„X-Day“ Xili Lake Roadshow Club × „Venture Capital China“ AI for Science Special Event ist zu Gast an der Tsinghua-Universität

Von Haidian in Peking über Nanshan in Shenzhen, von den Labors der Tsinghua-Universität bis zu den Pilotproduktionslinien in Shenzhen wird AI for Science (AI4S) zu einer Schlüsselvariable der neuen qualitativen Produktivkräfte. Bei dieser Veranstaltung treffen sich mehr als 200 Vertreter von Regierungsstellen, Forschungsgruppen an Hochschulen, führenden Venture-Capital-Einrichtungen, Industriekapitalgebern und Industriedienstleistern, um die gesamte Kette der Innovation an Hochschulen, der Zusammenarbeit zwischen führendem Venture-Kapital und der industriellen Umsetzung zu durchbrechen und die Entwicklungsdividende der industriellen Transformation im Bereich KI zu nutzen. Der Inhalt wurde von KI generiert und dient nur als Referenz.

Von Haidian in Peking über Nanshan in Shenzhen, von den Labors der Tsinghua-Universität bis zu den Pilotproduktionslinien in Shenzhen wird AI for Science (AI4S) zu einer Schlüsselvariable der neuen qualitativen Produktivkräfte. Am Nachmittag des 8. Oktober 2026 veranstaltete der „X-Day“ Xilihu Roadshow Club gemeinsam mit dem „Venture Capital China“ Science and Innovation Roadshow Saal eine spezielle Veranstaltung zu AI for Science im Tsinghua-Campus. Bei dieser Veranstaltung treffen sich mehr als 200 Vertreter von Regierungsstellen, Forschungsgruppen an Hochschulen, führenden Venture-Capital-Einrichtungen, Industriekapitalgebern und Industriedienstleistern, um die gesamte Kette der Innovation an Hochschulen, der Zusammenarbeit zwischen führendem Venture-Kapital und der industriellen Umsetzung zu durchbrechen und die Entwicklungsdividende der industriellen Transformation im Bereich KI zu nutzen.

Prominente Gäste treffen sich im Tsinghua-Campus, um die Chancen im Zeitalter von AI4S zu erkunden

An der Veranstaltung nahmen LIU Minqiang, Direktor des Büros zur Förderung von Investitionen des Handelsministeriums, LI Zhina, stellvertretende Bezirksbürgermeisterin des Bezirks Nanshan in Shenzhen, PENG Gang, Mitglied des Ständigen Ausschusses des Parteikomitees der Tsinghua-Universität und Vizepräsident, HU Chuxiong, Gesamtkoordinator für Innovation und Unternehmertum der Tsinghua-Universität und stellvertretender Direktor des Lehramtsamts, NI Zhengdong, Gründer und Vorsitzender der Zero2IPO-Gruppe sowie Vorsitzender und CEO der Zero2IPO Holdings, LI Zhu, Gründungspartner der Inno Fund, YANG Jianxin, Direktor des Ausbildungszentrums für Grundindustrie der Tsinghua-Universität, ZHANG Qi, Leiter der Abteilung für Lehre von Innovation und Unternehmertum im Ausbildungszentrum für Grundindustrie der Tsinghua-Universität, HUA Hua, Partner und Vorsitzender der Huakong Fund, JI Wei, Gründungs- und Verwaltungspartner der Huaying Capital, WANG Xuehui, Verwaltungspartner des Shuimu Alumni Fund, LIU Bo, Geschäftsführerin und leitende Partnerin von TusStar Venture Capital, YAN Yi, Partner von Shuimu Venture Capital, GAO Yuzhu, Partner von Qingyuan Capital, XU Changzhong, Gründer des Austauschzentrums für Unternehmer börsennotierter Unternehmen und Vorsitzender des Huiyin Deqing Fund, sowie Vertreter von Regierungsstellen, Hochschulen und der Investmentbranche wie GigaDevice und Zhiyi Investment teil. Derzeit gilt AI for Science als fünftes großes Forschungsparadigma nach Experiment, Theorie, Berechnung und Daten. Mit der Einführung entsprechender Förderrichtlinien in Peking und dem Fortschritt beim Aufbau des Innovationsclusters für wissenschaftliche Intelligenz in Zhongguancun (Haidian) ist AI4S von einem heißen Thema der akademischen Forschung zu einer nationalen strategischen Richtung und einer wichtigen Infrastruktur für die industrielle Entwicklung geworden, und seine Anwendungen in Bereichen wie neuen Materialien, Biomedizin und Quanteninformation nehmen stetig zu. Wie man die gemeinsamen Probleme der Branche lösen und den Weg der kommerziellen Umsetzung richtig finden kann, wurde zum Kernthema der Diskussion der Gäste vor Ort.

Tiefer Dialog: Zerlegung der technischen Iteration und des kommerziellen Wegs von AI4S

Unter der Moderation von LIU Bo, Geschäftsführerin und leitender Partnerin von TusStar Venture Capital, führten erstklassige Investoren wie HUA Hua, Partner und Vorsitzender der Huakong Fund, JI Wei, Gründungs- und Verwaltungspartnerin der Huaying Capital, LI Zhu, Gründungspartner der Inno Fund, und WANG Xuehui, Verwaltungspartner des Shuimu Alumni Fund, einen tiefgreifenden Dialog über die Trends der technischen Iteration von AI for Science und den kommerziellen Weg, und stellten sich direkt den Chancen der Branche und den realen Problemen.

HUA Hua, Partner und Vorsitzender der Huakong Fund, wies darauf hin, dass die Branche derzeit vor mehreren Herausforderungen steht: Erstens, wie man die Vorhersagegenauigkeit von Modellen in vertikalen Bereichen auf der Grundlage von Großmodellen verbessern kann; zweitens, wie man einen vollständigen geschlossenen Kreislauf von trockenen und nassen Labors bildet; drittens ist die Zuverlässigkeit der Datenakkumulation und der Grad der „AI-Bereitschaft“ bei weitem nicht ausreichend, und wie man diese Phase überwindet, ist eine wichtige Herausforderung. Insgesamt befindet sich AI for Science noch in einem frühen Stadium. In Zukunft muss die Branche systematische Durchbrüche in Bereichen wie Modelltechnik, vollständiger geschlossener Kreislauf von Versuchsbedingungen und gesamter Datenaufbau erzielen. Auf der Ebene von Projektinvestitionen konzentriert er sich vor allem auf den Marktraum der Branche, die technische Reife und den Weg der Umsetzung von Geschäftsmodellen, und betont gleichzeitig, dass in dieser Welle des Unternehmertums im Bereich harter Technologien die umfassende Fähigkeit und der Unternehmergeist des Gründerteams die Kernindikatoren für die Bewertung sind.

JI Wei, Gründungs- und Verwaltungspartnerin der Huaying Capital, verglich die Entwicklungsunterschiede der beiden Kernbereiche Materialien und Pharmazeutika aus der Dimension der kommerziellen Umsetzung. Sie wies darauf hin, dass die Nachfrage im Materialbereich klar ist, aber es relativ schwieriger ist, den Wert der KI-Forschung und -Entwicklung auf Endprodukte zu übertragen. Die zahlende Partei ist einheitlich, es gibt viele industrielle Beschränkungen, und die kommerzielle Umsetzung ist schwieriger. In der Pharmaindustrie sind die industrielle Arbeitsteilung und das System für Vermögensübertragungen ausgereift. KI kann die Molekularselektion unterstützen und die Wahrscheinlichkeit der Arzneimittelbildung verbessern. Unternehmen können in verschiedenen klinischen Phasen durch phasenweise Transaktionen Einnahmen erzielen, was ein Bereich mit herausragendem kommerziellem Wert ist. Sie wies auch darauf hin, dass die Branchendaten einen deutlichen „Inseleffekt“ aufweisen, hochwertige trainierbare Daten knapp sind und viele Daten verteilt in Labors und Industriebereichen liegen. Selbst große Unternehmen haben Schwierigkeiten, Daten zu erhalten, was Startups Chancen bietet. AI for Science-Modelle können nicht einfach auf die Strategie „Mehr Aufwand führt zu Wunderwirkung“ setzen, sondern müssen tief mit den Mechanismen verschiedener Disziplinen kombiniert werden. Wie man die Erfassung, Filterung und Schulung hochwertiger Daten abschließt, ist ein Problem, das alle Gründerteams lösen müssen.

LI Zhu, Gründungspartner der Inno Fund, ist der Ansicht, dass AI for Science vor dem Hintergrund des schrumpfenden gesamten Venture-Capital-Marktes einer der wenigen hochwertigen Bereiche ist, die kontinuierlich wachsen. Die Kernpunkte lassen sich in vier Schlüsselwörtern zusammenfassen: Intelligenz, die die Obergrenze von Großmodellen durchbricht; Berechnung, die Supercomputing und Quantencomputing umfasst; Daten, bei denen vertikale Versuchsdaten mehr Raum für Startups bieten; geschlossener Kreislauf, der den geschlossenen Kreislauf von trockenen und nassen Experimenten realisiert und die technische Selbstiteration in Kombination mit Embodied Intelligence erreicht. Am Beispiel neuer Materialien wies er darauf hin, dass KI-Technologie den Forschungs- und Entwicklungszyklus von Materialien von dem traditionellen zehnjährigen Zeitraum auf ein Jahr verkürzt und der heimischen Industrie hilft, die Entwicklung zu überholen. Bei der Qualität des Teams schätzt er Weitsicht und Muster, einschließlich des Geistes des Teilens, des Vertragsgeistes und einer offenen Lernmentalität. Teams mit einzigartigen Daten- und Modellfähigkeiten verfügen über die Kernkompetenz, Branchenzyklen zu überdauern.

WANG Xuehui, Verwaltungspartner des Shuimu Alumni Fund, wies anhand praktischer Erfahrungen im Frühphaseninvestitionsgeschäft darauf hin, dass die kommerzielle Umsetzung in verschiedenen Unterbereichen von AI for Science erheblich variiert. In Mathematik und Physik geht es hauptsächlich um die Überprüfung der Modellfähigkeit, und es ist kurzfristig schwierig, Gewinne zu erzielen. Pharmazeutika und Materialien haben mehr Möglichkeiten zur Umsetzung. Startups können wählen, technische Dienstleistungen anzubieten, und wenn die Bedingungen reif sind, selbst Produkte zu entwickeln. Obwohl Branchenriesen ebenfalls KI+Wissenschaft aufbauen, ist ihre Iterationsgeschwindigkeit relativ langsam, was Startups ein Zeitfenster bietet. Insgesamt ist die Anzahl der Unternehmen, die zu großen börsennotierten Unternehmen in diesem Bereich werden können, begrenzt. Die übrigen Projekte können zu gegebener Zeit übernommen oder mit großen Unternehmen zusammenarbeiten, um den Ausstieg zu realisieren.

Am Ende der Rundtischdiskussion fasste LIU Bo, Geschäftsführerin und leitende Partnerin von TusStar Venture Capital, zusammen, dass AI for Science als neues Produktivitätswerkzeug in zukunftsweisenden Technologiebereichen wie Pharmazeutika, Materialien, industrielle Fertigung, RSI, Quanten und Kernenergie erforscht und angewendet wird. Sie konzentriert sich mehr auf bahnbrechende Innovationen, die sich aus der Kreuzung verschiedener Bereiche ergeben, beispielsweise die Erklärbarkeit und Verbreitbarkeit der traditionellen chinesischen Medizin. Die interdisziplinäre Kreuzung ist der Kernschlüssel für bahnbrechende Innovationen in diesem Bereich. In Zukunft müssen Hochschulen die interdisziplinäre Grundausbildung und wissenschaftliche Forschungsinnovation stetig vertiefen, interdisziplinäre Talente fördern und der Industrie helfen, die neuen Entwicklungs Chancen der KI-gestützten wissenschaftlichen Innovation zu ergreifen.

Projekt-Roadshow: Das Spektrum zwischen Technologie und Industrie zeigt sich erstmals

Neben dem Gedankenaustausch wurden bei dieser speziellen Veranstaltung gleichzeitig Projekt-Roadshows durchgeführt, um das reale industrielle Spektrum der AI4S-Industrie zu zeigen. Die 6 an der Roadshow teilnehmenden Projekte decken Schlüsselrichtungen wie wissenschaftliche Rechenleistung, KI-Chips, Materialintelligenzagenten, autonome Labore, virtuelle Zellen und virtuelle Organoide ab.

Liangkun Technology: Ein innovatives Unternehmen, das das wissenschaftliche Forschungs-Paradigma durch Quanten-KI umgestaltet. Es widmet sich der Kombination von Quantencomputing (Quantum), künstlicher Intelligenz (KI) und Hochleistungsrechnen (HPC), um die wissenschaftliche Recheninfrastruktur und das Ökosystem für die Zukunft zu schaffen und die praktische Anwendung des Quantencomputings voranzutreiben.

Xinyi Technology: Ein innovatives Hightech-Unternehmen mit Kerntechnologien und unabhängigen Forschungs- und Entwicklungsfähigkeiten, das sich zum Ziel gesetzt hat, ein Anbieter von KI-Inferenzchips für alle Szenarien auf der Grundlage der RRAM-Speicher-Rechen-Integrationstechnologie zu werden. Das Hauptgeschäft des Unternehmens umfasst KI-Inferenzchips und Speicherprodukte auf der Grundlage des neuen resistiven Speichers (RRAM), hauptsächlich einschließlich KI-Chips für alle Szenarien, die Inferenz in der Cloud, am Rand und auf der Geräteabdeckung, eingebettete RRAM-IP und eigenständige Speicher. Die Anwendungsbereiche umfassen Unterhaltungselektronik, Sicherheitschips, medizinische Elektronik, Netzwerkkommunikation, Industrie und Fahrzeugtechnik.

Heguang Zhicheng: Ein innovatives Unternehmen für fortschrittliche Materialien, das als erstes das vollständige geschlossene Kreislaufmodell von „Materialdesign- und Syntheseintelligenzagent + KI-entscheidendes intelligentes Labor + KI-Chemiedateninfrastruktur“ vorgeschlagen hat. Es konzentriert sich auf den Bereich des molekularen Designs und der Synthese, nutzt das KI-Molekülgenerierungsalgorithmusmodell als Gehirn, das KI-entscheidende Hochdurchsatz-autonome Labor als Hände und hochwertige, hochpräzise, standardisierte und überprüfbare KI-bereite Daten als Blut, um ein disruptives Materialforschungs-Paradigma zu bilden, das die industriellen Anforderungen wirklich erfüllt und den industriellen Weg durchbricht, und die Ära der KI-gesteuerten Materialforschung einzuleiten.

Shendu Zizhu: Erforscht ein neues Paradigma der autonomen wissenschaftlichen Entdeckung, das gemeinsam von künstlicher Intelligenz und Rückmeldungen aus realen Experimenten angetrieben wird, im Hinblick auf Superintelligenz für die Wissenschaft (AGI for Science).

Shuquan Gene: Konzentriert sich auf den Kernbereich der KI-gestützten Pharmadienstleistungen und baut eine KI-gestützte virtuelle Zelle für die dynamische Entwicklung von Krankheiten auf RNA-Basis auf. Die Kerntechnologie verwendet Plasma-RNA als präzisen dynamischen molekularen Eingang, um das gesamte Bild der molekularen Expression von Zellen umfassend zu erfassen. In Kombination mit dem selbst entwickelten erklärbaren und störbaren AIVC digitalen Zwillingszellen-Engine wird ein vollständiges technisches System von „Molekülanalyse - Zielselektion - Zellensimulation - Wirksamkeitsvorhersage“ aufgebaut. Es kann direkt in klinischen Szenarien angewendet werden, um leere technische Zyklen zu vermeiden. Weiterhin werden durch personalisierte dynamische Behandlungsstrategien und Molekülgenerierungs-Engine virtuelle Experimente realisiert, die Integration von Diagnose und Behandlung durchbrochen, die klinischen Kosten der Arzneimittelforschung gesenkt, und durch „klinische Forschung - Arzneimitteltests - Zusammenarbeit mit Pharmaunternehmen“ ein geschlossener Geschäfts Kreislauf von Klinik zu Pharmaunternehmen gebildet. Der Daten-Flywheel von klinischen Proben treibt die Modellentwicklung an, bildet einen dynamischen Dimensionsreduktionspfad für die KI-Iteration und schafft ein Beispiel für die Entwicklung von Modellen durch Geschäftsaktivitäten.

Yusheng Zhiyuan: Wid