11： 合成生物的构建策略 ................................................................... 12 图表 12： AI 智能化学习能够加速底盘细胞的构建................................................... 13 图表 13： 现阶段农药研发流程与周期较长 ........ 方向三：具有较高的行业敏感度，对接难度相对较小或者改造优势比较明显的意愿型企业 也将具有先期优势。化工行业赛道多、产品种类极其丰富，产品链涉及到有机、无机，加 工包括矿产加工、能源加工，方式包括化学合成、物理提纯还有生物发酵等等，其中部分 企业设备的自动化控制能力相对较强，能够较为容易形成数字化对接，也有望提升 AI 优 化的速度；部分行业可以通过较低成本的对接获得较大的问题改善，比如加快产品落地、 年启动的结构调整战略下已经减产，剩余产能主要保障 CDon 和 CPon 的原料供应，并将于 2025 年全部关闭，但韩国翁山以及在 法国夏朗普的合资企业会继续生产己二酸。 己二酸：372 万吨 己二酸：神马股 份、华峰化学、 华鲁恒升 盛禧奥 德国 公司已决定退出位于德国斯塔德的聚碳酸酯（PC）工厂的生产，此决定 是在与相关工作委员会讨论后作出的，预计工厂生产将在 2025 年 1 月 前结束。后续公司所有下游

新兴前沿概述 059 2.2 重点新兴前沿⸺“AI 驱动的生物分子复合物结构预测与设计新突破” 060 化学与材料科学 1. 热点前沿及重点热点前沿解读 063 1.1 化学与材料科学领域 Top 10 热点前沿发展态势 063 1.2 重点热点前沿⸺“废旧聚烯烃塑料的化学回收” 064 1.3 重点热点前沿⸺“用于全固态电池的卤化物固态电解质” 068 2. 新兴前沿及重点新兴前沿解读 个热点前沿，合计 110 个热点前沿 和 18 个新兴前沿。 005 ② 11个大学科领域分别为：1. 农业科学、植物学和动物学；2. 生态与环境科学；3. 地球科学；4. 临床医学；5. 生物科学；6. 化学与 材料科学；7. 物理学；8. 天文学与天体物理学；9. 数学；10. 信息科学；11. 经济学、心理学及其他社会科学。 ③ 核心论文出版年的平均值。 ④ 引用至少两篇核心论文的施引论文。 2. 不可逆的环境变化风险。框架提出了调节地球系统稳 定性和恢复力的 9 个关键的地球系统过程，量化了部分 过程的阈值。这 9 种关键的地球系统过程包括气候变化 （Climate change）、生物地球化学循环（Biogeochemical flows）、淡水变化（Freshwater change）、土地系统变 化（Land system change）、生物圈完整性（Biosphere

应用技术平台加速先导化合物发现；泓博医 药持续推进 PR-GPT 多模态大型语言模型的应用；成都先导依托 DNA 编码化合物 库技术与 AI 技术结合，优化苗头化合物的识别过程；药石科技利用其分子砌块 库结合 AI 技术，开发动态化学空间，并通过一站式计算筛选平台，提供全面的 活性化合物筛选服务。随着 AI 技术的不断进步和 CRO 公司专业能力的增强，我 们预计未来药物研发领域将迎来更多创新突破。  风险提示。AI+制药 可以自己学习，识别模式然后建立模型，并根据这些模型进行预测;深度学习则是机器学 习的一种进阶类型。AI 算法可以按照不同的分类标准进行类型划分，例如按照模型训练 方式的差异可以分为监督学习、无监督学习，以及强化学习，按照模型预测任务的不同 可分为分类算法(包括二分类和多分类)、回归算法、聚类算法、降维算法、异常检测算 法等。 表 1 常用 AI 技术分类 类别 概述 典型算法代表 监 督 学习 常用的无监督学习算法包括聚类和降维。代表算法 包括 K 均值、期望最大化、主成分分析、线性判别 分析、高斯混合模型、奇异值分解、自编码器等。 强 化 学习 强化学习是另一种机器学习范式，不需要外部提供大量带标 签的数据进行训练。强化学习中有两个可交互的对象，智能 体与环境，智能体利用已有动作和经验的反馈不断地与环境 进行交互，以实现特定目标或取得最大化的预期利益。 - 深 度 学习

行 自我调整和优化。从模型架构来看，结构相对简单、参数较少的机器 学习模型正在转化为多层级、大参数量的深度学习、强化学习模型， 学习方法也从手动数据标记转变为自动的数据特征提取。从支撑要素 来看，机器学习对于数据和算力的需求较小，训练时间也相对较短， 而深度学习、强化学习则需要高性能的 GPU、TPU 等算力支撑，数据 需求也增长至百万量级。从应用场景来看，机器学习能够广泛用于各 类 交互技术的语言类模型虽然较为成熟，但是主要用于陪伴对话、教育 辅导、智能家居等服务型场景，而由于可靠性要求高、工业知识积累 6 不足等限制，尚未在工业中大规模应用。在推理决策方面，基于深度 学习、强化学习的方法，机器人可以通过训练学习数据以模仿人类， 甚至通过与操作对象或环境进行交互实现非结构性的复杂操作和自 主导航。 2、三种应用模型及其组合催生出多种功能的机器人 运动控制类模型推动传统工业机器人升级为“能精细化控制”的 实现传统机器人无法实现的焊接、喷涂和装配等操作，如喷涂机器人 通过学习大量的喷涂数据和工件表面特征，实现对复杂工件的精准轨 迹规划；焊接机器人能够根据焊接过程中遇到的不同情况进行自我调 整，以达到最佳的焊接效果；装配机器人利用强化学习算法，在装配 过程中自主学习轴孔装配技能，通过在线辨识控制器的最优参数，提 高装配操作质量。二是自主导航类，随着激光地图建模技术不断成熟， 基于地图开展移动路径设计的自主导航功能也实现广泛应用，发展出

DeepSeekR1/V3 推理服务。 l DeepSeek 通过 MLA 和 DeepSeekMoE 实现高效的推理和低成本训练，构建 DualPipe 算法和混合精度训练优化计算与通信负载；通过 ( 分阶段 ) 强化学习实现 性能突破。 多头潜在注意力 (MLA) 通过低秩联合压缩技术，大幅削减了注意力键 (keys) 和值 (values) 的存储空间，显著降低了内存需求。 DeepSeekMoE 架构采 用了更为精细粒度 了训练速度，还大幅降低了 GPU 内存的消耗。 DeepSeek-R1-Zero 通过强化学习架构创新实现突破性性能，核心技术创新体现在训 练效能优化策略、双维度评价体系、 结构化训练范式三个维度。 DeepSeek-R1 采用分阶段强化学习架构演进，包括冷启动阶段、面向推理的强化学习、拒绝采样 与监督式微调、全场景强化学习等。 l AI 应用爆发在即，算力需求持续攀升，关注 ASIC 及服务器产业链。 GPT-4o 等模型的训练成本 约为 1 亿美元。 l 2025 年 1 月， DeepSeek-R1 发布，性能对标 OpenAI-o1 正式版。 DeepSeek-R1 在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下， 极大提 升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩 OpenAI-o1 正式版。同时 DeepSeek 开源 R1 推理模型，允许所有人在遵循

工智能技术的突破性进展正以颠覆性姿态重塑医疗健康 产业。2025年2月，国产大模型DeepSeek-R1的全面开源与多领域适配，标志着AI医疗迈入技术融合与行业重构的新阶段。DeepSeek通过 强化学习技术与混合专家架构（MoE），在极低标注数据需求下实现推理能力跃升，其复杂任务处理与中文语料优化的特性，为医疗场景提 供了精准、低成本且本土化的解决方案。这一技术突破不仅推动了算法与行业工作流的深 药物研发成本大幅压缩 DeepSeek通过强化学习与多模型技术融合，显著缩短药 物研发周期。传统药物研发遵循“双十定律”（10年时间 、10亿美元投入），而AI模型可将化合物设计时间缩短 70%，成功率提升10倍。例如，医渡科技通过DeepSeek 处理55亿份医疗记录，加速药物靶点筛选与临床试验设计 ，研发效率提升显著。  模型训练与部署成本降低 DeepSeek通过强化学习技术减少对高成本标注数据的依 单细胞多组学研究提供了高效的数据处理工具。  功能蛋白设计：2023 年 7 月，华大智造杨梦团队在 Nature 子刊发布了名为“EvoPlay”的算法模型，该自 博弈 AI 智能体可以利用强化学习算法高效设计功能蛋 白，展示了华大智造在 AI 应用领域的技术实力。 资料来源：公司官网，公司公告，西南证券整理 贝瑞基因：两大AI平台赋能基因测序报告解读，助力遗传病诊断及肿瘤检测 AI赋能基因测序报告解读

模性药物分子化合物库 自然语言处理 化学反应设计 机器学习、深度学习 将药物分子结构映射为可通过机器学习算法处理的形式，形成多条合成路线并推荐最佳合成路线，或在给定反应物的前提下 通过深度学习预测化学反应结果 化合物筛选 机器学习 通过机器学习中的决策树、支持向量机、深度神经网络、随机森林等算法及分子对接、自由能微扰等技术，构建化合物化学 结构与生物活性之间的关系模型，实现对药物化合物作用机制的快速预测 目前，制药行业的任务是为药物开发创造廉价有效的解决方案，公司应用各种计算方法以达到这一目标。计算机辅助药物设计 （CADD）是一种现代计算技术，在药物发现过程中用于识别和开发潜在线索。CADD包括计算化学、分子建模、分子设计和 合理药物设计。  基于计算结构的药物设计已经建立了新的平台，这些平台大多具有类似的结构来测试候选药物。人工智能的使用可以简化和促 进药物设计，从过滤数据集寻找合适的化合物到先进的线索修改和非线性测试。  一次和二次药物筛选：药物发现中，先导化合物的筛选至关重要，人工智能在识别新的和潜在先导化合物方面发挥巨大作用。 在化学空间中有大约1.06亿个化学结构，利用机器学习模型如强化模型、Logistic模型、回归模型和生成模型，根据活性位点 、结构和靶结合能力可以筛选出这些化学结构。  肽合成与小分子设计：1）多肽：由约2-50个氨基酸组成的生物活性小链，具有跨越细胞屏障的能力并可以到达所需的靶点，

内部边界 父母分工：父亲负责运动技能，母亲管理学习。 外部交互 家校协同（作业反馈机制） 、社会影响（短视频对注意力的冲击） 。 特点维度 技术支撑与实现方式 典型应用场景 解决的核心问题 个性化学习路径 机器学习算法分析学 习数据， 动态调整难 度 数学分步拆解 、作 文智能润色 传统教育“一刀切 ” 模式与个体差异不 匹配 实时反馈与迭代 自动化评估系统 + 即 成果检验： 设置简单的方 式 验证孩子是否理解或掌握了 内容 目标导向原则 引导式互动原则 情境化学习原 则 基础聊法原则 01 02 03 传递知识点， 提高记忆效 果 递进式对话策略 • 第一阶段： 引入话题并建 立基础认知（ 1-2 次对话） • 第二阶段： 孩子学习 [ 具体技能 / 概 念 ] 语言风格 生动 、形象，使用适合 年龄的词汇和句式 延伸活动 故事结束后，提供 1-2 个与 故 事相关的实际应用活动 故事化学习词法框架 实例应用： " 你是一位专注于阅读技能培养的有趣教练 。帮助 5 岁的孩子掌握 ' 认识常见字母和发音 ' 的基础知识和应用。将学习分解为 3 个递 进难 度的小目标 ：先认识 5 个

2016 发布 Gym 强化学习平台 & Universe 训练工具包 2018.6 GPT-1 1.17 亿参数 无监督预训练 + 有监督微调 2019 GPT-2 15 亿参数 半监督语言模 型效果验证 2020 GPT-3 1750 亿参数 超大模型 2022 年初 InstructGPT 13 亿参数 人类反馈强化学习 2022 年 12 月 模型：同 GPT-1 参数： 1.5 B 特点： + NLP 任务的 prompt 预 训 练，具备 zero-shot 的能力 数据： + 人工标注数据（万级 别） 模型： GPT-3 + 强化学习 参数： 1.3 B 特点：需求理解能力大幅提升， 生成能力大幅提升 数据： + Filter Common Crawl 模型： GPT-2 的基础上 + sparse transformer 117 B 特点： pretrain + finetune 参数：未公开 特点：输入扩展到图片，更长文字输入，信息可靠性及安全性大幅提 升 人工对齐 强化学习 数据： + 更多的对话语料 模型： GPT-3.5 + 强化学 习 参数： 175 B 特点：对话理解能力提升 数据：未公开 模型： GPT 4 + 多模 态 规模进一步增大 in-context learning

一、对2026年形势的基本判断 （一）原材料工业增加值总体保持增长态势，主要产品产量增减不一 从增加值看，2025年1-10月，除非金属矿物制品业外，我国原材 料工业增加值增速总体延续增长态势。黑色金属矿采选业、化学原料和 化学制品制造业、有色金属矿采选业累计增加值实现较快增长，分别达 115 到9.8%、8.0%和7.7%。各细分领域的增加值增速相较于1-9月稍微有所 降低。分产品看，1-10月，钢铁产品，仅钢材产量同比增长4 金向上 游资源环节集中。有色金属行业中，有色金属矿采选业投资同比大幅增 加47.0%，而有色金属冶炼及压延加工业投资分别同比降低1.5%，反映出 资本对产业链不同环节的偏好出现显著分化。化学原料和化学制品制造 业投资同比下降7.9%，增速低于2024年同期19.1个百分点。钢铁行业中 黑色金属矿采选业投资同比增长16.5%，增速高于2024年同期3.9个百分 点；黑色金属冶炼及压延加工业投资同比下降2 整体价格中枢可能较2025年进一步下移。化工产品价格走势将继续分 化。在国际原油价格预期偏弱震荡的背景下，基础化工产品价格总体面 临下行压力。然而，受益于新能源、电子电气等下游产业的需求拉动， 部分高端专用化学品和化工新材料价格将保持相对坚挺。硫酸等基础原 料在供需偏紧格局下或维持高位运行。有色金属产品价格表现将更为差 异化。铜价在电网投资、新能源产业及潜在供需缺口支撑下，预计将保 持相对强势，延续