记者 潘俊田
随着2024年诺贝尔化学奖的揭晓，AI4S（即利用人工智能辅助科学研究）这一概念再次成为焦点，众多AI企业正加速涌入这条科研赛道，并将目光锁定在材料学领域。
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初创公司陆续披露融资进展。与此同时，互联网巨头也频频入局。今年6月，字节跳动启动其AI4S制药部门的拆分融资工作，并于7月推出SEEDSTEM科学家计划，面向科研人员招募AI4S应用人才；同月，小米聘请俞之奡出任材料CORE团队负责人，主攻前沿材料及AI4M（人工智能驱动的材料研发）方向。7月初，阿里达摩院联合中国人民大学、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。放眼海外，新材料领域的多家AI企业也相继斩获数亿美元融资。
在生命科学界，AI4S已确立其作为关键科研工具的地位。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不可或缺的工具。
新一批创业者认为，虽然医药领域内由AI4S研发的单个分子有望实现亿元级营收，但鉴于已有AlphaFold这样成熟的标杆工具，且AI制药历经十余年发展仍未有真正意义上的药物大规模落地，相比之下，新材料的研发覆盖面更广，涉及新能源、化工、半导体、日化美妆及航空航天等多个制造业板块，市场潜力巨大。此外，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，商业化路径更为清晰可行。目前，AI4M领域尚未出现类似AI制药中AlphaFold那样的成熟基准模型，这为创业公司留出了充足的成长空间。
长期关注AI4S赛道的线性资本，曾投资过深度原理、英华辰睿、贻如生物等多家相关企业。该公司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，当深度原理创始人兼CEO贾皓钧前往麻省理工学院攻读材料学博士时，AI4M赛道尚属冷门。彼时，他尝试利用一些AI工具进行材料创新，但效果并不理想。在那个年代，该专业的学长学姐毕业后多选择投身医药行业，因为AI在医药领域拥有更为明确的商业应用场景。
在读期间，贾皓钧频繁参与各类AI交流活动，一旦社群内出现新的AI工具，他便立即拿来试验其在AI4M领域的适用性。直至2022年底ChatGPT横空出世，尽管其在科研领域的应用仍显薄弱，但这标志着转折点的前奏。
贾皓钧分析称，从技术维度看，AI4S制药主要聚焦于蛋白质和靶点以开发药物，发现药物这一环节已相对成熟，但后端的临床试验如同“盲盒”，充满不确定性。然而，AI在新材料领域的应用逻辑截然不同：它不仅需要开发新材料，还需预测材料后续的化学反应，以及反应物、产物和过渡态等多种对象的状态。“对蛋白质的研究已历经十多年沉淀，趋于成熟。而材料学涉及的结构更加多元且复杂。例如，元素周期表上百余种元素间可进行不断的排列组合，由此产生的不同空间结构即构成一种新材料。”贾皓钧解释道。
以“有机—无机杂化钙钛矿”为例，该领域更关注晶体结构、离子迁移率及相稳定性；而在有机半导体领域，重点则在于分子构象、能级、载流子迁移率及成膜形貌。这些不同体系的第一性原理计算方式、关键表征手段及失效机理均存在差异，所有数据组合起来达到了10的10次方量级。
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预测方法并建立数据库。随着大模型的兴起及算力规模的持续扩张，AI在材料预测方面的能力日益凸显。
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，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。
贾皓钧指出，AI重塑了新材料的发展范式。传统材料科学往往是在发现A到B的一种路径后进行调优，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正逐步深入材料学实验室。
2022年，周天意开始在美国寻找AI4S的投资标的。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，行业也才能更深刻地认识到其价值。”周天意说。
**寻求产业落地**
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AI技术在挖掘新材料方面的可能性。
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，重点聚焦利用AI4S挖掘新能源材料、体系及应用方案；在化工材料领域，万华化学已通过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，每日可完成300片电池的多种涂层制备工艺，并产出1800组高精度数据；在传统材料领域，小米已开发出泰坦合金并应用于汽车生产……
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，团队能快速对设想的材料进行仿真测试，评估其进一步挖掘的潜力。
他坦言，相较于人工测试，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这些误差掩盖，从而导致错失优质材料。而由机器执行实验，误差可控制在0.1%左右。”田清勇说道。
周天意表示，当前AI4M已能辅助科研工作，高校教授和科研院所的付费意愿较强，但真正将其应用到工业化生产中仍需时间。
光因科技AI4S相关负责人对经济观察报指出：“科研数据通常干净且可控，而真实生产环境中面临着设备漂移、环境波动、批次差异等一系列挑战，将AI4M数据从实验室延伸至量产仍存在门槛。”光因科技是一家专注于钙钛矿技术的创业公司。
据经济观察报了解，目前行业仍处于市场教育阶段，AI4M业务主要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普遍会显著提升。
贾皓钧透露，首批规模化付费客户预计将集中在具有明确材料创新需求的垂直产业，如材料、化工等领域。目前，深度原理正在推进多个千万级客户的交付工作，主要集中在营养日化、精细化工及新能源等行业。
贾皓钧认为，有机材料赛道最容易实现突破，未来将逐步扩展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，旨在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年便被科学家发现，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，所有推荐分子的效果均优于对照组。
据贾皓钧介绍，深度原理目前主要采用三种商业模式：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，按照里程碑节点及商业利益分成收费；三是自主进行材料研发，针对材料管线进行商业化运作。
周天意表示，当前AI4M企业多与材料企业签订项目制合同，通过项目交付实现营收，商业模式仍有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拥有更大的想象空间。人工智能在医药领域的显著突破源于谷歌研发的AlphaFold模型，凭借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。
贾皓钧强调，相比于依靠大量数据进行调优的基座大模型，AI4S模型的应用场景侧重于科学知识发现，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迅速对产品进行测试和小规模试用，所获数据更加闭环。他认为，通过在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企业若想创造出更优质的模型，必须投入资金构建数据壁垒。作为机构投资者，他认为在当前阶段，“花钱买数据”是一笔划算的投资。