今年 7 月，耀速科技、临界航天、深度原理、天鹜科技、华源智因等十多家 AI4S 创业公司释出融资信息。大厂纷纷入局 AI4S 赛道，今年 6 月字节跳动 AI4S 制药部门开启拆分融资，7 月启动 SEEDSTEM 科学家计划，招募科研人员进行 AI4S 应用；6 月，小米招募俞之奡担任小米材料 CORE 团队负责人，方向为前沿材料和 AIforMaterials（用人工智能进行材料研发，下称 "AI4M"）；7 月初，阿里达摩院联合中国人民大学、中国科学院大学等发布超导材料发现 AI 智能体 ElementsClaw。在海外，多家新材料领域的 AI 企业也相继获得了数亿美元的融资。
在生命科学领域，AI4S 已成为重要科研工具。一个标志性案例是谷歌 DeepMind 开发的 AlphaFold：其核心开发者丹米斯 · 哈萨比斯和约翰 · 江珀因蛋白质结构预测方面的贡献，共同获得 2024 年诺贝尔化学奖。AlphaFold 通过人工智能大幅提升了蛋白质结构预测的效率，为药物研发和基础生命科学研究提供了重要工具。
新一批的创业者们认为，在医药领域，AI4S 研发出来的某一款分子有可能达到亿元营收级别，但 AI4S 已经有 AlphaFold 这类完善的工具，且 AI4S 制药经过十多年的发展，还没有真正意义上的药物投入应用。而新材料的研发几乎覆盖新能源、化工、半导体、日化美妆、航空航天等制造业赛道，市场空间更广阔。同时材料领域不需要漫长的临床试验，从研发到产业化的周期更短，商业化路径更可行。AI4M 领域尚未出现像 AI 制药领域的 AlphaFold 这类成熟的基准模型，创业公司仍有充足的成长机会。
线性资本长期关注 AI4S 赛道，曾投资过深度原理、英华辰睿、贻如生物等多家 AI4S 公司。其投资总监周天意向记者表示，中国是材料科学应用大国，且材料科学是国内产业升级 " 卡脖子 " 领域之一，AI4M 在国内具有广阔前景。
进入实验室
深度原理创始人兼 CEO 贾皓钧在 2019 年前往 MIT 攻读材料学博士时，还未有多少人关注 AI4M 赛道，当时他用一些 AI 工具进行材料创新，结果往往较差。彼时，这个专业的学长学姐毕业后往往会去医药公司工作，因为 AI 在医药领域有着更明确的商业场景。
就读期间，他经常去参加一些 AI 交流活动，他一听到社群里面有新的 AI 工具出来，就拿过去试验能不能用于 AI4M。2022 年底 ChatGPT 横空出世，但其在科研领域的应用仍然较弱。
贾皓钧表示，从技术角度而言，AI4S 制药是针对蛋白质和靶点开发药物，发现药物这一环节已经成熟，但后端的临床试验基本是 " 盲盒 "。不过 AI 在新材料领域的应用不同，既要开发新材料，也要预测材料后续的化学反应，还要预测反应物、产物和过渡态等多种对象。" 对蛋白质的研究已经有十多年的成熟历程。材料学涉及的结构更多元、更复杂。比如，元素周期表上 100 多种元素之间可以不断地进行排列组合，产生的不同空间结构就是一种新材料。" 贾皓钧说。
再比如 " 有机—无机杂化钙钛矿 " 领域更关心晶体结构、离子迁移、相稳定性；有机半导体关心的是分子构象、能级、载流子迁移率、成膜形貌。它们的第一性原理计算方式、关键表征手段、失效机理都不一样。所有数据组合起来是 10 的 10 次方量级。
在材料领域，试验次数的多少是决定性的参数。为此，材料学领域也不断开发新的材料预测方法，建立数据库。随着大模型的出现以及算力规模的不断扩大，AI 在材料预测方面的能力开始凸显。
2023 年，贾皓钧的师兄、深度原理 CTO 段辰儒提交了一篇关于应用 Dif－fusion 模型预测化学反应的论文，预测准确度大幅提高，预测速度至少提高 1000 倍。" 这相当于之前一个博士生要用半年才能完成的实验，现在一天就可以解决。" 贾皓钧表示。
贾皓钧说，AI 重塑了新材料的发展范式，以前材料科学都是发现了从 A 到 B 的一种方式，再对这一方式进行调优。通过 AI4M，可以遍历从 A 到 B 的所有方法，直接选择最优方法。
AI4M 凭借实验提速、准确率提升的优势，逐步走进材料学实验室。
2022 年，周天意开始在美国寻找 AI4S 投资标的。他说，当时材料学领域的老师和博士生很少借助 AI 开展辅助研究，如今 AI 已经成为材料学老师和博士生的必备品。
" 用的人多了，AI 才能逐步完善，行业才能认识到 AI 的价值。" 周天意说。
寻求产业落地
AI 在材料学应用的可能性迅速吸引了产业界的关注，一批化工、能源企业开始探索 AI 技术在新材料挖掘上的可能。
在锂电池领域，2023 年底宁德时代宣布在香港设立国际研发中心，主要聚焦 AI4S 挖掘新能源材料、体系和应用方案；在化工材料领域，万华化学已探索通过人工智能从数千种方案中锁定最优方案，大幅缩短实验周期；在光伏领域，协鑫光电已建成钙钛矿 AI 高通量设备，每日能完成 300 片电池的多种涂层制备工艺、产出 1800 组高精度数据；在传统材料领域，小米已开发完成泰坦合金用于汽车生产……
协鑫光电总经理田清勇对经济观察报表示，钙钛矿行业的竞争核心是钙钛矿配方的研发，通过 AI 辅助，团队可以将设想的材料快速进行仿真测验，看是否有进一步挖掘的潜力。
他说，相比于人工测试，AI 高通量测试数据更加可靠。" 手工操作会导致一定的不可控误差，有时候材料的优势会被不可控误差掩盖，进而错过优秀的材料。由机器做实验，误差可以降到 0.1% 左右。" 田清勇说。
周天意表示，当前 AI4M 已经能够辅助科研，高校教授和科研院所买单意愿较强，但 AI4M 真正应用到工业化仍需时间。
光因科技 AI4S 相关负责人对经济观察报表示：" 科研数据干净、可控，真实生产中面临着设备漂移、环境波动、批次差异等一系列问题，把 AI4M 数据从实验室用到量产仍有门槛。" 光因科技是一家钙钛矿的创业公司。
经济观察报获悉，目前行业还处于市场教育期，AI4M 业务以企业管理层从上到下推动为主。但进行单点项目试验后，企业认可度与投入意愿普遍会大幅提升。
贾皓钧说，目前第一批规模化付费客户预计集中在材料、化工等有明确材料创新需求的垂直产业。深度原理目前正在实现多个千万级客户交付，主要集中在营养日化、精细化工、新能源等领域。
贾皓钧认为，有机材料赛道最容易实现突破，未来将逐步推广到无机材料和电化学材料。通过有机材料研发获取的数据可以帮助开发针对新领域材料的模型。
深度原理此前曾与一家欧美美妆公司合作，解决某一活性分子在光照下的稳定性问题。该活性分子早在 1970 年就被科学家发现，但其稳定性难题长期未能攻克。合作中，美妆公司仅要求深度原理推荐的十余个用于稳定该活性分子的方案中，有一个能起效即可；而最终实验结果显示，所有推荐分子均优于对照组。
据贾皓钧介绍，目前深度原理主要有三种商业模式：一是为客户提供 AI4M 及 AI 科学家平台能力等服务；二是和客户进行材料的共同研发，按照里程碑及商业利益分成来收费；三是直接进行材料自研，针对材料管线进行商业化。
周天意表示，当前 AI4M 企业大多跟材料企业签订项目制合同，通过项目交付实现营收，商业模型有待进一步清晰与完善。
与这种定制服务相比，一个更具泛化能力的材料学模型显然更具想象空间。人工智能在医药领域取得的显著突破是谷歌研发的 AlphaFold 模型，通过这个模型及其泛化能力，AI 在蛋白质结构预测方面取得了巨大进展。
贾皓钧说，相比于用大量数据进行调优的基座大模型，AI4S 的模型应用场景是科学知识发现，因此必须比泛化模型更具知识深度。
在他看来，AI4M 领域更适合 AI 模型的开发，在 AI4S 制药领域，企业大多只能在前端研发环节迭代模型，难以触达全产业链的真实产业数据。而在 AI4M 领域，即便是初创企业也能马上对产品进行各种测试，还可以进行小规模试用，得到的数据更加闭环。在他看来，通过 AI4M 领域开发的模型，在未来有望反哺到 AI4S 的所有领域。
周天意表示，相比于医药领域，材料领域的数据更加封闭，分散在高校和企业实验室内部。现阶段 AI4S 企业想要创造出更好的模型，必须花钱烧数据。作为机构投资者，他认为现阶段即使 " 花钱烧数据 " 也很划算。
