深勢科技獲8億融資：做AI for Science的“安卓系統”

作者 ｜ Yoky
郵箱 ｜ yokyliu@pingwest.com

站在2025年的歲末回望，AI for Science（AI4S）已徹底告別了實驗室里的‘概念驗證’階段，甚至躍升為全球科技巨頭競相角逐的下一個戰略主戰場。

英偉達正在試圖將其芯片與CUDA生態變成科學計算的“操作系統”，不僅涉足氣候預測（Earth-2），更通過NIM微服務嵌入生物醫藥工作流；微軟則通過MatterGen和TRAIN聯盟，在材料與醫療領域構建“生成—驗證”的閉環標準；谷歌DeepMind更是憑借GNoME一次性解鎖了相當于人類800年實驗產出的新晶體結構。

在硅谷，這已經是一個巨頭環伺的賽道。但在中國，行業格局卻呈現出另一種張力：科技巨頭尚未完全關注這一垂直領域，市場的“生態真空”為具備全棧能力的創業公司預留了成長為平臺級企業的珍貴窗口。

不同于單純追求模型參數的競賽，深勢科技（DP Technology）選擇了一條更務實的路徑：做“科學發現的基建工”。它試圖在底層算力和上層應用之間，搭建一套通用的操作系統，讓復雜的科學探索變得像使用手機App一樣簡單。

近日，深勢科技完成總額超8億人民幣的C輪融資，本輪融資由達晨財智、京國瑞基金、北京市人工智能產業投資基金、北京市醫藥健康產業投資基金、聯想創投、元禾璞華等機構共同出資。在資本趨于冷靜的當下，這筆巨額融資不僅是金額驚人，更是一個明確的行業信號：資本市場正在從投資“單點技術的突破”，轉向投資“科學發現的工業化基礎設施”。

1

第一部分：不僅是工具，而是做科學界的“安卓”

在2025年AI for Science（AI4S）的賽道上，我們觀察到一個顯著的戰略分化。絕大多數公司選擇的是“做深”。它們或專注于攻克蛋白質折疊的單一難題，或深耕某一種特定新材料的生成。這種“小而美”的垂直路徑固然能帶來單點突破，卻極易陷入無法通用化和規?；哪嗵?，最終淪為大型藥企或化工巨頭的技術外包商。

深勢科技的選擇截然不同。這家由“北大元培90后”創立的獨角獸企業，從第一天起就沒有把自己定義為一家單純的軟件開發商，而是試圖構建一個“生態系統”。

正如創始人張林峰所言，AI for Science不只是一條新興賽道，而是一項面向未來幾十年科學發現的基礎設施建設工程。在國家將“人工智能+科學研究”放在首位的大背景下，資本投下的，是對抗全球科技競爭中“卡脖子”風險的確定性，也是對從“經驗試錯”向“智能設計”轉型的必然性。

與DeepMind專注于攻克一個個“諾獎級”難題（如AlphaFold 3或GNoME）略有不同，深勢科技在中國獨特的產業土壤中，摸索出了一條更具生態粘性的路徑：做“科學界的安卓”。

這就好比智能手機時代，不僅需要好用的App，更需要一個強大的操作系統（OS）來調度底層硬件與上層應用。深勢科技正在構建的，正是這樣一套從底層模型到上層應用，再到開發者生態的完整“三級火箭”。

安卓系統的核心在于Linux內核對硬件資源的調度，而深勢科技的“內核”，則是其全面升級的“深勢·宇知”科學發現智能引擎。

不同于ChatGPT學習人類語言的概率分布，“深勢·宇知”學習的是微觀世界的物理規律。它包含了一系列硬核的預訓練模型，如專注于分子構象的Uni-Mol和解決行業痛點“維數災難”的DPA原子大模型。

基于強大的內核，深勢科技構建了一個名為“玻爾·科研空間站”的產品矩陣。這相當于應用商店里的核心App，通過一種被重新定義的“SaaS”模式（Science as a Service），將復雜的科學計算變成了標準化的工業軟件。

此外，為了打通“讀—算—做”的閉環，深勢致力于將紛繁復雜的實驗設備統一管控，已通過Uni-Lab OS整合接入了100多款高頻使用的實驗儀器。這意味著，AI不僅能在云端計算，還能指揮現實中的機械臂做實驗，真正實現了研發的自動化。

最關鍵的是，深勢基于成熟的開源開放生態，憑借其打造的玻爾·科研空間站，已服務了全球超過1000所高校的300多萬科學家。張林峰曾深刻地指出，開源社區的本質是從一個“弱連接的社區形態”向“開放開發系統”的進化。

傳統的科研軟件公司，往往是賣出一套軟件就結束了，用戶是孤立的。深勢則是讓全世界的科學家習慣在這個系統上開發新的算法、上傳新的模型。每一個新用戶的加入，都在為平臺貢獻數據和反饋，從而反哺底層的“宇知”大模型。

這種模式建立了極強的壁壘。它不是在賣單一的“鏟子”，而是在建立一個生態。當全球最聰明的頭腦都習慣用Bohrium跑數據、用Uni-Mol做預測時，深勢就掌握了未來科學發現的入口。

1

第二部分：跑通了AI4S的經濟模型

在科技創新浪潮中，一個項目的價值評估正經歷深刻轉向。當深勢科技完成8億元融資，市場關注的焦點已非單純的“技術炫酷”，而在于其能否精準切入產業核心痛點，并帶來可量化的經濟回報。

這標志著AI for Science（AI4S）的價值邏輯已完成關鍵閉環：從輔助科研的“敘事工具”，演進為對抗研發成本指數級增長的 “新一代工業底座”。其商業含金量的內核，在于成功將物理學的突破，轉化為一本清晰可算的“經濟賬”。

傳統工業研發，尤其在生物醫藥、新材料、新能源等領域，長期受困于一個底層物理學魔咒：“維數災難”。它如同懸在創新之上的達摩克利斯之劍，鎖死了效率與成本的極限。

深勢科技首席科學家張林峰對此有深刻解讀：在微觀尺度模擬原子、分子的行為時，系統的復雜程度（即“維數”）隨原子數量增加而暴增，所需計算資源和數據量呈指數級爆炸。例如，計算十幾個原子的體系或許可行，但當面對真實場景中涉及數萬原子的蛋白質，或需模擬溶液中成千上萬分子的相互作用時，即便動用頂級超算，也算力竭盡、時間漫長。

其直接商業后果是災難性的：因為“算不動”，研發不得不高度依賴反復的“濕實驗”試錯。這種模式如同在黑暗迷宮中盲目摸索，不僅代價高昂：催生了新藥研發“十年十億美金”的經典困局，更導致新材料開發周期漫長，嚴重滯后于市場迭代需求。整個產業的創新效率，被禁錮在物理規律設定的天花板之下。

深勢科技的商業價值基石，在于用“AI+物理”的方案，實現了對“維數災難”的釜底抽薪。其核心并非簡單用AI擬合數據，而是讓AI深度學習和復現量子力學的底層物理規律（如勢能函數），從而在保持第一性原理精度的前提下，將計算效率提升數個數量級。

這不僅是科學突破，更是一場商業上的 “時間折疊” 。一個極具說服力的案例是：此前，科研人員為精確模擬64個水分子的微觀相互作用，需消耗頂級超算2億核時，耗時三個月，僅機時成本便堪比天價。而今，基于深勢科技的DPA預訓練大模型，同一任務在一臺普通筆記本電腦上，僅需不到五天即可完成。

技術的降維打擊，最終必須轉化為客戶賬本上清晰的降本增效。深勢科技交出的答卷，將其技術敘事扎實地錨定在經濟敘事之上。

最直接的體現是成本結構的重塑。根據合作伙伴的實測反饋，在引入深勢的AI計算平臺后，研發中對昂貴、耗時的濕實驗依賴程度大幅降低，相關成本平均下降高達76%。與此同時，該平臺已助力合作伙伴沉淀了超過50項經過計算驗證的高價值科學資產（如先導化合物、新材料配方），這些數字資產構成了未來持續創新的核心資本。

對于翰森制藥、復星醫藥等藥企而言，這意味著藥物發現從“大海撈針”的運氣游戲，轉向“按圖索驥”的理性設計。深勢的Uni-Fold是全球首個最快復現Alphafold的工作，且在Alphafold3發布時被列為了排名第一的benchmark。對于寧德時代、比亞迪等新能源巨頭，該技術能以前所未有的速度篩選高性能電解液、正負極材料，成為在激烈技術軍備競賽中搶得先機的關鍵利器。

當一家公司能夠幫助客戶將研發過程中的“運氣”成分轉化為可重復、可預測的“計算”過程，將“十年磨一劍”的漫長周期壓縮為“數年出成果”的敏捷節奏，它的價值便深深嵌入了客戶的核心價值鏈與競爭力之中。

這正是資本市場給予深勢科技高估值的根本邏輯：它正將不可預測的科學發現，轉變為一門可計算、可規劃、可預期的高確定性生意。這8億元融資，不僅是對其技術領先性的認可，更是對這套已通過驗證的“技術-經濟”新范式的重磅投資。

點個“愛心”，再走 吧