我们总以为机会来自市场情绪，来自资本追捧，来自某个突然爆火的赛道。可在中国这样一个产业升级与政策牵引并行的环境里，很多更大的机会，恰恰是沿着国家规划的脉络，一步一步长出来的。
十三五的时候，光伏、锂电、生物医药快速起势；
十四五阶段，数字经济与产业升级成了主旋律；
那接下来的 " 十五五 " 中，哪些技术会真正穿透产业成为新的机会？
上周，混沌邀请到峰瑞资本合伙人马睿，深度解读 " 十五五 " 规划中的科技产业方向与投资机遇，教你怎么看趋势，怎么识别真正重要的变化。
作为投资人，马睿老师长期深耕科技与医疗领域，布局过生物制造、脑科学、AI4S（AI for Science，人工智能驱动科学创新）、固态电池，也持续跟踪量子计算、核聚变、具身智能等前沿方向。
但更关键的是，他还曾参与 " 十四五 " 规划的编制工作。不只是站在市场结果后面回头复盘，而是更早进入国家产业逻辑、理解资源流向。
每一次五年规划，重要的都不只是 " 提到了什么 "，而是资源会向哪里持续流动，哪些产业会被真正推到台前，哪些技术会获得从实验室走向产业链的加速度。
无论你是投资人、创业者，还是关注未来趋势的从业者，这都是一次难得的、从顶层设计到落地应用的系统梳理。
以下是课程的精选内容，仅占 1/10，完整版在混沌 APP。
AI成为" 十五五 "未来产业的最大驱动力
" 十五五 " 提出的未来产业方向比较明确。对于新兴产业，不仅要提质升级、变成新质生产力，还要实现支柱化、集群化和规模化。而未来产业要抢占制高点，必须具备前瞻化、孵化化和生态化。
战略新兴产业未来将形成一个 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、高端装备和航空航天。未来产业若干年后有望形成 10 万亿规模，成为新的增长点，涉及的行业包括量子科技、生物制造、氢能与核聚变能、脑机接口、具身智能和第六代移动通信。
而新一轮 " 五年规划 " 与以往最大的不同就在于，AI 将成为主要的驱动力。Agent 和高 Token 消耗的时代即将来临。
相比前三次工业革命，这一次 AI 革命非常厉害，可以说，AI 带来了前所未有的技术革命。但技术突破≠生产力提升，从当前数据看，它还没有完全实现生产力的提升。因为过去移动互联网的 20 年里，我们只是完成了与人相关的数据化工作，包括收集人的语言、文本、视频、搜索行为等，这些都只是今天 AI 的数据基础。
站在今天往后看 AI 本身，大语言模型基本已经吞尽了所有可用的文本数据，迭代在变慢。要继续往前发展，不仅需要新的数据，还需要新的模型。而随着新的模型和应用要求，可能会出现新的算力。数据、算力和模型一起迭代，AI 可以逐渐向前发展，最终通向 AGI。
所以未来如果 AI 要带来最大的应用落地，一定是在物理世界实现生产力的进步，在生物、材料和能源的交叉领域发生。物理 AI 从未像今天这样变的重要，无论是微观的 AI4S，还是三维重建的模型，或是世界模型。
如果 AI 是这样演进的，我认为这会带来的生产力跃迁有三点：
第一点是 Agent。随着 Token 费用按照摩尔定律下降，未来可能从按 Token 收费，变成按给客户带来的价值收费。
第二点是从 0 到 1 的 AI 向其他基础科学领域外溢，比如 AI+ 生物、AI+ 制药、AI+ 化学、AI+ 物理。通过 AI4S 的方式完成底层的科技创新，我认为这可能是中美竞争的焦点。
第三点是从 1 到 100。这部分是 AI4S 带来的底层创新，与中国强势的产业链结合，使科技创新和产业创新融合在一起。这是中国下一个十年、二十年要胜出的关键所在。
从上面我画的这张图可以看到。最底层是 AI 本身，它要从现在的大语言模型再演变为下一代的视觉模型或物理 AI，或者在某个领域的专有模型。这些模型上的进展，会扩散到数学、编程、物理、化学、材料、生物等行业。我们把这些统称为 AI4S。
再往上走，它会影响材料设计、蛋白设计、生物分子设计、激光改进，甚至高温超导材料，以及新一代芯片、新一代机器人。更进一步，它会影响到我们刚才提到的实物中的未来产业，包括生物制造、具身智能、AI 制药、量子计算、核聚变和脑机接口。
然后再往上，它会影响到更广义的行业，也就是战略新兴产业，包括生物医药、新能源、新材料、食品、云、自动驾驶、航空航天，甚至低空经济。
科技创新：AI 向其他基础科学领域外溢进入物理世界
当 AI 成为最大的驱动力，通过一种级联放大的方式，一步步影响 AI for Science、不同技术、不同产业，先看懂 AI for Science 带来的科技创新就十分重要。
当前，AI4S 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 "，正引发全球范围内的科研体系变革。AI4S 被视为 AI 三大关键方向之一，其市场规模有望达到百亿美元级别，并成为科技强国与未来产业竞争的核心驱动力。
我们可以先来看 AI4S 的一些进展概览，非常大的进展：
· 药被 AI 做出来了，不少 AI 制药 1.0 公司实现了上市
· 前沿的模型层出不穷：AlphaFold 4，RF diffusion3，Chai-2，LatentX-2......
· 跨国药企纷纷绑定 AI 原生公司，Agent+ 具身机器人 + 高通量实验室成为新范式
· 现在不只是 AI+ 制药，已经发展到 AI+ 材料、AI+ 生物制造、AI+ 脑科学、AI+ 聚变 ......
接下来，我们来具体介绍下一些情况。
AI 制药
AI 制药实际上已进入 2.0 阶段。我们峰瑞资本完整参与了 AI 制药的 1.0，过去五年模型有了非常大的提升：
从 AlphaFold 2 获得诺贝尔奖，到 ChatGPT 横空出世，到蛋白设计工具和生物基座模型的演进，再到上市头部公司逐渐向新的 modality（如 mRNA、小核酸、多肽和抗体）迁移。AI 制药也从工具逐渐走向能够设计出药物，从概念走向越来越多的真实商业化进展。
例如，已被 AI 制药上市公司 Recursion 收购的 Exscientia，它做的一款 GLP-1 药物现在已经进入申请上市阶段，预计在本月（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，它做的 MTS-004 口崩片已经达到Ⅲ期临床研究主要终点，对神经退行性疾病之后的吞咽困难症状有非常好的缓解作用。
但事实上，到今天为止，很多这些前沿模型还没有被药企广泛采用。我的判断是，未来一到两年内，会在制药上形成更大的生产力释放和规模化应用。
在技术上，这些模型基本上有三条路线：
第一，以美国 David Baker 为代表，基于一些基础模型做蛋白设计。过去 3 年里，他们完全将蛋白设计从基于物理计算调整为以 AI 为基础，成功率至少提高了 10 倍。这类代表模型包括 RF diffusion 和 RF diffusion3。
第二，以谷歌 DeepMind 的 AlphaFold 系列为代表。它们从只能计算蛋白扩展到可以覆盖所有生物分子（包括小分子），还能预测相互作用。
第三，Meta 的大模型，用大语言模型直接学习生物序列，从只能做预测到现在能做设计和生成。
在应用上，最难的是小分子，其次是多肽、环肽和递送，而蛋白设计甚至抗体设计已经解决得比较好。抗体这一部分正被 AI 强力颠覆。
总的来说，模型正在快速迭代，能力边界不断扩展。大家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做出更多药物、获取更大商业价值。
值得一提的是，过去三四年最大的算法架构创新就是，将 Transformer 和 Diffusion 这两种架构跨领域应用在生物模型上，结合生物数据，带来了生物基座模型，比如 AlphaFold 2 和 AlphaFold 3。
AlphaFold 2 使用了 Transformer 架构，基于 MSA（多序列比对）的一个类似 RAG（检索增强生成）的增强，就获得了诺贝尔奖这样的评价和效果。AlphaFold 3 可以简单理解为在 AlphaFold 2 的基础上，把后面的结构生成模块换成了 Diffusion 模块，从而变得更加少依赖 MSA，并且能更好地预测更大体系，如蛋白加蛋白、蛋白加分子。
AI+ 材料
AI+ 材料是现在一级市场最热的投资领域之一，已经成为一个主战场。具体体现在，美国提出了 " 创世纪计划 "，用 AI for science 来设计材料，英伟达、微软、亚马逊都加入了这个计划。另外，获得很高融资的美国公司，还有中国的 "AI+ 材料 " 公司都在利用 AI 设计高价值材料，比如电解液、高温超导材料、聚变材料、裂变材料、冷却液等，非常值得大家去关注。
举例来说，Google 启动了一个项目叫 GNoME（材料探索图形网络）。它用图神经网络来表征分子，并用 DFT 等高精度物理计算来测算分子的能量，只花了很短的时间，就发现了大约 220 万种稳定材料。
过去几千年，人类一共也就发现了十几二十万种稳定材料。而 Google 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 500 多种确实有可能转化为锂离子电池的导体、太阳能电池的材料或芯片材料等。
另一个值得一提的是微软发表的一篇文章，其中提出的算法叫 MatterGen，被视为 AI 材料生成领域的范式级突破。它的思路是：从一个稳定材料出发，给它加噪声使其变形，最终变成一个随机材料。如果对随机材料进行降噪，它又会变回一个稳定材料。AI 学习了加噪、特别是降噪的过程之后，给定元素组成，就能告诉我们这些元素组成的稳定材料应该长成什么样子。
总结来看，原子和分子是物理世界最底层的基础，AI for Science 本质上是数字世界连接物理世界最关键的桥梁。目前主战场还在蛋白和抗体上，因为小分子的设计和合成难度依然很高。
但我判断，AI 制药的成功会逐步外溢到材料、聚变、量子、脑机接口、生物制造等领域，真正形成一个 AI for Science 的大范式。
（文章仅为课程 1/10，扫码可前往 APP 看完整版）
还是这张图，AI4S 研究原子、分子等微观粒子和其之间的相互作用，这是物理世界的重要基础。而在基础之上，产生了哪些未来产业呢？为什么是这些产业？他们的 AI 的关系又如何？
其实，生物制造、脑机接口、具身智能都是非常重要的 AI 的应用方向，核聚变是未来 AI 的一个能源保障，而量子计算可能是未来作为 AI 的一个算力补充，或者成为下一代的这个算力。这些都是非常重要的，具有非常战略高度以及需要去抢占的一些未来产业。
下面我给大家介绍一下这些行业本身：
AI+ 量子科技
量子科技通常包含三个部分：量子计算、量子通信和量子传感。今天我们主要聚焦量子计算，因为它有可能是下一代的算力。
量子计算之所以重要，是因为摩尔定律有可能会终结。回溯历史，2003 年前后，英伟达架构师 John Nickolls 判断摩尔定律即将放慢，给黄仁勋写信建议开发 CUDA，把 GPU 内部更多的并行核心连起来，绕开 " 靠晶体管继续缩小 " 这条路。后来事实印证了这个判断：英特尔靠制程领先的红利逐步收窄，英伟达用 CUDA 把 GPU 改造成大规模并行计算平台，在 AI 这类并行工作负载上跑赢了 CPU。
站在今天往前看，经典半导体路径正在逼近物理极限——后面我会讲到，当晶体管缩到 5 个原子直径量级时会进入量子效应主导区。下一代算力跃迁，大概率要靠量子来接棒。
量子计算和经典计算最本质的区别在于基本单元不同。经典计算机里，每一位要么是 0，要么是 1，确定无疑。但量子比特可以同时处于 0 和 1 的叠加态。这听起来有点玄，但带来的计算优势是实实在在的：每多一个量子比特，可编码的状态空间就翻一倍，算力也随之翻倍。
打个比方。经典计算机从 32 位升到 64 位，算力才能加倍；而量子计算机从 32 位升到 33 位，算力就加倍了。仅仅 70 个量子比特（2 的 70 次方），理论上就能存下人类迄今产生的所有数据。
尽管量子优越性已经被证明，但能否在商业高价值领域里找到合适的应用呢？
目前我觉得比较适合量子落地的方向有以下几个：
第一个是量子模拟，即利用量子计算去解哈密尔顿方程，做 AI for science 中提到的很多问题，比如物理模拟、化学模拟、生物模拟。
第二个是量子组合优化。这类问题往往规模极大，但没有前序数据支撑。
第三个是量子线性代数，比如解决矩阵的乘加、量子机器学习、密码破译等。所以，AI 特别适合解大数据问题，从海量数据中发现规律并生成结果。而量子则特别擅长解小数据、大组合的问题。
AI+ 生物制造
生物科技本身是一种关于制造的科技。制造一定要有工厂，在生物制造里，这个工厂叫 " 细胞工厂 "，它是一个可以自复制的生产工厂。营养物质进来，细胞在里面进行生产，然后把产物转到细胞外面。工厂本身可以复制，所以在发酵罐里，你可以先把细胞工厂养起来，养到一定密度，再让它执行生产任务。
那么，什么是生物制造或合成生物学？
合成生物学是 2000 年在美国提出的概念，是一个涵盖生物学、化学、农学、医学、工学、AI 和数据科学的交叉学科。它有很多描述方式，但一般来说有三个方向：
第一是基因合成，或者叫合成酵母的基因组。第二是代谢工程，也就是利用合成生物学改造细胞，然后用这些细胞来生产想要的东西。第三是从理性设计的角度出发，像搭芯片一样来搭建生物学。
简单来说，合成生物学可以看作是生物学的工程化和数据化。因为酶和细胞在一定程度上可以被计算和设计，AI 的帮助作用就在这里。那么 AI+ 合成生物具体能做什么？我觉得这几个最有前景的方向值得关注：
· 新物质发现
· 酶和元件的设计
· 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
不过，这里要泼一盆冷水，合成生物的商业化极其艰难。从基因和基因组合成，到细胞工厂设计，再到发酵放大，再到分离纯化、聚合改性、产品销售 ...... 链条之长令人咋舌。过去 20 年，很多产品即便在实验室里产率已经做得相当高，最终仍难以活到商业化。
那么，生物制造的商业机会在哪里？
一是替代化石原料，提供能源和材料安全的缓冲。
二是打破很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产品或显著的成本优势，颠覆全球供给格局。
但这三个方向的商业化难度同样不能低估。从市场现状看，中国一级市场的合成生物企业商业化能力普遍偏弱，年营收过亿的未上市企业屈指可数。反而是二级市场，中国表现优于美国。像凯赛生物、华恒生物、华熙生物、川宁生物等跑出了不错的成绩。而美国这边，Amyris 已经破产，Zymergen 被 Ginkgo 收购，Ginkgo 自身也深陷困境。
往更长远看，未来十年的目标是让生物合成占到市场分子的 30%。而下一步真正的突破，做什么分子，很可能要靠 AI 来引路，找到我们自己找不到的 " 矿 "。
AI+ 脑机接口
脑机接口到现在已有 100 年的历史。我认为，它已经实现了概念验证，现在正在通过应用驱动，不断推进工程化和落地。
如果按应用来分，脑机接口可以分成两大类：
第一类是通信和运动型的脑接口，往往是用大脑信号直接去控制鼠标或机械臂，或者从外界得到信号写入大脑。
第二类是治疗型的脑接口，通过改变大脑活动来缓解癫痫、精神疾病等病症，这必须有采集、计算、刺激的闭环，也就是采集信号、处理信号、然后刺激大脑。
此外，还有非侵入、最小侵入、侵入的分类（按医生关心的手术带来的损伤来分），以及植入式、介入式、非植入式的分类（按工程师关心的传感器位置及信号质量来分）。过去十年，最多的是非植入和非侵入的，大约占 85%；植入和侵入的约占 9%；介于两者之间的半侵入约占 4.9%。
关于非侵入脑机接口的信号局限，去年 Meta 做了一个意念打字的实验：让受试者想象一段要打的字，通过脑磁图或脑电图解码他想打什么字，然后比较准确率。
结果显示，非侵入的错误率是 67%；脑磁图也有 32% 的错误率，这从产品角度完全无法接受。半侵入的皮层脑电图（虽然没有插入皮层，但在颅骨下面）错误率为 15.2%。侵入式的犹他电极，可以做到小于 6% 的错误率。如果再使用 AI 矫正模型，可以做到 1% 的错误率和每分钟 90 个词的带宽。从这个对比能看到，虽然颅外测信号也有用，但准确度和精度很难支撑严肃的应用。
在侵入式脑机接口领域，Neuralink 算是当之无愧的标杆公司。其核心产品 N1 芯片已拥有 1024 个电极，远超传统设备水平，并规划持续扩展至数万个。
去年，Neuralink 让首位四肢瘫痪患者通过意念成功控制光标，成为行业历史性时刻。截至目前，全球已有 12 名患者完成植入。临床适应症持续扩展，语音恢复和视觉恢复均已获得 FDA 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。
其实不管是侵入式、半侵入式还是介入式，在国内都能找到对标的公司。现在国内头部的如「阶梯医疗」、「智冉」等，都是对标 Neuralink 的方案。
整个脑机接口的市场可以这样划分：总计约 4000 亿美元的市场（这是美国市场的估算）。第一阶段约 800 亿美元，主要包括上肢瘫痪、癫痫、抑郁；第二阶段约 3200 亿美元，包括下肢瘫痪等病人。其中，上肢瘫痪大约 100 亿美元，抑郁市场约 500-600 亿美元。预计到 2035 年实现 5 亿美元的年营收，到 2041 年实现 10 亿美元，到 2045 年渗透率可能才到 3%。
这是一个非常大的市场，但渗透较慢，暂时还达不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其实是两条可以融合的路线。脑机接口有多电极、多通道的记录优势，神经调控有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，可能是几十通道的软电极，既能记录又能刺激，实现真正的闭环控制。
最后要提醒下，脑机接口在商业化方面也面临着挑战。市场空间是分层打开的，马上能做的场景市场小，临床时间长、难度大的又需要足够的融资才能支撑走到最后。脑机接口要真正迎来 "iPhone 时刻 "，还需要脑科学持续深入、工程化降本、电极技术迭代，以及在更多病种中不断验证拓展，系统化的转化投入有赖于国家支持。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体量。
