从数据底座到科研前沿：卓越睿新(02687)如何参与AI for Science的底层叙事

（原标题：从数据底座到科研前沿：卓越睿新(02687)如何参与AI for Science的底层叙事）

智通财经APP获悉，2025 年以来，"AI for Science" 从学术圈的高频词汇迅速升温为资本市场关注的结构性主题。当大模型的能力边界从通用对话延伸至分子动力学、气象模拟、医学循证等专业领域时，一个关键问题浮出水面：谁来为科学研究搭建那套底层的 AI 基础设施？

卓越睿新(02687)给出的答案，正在被一批中国顶尖高校和科研机构用实际项目反复验证。

这家长期深耕知识科技赛道的公司已与北京大学、浙江大学、南京大学、复旦大学、中国科学技术大学、天津大学、哈尔滨工程大学等多所头部院校建立了深度共建关系。卓越睿新并没有选择以通用工具切入，而选择的是 "走入学科深处"的路径——不是把一个大模型包装成科研助手，而是从特定学科的知识图谱、数据结构和推理逻辑出发，与一线科学家一起构建专属的 AI 科研引擎。

落地的 AI for Science：五个学科的缩影

在北京大学医学部，卓越睿新与校方共建了"北大医学未来学习中心"。这不是一个挂牌项目。公司派驻 FDE（前沿部署）团队深入临床现场，与一线教师和医学专家并肩调试模型、校验数据、优化流程。双方基于自研医学学科大模型和 Multi-Agent 知识生产架构，构建了一套覆盖人体解剖、病理生理、免疫遗传等多学科的"源图谱"体系。这套体系的核心特征是"循证"——AI 的每一次推理必须有据可查，生成结论必须附带明确文献溯源。在医学领域，这不是技术选择题，而是底线。

在浙江大学，卓越睿新深度参与了力学"101 计划"中 AIM 力学大模型的知识图谱构建与物理AI仿真科学实验模块开发。这套模型覆盖 2026 个力学知识点与 4189 个知识关系，接入了高超声速风洞等物理AI仿真科学实验场景，并搭载自研专用求解器——研究人员仅需自然语言输入，系统即可输出内力分布与应力云图。力学仿真数据、机械臂运动参数等抽象信息被转化为可交互的可视化呈现，本质上是对底层知识生产方式的系统性重构。

在南京大学，中国科学院院士谈哲敏教授牵头的大气科学"101 计划"中，卓越睿新以 AI for Science 产业基础设施提供者的角色深度参与。该项目联合 28 家高校及科研院所，在 2026 年 1 月的中期推进会上，"AI 赋能大气科学"被列为两大核心研讨议题之一。卓越睿新的物理 AI 平台——整合了文本、语音、视觉和 3D 生成技术，并已接入 World Labs 世界模型——正在支撑动力气象学等学科方向的科研新生态构建。

在复旦大学核科学与技术系，卓越睿新与核科学专家共同搭建了"核+X"科教智慧平台。AI 大模型对 31,147 篇关键文献进行系统性分析，锁定了 15 个产业重点研究领域，识别出 102 个研究方向与 587 个研究热点；同时对 13 所国内外同类高校的课程与科研体系进行智能对标，输出了 65 项学科优化方向。这不是一份静态的研究报告，而是一套可动态监测科研热点与产业需求的 AI 算法系统。

在基础科学前沿领域，卓越睿新与中国科学技术大学的合作同样值得关注。记者注意到，该公司将中高层大气瞬态发光现象（TLEs）——包括红色精灵、蓝色喷流、巨型喷流等国际前沿课题——转化为基于物理AI仿真的可交互实验。大气电学规律驱动的放电过程建模、光学特征物理参数校准、不同海拔大气密度对发光颜色的影响分析，这些传统手段难以精确观测和建模的复杂现象，被还原为科研人员可通过数字平台反复探究的场景。

在更广的学科版图上，卓越睿新已联合天津大学（光学领域"燧明"大模型）、哈尔滨工程大学（船海学领域"兴海"大模型）、北京林业大学（水土保持领域"智源"大模型）、重庆医科大学（医学领域"乾源"大模型）等，形成了覆盖多学科的专用大模型矩阵。多位受访的科研工作者表达了相似的观点：这些模型的价值不在于与通用大模型比参数规模，而在于对特定学科数据形态和研究范式的深度适配。

三层壁垒：数据、模式与知识图谱

有市场分析人士指出，理解卓越睿新的竞争护城河，需要跳出传统的SaaS估值分析框架。在AI以指数级速度迭代的背景下，这家公司正在三条线上同时构筑壁垒。

第一层是数据壁垒。 公司沉淀的海量、多模态数据并非公开可爬取的互联网语料。它是物理实验中的设备工况波动曲线，是虚拟解剖中逐层标注的解剖结构，是高超声速风洞仿真中的流体力学参数分布，是大气放电现象中经过科学标定的光谱特征。这些数据的获取和标注需要领域专家与AI系统进行反复校验，"这一过程的耗时和难度远超纯文本数据工程。"采访中，多位受访者不约而同地使用了同一个词来形容这些数据的价值——"不可替代。"

第二条线是技术体系的完整性。支撑上述场景化落地的，是该公司持续构建的全栈AI技术能力。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）、视觉语言多模态模型（VLM）、纯视觉感知框架（VOM）、语音识别（ASR）、语音合成（TTS）、三维生成模型（3DM）等能力，目前已形成LLM+VLM+VOM+ASR+TTS+3DM+WM的全栈技术矩阵。这种"从感知到认知到生成"的全链路能力配置，在国内AI for Science赛道上并不常见。

第三层是模式壁垒。卓越睿新的 FDE 前沿部署模式——派驻团队深入科研一线，与科学家共同调试模型、校验数据、优化流程——比标准化的产品交付更重、更慢，但由此积累的学科 Know-how 和客户信任是无法通过 API 调用或云端部署来复制的。当一家公司在某个垂直学科领域完成了从数据采集到模型训练到场景验证的完整闭环，后来者要追赶的就不是一个产品功能，而是一整套经过数年磨合的方法论体系。

从学科共建到价值跃迁

当行业还在讨论大模型参数规模和通用能力边界时，卓越睿新选择了一条更慢但更扎实的路——走进北大医学部的解剖实验室，走进浙大紫金港的力学仿真平台，走进南大大气科学的超级计算中心，走进复旦核科学系的文献分析工作坊。每一条路通向的是一个垂直学科的知识基础设施，而将这些基础设施串联起来的，是一套能服务中国科研体系核心需求的 AI 底座。

AI for Science的落地，本质上是一场关于知识基础设施的竞赛。它比的不是谁拥有最大的通用模型，而是谁能将数十年学科积淀转化为可计算、可推理、可复用的科学语料，谁能把专家脑中的隐性知识转化为平台化的智能能力。

卓越睿新与北大医学、浙江大学、南京大学、复旦大学、西安交通大学等机构的系列合作，展示了一种可能的解题路径：以多模态数据为底座，以结构化知识图谱为引擎，以深入现场的共建模式为方法论，将AI能力嵌入真实科研场景。从医学循证到力学仿真，从大气物理到核科学交叉，从热科学计算到育种实验辅助，这些扎实的落地案例，正在共同构成中国AI for Science产业版图中的关键节点。

当科学研究的数字化底座日益牢固，人工智能赋能科学发现的故事，才真正开始进入主章节。