从 AlphaFold 2 将蛋白质结构预测精度提升至原子级，到华为云 " 盘古 " 气象模型将全球天气预报速度提升 1 万倍以上，AI（人工智能）正在从科研辅助工具走向科学发现全过程。

AI4S（AI for Science，人工智能驱动科学研究）也被称为继实验科学、理论科学、计算科学、数据密集型科学之后的 " 第五科研范式 "，而 AI4M（AI for Materials，人工智能赋能材料科学）是其中备受关注的分支之一。

成立于 2024 年的深度原理，于今年 7 月初完成了近 10 亿元 A 系列融资，创下国内 AI4M 领域迄今最大规模的融资纪录，头部国资、产业投资和财务投资机构均出现在投资方名单上。

AI 能否真正成为 " 科学家的大脑 "？AI4M 企业又该如何跨越从模型、实验到商业化的链条？7 月 20 日，在 2026 世界人工智能大会（WAIC）期间，深度原理创始人兼 CEO（首席执行官）贾皓钧接受了《每日经济新闻》记者（以下简称 "NBD"）独家专访。他表示，AI4S 最大的挑战不是大模型本身，而在于如何让模型真正作用于现实世界，" 真正具有行业标志意义的时刻，是 AI 能够‘从 0 到 1 ’设计出新材料，并成功投入生产、形成实际收益 "。

WAIC 深度原理展台 图片来源：受访者供图

AI4S 的最大挑战在于如何让模型真正作用于现实世界

近年来，AI for Science 逐渐从 " 辅助计算 " 走向 " 自主发现 "。英伟达已将 AI for Science 与大语言模型、具身智能并列为 AI 三大关键方向之一，远期市场规模预计可达千亿美元。在 2026 世界人工智能大会期间，深度原理推出了 AI Scientist（全自动化科学研究 AI 系统）平台 Mira，可自主完成长链路科研全流程的设计、执行、复盘与动态调优。

NBD：从 ReactiveAI 走向 AI Scientist 平台 Mira，其中的核心变化是什么？是一次技术升级还是一次范式转换？

贾皓钧：这是一次研发范式的转换。我们仍然在继续发展覆盖全链路的 AI4M 算法模块。今年推出的 SAGA、MPA 等模型在各自领域都达到了 SOTA（State-of-the-Art，指某领域最先进的技术或成果）水平，这些模型分别解决材料研发领域的不同问题。

在此基础上，Mira 进一步实现了 AI 对科研任务的全流程自主闭环。它可独立完成长链路科研工作的设计、执行、复盘与动态调优，持续沉淀科研知识并实现自主迭代，最终达成由 AI 科学家自主完成材料研发任务的目标，让 AI 能够真正改造科学研究范式。

NBD：当 AI 开始提出科学假设，" 幻觉 " 可能成为科研中的高风险问题。Mira 如何验证自己的判断？人类科学家会不会需要花费大量时间替 AI 纠错？

贾皓钧：科学研究具有明确的评判标准，即 AI 的预测是否能够被实验验证。这也是深度原理建立高通量实验室 AI Materials Factory 的重要原因。

Mira 完成干实验（计算推演）预测之后，可以自动调动实验室设备进行实验验证，再将实验结果回传给模型，实现干湿闭环和结果的迭代（注：" 干实验 " 指计算推演，" 湿实验 " 指真实验证计算；" 干湿闭环 " 指计算指导实验，实验反馈计算，形成自动循环）。整个过程都由 Mira 自动完成，即 AI 进行自我修正和纠错。

NBD：深度原理将 AI Materials Factory 定义为 L4 级高通量实验室。未来的 L5 级长什么样？从 L4 级到 L5 级，最难的技术跨越是什么？

贾皓钧：如果用自动驾驶来类比，L5 级可能意味着在全场景中实现无驾驶员接管，完全自动化运行。对于自动化高通量实验室而言，从 L4 级走向 L5 级的核心是进一步实现泛化性，针对不同的材料种类和合成方式实现柔性运作。

深度原理的实验室 图片来源：受访者供图

NBD：目前用 AI 发现的新材料是否已经开始反哺 AI 基础设施本身？

贾皓钧：是的，我们目前已经在开展 AI 基础设施相关的材料研究。例如，在 AI 算力基建领域，冷却一直是一个重要问题。因此，我们和头部芯片公司达成了深度合作，根据产业对芯片性能的要求，进行冷却液的管线开发工作，目前正接近实验室成功。

NBD：从产业增长的角度看，AI4M 赛道的下一个增长拐点会出现在什么时刻？

贾皓钧：AI for Science 最大的挑战不是大模型本身，而在于如何让模型真正作用于现实世界，单纯模型的高预测精度并不是衡量 AI4M 解决问题的唯一指标。

基于这一判断，"AI 自主打通从预测到合成的全流程 " 是一个更加重要的里程碑，而更具行业标志性意义的是 AI 真正 " 从 0 到 1" 设计出新型材料，并且成功落地生产、转化为实际收益。

AI4M 是 AI 世界和物理世界的重要交汇点，增长空间巨大

近年来，人工智能材料发现赛道竞争快速升温。2025 年，国务院印发《关于深入实施 " 人工智能 +" 行动的意见》，将人工智能赋能科技创新列为 " 加快实施重点行动 "，以加快培育发展新质生产力。政策推动之下，AI4S 加速从科研探索走向产业化，也吸引大量资本持续涌入。深度原理在短短两年多时间里高频完成七轮融资。

海外市场中，英伟达、谷歌 DeepMind 等科技巨头持续加码材料发现和自主科研平台，CuspAI、Lila Sciences 等 AI4M 初创企业也获得大额融资。

据市场研究机构 Research and Markets 预测，生成式 AI 在材料科学领域的市场规模将从 2026 年的约 22 亿美元增长至 2030 年的 70 亿美元，年复合增长率达 33%。

NBD：在材料发现这个领域，目前 AI 的上限在哪里？

贾皓钧：AI4M 是 AI 世界和物理世界的重要交汇点，是 AI 能够解决真实世界问题的重要抓手。因此，这个赛道具有巨大的增长空间。而材料本身是一个数万亿美元规模的市场，只要能真正解决领域内存在的问题，AI4M 的市场规模将会持续高速增长，也具备极高的天花板。

在材料发现领域，AI 已经展示出很强的泛化性，可以跨越不同行业解决研发问题。比如，我们在营养日化、精细化工、新能源、电子材料等多个领域都有业务开展。

当然，在 AI 推动材料发现走向全面产业化这个路径上，仍需要我们持续努力。如果对比国内外，国内 AI4M 企业仍需得到更深厚的生态和资金支持。

NBD：Mira 智能体闭环体系能否成为中国企业弯道超车的关键？

贾皓钧：我们在 AI4M 领域的优势主要在几个方面，首先在模型领域我们推出了多项 SOTA 模型，领先于海外的同类型模型。

其次，与海外公司不同，我们从第一天就重视产业落地，已经建立了干湿实验闭环体系，Mira 不只帮助我们进行 AI 预测，也帮助我们直接控制实验设备完成实验并迭代模型和数据。

与很多创业公司和大厂的模型主要解决的是一个个单点问题不同，我们构建了全面的模型体系以覆盖材料研发过程中的各个流程，同时使用 Mira 串联起各个模型和高通量实验室实现整个材料研发流程的自动化，从而改造了材料研发范式。

NBD：国产 AI 材料公司想要真正拉开和海外巨头的差距，未来 3 年最需要补齐的短板是什么？

贾皓钧：在未来 AI4M 领域的玩家，最重要的是能够真正对接产业需求，系统性解决产业真实存在的问题，这样才能避免 " 重模型、轻落地 " 闭门造车。我们从创业之初便围绕产业需求设计研发方向，因此我们成功积累了新能源、电子材料、精细化工、营养日化等领域头部客户并实现持续复购。合作模式也从解决单点研发问题，逐步升级为 AI Agent 订阅以及材料管线共同研发，通过里程碑付款和成果分成等方式建立更深层次合作。

回到技术探索角度，我们持续走在全球创新的前沿，和其他国家相比已经有一些优势。我们希望带动更多业界伙伴在 AI4M 领域自信起来，进一步推动技术和产业的结合，进一步拉开差距，在国内做实全球领先。

（每经记者温梦华对本文亦有贡献）