北京深势科技有限公司：AI for Science领域、数字软件与工业服务专精特新企业档案

一、企业速览

企业基础信息：公司名称：北京深势科技有限公司；地区：北京市海淀区；行业方向：工业软件与信息服务；成立时间：2018-11-29；注册资本：3166.3846万元；员工规模：141人；专利数量：152件；专精特新认定：2023年第五批；上市状态：未上市。

北京深势科技专注于AI for Science领域，核心产品为深势·宇知科学发现智能引擎及系列工业软件（Hermite、Piloteye等），服务于基础科研、生物医药、新能源、化工、半导体等领域的研发数字化。在产业链中，公司位于“电子信息与数字技术”链条的“数字软件与工业服务”环节，本质是用人工智能加速传统科学计算和仿真模拟，将算法打包为标准软件工具。

二、主营产品与产业链定位

深势科技的主营业务是开发并销售替代或增强传统计算化学、材料模拟、分子动力学仿真的AI工业软件。其核心产品“深势·宇知”平台，以及Hermite（药物设计）、Piloteye（电池/电解液研发）、玻尔系列（科学导航与智算调度）等工具，解决的是研发端“实验试错成本高、仿真周期长”的痛点。传统上，一个计算化学家跑一个分子动力学模拟可能需要数周，而深势的AI模型（以DP-深度势能为核心）能将时间压缩到小时甚至分钟级别，并且精度逼近第一性原理计算。

从产业链上下游来看：

• 上游：该公司不涉及硬件制造，其上游主要为算力基础设施（高性能GPU服务器，典型供应商为NVIDIA、华为昇腾等）、开放式科学数据/知识图谱（如蛋白质结构数据库PDB、Materials Project等），以及底层AI框架（如TensorFlow、PyTorch、DeepMD开源社区，行业共识）。其本身的“原材料”是海量的计算数据和物理化学基础方程。
• 下游：客户主要为科研院所（高校、中科院体系）、大型制药企业（如恒瑞医药、百济神州，行业共识别）、新能源公司（宁德时代、比亚迪，行业共识）及化工材料企业。这些客户在药物分子筛选、电池材料配方优化、催化剂设计等环节需要高精度的计算模拟来辅助判断，直接关系到研发效率和产品迭代速度。

在“数字软件与工业服务”这个环节，与传统的CAE软件（如Abaqus、ANSYS）不同，深势科技代表的是“数据驱动+物理约束”的新一代工业软件。它不是简单的图形化界面，而是将AI模型作为求解器，深度嵌入到科学计算的工作流中。产业链关系上，它与上游的算力供应商深度绑定（需要专门优化AI模型在特定芯片上的运行效率），并为下游的生物医药、新能源企业提供可直接交付的SaaS或私有化部署的软件许可。

三、核心工序与技术依赖

作为一家AI for Science工业软件公司，其核心研发和生产工序并非传统的产线作业，而是围绕算法、数据和工程实现的闭环。根据行业共识，此类企业的关键工序包括：

1. 底层的物理建模与算法开发：即开发“有效的势函数”。典型做法是利用深度神经网络，拟合海量的第一性原理（DFT）计算数据，构建出可以精确预测原子间相互作用力的DeePMD模型。要求训练数据的分布能够覆盖目标材料或分子的构型空间（典型参数：训练集数据量需达到10^5量级，能量精度需收敛到1 meV/atom以内）。

2. 高性能计算与软件工程化：将训练好的AI模型封装成可在高性能计算集群上运行、支持大规模并行计算的工业级软件。这包括对GPU的底层CUDA编程、分布式训练框架的搭建，以及前后处理图形界面的开发。技术门槛在于将AI推理的计算延迟控制在1毫秒级，且支持万核级并行。

3. 领域知识库与数据迭代：持续构建高质量的行业专属数据集。例如，针对锂电池电解液，需要系统性地收集65000种以上的分子在不同温度和电场下的DFT计算结果（行业共识）。这一步决定了AI模型的泛化能力和应用边界。

4. 软硬件一体优化：根据特定客户场景（如材料基因组或药物筛选平台），针对特定的GPU或国产AI芯片（如寒武纪、华为昇腾）进行模型压缩、算子调优和适配工作，确保推理效率。

5. 产品化与交付测试：完成UI/UX设计、API接口标准化、SaaS运维及私有化部署的环境测试。交付物不是代码，而是可安装、可验证、有合规文档的软件包。

上游关键材料/设备及供应商情况（行业共识）：

深势科技的具体定位：从152件专利和核心产品“Hermite”、“Piloteye”推断，该企业主要精力集中在第一道工序的“DeePMD物理建模”和第三道工序的“领域知识库构建”。其专利方向大概率集中在深度势能模型的算法改进、多尺度模拟方法、以及AI在特定材料体系（如电解液、蛋白-配体复合物）中的应用。该公司不直接生产GPU或服务器，但需要深度掌握硬件特性和底层编程（CUDA或华为CANN），以将算法高效部署。

四、竞争格局

在“数字软件与工业服务”这个全国共1578家的赛道上，北京深势科技面临的竞争来自两个方向：传统工业软件巨头的新能源和生命科学产品线，以及同类AI for Science初创公司。

主要竞争对手：

竞争维度分析：

• 算法精度与速度：是区别于传统软件的核心能力。深势科技依靠DeePMD算法在还原精度上逼近DFT（第一性原理计算），同时计算成本是传统方法的一到两个数量级，这是关键壁垒。
• 行业Know-How与数据飞轮：能否切入具体行业（如电解液配方、抗体设计）并形成可复用的数据资产是核心。谁先通过几个头部客户完成验证，谁就能形成数据壁垒。
• 产品化与客户黏性：能提供即开即用的SaaS平台，还是需要客户配合进行复杂调参的算法包。深势的Piloteye和Hermite倾向于提供端到端的SaaS工具，降低了客户使用门槛。
• 生态构建：开源社区（如DeepMD-kit）的活跃度、与学术界顶级的合作程度，直接影响其品牌影响力和人才吸引力。

专利维度：公司拥有专利152件，是全国同行业（数字软件与工业服务，1578家）中位数89件的1.71倍。在北京同方向（工业软件与信息服务）仅有的3家企业样本中也处于领先位置。这显示出其以算法为核心的研发投入和知识产权保护意识较强，但专利质量（发明专利占比、技术覆盖范围）需要进一步观察，是实打实的壁垒还是防御性布局，有待市场验证。

五、护城河判断

• 技术壁垒：152件专利（行业中位数89件）反映了一定的技术密度。结合其产品（Hermite、Piloteye等），专利大概率集中在“深度势能模型的训练方法”、“多尺度耦合计算方法”、“AI求解器在高性能计算集群的并行化”等领域。其核心优势在于将AI算法与物理方程（量子力学/经典力学）的结合，这需要跨学科（AI+物理+化学）的稀缺人才，非传统软件公司一朝一夕能复制。但需要注意，其底层模型DeepMD-kit为开源，深度壁垒在于针对特定工业场景的专有数据和训练技巧（行业共识）。
• 客户壁垒：工业软件的客户验证周期极长。头部药企或电池厂在替换核心研发软件时，通常需要1-3年的反复测试与对标验证。例如，用深势的工具模拟的结果必须与实验室真实实验结果的误差在可接受范围内（如材料性质预测误差<5%，行业共识），客户才可能每年支付数百万至数千万的软件许可费。一旦成功嵌入客户研发管线，切换成本极高——因为客户依赖该软件形成的内部数据、工作流程和员工培训都已高度绑定。
• 规模壁垒：141人的团队，在AI for Science领域属于中型技术团队（对比晶泰科技等创始人团队规模大，行业共识）。这个规模可以进行核心算法迭代，且维持10-20个并行研发或商业化项目。但就全国1578家同类企业来说，其核心研发、算法应用、产品工程、IT架构与商业拓展全部压缩在141人，这对团队效率和研发投入强度构成挑战。要达到更高量级的营收和客户覆盖，人员规模需进一步扩张。
• 认定价值：2023年第五批专精特新“小巨人”，在当前政策环境下有明确的信号意义。它意味着企业已经在细分领域（AI-driven科学计算软件）取得了技术认可和一定市场地位，具备较强的创新能力和成长性。在北京，第五批仅遴选243家；在工业软件方向，全市仅3家。该认定除带来直接资金奖励外，更有利于其在申报重大科研项目、获取银行贷款、吸引人才落户和税收减免方面获得实实在在的便利。

六、风险与机会

行业风险：

1. 工业软件国产替代的“冷板凳”：消费级AI市场火热，但国产工业软件本身的付费意愿依然偏弱。尤其当客户（如研究院所、国企）采购以合规和性价比为原则时，可能会优先选择成熟的国外软件（如达索BIOVIA、Schrödinger）或廉价开源方案（如OpenMM、GROMACS）。深势科技需要持续教育市场，面对客户信任建立周期长的挑战。

2. AI for Science的“范式之争”：目前行业尚未形成统一的技术路径，传统计算方法（第一性原理、力场方法）依然是主流。AI模型的通用性和外推能力在极端条件下（如反应中间体、缺陷体系）仍存疑。如果未来有更高效的算法或量子计算等范式出现，现有护城河可能会迅速贬值。

3. 宏微观经济波动影响：生物医药和半导体行业近期面临投融资收缩和价格战压力。下游客户（尤其未盈利的biotech）可能削减研发预算，优先保证实验设备投入而非软件订阅支出，影响深势科技的客户拓展节奏。

公司风险：

1. 收入与资本结构信号：营收规模未披露，通常暗示收入体量尚小或处于亏损阶段。实缴资本669.1369万元，相对注册资本3166.3846万元偏低，股份公司结构（外商投资、未上市）提示其股权架构复杂，且对人民币/外币双重融资环境敏感。2025年获得数亿元人民币融资，是一把双刃剑——既能加速研发，也必然带来高估值的后续融资压力。

2. 证据链薄弱：公开信息仅有企业简介和官网入口，未见具体客户披露名单、公开的中标公告、成功案例白皮书或媒体深度报道（“公开证据”中无此类信息）。在高度依赖客户信任的To B赛道，证据密度不足可能影响对其商业落地能力的判断。

3. 创始人背景依赖：创始人张林峰入选中关村U30榜单，但团队早期核心成员多为学术背景（如中科院士团队），商业化团队建设、供应链管理和政府事务能力有待时间检验。

机会窗口：

1. 政策驱动的国产替代：随着“十四五”软件和信息技术服务业发展规划推进，以及科研经费管理改革中对国产软件采购的倾斜，中央及地方财政支持的科学计算平台、重点实验室将对国产科学计算软件释放大量订单。这为深势科技进入院所和国有企业战场提供了确定性机会。

2. AI与具身智能、半导体硬件结合：企业简介中提及“联合发布了国产智能双束电镜系统Hyper-FIB”，这表明其AI能力正向上游精密仪器和半导体先进制造场景渗透（从软件向“软硬件一体”的智能化设备）。如果成功将算法内嵌到显微镜、光刻过程控制等核心装备中，有望从纯软件溢价扩展至硬件授权费，打开新增长空间。这也是AI for Science在智能制造领域最明确的技术变现路径。