本文约3700字，建议阅读8分钟
作者丨欧雪
编辑丨袁斯来
硬氪获悉，AI for Materials 公司——索格智算（上海）科技有限公司【以下简称 " 索格智算 "】近期已完成数千万元天使轮融资。本轮由复星创富领投，南通产控思源人工智能先导基金、云启资本、中赢创投跟投，紫竹科投等老股东追加投资。资金将主要用于新材料自动化研发管线持续研发与迭代、实验室建设、研发团队扩充及产业人才引进，推动国产高端材料自主可控。
索格智算成立于 2025 年，是一家专注于利用原创 AI 计算引擎等融合技术，驱动新材料研发的硬科技公司。公司聚焦国家战略需求下的新材料设计关键难题，通过材料原子大模型 + 高性能仿真 + 干湿实验闭环，打通跨尺度研发链路，推动核心技术国产化突破与关键材料自主可控。
创始人、首席科学家徐振礼是上海交通大学特聘教授、人工智能新材料研究中心主任，国家杰出青年科学基金获得者。核心团队拥有数学、人工智能、材料交叉背景。公司已组建 30 余人的研发团队，下设 AI 算法、应用技术、智能体、量子计算四个研发中心。顾问团覆盖 AI 算法、材料研发、产业资源，形成了「基础研究＋产业落地」的双引擎架构。
新材料研发，为什么需要 AI？
硬氪了解到，传统材料研发依赖试错法，一个新材料从实验室发现到产品化落地往往需要数十年时间，研发成本高昂且机理不透明。在新能源、精细化工等产业加速向更高代际演进的背景下，现有材料供给已难以匹配其对下一代高性能材料不断升级的要求，关键材料自主保障能力存在明显缺口。
但用 AI 加速材料研发，也有难题。原子之间的相互作用，近处好算，远处难算。传统 AI 模型靠 " 消息传递 " 一层层传，算得慢、成本高，而且换个材料就不太管用。索格智算的突破，就是从底层算法解决这个问题。
索格智算的技术体系围绕三个原创算法展开：
SOGNet，解决 " 算得准 " 的问题。传统模型只能看近处，SOGNet 能在傅里叶空间直接学习远距离原子关联，自适应学习不同距离的衰减特征。相关研究发表于 Phys. Rev. Lett.（2025），并获编辑推荐。
随机分批算法，解决 " 算得快 " 的问题。传统算法万核并行效率只有 20%-30%，随机分批算法能做到 95% 以上，计算速度提升数十至百倍，让大规模材料模拟成为可能。该工作获上海市自然科学一等奖。
R2D 多场耦合模型，解决 " 算得真 " 的问题。传统电化学建模依赖均质假设，R2D 模型突破了这一框架，能够精准捕捉电池材料在充放电循环中的多物理场耦合演化过程——包括离子传输、界面反应、应力演化与失效机制等。
基于这些算法，索格智算形成了自研产品矩阵，打通材料设计、计算验证、工业仿真和自主研发全链路：面向锂电、高分子等垂直领域的 SOGNet 原子大模型、高性能模拟器 NanoTitan、材料器件仿真平台 R2DPack，以及自主研发智能体 SOG Omni。
其中锂电材料垂域模型 SOGNET-Battery 是面向锂电领域的核心产品。锂电材料涉及离子迁移、界面演化、涂层稳定性等复杂过程，传统模型很难同时兼顾精度和效率。SOGNET-Battery 的思路是：用专业筛选和自主生成的锂电数据训练模型，让模型 " 近处看得准、远处看得到、体系放大仍算得快 "。
实测表现来看，在六类锂电材料上，SOGNET-Battery 用更小的参数规模，精度超过了参数更大的通用势函数模型。更关键的是迁移能力：在新体系上只需少量数据微调，就能快速适配。以 Li-Li PS Cl 体系为例，只用 359 个构型微调，原子力误差降低约 68%，能量误差降低约 83%。推理速度上，SOGNET-Battery 比通用模型提升超过 80%，同样的算力能处理更多原子构型。
目前，公司已将上述核心技术和产品沉淀为可复用的材料设计自动化管线，形成了持续迭代能力。在某固态电池企业电芯设计过程中，团队利用 R2DPack 开展电芯级多物理场仿真，将材料参数、界面特性与电芯结构进行耦合，实现对电芯性能的快速预测与设计优化，显著减少传统电芯设计对反复实验验证的依赖，加速固态电池电芯研发迭代，面向车载实时计算需求，在主流车载芯片同等算力条件下实现毫秒级响应，为在十万级新能源汽车主流车载芯片上的轻量化部署与实时预测奠定基础。
对于某化工上市企业高分子材料的智能发现与快速筛选，团队利用 SOG Omni 推荐满足企业需求的候选配方，再由多尺度计算引擎进行精准预测和筛选，相关结果已经进入湿实验验证。
此外，索格智算在国家重大战略需求的新材料设计领域也开始布局，包括稀土永磁、辐射屏蔽材料；与头部企业、研究院所共建人工智能研发与应用系统，助力关键战略材料自主可控。
未来规划方面，索格智算的目标是通过自主可控的产品技术，实现高价值新材料设计能力突破。产品上，公司计划在锂电、化工高分子领域搭建全流程模拟自动化平台，从智能体出发，通过 AI 推荐材料，再进行大规模计算、仿真和筛选，最后在器件层面仿真，打通整套流程；同时在高分子、化工等领域推出自动化计算筛选平台。
以下为硬氪与公司创始人、首席科学家徐振礼的对话节选（经编辑）：
硬氪：索格智算的核心技术壁垒是什么？
徐振礼：我们的核心壁垒是原创算法。SOGNet 解决长程相互作用势函数瓶颈，随机分批算法突破微尺度计算扩展性瓶颈，R2D 多场耦合模型实现高保真计算。
这三个算法不是简单的工程优化，而是从底层数学出发的原创突破。基于这些原创算法，索格智算打通了数据—模型—仿真—实验完整闭环。
硬氪：AI for Materials 赛道竞争越来越激烈，索格智算如何应对？
徐振礼：材料领域细分方向非常多，也存在不同技术路线，商业机会很多。我们的优势在于算法效率与精度。未来大家都在竞争算力利用率，投入同样的算力，算法效率更高、精确度更高，预测能力就更强。
另外，我们提供软硬件一体化产品，进一步发挥算法和硬件协同加速的效果，并且充分适配材料企业对于本地部署的需求。我们也在做管线，从智能体出发，通过生成式人工智能推荐材料，再进行大规模计算、模拟、仿真和筛选，最后在器件层面仿真，打通整套自动化流程。
硬氪：公司未来的商业化路径怎么走？
徐振礼：我们分两个层面。一是以概念验证阶段的联合研发作为合作起点，在高价值材料方向率先跑通技术可行性，再向纵深布局；二是深化战略合作，锚定高价值关键材料赛道，重点布局光刻胶、半导体封装胶粘材料等细分领域，纵深推进新材料分子设计、配方开发与产线落地。
投资方观点：
复星创富：AI for Materials 作为人工智能与先进材料深度融合的重要方向，具备颠覆性变革材料研发范式的战略价值。
我们非常看好索格智算，核心在于其在 " 底层算法—算力平台—产业应用 " 上的完整技术实力。依托创始人徐振礼带领的计算数学、人工智能与材料工程交叉学科顶尖团队，公司围绕材料长程界面精准模拟等核心难题形成了 SOG-Net 高斯和神经网络、RBMD 随机分批分子模拟等原创技术，并探索出软硬件协同的产品化路线。我们认为，这种从底层核心技术出发，进一步向产业场景延伸的能力，是 AI for Materials 企业形成长期竞争壁垒的重要基础。公司已经在锂电、稀土永磁、半导体等关键产业领域展现出明确的应用价值，正处于从技术突破向产业规模化落地的关键跨越期。
未来，我们期待与索格智算共同推动 AI 与材料科学的深度融合，支持公司持续强化核心技术、拓展产业应用、推动国产材料开发基础设施进一步实现自主可控，并成长为 AI for Materials 领域具有长期影响力的标杆硬科技企业。
南通投管：我们看好 AI 与物理计算深度融合对材料研发范式的重塑，也看好索格智算从底层算法创新走向产业应用的潜力。材料智能设计的关键，在于兼顾复杂体系的预测精度与大规模模拟的计算效率。索格智算围绕这两项核心能力形成了具有辨识度的技术布局：SOG-Net 通过可学习的高斯和表示刻画长程相互作用，补充短程机器学习势对远距离作用描述的不足，为复杂材料体系提供更完整的物理建模能力；随机分批算法则通过随机采样降低相互作用计算开销，并在 RBMD 分子动力学平台中实现工程化，提升大规模模拟的效率与可扩展性。两者分别从建模精度与计算效率出发形成协同，为材料筛选、性能预测及机理研究提供支撑。依托团队在应用数学、机器学习与高性能计算领域的积累，以及在电池、先进合金和半导体等场景的持续探索，我们期待索格智算将原创算法优势转化为可复用的研发工具和行业解决方案，帮助产业客户缩短研发周期、降低试错成本，推动 AI 驱动的材料创新落地。
中赢创投：徐振礼教授为国家杰青，深耕交叉领域 20 余年，学术影响力深远。已组建一支兼具应用数学、AI、化学、材料背景的交叉团队，在算子学习、机器学习势与大规模分子模拟领域积累深厚。尤其团队以 SOG-Net 长程势函数实现底层突破，打通了从微观到宏观的闭环路径，这种 " 算法 + 工程 " 能力是 AI for Science 赛道最为稀缺的壁垒。我们期待索格能持续将技术突破转化为可规模化产品，成为新材料研发范式变革的重要推动者。
紫竹科投：索格智算是我们在 AI+ 材料赛道重点布局的硬科技项目。AI 赋能新材料研发已经成为国家战略方向，高性能材料仿真平台是国内新材料产业突破的重要底座。索格智算来自上海交大和紫竹共同成果转化代表项目，团队已逐步实现前沿计算科学算法向 AI 赋能行业的落地转化。公司直击国内材料研发仿真精度不足、大规模计算效率低下的行业痛点，覆盖算法软件、垂域大模型、纳泰软硬件一体机完整产品矩阵。期待公司持续打磨全栈 AI 材料研发解决方案，成为驱动新材料前沿探索与全链路交付的核心引领者。
