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。