，Meta公司的大模型，利用大型语言模型直接学习生物序列，从仅能进行预测发展到能够进行设计和生成。

在应用层面，小分子药物的设计合成难度最大，其次是多肽、环肽和递送技术，而蛋白质设计和抗体设计已相对成熟。特别是抗体领域，正受到AI的强力颠覆。

总体而言，模型迭代速度加快，能力边界不断拓展。各位可以基于这些模型的进展，判断哪些公司未来有可能利用最新模型开发出更多药物，实现更大的商业价值。

值得一提的是，过去三四年间最大的算法架构创新在于，将Transformer和Diffusion这两种架构跨领域应用于生物模型，并结合生物数据，催生了生物基础模型，例如AlphaFold 2和AlphaFold 3。

AlphaFold 2采用了Transformer架构，并基于MSA（多序列比对）进行了类似RAG（检索增强生成）的增强，获得了诺贝尔奖级别的评价和效果。AlphaFold 3可以理解为在AlphaFold 2的基础上，将后续的结构生成模块替换为Diffusion模块，从而减少了对MSA的依赖，并能更好地预测更大体系，如蛋白质与蛋白质、蛋白质与分子的相互作用。

AI+材料

AI+材料是当前一级市场最热门的投资领域之一，已成为竞争主战场。具体表现为，美国提出了“创世纪计划”，旨在利用AI for Science设计新材料，英伟达、微软、亚马逊等巨头均已加入该计划。此外，获得巨额融资的美国公司以及中国的“AI+材料”企业，都在积极利用AI设计高价值材料，例如电解液、高温超导材料、聚变材料、裂变材料、冷却液等，这些领域都极具关注价值。

举例来说，谷歌启动了一个名为GNoME（材料探索图形网络）的项目。该项目利用图神经网络来表征分子，并结合DFT等高精度物理计算来测算分子的能量，仅用极短的时间就发现了约220万种稳定材料。

纵观人类数千年的历史，总共才发现了十几二十万种稳定材料。而谷歌在几周内就将人类已知的稳定材料基础扩大了十倍。进一步分析发现，其中有超过500种材料有潜力转化为锂离子电池导体、太阳能电池材料或芯片材料等。

另一个值得关注的案例是微软发表的一篇文章，其中提出的算法MatterGen被视为AI材料生成领域的范式级突破。其核心思路是：从一种稳定材料出发，通过加入噪声使其变形，最终生成一种随机材料。如果对随机材料进行降噪处理，它又能恢复成一种稳定材料。AI通过学习加噪和降噪的过程，能够根据给定的元素组成，预测出这些元素组成的稳定材料应具备的结构。

总而言之，原子和分子是物理世界最基本的构成单元，AI for Science本质上是数字世界连接物理世界的最关键的桥梁。目前，该领域的主战场仍集中在蛋白质和抗体领域，因为小分子的设计和合成难度依然很高。

但我预测，AI制药的成功经验将逐步外溢到材料、聚变、量子计算、脑机接口、生物制造等领域，最终形成一个AI for Science的宏大范式。

（本文仅为课程内容的十分之一，扫描二维码可前往APP收听完整版）

产业创新：未来十年的机遇所在

回到这张图，AI4S专注于研究原子、分子等微观粒子及其相互作用，这是物理世界的重要基石。在此基础上，又催生了哪些未来产业？为何是这些产业？它们与AI之间又存在怎样的关联？

实际上，生物制造、脑机接口、具身智能都是AI的重要应用方向。核聚变将成为未来AI的能源保障，而量子计算则有望成为下一代算力的重要补充，甚至成为未来的主导算力。这些领域都具有战略高度，是必须抢占的未来产业制高点。

接下来，我将为大家逐一介绍这些行业：

AI+量子科技

量子科技通常包含三个主要分支：量子计算、量子通信和量子传感。今天我们将重点关注量子计算，因为它极有可能成为下一代算力的核心。

量子计算之所以重要，是因为摩尔定律可能即将走到尽头。回顾历史，大约在2003年，英伟达的架构师John Nickolls预见到摩尔定律的放缓，并致信黄仁勋，建议开发CUDA，将GPU内部更多的并行核心连接起来，从而绕开“通过缩小晶体管尺寸来提升性能”的路径。后来的事实证明了这一判断的准确性：英特尔依靠制程工艺领先的红利逐渐收窄，而英伟达通过CUDA将GPU转型为大规模并行计算平台，在AI等并行工作负载上展现出远超CPU的性能。

站在今天的视角展望未来，经典半导体技术路径正逼近物理极限——稍后我将详细阐述，当晶体管尺寸缩小到约5个原子直径时，将进入量子效应主导的区域。下一代算力的跃迁，很可能将由量子计算来接棒。

量子计算与经典计算最根本的区别在于其基本单元不同。在经典计算机中，每一位要么是0，要么是1，状态是确定的。然而，量子比特（qubit）可以同时处于0和1的叠加态。这听起来有些抽象，但它带来的计算优势却是实实在在的：每增加一个量子比特，可编码的状态空间就会翻倍，算力也随之翻倍。

打个比方，经典计算机需要从32位升级到64位才能使算力翻倍；而量子计算机只需从32位增加到33位，算力即翻倍。仅仅70个量子比特（理论上可表示2的70次方个状态），就足以存储人类迄今为止产生的所有数据。

尽管量子优越性已被科学界证明，但能否在具有商业价值的领域找到合适的应用场景呢？

目前，我认为以下几个方向比较适合量子计算落地：

第一，量子模拟。即利用量子计算求解哈密尔顿方程，解决AI for Science领域提到的许多问题，例如物理模拟、化学模拟和生物模拟。

第二，量子组合优化。这类问题通常规模庞大，但缺乏足够的前期数据支持。

第三，量子线性代数。包括求解矩阵的乘加运算、量子机器学习以及密码破译等。因此，AI特别擅长处理大数据问题，从海量数据中挖掘规律并生成结果。而量子计算则尤其擅长解决小数据、大组合的问题。

AI+生物制造

生物科技本身就是一种制造技术。制造必然需要工厂，在生物制造领域，这个工厂被称为“细胞工厂”，它是一个能够自我复制的生产单位。通过输入营养物质，细胞在内部进行生产，并将产物输出。工厂本身可以自我复制，因此在发酵罐中，可以先培养细胞工厂至一定密度，再令其执行生产任务。

那么，什么是生物制造或合成生物学？

合成生物学是21世纪初在美国提出的概念，是一个融合了生物学、化学、农学、医学、工学、人工智能和数据科学的交叉学科。尽管有多种描述方式，但通常包含三个主要方向：

第一是基因合成，或者称为合成酵母基因组。第二是代谢工程，即利用合成生物学改造细胞，进而利用这些细胞生产目标产品。第三是从理性设计的角度出发，像构建芯片一样来构建生物系统。

简而言之，合成生物学可被视为生物学的工程化和数据化过程。由于酶和细胞在一定程度上可以被计算和设计，AI在此过程中发挥着至关重要的作用。那么，AI+合成生物学具体能实现哪些突破？我认为以下几个方向最具前景：

·新物质的发现

·酶和生物元件的设计

·高通量传感器的开发

·代谢途径的优化设计

·发酵工艺的AI控制

然而，在此需要泼一盆冷水：合成生物学的商业化过程极其艰难。从基因和基因组的合成，到细胞工厂的设计，再到发酵规模的放大，以及后续的分离纯化、聚合改性、产品销售……整个链条之长令人咋舌。过去二十年，许多产品即使在实验室阶段产率很高，最终仍难以实现商业化。

那么，生物制造的商业机会究竟在哪里？

一是可以替代化石原料，为能源和材料安全提供缓冲。二是打破许多原料和产品的进口依赖，保障供应链安全。三是通过生物路线创造全新的产品或实现显著的成本优势，从而颠覆全球供应格局。

但这三个方向的商业化难度同样不容小觑。从市场现状来看，中国一级市场的合成生物企业普遍商业化能力较弱，年营收过亿的未上市企业屈指可数。反观二级市场，中国表现优于美国。如凯赛生物、华恒生物、华熙生物、川宁生物等企业取得了不错的成绩。而美国方面，Amyris已宣告破产，Zymergen被Ginkgo收购，Ginkgo自身也陷入困境。

从更长远来看，未来十年的目标是使生物合成在市场分子构成中占据30%的份额。而下一步真正的突破，即确定要开发何种分子，很可能需要AI的指引，帮助我们找到当前难以发现的“宝藏”。

AI+脑机接口

脑机接口技术已有百年的发展历史。我认为，该技术目前已完成了概念验证阶段，正通过应用驱动，不断推进工程化和实际落地。

按照应用场景划分，脑机接口可分为两大类：

第一类是通信和运动型脑接口，通常利用大脑信号直接控制鼠标或机械臂，或将外部信号写入大脑。

第二类是治疗型脑接口，通过调节大脑活动来缓解癫痫、精神疾病等病症，这需要一个采集、计算、刺激的闭环系统，即先采集信号，处理信号，然后刺激大脑。

此外，还可以根据手术创伤程度分为非侵入式、微创式和侵入式；根据传感器位置和信号质量，可分为植入式、介入式和非植入式。过去十年，非植入和非侵入式设备占据了绝大多数（约85%）；植入式和侵入式设备约占9%；介于两者之间的半侵入式设备约占4.9%。

关于非侵入式脑机接口的信号局限性，去年Meta进行了一项意念打字实验：让受试者想象一段要输入的文字，通过脑磁图或脑电图解码其意图，并比较准确率。

实验结果显示，非侵入式设备的错误率高达67%；脑磁图的错误率也有32%，从产品角度看是无法接受的。半侵入式的皮层脑电图（虽然未插入皮层，但在颅骨下方）错误率为15.2%。而侵入式的犹他电极，错误率可降至6%以下。若再结合AI矫正模型，错误率可降至1%，并实现每分钟90个词的输入带宽。从这些对比可以看出，虽然颅外信号测量具有一定价值，但其准确度和精度难以支撑严肃的应用场景。

在侵入式脑机接口领域，Neuralink无疑是行业的标杆企业。其核心产品N1芯片拥有1024个电极，远超传统设备水平，并计划将电极数量扩展至数万个。

去年，Neuralink成功帮助首位四肢瘫痪患者通过意念控制光标，成为行业历史性的里程碑。截至目前，全球已有12名患者完成了植入手术。临床适应症正持续扩展，语音恢复和视觉恢复均已获得FDA的突破性设备认定，并在美国、英国、加拿大、阿联酋等地开展国际试验。

无论是侵入式、半侵入式还是介入式脑机接口，在国内都能找到对标企业。目前国内的头部企业，如「阶梯医疗」、「智冉」等，都在对标Neuralink的方案。

整个脑机接口市场的规模可以这样划分：总计约4000亿美元（此为美国市场估算）。第一阶段约800亿美元，主要涵盖上肢瘫痪、癫痫、抑郁等适应症；第二阶段约3200亿美元，包括下肢瘫痪等患者。其中，上肢瘫痪市场约100亿美元，抑郁症市场约500-600亿美元。预计到2035年，年营收可达5亿美元，到2041年达到10亿美元，而到2045年，渗透率可能才达到3%。

这是一个潜力巨大的市场，但渗透速度相对较慢，暂时还未能达到像神经调控那样能够形成规模化营收的阶段。

但总体来看，我认为脑机接口和神经调控是两条可以融合的发展路径。脑机接口拥有多电极、多通道的记录优势，而神经调控则具备成熟的刺激平台和医疗器械化经验。未来最理想的产品形态，可能是拥有几十个通道的软电极，既能记录信号，又能进行刺激，实现真正的闭环控制。

最后需要提醒的是，脑机接口在商业化方面仍面临挑战。市场空间是分层开启的，短期内可实现的场景市场规模较小，而临床时间长、难度大的领域则需要充足的融资支持才能最终成功。脑机接口要真正迎来“iPhone时刻”，还需要脑科学的持续深入研究、工程化成本的降低、电极技术的迭代，以及在更多病种中不断验证和拓展。系统性的转化投入离不开国家层面的支持。对于中国而言，我们有机会引领全球，真正再造一个高技术产业的规模。

（本文仅为课程内容的十分之一，扫描二维码可前往APP收听完整版）