记者 潘俊田
2024年诺贝尔化学奖的揭晓，让AI4S（即利用人工智能辅助科学研究）这一赛道骤然升温。如今，众多AI企业正加速涌入这一科研领域，并将目光锁定在材料学方向。
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初创公司相继披露了融资动态。与此同时，互联网巨头也频频布局。6月份，字节跳动对其AI4S制药部门启动拆分融资，并在同月推出SEEDSTEM科学家计划，面向科研人员招募AI4S应用人才；小米则在6月任命俞之奡为材料CORE团队负责人，主攻前沿材料及AIforMaterials（简称“AI4M”）。到了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。最具代表性的案例莫过于谷歌DeepMind开发的AlphaFold。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。借助人工智能，AlphaFold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关键支撑。
新一批创业者洞察到，虽然医药领域的AI4S研发有望诞生营收过亿的分子产品，但该赛道已有AlphaFold这样成熟的工具标杆，且经过十余年发展，尚未有真正意义上的AI制药药物落地应用。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，市场腹地更为宽广。此外，材料领域无需经历漫长的临床试验环节，从研发走向产业化的周期更短，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般的基准模型，这为创业公司留出了充足的成长空间。
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媒体透露，中国是材料科学的应用大国，而材料科学又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时，AI4M赛道尚属冷门。彼时他尝试使用一些AI工具进行材料创新，效果并不理想。在那个年代，该专业的学长学姐毕业后多选择进入医药公司，因为AI在医药领域拥有更清晰的商业场景。就读期间，贾皓钧频繁参与各类AI交流活动，一旦听说社群中有新工具发布，便立刻拿来测试其在AI4M中的适用性。2022年底ChatGPT横空出世，但其在科研领域的应用潜力当时仍显薄弱。
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，药物发现环节已相对成熟，但后端临床试验往往如同开“盲盒”。然而，AI在新材料领域的应用逻辑截然不同：既要开发新材料，又要预测材料后续的化学反应，还需预测反应物、产物及过渡态等多种对象。“对蛋白质的研究已有十余年的成熟积淀。材料学涉及的结构更多元、更复杂。例如，元素周期表上百余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。”贾皓钧指出。
以“有机—无机杂化钙钛矿”领域为例，研究者更关注晶体结构、离子迁移率及相稳定性；而在有机半导体领域，焦点则在于分子构象、能级、载流子迁移率及成膜形貌。这两者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，规模高达10的10次方量级。
在材料研究中，试验次数是决定性参数。为此，学界不断开发新的材料预测方法并建立数据库。随着大模型的兴起及算力规模的扩张，AI在材料预测方面的优势日益凸显。
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1000倍。“这意味着过去博士生需耗时半年才能完成的实验，现在一天内即可解决。”贾皓钧表示。
贾皓钧认为，AI重塑了新材料的发展范式。传统材料科学往往是先发现从A到B的一种路径，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，周天意开始在美国搜寻AI4S投资标的。他指出，当时材料学领域的教师与博士生极少借助AI开展辅助研究，如今AI已成为他们的必备工具。“使用者越多，AI才能逐步完善，行业也能更深刻地认识到AI的价值。”周天意说道。
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，宁德时代于2023年底宣布在香港设立国际研发中心，重点聚焦利用AI4S挖掘新能源材料、体系及应用方案；在化工材料方面，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；光伏领域里，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；在传统材料领域，小米已成功开发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，团队能将设想中的材料快速进行仿真测验，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。“手工操作易引入不可控误差，有时材料本身的优势会被这些误差掩盖，导致错失良材。由机器执行实验，误差可控制在0.1%左右。”田清勇补充道。
周天意指出，当前AI4M虽能辅助科研，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，仍需时间沉淀。
光因科技AI4S相关负责人对经济观察报表示：“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、批次差异等一系列难题，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业务的推进主要依靠企业管理层自上而下的驱动。但在进行单点项目试验后，企业的认可度与投入意愿普遍会显著提升。
贾皓钧预测，首批规模化付费客户预计将集中在材料、化工等具备明确材料创新需求的垂直产业。目前，深度原理正实现多个千万级客户的交付，业务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年就被科学家发现，但其稳定性难题长期未获攻克。合作中，美妆公司仅要求深度原理推荐的十余个稳定该活性分子的方案中，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，依据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与完善。
相比此类定制服务，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于谷歌研发的AlphaFold模型，依托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，相较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，与医药领域相比，材料领域的数据更为封闭，分散在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，必须投入资金购买数据。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。
