"让 AI 接入材料研发的基础设施。"

作者：罗宾

编辑：tuya

出品：财经涂鸦（ID：caijingtuya）

《财经涂鸦》获悉，9 月 11 日，在 Inclusion · 外滩大会期间，由通用决策智能研究所主办的 "AI4S：当 AI 学会研究，技术会实现自主进化么？" 见解论坛成功举办。深度原理（Deep Principle）首席战略官张书铭博士在论坛上发表 " 从 Token 到材料：AI for Materials 解锁材料研发新范式 " 主题演讲。

张书铭表示，传统材料研发很大程度上仍依靠专家经验和逐次实验验证，AI for Materials 下一阶段需要解决的，并不只是某一个模型或计算环节的效率问题，而是如何把科学计算、AI 模型、高通量实验以及数据反馈连接起来，形成面向产业需求的研发闭环。

" 我们希望通过 AI 的方式，开发一些具备改变世界级影响力的新材料；也希望过去依赖专家经验和实验经验的研发方式，能够变得更加工程化、规模化。"

从候选生成到实验反馈，材料研发形成闭环

材料从科学发现进入工业生产，不能停留于理论上成立的分子或配方。工程研发最终需要同时考虑成本、性能质量以及时间，而传统实验模式的效率很难支撑大规模探索。

" 过去，实验室研究人员一天可能只能完成一两个、两三个实验。研发更依靠专家提出高质量的科学假设，再由团队以月甚至年的时间完成实验闭环。这样的研发效率仍然比较低。"

另一方面，单纯提高计算速度也并不足够。传统湿实验精度较高但速度慢；分子动力学等计算模拟可以覆盖部分问题，却受到计算成本和规模限制；机器学习可以快速进行预测，但预测结果的精度、可靠性和解释能力又直接影响后续工业应用。

张书铭表示，因此，AI for Materials 需要在时间、成本、速度和精度之间寻找新的平衡；而最终判断技术有效性的标准，也越来越来自真实客户场景。" 相比单纯询问模型指标，客户企业现在更关心一家 AI 材料公司过去服务过什么客户、创造了什么价值，以及既有能力能否迁移到自己的研发问题上。"

从技术路径看，公司没有把 AI 模型作为一个孤立工具，而是围绕具体产品需求连接分子生成、性质预测、反应分析、计算模拟和真实实验。目前，其材料研发智能体平台 Mira 连接了知识、数据、模型、计算以及实验资源，并将这些能力纳入统一的研发工作流。

张书铭表示，材料研发通常遵循 " 结构—性质—应用 " 的逻辑：模型需要提出候选结构，但这些结构还必须经过物性筛选、合成可行性分析以及真实实验验证，最终才能判断其是否能够进入具体应用。

" 如果只有一个黑盒模型，能给出结果，但解释不清楚，那么整套方法论就没有很好的可复制能力。但产业研发需要做到有迹可循。"

进一步的问题是数据。

在材料科学领域，大量高质量数据并不能从现成的公开数据集中直接获得，而是来自计算仿真和真实实验。因此，深度原理同时使用计算产生的数据和高通量自动化实验持续产生的数据，形成高精度数据集，训练高质量模型解决具体问题。

在这一体系中，AI 不止承担预测的环节，还需要连接不同计算软件、实验设备和数据系统，把原本面向人设计的研发工具变成 AI 也能够理解和调用的基础设施。

例如，当企业提出 " 更稳定 "" 更安全 " 或 " 成本更低 " 等较为模糊的需求后，系统需要先将其转换为具体性能指标和约束条件，再从论文、专利及行业信息中寻找线索，通过计算模拟、模型预测与多目标筛选，决定哪些分子值得进入真实实验。

实验结束并不意味着流程终止。结果还会继续反馈给模型，由 AI 识别哪些预测可靠、哪些参数需要修正，以及异常实验是否意味着新的规律，从而决定下一轮实验。这时，材料创新就不再只是一次工艺或者一次实验的单点突破。

Mira 平台一方面利用生成式 AI 拓展分子、晶体、配方和化学反应等候选空间；另一方面通过 Agent 工作流调度模拟、预测、文献和实验，并结合高通量实验获得现实反馈。

据介绍，目前深度原理一期自动化实验室主要聚焦有机液相小分子体系，在 24 小时持续运行下，一天可完成约 100 个合成和分析任务，并将产生的数据反馈至 AI 系统，用于迭代后续实验。

AI4M 研发能力进入产业场景

张书铭还以数据中心冷却液为例，展示了这一研发模式如何应用于具体材料管线。

按照传统方式，研发团队通常先研究国际厂商已有产品以及论文、专利，再由专家依据相关资料提出材料开发方向。

深度原理采用了相反的路径，先定义产品需要满足的性能，再扩大候选材料搜索空间。

公司首先根据冷却液可能涉及的化学元素，通过生成模型产生约 230 万个不同分子结构；随后根据沸点、熔点、导热系数、介电常数等产品指标进行筛选。接下来，将进一步评估候选分子的可合成性和成本约束，包括是否能够在有限步骤内完成合成、所需原料是否具备可接受的成本条件。经过这些筛选后，再将候选结构推进至自动化实验验证。

该项目从大规模候选生成、计算筛选推进至自动化实验验证，约 4 个半月取得实验室阶段成果；目前相关配方已申请专利，并正与下游服务器客户开展材料兼容性测试。

商业路径层面，公司一方面直接参与材料研发项目，另一方面将已经形成的模型和研发能力提供给工业企业。

再以欧莱雅的合作项目为例。合作最初针对的是配方稳定性的问题。深度原理从反应机理入手，将问题判断为需要抑制相关氧化还原反应，并从约 9000 种可用化工原料中进行筛选，最终推荐 20 种候选分子。客户企业再根据人体应用安全性排除部分结构，对剩余 11 种进行实验验证。

张书铭表示，经过验证，这 11 种候选物加入原有配方后均不同程度改善了化学稳定性；此后，双方合作又进一步从稳定性问题延伸到生物活性以及新分子的共同设计。

本文由公众号财经涂鸦（ID：caijingtuya）原创撰写，如需转载请联系涂鸦君。

添加涂鸦君个人微信（ID：tuyaclub）

加入【公司情报社群】

参与资本市场讨论

获取一手情报