2025 年 12 月 12-13 日，第八届GAIR 全球人工智能与机器人大会在深圳 · 博林天瑞喜来登酒店正式启幕。

作为 AI 产学研投界的标杆盛会，GAIR 自 2016 年创办以来，始终坚守 " 传承 + 创新 " 内核，始终致力于连接技术前沿与产业实践。

在人工智能逐步成为国家竞争核心变量的当下，算力正以前所未有的速度重塑技术路径与产业结构。13 日举办的「AI 算力新十年」专场聚焦智能体系的底层核心——算力，从架构演进、生态构建到产业化落地展开系统讨论，试图为未来十年的中国 AI 产业，厘清关键变量与发展方向。

GAIR 2025「AI 算力新十年」专场上，鼎熙智创联合创始人吕海峰先生，为我们分享了《科学智能驱动的新材料设计研发》。

  当 "AI for Science" 从理念走向产业化，新材料研发被视为最具潜力的落地场景之一。然而，在充沛的算力与高涨的期待背后，一道真实的壁垒正逐渐清晰——高质量、高价值的专用数据，而非算力本身，正成为制约 AI 驱动材料发现从实验走向量产的关键瓶颈。

吕海峰的实践，正源于对这一瓶颈的直面与突破。他亲历了中国超算从 T 级起步、服务化探索乃至产业应用的完整过程，深谙 " 建好算力 " 与 " 用好算力 " 之间的巨大鸿沟。如今，他选择躬身入局，将全部精力投入到通过 " 干湿实验闭环 "，在材料研发中持续生成高质量数据、训练专用模型，并最终实现新材料高效孵化的创业实践中。

在他看来，AI 若不能深入 " 数据 - 设计 - 制备 - 测试 " 的产业闭环，仅靠公开数据与通用模型，将难以破解材料领域的 " 研发黑箱 "。真正的价值不在于拥有多少算力，而在于能否构建一个能持续产生优质数据、并能将数据转化为可验证材料方案的 " 智能研发系统 "。

在 GAIR 2025 的演讲中，吕海峰系统分享了如何从早期超算服务、商业化运营到如今 AI for Science 创业的历程与思考。他重点剖析了材料研发中数据稀缺的本质、构建 " 干湿结合 " 闭环的逻辑与挑战，以及在此过程中如何找到可持续的商业模式——不是售卖软件工具，而是成为 " 新材料的孵化器 "，直接交付分子设计、工艺包乃至样品。

他的经验，来自从理论模拟到自动化实验室的全链路实践，这些思考对于所有正尝试将 AI 深入产业核心研发环节的探索者而言，或许提供了一个从 " 为何而做 " 到 " 如何持续 " 的务实参考。

以下为吕海峰演讲精彩内容的精编整理，雷峰网作了不改变原意的编辑：

各位下午好，非常感谢主办方的邀请，今天我将结合算力主题，分享如何在具体场景的应用中利用 AI 算力解决实际问题。

我的个人经历与算力领域高度契合，2003 年毕业后，我加入中科院超算中心，参与研制了中国第一台对外服务的高性能计算机 " 深腾 6800"。当时我们使用了 256 个节点，搭载安腾 2 处理器，整机双精度浮点性能达到 5.324 TFLOPS，这是国内首次实现 T 量级的高性能计算能力。以今天的眼光看，这已是相当早期的算力实践。

2008 至 2009 年，中科院超算中心开始尝试商业化运营，成为国内最早提供算力服务的机构之一。随后在 2009-2010 年，我们与北京市政府合作，并于 2011 年成立北龙超级云计算公司，正式开展对外服务，可说是算力服务商业化领域的早期探索者。

之后，我加入英特尔，负责高性能计算业务拓展，恰逢国内多个国家级超算中心（如天津、广东等地）的建设浪潮，有幸参与其中，亲身经历了算力能力的快速跃升。在英特尔期间，我深刻认识到 " 消费 " 的重要性——即如何将建设的算力与智算中心真正用起来、卖出去，并开始持续关注算力的真实用户与应用场景。

2021 年，我投身于 "AI for Science" 赛道，专注于如何利用计算与 AI 能力为产业创造更大价值。今天我分享的重点，正是科学智能驱动的新材料设计研发。

创新材料研发范式正在经历深刻变革：从最初的经验发现，到实验试错，再到理论推演，直至今天数据与模型双驱动的 "AI for Science" 第五范式。传统研发模式，如爱迪生式的反复试错，已难以满足产业对效率的需求，尤其是在新兴半导体、电解质、3D 打印、钙钛矿、MOF 等材料领域，高投入、长周期的研发模式面临巨大挑战。

AI for Science 已成为全球焦点，政策、技术与产业需求共同推动其发展。例如，近期美国发布的 " 创世纪计划 " 将其提升至国家战略层面，欧洲也在加紧布局，DeepMind 刚刚宣布在欧洲建立相关实验室，这充分表明该方向的重要性。在中国我们也已经早就布局了 AI for Science 这一方向，这也是中国第一次引领了全球的科技产业创新。

AI 之所以能变革材料研发，核心在于它能够大幅压缩从理论、设计、制备优化到量产落地的漫长周期。以锂电池为例，从概念到商业化用了约 50 年，而 AI 与自动化能力的引入，使得研发过程开始形成" 自主设计 - 测试验证 - 学习优化 "的闭环。尤其近年来，随着大模型能力的突破，AI 正从工具升级为 " 研发伙伴 " ——能够观察实验、分析数据、提出假设并自主设计验证闭环，这为我们弥合从实验室到生产线之间的鸿沟提供了全新可能。

然而，在具体落地中，我们面临的首要挑战是数据问题。当前大模型已学习了大量公开的文本、图像等信息，但科学工程领域的高质量、专业化数据往往稀缺、封闭且难以获取，这些数据通常与企业的专利和核心竞争力深度绑定，难以实现广泛共享。

因此，我们采取了一种 " 现实可行 " 的策略：构建 " 干湿结合 " 的研发闭环——通过融合理论计算数据与实体实验数据，在 " 数据、设计、制备、测试 " 的循环中不断生成高质量、高价值的专有数据集。这不仅能提升研发效率，更能打造一个持续产生优质数据的 " 装置 "，为训练更专业的模型、深入解析材料结构 - 性能关系奠定基础。

这一技术闭环自然导向可持续的商业模式。如果仅提供软件或方法，而企业不愿共享核心数据，模型就无法迭代，商业逻辑也难以成立。因此，我们认为可行的路径是提供端到端的服务：客户向我们提出新材料需求，我们通过持续学习与递归反馈的闭环，构建智能化材料研发平台，最终输出新材料分子、验证报告、工艺包乃至直接提供新材料样品。

这样，平台就演变为一个 " 新材料孵化器 "，帮助客户完成产品验证、工艺优化，从而实现 AI for Science 的真正商业化落地。

基于以上思路，我们创立了 " 鼎犀智创 "，并依托北京大学深圳研究生院河套科创中心，构建产学研 " 三位一体 " 的架构，致力于打造具备自主推演与验证能力的 "AI Scientist"。

我们的核心能力架构包含三个环环相扣的部分：

1.  AI 能力：利用大模型读取文献、专利与理论数据，生成新颖的分子结构与配方建议，有时甚至能借助其 " 幻觉 " 启发新思路。

2.  模拟仿真：通过高通量虚拟实验（如分子动力学、第一性原理计算）验证 AI 建议的可行性，预测其是否易于制备。

3.  实验验证：将优选方案投入自动化实验室进行制备、表征与分析，并将实验结果数据反馈至模型与仿真环节，形成闭环。

作为一家今年 7 月成立，刚完成首轮融资的初创企业，我们正致力于将这三方面能力整合为 " 材料合成制备智能体系平台 "。我们前期聚焦于纳米碳材料（如单壁碳管，烯碳复合纤维）及新能源方向，依托高校的研发基础进行产品验证与闭环跑通，再向企业推广。

我们已经构建了 " 四象限 " 一站式孵化能力体系：

•  智能软件：模型智能体及自动化实验设计与执行。

•  自动化设备：面向不同场景的高通量自动化实验装置（如用于半导体材料的 CVD 设备、用于锂电池的电解液配制系统）。

•  解决方案：基于软硬件能力为客户提供研发服务。

•  创新材料：最终实现新材料的直接孵化与输出。

目前，我们已与万华、贝特瑞等头部企业展开合作，在纳米碳材料等领域，我们已实现了从概念到制备的全生命周期跑通，这在该赛道中具有重要意义。

在服务企业的过程中，我们总结出了一套方法论：根据客户的数据基础，从数据治理入手，逐步在生产、小试等环节开发优化小模型，最终帮助客户建立全生命周期的智能研发能力。这个过程虽然艰巨，但基于对材料行业的共同理解，我们能与客户携手走得更远，真正将 AI 落地于实际场景。

以上就是我的分享。我们公司刚刚起步，非常期待与各位有更多的交流与合作机会，共同探索 AI for Science 在具体场景中的未来。

谢谢大家。