卓越睿新

智通財經APP獲悉，2025 年以來，"AI for Science" 從學術圈的高頻詞彙迅速升温為資本市場關注的結構性主題。當大模型的能力邊界從通用對話延伸至分子動力學、氣象模擬、醫學循證等專業領域時，一個關鍵問題浮出水面：誰來為科學研究搭建那套底層的 AI 基礎設施？

卓越睿新(02687)給出的答案，正在被一批中國頂尖高校和科研機構用實際項目反覆驗證。

這家長期深耕知識科技賽道的公司已與北京大學、浙江大學、南京大學、復旦大學、中國科學技術大學、天津大學、哈爾濱工程大學等多所頭部院校建立了深度共建關係。卓越睿新並沒有選擇以通用工具切入，而選擇的是 "走入學科深處"的路徑——不是把一個大模型包裝成科研助手，而是從特定學科的知識圖譜、數據結構和推理邏輯出發，與一線科學家一起構建專屬的 AI 科研引擎。

落地的 AI for Science：五個學科的縮影

在北京大學醫學部，卓越睿新與校方共建了"北大醫學未來學習中心"。這不是一個掛牌項目。公司派駐 FDE（前沿部署）團隊深入臨牀現場，與一線教師和醫學專家並肩調試模型、校驗數據、優化流程。雙方基於自研醫學學科大模型和 Multi-Agent 知識生產架構，構建了一套覆蓋人體解剖、病理生理、免疫遺傳等多學科的"源圖譜"體系。這套體系的核心特徵是"循證"——AI 的每一次推理必須有據可查，生成結論必須附帶明確文獻溯源。在醫學領域，這不是技術選擇題，而是底線。

在浙江大學，卓越睿新深度參與了力學"101 計劃"中 AIM 力學大模型的知識圖譜構建與物理AI仿真科學實驗模塊開發。這套模型覆蓋 2026 個力學知識點與 4189 個知識關係，接入了高超聲速風洞等物理AI仿真科學實驗場景，並搭載自研專用求解器——研究人員僅需自然語言輸入，系統即可輸出內力分佈與應力雲圖。力學仿真數據、機械臂運動參數等抽象信息被轉化為可交互的可視化呈現，本質上是對底層知識生產方式的系統性重構。

在南京大學，中國科學院院士談哲敏教授牽頭的大氣科學"101 計劃"中，卓越睿新以 AI for Science 產業基礎設施提供者的角色深度參與。該項目聯合 28 家高校及科研院所，在 2026 年 1 月的中期推進會上，"AI 賦能大氣科學"被列為兩大核心研討議題之一。卓越睿新的物理 AI 平台——整合了文本、語音、視覺和 3D 生成技術，並已接入 World Labs 世界模型——正在支撐動力氣象學等學科方向的科研新生態構建。

在復旦大學核科學與技術系，卓越睿新與核科學專家共同搭建了"核+X"科教智慧平台。AI 大模型對 31,147 篇關鍵文獻進行系統性分析，鎖定了 15 個產業重點研究領域，識別出 102 個研究方向與 587 個研究熱點；同時對 13 所國內外同類高校的課程與科研體系進行智能對標，輸出了 65 項學科優化方向。這不是一份靜態的研究報告，而是一套可動態監測科研熱點與產業需求的 AI 算法系統。

在基礎科學前沿領域，卓越睿新與中國科學技術大學的合作同樣值得關注。記者注意到，該公司將中高層大氣瞬態發光現象（TLEs）——包括紅色精靈、藍色噴流、巨型噴流等國際前沿課題——轉化為基於物理AI仿真的可交互實驗。大氣電學規律驅動的放電過程建模、光學特徵物理參數校準、不同海拔大氣密度對發光顏色的影響分析，這些傳統手段難以精確觀測和建模的複雜現象，被還原為科研人員可通過數字平台反覆探究的場景。

在更廣的學科版圖上，卓越睿新已聯合天津大學（光學領域"燧明"大模型）、哈爾濱工程大學（船海學領域"興海"大模型）、北京林業大學（水土保持領域"智源"大模型）、重慶醫科大學（醫學領域"乾源"大模型）等，形成了覆蓋多學科的專用大模型矩陣。多位受訪的科研工作者表達了相似的觀點：這些模型的價值不在於與通用大模型比參數規模，而在於對特定學科數據形態和研究範式的深度適配。

三層壁壘：數據、模式與知識圖譜

有市場分析人士指出，理解卓越睿新的競爭護城河，需要跳出傳統的SaaS估值分析框架。在AI以指數級速度迭代的背景下，這家公司正在三條線上同時構築壁壘。

第一層是數據壁壘。 公司沉澱的海量、多模態數據並非公開可爬取的互聯網語料。它是物理實驗中的設備工況波動曲線，是虛擬解剖中逐層標註的解剖結構，是高超聲速風洞仿真中的流體力學參數分佈，是大氣放電現象中經過科學標定的光譜特徵。這些數據的獲取和標註需要領域專家與AI系統進行反覆校驗，"這一過程的耗時和難度遠超純文本數據工程。"採訪中，多位受訪者不約而同地使用了同一個詞來形容這些數據的價值——"不可替代。"

第二條線是技術體系的完整性。支撐上述場景化落地的，是該公司持續構建的全棧AI技術能力。2026年卓越睿新正式接入World Labs世界模型（Marble WM），加上此前已整合的文本大模型（LLM）、視覺語言多模態模型（VLM）、純視覺感知框架（VOM）、語音識別（ASR）、語音合成（TTS）、三維生成模型（3DM）等能力，目前已形成LLM+VLM+VOM+ASR+TTS+3DM+WM的全棧技術矩陣。這種"從感知到認知到生成"的全鏈路能力配置，在國內AI for Science賽道上並不常見。

第三層是模式壁壘。卓越睿新的 FDE 前沿部署模式——派駐團隊深入科研一線，與科學家共同調試模型、校驗數據、優化流程——比標準化的產品交付更重、更慢，但由此積累的學科 Know-how 和客户信任是無法通過 API 調用或雲端部署來複制的。當一家公司在某個垂直學科領域完成了從數據採集到模型訓練到場景驗證的完整閉環，後來者要追趕的就不是一個產品功能，而是一整套經過數年磨合的方法論體系。

從學科共建到價值躍遷

當行業還在討論大模型參數規模和通用能力邊界時，卓越睿新選擇了一條更慢但更紮實的路——走進北大醫學部的解剖實驗室，走進浙大紫金港的力學仿真平台，走進南大大氣科學的超級計算中心，走進復旦核科學系的文獻分析工作坊。每一條路通向的是一個垂直學科的知識基礎設施，而將這些基礎設施串聯起來的，是一套能服務中國科研體系核心需求的 AI 底座。

AI for Science的落地，本質上是一場關於知識基礎設施的競賽。它比的不是誰擁有最大的通用模型，而是誰能將數十年學科積澱轉化為可計算、可推理、可複用的科學語料，誰能把專家腦中的隱性知識轉化為平台化的智能能力。

卓越睿新與北大醫學、浙江大學、南京大學、復旦大學、西安交通大學等機構的系列合作，展示了一種可能的解題路徑：以多模態數據為底座，以結構化知識圖譜為引擎，以深入現場的共建模式為方法論，將AI能力嵌入真實科研場景。從醫學循證到力學仿真，從大氣物理到核科學交叉，從熱科學計算到育種實驗輔助，這些紮實的落地案例，正在共同構成中國AI for Science產業版圖中的關鍵節點。

當科學研究的數字化底座日益牢固，人工智能賦能科學發現的故事，才真正開始進入主章節。