本文约 4400

字，建议阅读 13 分钟

硬氪获悉，金属材料 AI for Science 的行业领跑企业创材深造（Deep Material）已完成近亿元 A+ 轮融资。本轮融资由老股东源码资本和新股东金雨茂物联合领投、亿宸资本等跟投。公司目前已率先完成 AI 材料研发完整闭环，并发布近 20 款全新高性能材料，其中多款材料已量产落地。

本轮资金将主要用于核心智能系统 M-Loop 的持续研发、自动化高通量实验平台 M-Lab 的复制扩产、高质量材料数据集 M-Data 的持续积累、分布式自驱实验室网络 OPL（One Person Lab）建设，以及顶尖复合型人才引进，将 AI 研发能力复制到更多材料领域，进一步扩大行业领先优势。

AI4S 进入深水区，产业落地成为新的竞争焦点

过去几年，AI for Science 持续升温，但行业关注点正在从 " 模型能力 " 转向 " 产业落地 "。早期市场更看重算力水平和单点实验效率，如今讨论的核心变为：技术能否进入真实产业场景？能否缩短研发周期、降低试错成本？能否把实验室结果稳定推进到工艺、制造和交付环节？

这背后是全球 AI4S 竞争层级的快速升级——从模型竞争，到数据竞争，再到实验竞争，如今已进入 " 基础设施竞争 " 阶段。模型正在变得越来越容易获得，而真实科学数据——特别是包含实验条件、过程参数、失败结果和工艺反馈的高维数据——正成为稀缺资源。未来的赢家是能够连接数据、模型、实验系统、算力和产业需求的基础设施组织者。

政策端同样在加速催化。国务院《关于深入实施 " 人工智能 +" 行动的意见》（国发〔2025〕11 号）明确提出，2027 年 AI4S 应用普及率目标达 70%，2030 年超 90%；北京市、上海市相继出台 AI4S 专项实施方案，自主实验室和科学数据集建设上升为地方战略。美国方面，能源部 "Genesis Mission" 投入 50 亿美元连接 17 个国家实验室，NSF 主导的 NAIRR Pilot 将算力、数据集、模型纳入国家级科研资源。此外，海外巨头也纷纷加快布局，Anthropic 推出面向科研场景的 Claude Science，OpenAI 也在持续加码科研方向资源投入。它反映的是全球对下一代科研和先进制造能力底座的重新判断。中美同步加码，竞争焦点已从技术验证转向体系化基础设施的构建。

金属材料是支撑人类文明数千年的核心基础材料，产业规模超万亿美元，直接决定航空航天、新能源、半导体、高端装备等战略性产业的能力上限。相较于生物医药漫长的验证周期，金属材料具有验证快、指标明确、产业链完整等天然优势，是 AI 赋能研发的最佳落地方向。

距离具有自我进化能力的具身 AI 材料科学家还有多远

提出一个新材料的性能需求，几天后自动得到数个真实实验验证过的配方，同时还能提出新的理论和方法，这种 " 许愿 " 式的研发是理想中 AI 材料研发的终极形态。要达到这个终极目标，需要建立一套具有自我进化能力的（RSI）、可以在物理世界中做实验的 AI 材料研发智能系统。这套系统由四大底层支撑要素构成：大模型和 Agent、工具类算法和专用小模型、自动化高通量实验室闭环、大规模适配 AI 训练的高质量多模态数据。

创材深造在上述四大维度均建立显著技术领先与行业壁垒：

M-Cortex 大模型和 Agent：通用大模型能力持续跃升，创材深造利用独家自研全流程多模态实验数据，训练出材料专用垂类大模型，显著提升因果推理、科研思维和外推泛化能力，构建出真正适合材料研发的智能体。M-Cortex 是研发流程编排与智能调度中枢。系统基于文献综述、公司历史数据和研发 Knowhow，自动生成科学假设、候选配方与研发剧本，协同 M-Science 完成科学计算和候选筛选，调度 M-Lab 开展真实实验，并根据实验与交付反馈持续重写研发策略和记忆。

M-Science 工具类算法和专用小模型：材料专业算法可分为小尺度算法与大尺度算法两大类。以 DFT 为代表的小尺度算法，在医药等侧重分子相互作用的领域表现突出，算法发展时间长、技术成熟度高、开源程度高。但面对官能团、金相这类介观宏观尺度的相互作用时，受限于原子规模上限与混沌效应，小尺度算法便会失效，此时大尺度算法成为宏观材料研发的必备能力，而大尺度算法的落地高度依赖真实实验数据。创材深造坐拥行业规模与质量领先的数据集，实现了大尺度算法层面的显著技术领先。

M-Lab 实验室闭环：材料智能体的自我进化不仅体现在性能迭代，更在于其知识图谱、工具算法与逻辑思维等持续突破与积累。因此，构建自动化高通量的干湿闭环实验室至关重要。创材深造自 2021 年起便前瞻性布局，自主研发高通量设备并组建自动化实验室 M-Lab。目前 M-Lab 已迭代至 3.0 版本，全面实现自动化、高通量化、标准化，实验数据生产效率提升数百倍、成本降低数十倍、M-Lab 产生的闭源真实世界数据维度超过 400 维，单条原始数据存储规模超过 10GB。凭借巨大领先优势，M-Lab 整体解决方案已获国内外顶尖高校与研究院所的广泛认可与采购。未来，公司将推动行业标准制定，并通过整合升级打造金属材料领域的联邦实验室及 OPL（one-person lab），引领行业发展。

M-Data 适配 AI 的材料数据：行业专业数据是智能体最大的效果差距来源。传统材料数据通常是知识型数据，特征维度低、一致性差、数量稀少、价格昂贵，难以用于 AI 训练拟合或深度理解。依托 M-Lab，创材深造打造了行业最适配 AI 的材料数据集 M-Data，目前数据量超过 10 万条，且格式统一、维度丰富、涵盖实验全过程与失败结果。未来两年高通量实验室整体规模将扩大 5 倍，持续放大数据层面的技术领先优势。

创材深造以终为始的看待 AI4S，积极布局全链条技术，各关键环节均达到行业领先水平，并保有较高壁垒。

落地化进程，是 AI4S 行业竞争中最大的核心差异点

AI4S 正处于巨大金矿的开采早期，真正的机会不只是 " 卖铲子 "，更在于用最好的铲子亲自下场挖金矿。在需求定义、实验室研发、中试放大、量产交付全链条中，AI 所带来的价值会被逐级放大。创材深造率先完成了从 " 需求输入 " 到 " 真实交付 " 的全链路打通——将客户的材料需求转化为可计算、可验证、可优化、可交付的材料与制件结果，形成 " 真实实验产生数据→数据驱动系统进化→系统进化提升交付确定性→交付结果反哺下一轮研发 " 的正向飞轮。

目前公司将材料研发及测试验证周期从 5~10 年缩短至 2~3 个月，成本降低至 1/10，并已发布数十款全自主知识产权新材料，均经过 CNAS 检测机构及下游客户测试，性能远超世界领先水平，并与各产业头部企业合作推进落地，包括：

①与全球头部 3C 厂商合作，推进可阳极氧化铝合金外观件、超高强韧不锈钢连接件、超高强钛合金外观件落地；

②与国内头部可控核聚变公司合作，开展难熔高熵合金第一壁、低活化钢包层、锂基氚增殖等材料的研发和测试；

③与全球头部高尔夫品牌合作，推进超高强韧不锈钢打击面、一体式钛合金壳体、高强铝链接纽、高熵合金配重块的落地；

④与头部商业航天公司合作，推进高温合金发动机喷管、高强铝支撑结构件的落地；

⑤与全球领先轮胎模具公司合作，推进高强耐热铝合金插片、高强模具钢材料的落地。

⑥与国内最大钛矿矿业公司合作，研发应用多杂质低品位原矿生产高性能钛合金材料技术；

⑦与头部量子计算公司合作探索新一代的 AI4S 核心算法。

交付形态涵盖材料配方、工艺窗口、金属制件与样件、应用验证结果及长期供应或授权，多维度验证了 M-Loop 系统在真实产业场景中的通用性与可靠性。同时，公司已研发高强钛合金、铝合金等多款材料，并在增材制造等领域实现落地化应用。

展望：让人类不再受限于材料

材料，是人类改造世界的底层代码。数千年来，这场创造始终依赖试错与偶然—一种新材料从想象到现实，往往要穿越漫长的迷雾。AI 正在改变这一切：它将材料的发现从不确定性中解放出来，变成一条可被走通的路。人们可以触摸它、测试它、把它装进产品里。这不是工具的升级，而是创造权的转移。

过去，材料创新属于拥有庞大资源的少数机构。当 " 实验室可行 " 与 " 工厂可造 " 不再隔着鸿沟，当研发、工艺、供应链被纳入同一套决策框架，材料创新便从一门依赖经验的玄学，进化为可被系统组织的工程。创造权，正从少数科学家和大型机构手中，转移给每一个被真实问题驱动的创造者。 材料的性能边界将不再由历史经验划定，而由当下的需求直接定义。终有一天，材料能力将像电力一样即插即用——每一个被材料难题困住的创造者，都能跨越从想象到现实的鸿沟，触摸到那个曾经遥不可及的答案。

以下是与创材深造创始人王轩泽的访谈节选：

硬氪：你们在做 AI 材料研发的过程中，为什么一定要自己建设高通量自动化实验室？数据到底解决了什么问题？

王轩泽：数据可以说是现在 AI for Science 领域最大的卡点，也是最需要解决的问题之一，同时也是我们最核心的优势之一。

我们做的是宏观材料，比如金属、陶瓷、无机非金属、高分子和复合材料。对于这类材料研发，一定需要真实的物理实验数据，单纯依靠仿真模拟不够，会出现很大的误差。

另外，传统实验数据还有几个问题。第一，数据维度比较低，通常只有十几个数，比如成分、工艺对应性能就结束了，而且记录下来的往往更多是成功数据，失败数据因为数量太多，很难被分析和理解。

第二，数据很难获取，因为是核心知识产权，企业通常不会提供。即使拿到数据，不同公司的设备不同，数据一致性也很差，设备一换，数据的偏离可能就非常大，用于 AI 训练反而可能污染整个数据池。第三，成本太高、生产效率太低。一条数据可能要几万元，这对于 AI 来说是完全不可接受的。

所以我们从 2021 年开始就自己做实验室、生成数据。现在已经迭代到 3.0 版本，正在做 4.0 版本。我们现在一条数据可以做到 720 个维度，存储空间达到 10GB，压缩之后也是 1GB 多、一条数据的成本已经降低到几百元，单实验线的数据产生速率可以达到每秒 1000 条以上。这轮融资很重要的一件事情，就是部署 5～10 条实验线，进一步扩大我们在数据方面的领先优势。

硬氪：你们和其他 AI for Science 公司相比，核心优势在哪里？

王轩泽：首先，我们的团队也是一个非常综合的团队，从成立第一天开始，就建立了专门的 AI 团队和材料团队。现在已经研发了将近 20 款新材料，都是自主知识产权的材料。比如我们的超高强铝，核心性能中的疲劳性能达到了世界领先水平的两倍以上，其他性能也有一定程度的领先。同时，我们的成本是国外的约 1/10、国内的约 1/3。

另外，我们会更落地化。最重要的是，我们已经真正把材料做出来了，正批量量产研发出来的新材料，终端客户正拿我们的原材料去做零部件，比如 3C 零部件、高尔夫零部件、商业航天和机器人零部件，处于测试阶段。测试通过之后，未来大家使用的很多产品，比如手机等，可能都会用到我们的材料。

硬氪：你怎么看现在整个 AI for Science 行业所处的阶段？接下来创材深造要做什么？

王轩泽：从整个 AI for Science 行业来说，我觉得已经处在井喷前夕。下一个里程碑已经离我们不远了。行业里的下一个共识，是用 AI 研发出来的材料真正应用到大家身边，比如手机、电脑、汽车，以及各种日常使用的产品，实现真正的批量量产。

至少从我们的进度来看，这个时间点已经非常近了。我们现在已经率先完成了整个研发闭环，从零到交付都可以完成。接下来就是找到更多真实需求和更大的应用场景，然后快速复制。

同时，从技术层面，我们也在打造一个 All in One 的服务平台，叫 M Loop（Material Loop）。这个平台希望真正做到 All in One：从数据生产、算法，到材料研发、测试表征，再到放大，甚至一部分量产，都在一个平台里完成。M Loop 的 1.0 版本计划在今年年底发布。