记者 潘俊田
随着2024年诺贝尔化学奖的揭晓，AI4S（人工智能驱动科学研究）这一概念瞬间成为科研圈的热议焦点。这股热潮正促使众多AI企业加速涌入科研赛道，并将目光锁定在材料学这一细分领域。
今年7月，耀速科技、临界航天、深度原理、天鹜科技、华源智因等十余家专注于AI4S的初创公司相继披露融资进展。与此同时，互联网巨头也纷纷下场布局。今年6月，字节跳动对其AI4S制药部门启动拆分融资，并于同月推出SEEDSTEM科学家计划，旨在招募科研人员投身AI4S应用开发；小米则在6月聘请俞之奡出任材料CORE团队负责人，主攻前沿材料与AIforMaterials（即“AI4M”，利用人工智能进行材料研发）。7月初，阿里达摩院携手中国人民大学、中国科学院大学等机构，发布了针对超导材料发现的AI智能体ElementsClaw。视线转向海外，多家新材料领域的AI企业同样斩获了数亿美元级别的融资。
在生命科学界，AI4S已确立其重要科研工具的地位。最具代表性的案例莫过于谷歌DeepMind开发的AlphaFold。该项目的核心开发者丹米斯·哈萨比斯与约翰·江珀，凭借在蛋白质结构预测领域的卓越贡献，共同摘得2024年诺贝尔化学奖。AlphaFold借助人工智能技术，极大提升了蛋白质结构预测的效率，为药物研发及基础生命科学研究提供了强有力的支撑。
新一批创业者普遍认为，虽然医药领域的AI4S研发有望催生单款分子达到亿元营收规模，但鉴于已有AlphaFold这样成熟的标杆工具，且AI制药历经十多年发展仍未有真正落地的药物问世，相比之下，新材料研发的赛道更为宽广。新材料几乎覆盖了新能源、化工、半导体、日化美妆以及航空航天等制造业板块。更重要的是，材料领域无需经历漫长的临床试验，从实验室研发到产业化的周期更短，商业化路径更具可行性。目前，AI4M领域尚未出现如AI制药界AlphaFold般的成熟基准模型，这为创业公司留下了充足的成长空间。
线性资本长期深耕AI4S赛道，曾投资深度原理、英华辰睿、贻如生物等多家公司。其投资总监周天意向记者指出，中国是材料科学的应用大国，而材料科学正是国内产业升级中亟待突破的“卡脖子”环节之一，因此AI4M在国内拥有广阔的发展前景。
**进入实验室**
2019年，当贾皓钧前往麻省理工学院攻读材料学博士学位时，外界对AI4M赛道的关注寥寥无几。那时，他尝试使用一些AI工具进行材料创新，效果并不理想。在那个年代，该专业的毕业生多倾向于加入医药公司，因为AI在医药领域拥有更清晰的商业应用场景。
在读期间，贾皓钧频繁参与各类AI交流活动。只要社群内涌现出新的AI工具，他便迫不及待地拿来试验，探索其在AI4M中的可能性。直到2022年底ChatGPT横空出世，尽管其在科研领域的应用当时仍显薄弱，但这股浪潮显然带来了转机。
贾皓钧分析称，从技术层面看，AI4S制药主要针对蛋白质和靶点开发药物，发现药物这一环节已相对成熟，但后端的临床试验往往如同“盲盒”。然而，AI在新材料领域的应用逻辑截然不同：它不仅要开发新材料，还需预测材料后续的化学反应，甚至要预测反应物、产物及过渡态等多种复杂对象。“蛋白质研究已走过十多年的成熟历程。相比之下，材料学涉及的结构更多元、更复杂。例如，元素周期表上100多种元素之间可以进行不断的排列组合，由此产生的不同空间结构便构成了一种新材料。”贾皓钧解释道。
以“有机—无机杂化钙钛矿”为例，该领域重点关注晶体结构、离子迁移率及相稳定性；而在有机半导体领域，研究者则聚焦于分子构象、能级、载流子迁移率以及成膜形貌。这些不同体系的第一性原理计算方式、关键表征手段以及失效机理均不相同。将所有数据组合起来，其量级高达10的10次方。
在材料研究中，试验次数往往是决定成败的关键参数。为此，材料学界不断开发新的材料预测方法并建立数据库。随着大模型的崛起以及算力规模的持续扩大，AI在材料预测方面的优势逐渐凸显。
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Diffusion模型预测化学反应的论文。结果显示，预测准确度大幅提升，速度至少提高了1000倍。“这意味着以前一名博士生需要半年才能完成的实验，现在一天就能解决。”贾皓钧感慨道。
贾皓钧表示，AI重塑了新材料的发展范式。过去，材料科学通常是先发现一种从A到B的路径，再对其进行调优。而通过AI4M，可以遍历从A到B的所有可能路径，直接选出最优解。凭借实验提速和准确率提升的双重优势，AI4M正逐步渗透进材料学实验室。
2022年，周天意开始在美国搜寻AI4S的投资标的。他回忆说，当时材料学领域的教授和博士生很少借助AI辅助研究，而如今，AI已成为他们的必备工具。“用的人多了，AI才能逐步完善，行业才能认识到它的价值。”周天意说道。
**寻求产业落地**
AI在材料学应用的前景迅速吸引了产业界的注意，一批化工、能源企业开始探索AI技术在挖掘新材料方面的潜力。
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，主要聚焦于通过AI4S挖掘新能源材料、体系及应用方案；在化工材料领域，万华化学已探索利用人工智能从数千种方案中锁定最优解，大幅缩短了实验周期；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，小米已开发出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在于配方的研发。通过AI辅助，团队可以将设想中的材料快速进行仿真测验，评估其是否具备进一步挖掘的潜力。
他提到，相较于人工测试，AI高通量测试的数据更加可靠。“手工操作会引入一定的不可控误差，有时材料的优势会被这种误差掩盖，从而错失优秀材料。由机器执行实验，误差可控制在0.1%左右。”田清勇解释说。
周天意指出，当前AI4M已能辅助科研，高校教授和科研院所的付费意愿较强，但要真正应用到工业化生产中，仍需时日。
光因科技AI4S相关负责人向经济观察报坦言：“科研数据干净且可控，但真实生产中面临设备漂移、环境波动、批次差异等一系列问题，将AI4M数据从实验室推向量产仍存在门槛。”光因科技是一家专注于钙钛矿技术的创业公司。
经济观察报获悉，目前行业仍处于市场教育期，AI4M业务的推进主要依靠企业管理层自上而下推动。但在进行单点项目试验后，企业的认可度与投入意愿通常会显著提升。
贾皓钧表示，首批规模化付费客户预计将集中在材料、化工等具有明确材料创新需求的垂直产业。目前，深度原理正在实现多个千万级客户的交付，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，未来将逐步推广至无机材料和电化学材料。通过有机材料研发积累的数据，有助于开发针对新领域材料的模型。
此前，深度原理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难题。该活性分子早在1970年就被科学家发现，但其稳定性问题长期未能攻克。合作中，美妆公司仅要求深度原理推荐的十余个稳定方案中有一个有效即可；最终实验结果却显示，所有推荐分子的效果均优于对照组。
据贾皓钧介绍，深度原理目前的商业模式主要有三种：一是为客户提供AI4M及AI科学家平台能力等服务；二是与客户共同研发材料，按照里程碑及商业利益分成收费；三是直接进行材料自研，针对材料管线进行商业化运作。
周天意表示，当前AI4M企业大多与材料企业签订项目制合同，通过项目交付实现营收，商业模型仍有待进一步清晰和完善。
与这种定制化服务相比，一个具备更强泛化能力的材料学模型显然拥有更大的想象空间。人工智能在医药领域的显著突破源自谷歌研发的AlphaFold模型，借助该模型及其泛化能力，AI在蛋白质结构预测方面取得了巨大进展。
贾皓钧指出，相比于依赖大量数据进行调优的基座大模型，AI4S模型的应用场景在于科学知识发现，因此必须具备比泛化模型更深的知识底蕴。
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立即对产品进行各种测试和小规模试用，所获数据更为闭环。他认为，通过AI4M领域开发的模型，未来有望反哺至AI4S的所有领域。
周天意表示，相较于医药领域，材料领域的数据更加封闭，分散在各高校和企业实验室内部。现阶段，AI4S企业若想创造出更好的模型，必须投入资金构建数据壁垒。作为机构投资者，他认为现阶段即使“花钱烧数据”也是一笔划算的投资。
