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）这一赛道骤然升温，众多AI企业纷纷将目光投向材料学领域。
今年7月，包括耀速科技、临界航天、深度原理、天鹜科技、华源智因在内的十多家AI4S初创公司公布了融资动态。与此同时，互联网大厂也加速布局：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应用研发；同日，小米任命俞之奡为材料CORE团队负责人，主攻前沿材料及AI4M（人工智能辅助材料研发）方向。7月初，阿里达摩院联手中国人民大学、中国科学院大学等机构，发布了用于发现超导材料的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融资。
在生命科学界，AI4S早已成为不可或缺的研究利器。谷歌DeepMind开发的AlphaFold便是典型代表，其核心开发者丹米斯·哈萨比斯与约翰·江珀因在蛋白质结构预测上的卓越贡献，共同摘得2024年诺贝尔化学奖。借助AI技术，AlphaFold极大提升了蛋白质结构预测效率，为药物研发及基础生命科学研究提供了强力支撑。
对于新一批创业者而言，虽然医药领域的AI4S成果有望催生亿元级营收产品，但相较于已有AlphaFold这样成熟工具的现状，AI制药历经十余年发展，尚未有真正意义上的药物大规模落地。相比之下，新材料研发几乎横跨新能源、化工、半导体、日化美妆、航空航天等制造业板块，市场版图更为辽阔。更重要的是，材料领域无需经历漫长的临床试验，从研发到产业化的周期更短，商业化路径更具可行性。目前，AI4M领域尚未出现类似AI制药中AlphaFold那样的基准模型，这为创业公司留下了充足的成长空间。
长期深耕AI4S赛道的线性资本，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媒体透露，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在国内拥有广阔前景。
回溯至2019年，贾皓钧前往麻省理工学院攻读材料学博士学位时，AI4M赛道尚属冷门。彼时他尝试利用部分AI工具进行材料创新，效果并不理想。在那个年代，该专业的学长学姐毕业后多选择进入医药公司，因为AI在医药领域有着更清晰的商业变现场景。
就读期间，贾皓钧频繁参与各类AI交流活动，一旦社群内出现新工具，他便立刻拿来试验其在AI4M中的适用性。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，但这股浪潮无疑带来了新的希望。
贾皓钧分析称，从技术层面看，AI4S制药主要聚焦于针对蛋白质和靶点开发药物，药物发现环节已相对成熟，但后端的临床试验往往充满不确定性。而在新材料领域，AI的应用逻辑截然不同：不仅要开发新材料，还需预测后续的化学反应，以及反应物、产物和过渡态等多种对象的状态。“对蛋白质的研究已走过十多年成熟历程。材料学涉及的结构更加多元且复杂。例如，元素周期表上100多种元素之间不断排列组合，产生的不同空间结构即可构成一种新材料。”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；有机半导体则更关心分子构象、能级分布、载流子迁移率及成膜形貌。它们的第一性原理计算方式、关键表征手段及失效机理各不相同。将所有数据组合起来，总量高达10的10次方量级。
在材料研究中，试验次数往往是决定性参数。为此，学界不断开发新材料预测方法并建立数据库。随着大模型的兴起及算力规模的扩张，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段辰儒发表了一篇关于应用Diffusion模型预测化学反应的论文，使预测准确度大幅提升，速度至少提高1000倍。“这意味着过去一名博士生需耗时半年才能完成的实验，如今一天即可解决。”贾皓钧表示。
他进一步指出，AI重塑了新材料的发展范式。传统材料科学通常是先发现从A到B的一种路径，再进行调优。而通过AI4M，可以遍历从A到B的所有可能方法，直接筛选出最优解。凭借实验提速与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，周天意开始在美国寻找AI4S投资标的。他回忆道，当时材料学领域的教授和博士生很少借助AI开展辅助研究，而如今，AI已成为他们的必备工具。“使用的人越多，AI才能逐步完善，行业也能更深刻地认识到其价值。”周天意说。
AI在材料学中的应用潜力迅速吸引了产业界的注意，一批化工、能源企业开始探索该技术在新材料挖掘上的可能性。
锂电池领域，宁德时代于2023年底宣布在香港设立国际研发中心，重点聚焦AI4S在新能源材料、体系及应用方案上的挖掘；化工材料领域，万华化学已通过人工智能从数千种方案中锁定最优解，大幅缩短实验周期；光伏领域，协鑫光电建成钙钛矿AI高通量设备，每日可完成300片电池的多种涂层制备工艺，产出1800组高精度数据；在传统材料方面，小米已开发出泰坦合金并应用于汽车生产……
协鑫光电总经理田清勇向经济观察报表示，钙钛矿行业的竞争核心在于配方研发。借助AI辅助，团队能快速仿真测试设想中的材料，评估其进一步挖掘的潜力。
他强调，相比人工测试，AI高通量测试的数据更为可靠。“手工操作难免引入不可控误差，有时材料的优势会被掩盖，从而错失良机。机器实验可将误差控制在0.1%左右。”田清勇说。
周天意认为，当前AI4M已能辅助科研，高校教授及科研院所的付费意愿较强，但要真正应用于工业化生产仍需时日。
光因科技（一家钙钛矿创业公司）的AI4S相关负责人坦言：“科研数据干净可控，而真实生产面临设备漂移、环境波动、批次差异等问题，将AI4M数据从实验室推向量产仍有门槛。”
据悉，目前行业仍处于市场教育期，AI4M业务多由企业管理层自上而下推动。但在完成单点项目试验后，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集中在材料、化工等具有明确材料创新需求的垂直产业。深度原理目前正在交付多个千万级客户，主要集中在营养日化、精细化工、新能源等领域。
他认为，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问题。该活性分子早在1970年即被科学家发现，但稳定性难题长期未解。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；最终实验结果显示，所有推荐分子均优于对照组。
据贾皓钧介绍，深度原理目前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；二是与客户共同研发材料，按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。
周天意指出，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，商业模型尚待进一步清晰和完善。
相较于这种定制服务，具备更强泛化能力的材料学模型显然更具想象空间。正如人工智能在医药领域取得的显著突破——谷歌研发的AlphaFold模型，凭借其泛化能力，AI在蛋白质结构预测方面取得了巨大进展。
贾皓钧表示，相比于依靠大量数据进行调优的基座大模型，AI4S模型的应用场景是科学知识发现，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，所得数据形成闭环。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。
周天意补充道，相比医药领域，材料领域的数据更为封闭，分散在各高校和企业实验室内部。现阶段，AI4S企业若想创造更好的模型，必须投入资金收集数据。作为机构投资者，他认为即便在当前阶段“花钱烧数据”，也是一笔划算的投资。
