日本最年轻的终身正教授回国创业，要攒一座“材料银行”

出品｜虎嗅科技组

作者｜陈伊凡、刘煊琦

编辑｜苗正卿

头图｜AI生成

“AI原生100”是虎嗅科技组推出针对AI原生创新栏目，这是本系列的第「63」篇文章，点击这段文字或扫描二维码收听“虎嗅AI 100”完整播客内容。

硅是地壳里第二丰富的元素，在任何一片海滩上抓起一把沙子，里面都是它。但要让沙子学会计算，人类花了整整一个世纪。

1950 年代提纯技术突破之前，晶体管只是贝尔实验室里的玩具；突破之后，才有芯片、个人电脑和互联网。

今天所有人工智能，都站在这场材料革命之上。

如今，生于材料的 AI，正在反过来寻找下一种改变世界的材料。谁能更快地找到新材料，谁就攥住了所有行业的咽喉。

“万物皆材料。”李昊说。他是材科源图的董事长兼首席科学家，日本高校史上最年轻的终身正教授之一，且属于极其罕见的“终身卓越教授”级别，博士后师从丹麦的 Nørskov 教授，后者是理论驱动催化材料研发的开山鼻祖。

AI for Science，是一个极度依靠人才的领域。这个领域至今没有形成成熟的学科，每个人都要从头培养。这样的人才全球都难找：培养一个材料博士，本硕博加起来要十年上下；材料出身再拥抱 AI 相对顺畅，AI 出身再转材料却非常困难。能把两边打通的人，连同沉淀下来的高质量实验数据，全球只集中在屈指可数的几个实验室里，因此这个赛道能跑出来的团队，哪怕全球来看都具有稀缺性。

李昊是这个领域最早把 AI 用到材料研发并做到闭环的科学家之一，实验室阶段已找到一百多个全新的功能材料和能源材料。他自己的团队，从去年秋天招进第一个正式员工算起，不到一年，团队已快速扩张至百人规模，CTO 是他的博士室友。

这家专注 AI for Materials 的公司成立仅一年多，虎嗅获悉，近期已完成天使++轮及天使+++轮融资，共计超亿元。

过去一年，这个赛道开始涌入大量热钱。当大模型的军备竞赛尘埃渐定、竞争转向落地，资本把 AI 应用投了一圈之后发现：在多数场景里，AI 带来的只是效率的边际改善；而 AI for Science 不同，它的产出是新药、新材料这样能撬动整个产业的东西，一旦跑通，回报会随时间复利放大。于是，它成了资本眼中含金量最高的赛道之一。

另一面，这个赛道泡沫也很大，一些这个赛道上耳熟能详，空有概念的公司融资夸张，却迟迟看不到商业化的闭环，拿不出一个规模化落地的案例。甚至在投资圈有出现这么一种论调：AI for Science是一个讲故事，但没有结果的状态，做不出来，才有想象力。

但李昊对讲故事，不以为然。他看重商业化。除了商业化，后面他们还要自建中试产线，一切瞄准产业化落地，实现商业闭环。两个半小时的交流，李昊讲了一个关于 AI、材料与未来的故事。

这篇文章回答的问题是：当热钱把 AI for Science 推上风口，AI 到底能不能真正找到材料、做出材料，并真正为公司带来收入，还是说，这又是一场讲给资本听的故事？

技术壁垒：数据库+物理模型集群

过去，AI for Materials 的最大卡点，一是没有高质量的实验数据库，尽管 AI 算法早已开源，但材料领域最缺真实、标准化的实验数据，甚至包括失败的实验数据。另外，是难以解决 AI 的幻觉问题。还有一个更关键的是闭环，到底只是做出了一个 Demo 或者论文，还是有切实大规模商业化的落地产品。

李昊给出的答案，从他手里的两样东西讲起，没有它们，AI for Materials的闭环就无从谈起。

第一样，是一个据称全球最大的能源材料实验数据库，拥有百万级数据条目，年底可能达到千万级。这是材科图源的法宝。

它的起点，带有点“无心插柳柳成荫”的戏剧性色彩：2020 年疫情期间，困在丹麦家中的李昊读到一篇美国学者发表在顶刊的“新材料”，发现日本在上世纪八十年代就报道过几乎一样的东西，于是他开始把代表性论文里的数据逐条人工抠出来、标准化存起来，这一做，就是七年。

在这七年间，越来越多学者了解到他在做这件事，都自发参与进来。

美国某国家实验室十年前想做同样的事，因人工太贵被叫停，因为这件事情对标注者的要求很高，本科生看不懂论文，硕士博士又太贵。即便今天，AI 读论文标数据的幻觉率仍可高达九成，这个数据库依然无法被AI速成。

美国现有的两类材料数据库，也都替代不了这件事：一类是理论计算数据库，近似太多、误差很大，对材料研发的赋能能力非常有限；另一类是早期的物性数据库，存的只是有机分子的基本性质，不是材料性质。像这种要靠大量人工挖掘和标注才能沉淀下来的实验数据库，美国至今没有。倒是日本起过大早，千禧年前后就提出了“数字化转型”，被认为是 AI for Science 的雏形，但遗憾的是，由于人才断层问题，这一探索未能延续：年轻人不愿读博，年轻学者稀缺。

材科源图成立后，李昊他们开发了 AI 辅助挖掘工具，但一开始只用 GPT，误差率 95% 以上。正因为手里已经有庞大的人工标注数据库作训练集，才能让 AI 朝“提高数据挖掘精度”这个方向去训练。李昊把这称作马太效应：有数据库才能做出精准的挖掘工具，精准的工具又能挖更多数据，模型训练得就更准，雪球越滚越大。

值得一提的是，这个数据库里所有数据都来自实验。除了文献挖掘和高通量自动化实验平台 24 小时产出的新数据，他们还会人工实验补充一些知识盲区：明知道某个材料不行，但要知道“哪里不行”，这些失败数据对 AI 训练同样重要。

第二样，是物理模型：在催化、电池等领域推导出结构与性能的关系，转化为可执行的代码、参数和判断规则，数据库给AI 喂真实的知识，物理模型给它套上可解释性的缰绳，让它“理性地思考，而不是产生幻觉”。

把这两样东西和自动化实验串成一个反馈闭环。数据库更大，下一轮模型就更准，实验就更精准，材料性能就更好，然后就是李昊所说的材料领域的“AlphaGo 时刻”：“指哪打哪、想啥来啥“。客户需要一个新催化材料，就必须在很短时间内帮他们找到并做出来；过去试错几年甚至十几年才能找到一个，现在配合 24 小时不间断的高通量自动化实验平台，新材料可以源源不断地产出。

这套闭环最有说服力的证据，来自一家头部能源企业的订单。该企业在某类关键催化反应上已研发多年，始终未能突破性能瓶颈。材科源图接手后，在较短时间内即找到了一系列性能显著提升的新材料，目前正在推进中试验证。

这家企业其实有数据，只是已有的数据都聚焦在当前材料的改性上，宽度不够，而好的 AI 模型需要好、中、差不同性能与元素的样本才能遍历整个材料空间，很多企业自以为坐拥大量内部数据，实际上缺乏系统的数据治理，要么孤岛化，要么失败数据早被扔掉了。

这套说辞当然是当事人的一家之言。但一个可验证的细节是：第一个客户，是在公司注册之前就找上门的，订单先于公司存在，这在讲故事横行的赛道里，算得上一种极其稀缺的商业信号。

“材料银行”

李昊描述的商业模式，浓缩起来是一句话：先做轻资产的定制研发服务，同时攒下一座“材料银行”，再重资产自建产线卖材料。

具体分两步走。第一步，帮客户开发新材料、优化工艺、开发 AI 智能体或数据库，快速解决客户研发中的痛点问题，这是定制化的技术服务和 AI 赋能；与此同时，自己也持续做研发，把找到的好材料与工艺存起来，打造“材料银行”，这也是材科源图的独特模式，客户缺某一类材料，就可以来谈分润或买断。第二步是重资产：自建产线，或与产业方合资。目前正在探索的两条产线，一条是绿色电合成高价值精细化工品，一条与固态电池相关。

这个商业模式，明确避开了投资人熟悉的 SaaS 剧本。核心数据库绝不对外，因为卖平台有被蒸馏的风险，“对方买个使用权，开个接口把你整个数据库都蒸馏走了”；更根本的一笔账是，如果用户花 10 块钱用你的平台创造了 1 万块钱的价值，你为什么不自己做？在李昊看来，卖软件服务永远实现不了AI+材料商业利益最大化，必须卖材料或化工产品才有高营收，“AI for Materials 如果不落地，永远都是 PPT”。挑客户也有一条原则：不跟竞争对手合作，李昊说，如果某个领域可能与客户形成直接竞争，这单生意就不接。另外，与客户合作的数据不仅通过保密协议约束，同时严格规范使用边界，保障客户以及自身的数据安全。

在李昊看来，这套打法正在成为行业趋势：以前讲“高通量实验”的同行，现在纷纷转向自动化实验闭环；以前嫌实验数据库太“土”的，如今也开始往实验数据库上靠。就连他们自己估算的“数百倍

研发效率提升”，也逐渐成了其他公司通稿里的常见说法。“但我们这个数百倍是切切实实针对一些材料研发场景算出来的。”李昊说。

技术路线上，材科源图押了一个与主流叙事相反的注。它不做垂类材料大模型。训练一个真正的万亿参数材料大模型至少需要上万张高性能GPU跑数月乃至数年，业内普遍认为，要开发一个真正的垂类材料大模型，至少需要万卡级别的算力资源，这对任何创业团队来说都是不现实的投入。他们的做法是在现有大模型上调参，衍生出专家化的任务智能体，任务 A 有智能体 A，任务 B 有智能体 B，成本低得多，性能反而更好。

“材料银行”也并非只是商业修辞，催化、电池、半导体材料大量依赖稀土，价格随贸易战和出口限制天天波动；李昊的算盘是，只要银行里的备选方案足够多，“就不怕任何一个材料供应方掀桌子”。

我问他，他认为最先被材料颠覆的领域是什么，他说是固态电池。

人类目前只探索了固态电解质材料空间的 8%，剩下 92% 是一张未知的游戏地图，不知道金矿在哪，就不能轻易断言哪个材料最好；如果按今天的已知信息建产线，明年发现更好的材料，今年的产线就成了一堆废铁。在他看来，每家电池企业都在“画饼”固态电池明年量产，本质是对未知的恐惧。他的保守估计是：预计仍需数年才能实现大规模商业化落地

被材料突破颠覆的行业，历史上并不缺先例，李昊随手举了三个。合成氨是最经典的：人类的粮食依赖化肥，化肥来自氨，传统的哈伯-博世法消耗了全球约3% 的能源，如今已有更便宜的电化学方法，未来可以用可再生能源产氨。锂电池是另一个：1980 年代 Goodenough 发现了锂电池材料，今天我们才能用上智能手机。再往前，混凝土、钢筋的掺杂改变了整个建筑业。“每一个行业变革本质上都伴随着材料突破。从某种意义上说，万物都是材料。”

一个资本先行的赛道

AI for Science 的创业潮起于 2022 年之后，ChatGPT 点了火。

2024 年 3 月的 GTC 大会上，黄仁勋把大语言模型、具身智能和 AI for Science 并列为 AI 三大关键方向；同年 10 月，诺贝尔化学奖颁给了 DeepMind 的 Hassabis 和 Jumper，等于给这个研究范式盖了章。此后资本的热情一路走高：海外，前OpenAI 和 DeepMind 研究人员创立的 Periodic Labs 在 2025 年 9 月完成 3 亿美元种子轮，投资人名单上挤着 a16z、英伟达和贝索斯；Lila Sciences 累计融资 5.5 亿美元后，正以 85 亿美元的融资前估值洽谈约 20 亿美元的 B 轮；斯坦福前校长参与创立的 Xaira Therapeutics 一启动便融资超 10 亿美元。

李昊说一开始他用学术语言讲，投资人听不懂；改用科普的方式讲，对方又觉得“好像没什么技术优势”。他最后拿来区隔自己的，还是商业化本身：他们是真正交付材料，并且在产业化落地。

把镜头拉远，这场竞赛的中美两边各有各的牌。李昊的观察是：中国在软件开发和落地场景上比美国强，团队规模也大。美国一个高校课题组 20 个人已经非常大，在中国这是常态；美国的优势是算力足、基金体量大，但应用方向偏窄，更多聚焦在超导材料、PFAS 降解这类几十年后才用得上的宏大目标上，不一定能马上产生产业价值。中国更聚焦电池、催化、高分子这些马上能用的材料，“可能没那么性感，但更扎实”。

在我们交流的最后，我问李昊，如果 AI for Science 达到他想象的程度，会是什么样的世界？他说，“那就是小灵通漫游未来”。

那本 1978 年的科幻小说里描绘的未来市，本身就是一座用新材料搭起来的城市：房子、家具都用塑料造，小灵通专门用一章“塑料世界”来记录它；人造器官让器官移植像换零件一样容易；农厂里撒上植物生长剂，庄稼几天就能收获一次；连小灵通去未来市坐的，都是一艘原子能气垫船。把这些想象翻译成今天的语言，就是高分子、生物材料、催化和能源，每一件，都是材料。

以下为虎嗅精选访谈：

虎嗅：为什么选择在这个时间窗口成立一家 AI for Materials 的商业化公司？

李昊： 主要有三个驱动力。第一，我们是这个领域最早把 AI 用到材料研发、并且做到闭环、实现内部“AlphaGo Moment”的团队之一。我们从实验室阶段已经找到了 100 多个全新的功能材料、能源材料，发了不少顶刊论文。所以我认为，我们有这个义务把 AI for Materials 这个领域带起来；第二，粮食危机、能源危机、电力危机，本质上都是材料问题。人类任何一个环节的发展，最终往往卡在某一片小小的材料上。传统范式或理论计算已经赶不上气候恶化的步伐，必须要用 AI 才能把这个事情做好。

虎嗅：这个“AlphaGo Moment”在材料领域是什么时候出现的？

李昊： 在实验室阶段，我们通过 AI 赋能摸索出了一套方法论——闭环。闭环这个概念，最早可以从我们的论文溯源。我们发现，必须把数据库、AI 模型、物理模型、实验（包括自动化实验）全部串起来，并且做到反馈闭环，才能实现这个“AlphaGo Moment”。数据库更大，下一轮 AI 模型就更准，实验就更精准，材料性能就更好。第一个循环可能不理想，但第二第三个循环后，系统效率就会提升。

虎嗅：实现这个闭环，最难的是哪几个环节？

李昊：第一个是高质量实验数据库，这需要非常多年的积累，我们 100 多号人花了七八年。第二个是物理模型，这是我们的“绝活”，我们能在催化、电池等领域推导出结构和性能的关系，体现在物理公式、参数和代码里。根据我们的深度调研，这两个板块是友商都没有的，没有它们，AI 就实现不了高度智能化。

虎嗅：你们的数据库是怎么积累起来的？

李昊： 2020 年疫情期间我在丹麦，不想出门，就读论文。当时发现一篇美国学者在顶刊报道的新材料，实际上上世纪80年代日本学者就已经报道过几乎一样的材料。这让我意识到信息差。我就想，要不就把所有代表性论文里的数据人工抠出来，标准化存起来。一条数据短则十几个信息，多则上百个，都是高质量的人工标注。一开始只有我一个人做，后来国内一些高校老师朋友也加入，让学生帮忙，就这样做了七年。公司成立后，我们组建了专门的数据挖掘团队来持续推进。我们现在拥有的数据库体量是全球最大的——百万级，年底可能达到千万级。

虎嗅：拥有专业化数据，为什么你不选择自己训练一个垂类材料大模型？

李昊： 要开发一个真正的垂类材料大模型，往往离不开这个“万卡定律”。国内哪个初创团队能凑到一万张卡？我们不做垂类大模型，我们基于已有的大模型进行调参，衍生出专家化的任务 Agent，这样可以绕过通用大模型的问题，训练成本低得多，性能反而远超所谓的垂类大模型。

虎嗅：材科源图的商业模式是什么？

李昊： 我们分两步走。第一步是轻资产服务，帮客户开发新材料、优化工艺、开发 AI 智能体或数据库。这是定制化的技术服务和 AI 赋能。同时我们自己也在持续做研发，把找到的好材料存起来，打造“材料银行”。客户缺某一类材料，可与我们洽谈多种形式的合作。第二步是重资产，自己建产线或与产业方合资。AI for Materials 如果不落地，永远都是 PPT。产业化落地才能实现商业利益最大化。

虎嗅：“材料银行”这个概念是怎么来的？

李昊： 是我们提出的概念，也写了一篇评述论文。现在原料供应波动非常大，价格受贸易战、出口限制等影响。如果材料银行里有足够多的备选方案，我们就不怕任何一个材料供应方掀桌子。不管是因为价格波动还是地缘政治。催化材料、电池材料、半导体材料都大量依赖稀土，价格每天都在变化。我们要做的，就是源源不断地找材料，确保不管发生什么情况，都能拿出一套最经济可行的方案。

虎嗅：目前AI for Science赛道有一些公司已经融了不少钱，材科源图目前在行业里处于什么位置？

李昊：高度领跑。以前说“做高通量实验”的现在都说要做自动化实验闭环了；以前觉得实验数据库太“土”现在都在往实验数据库靠拢，这都是我们的商业计划书中的内容。现在几乎所有友商都在转舵往我们的理念靠拢——不过，整个领域能蓬勃发展起来，也是我们非常希望看到的。无论是从技术板块齐全度，还是实验数据库、物理模型、AI 驱动的自动化实验、全球布局、一个真正懂材料的创始团队，每个单拎出来都是我们最全。

虎嗅：在材料的方向上，未来三到五年最有可能发生变革的领域是哪里？

李昊： 固态电池极大概率是第一个。因为人类目前只探索了固态电解质材料的 8%，还有 92% 的未知空间没有被探索。就像一个游戏地图，你不知道哪里有金矿，就不能轻易判断哪个材料是最好的。如果以今天的已知信息去建产线，明年发现更好的材料，那今年的产线就是一堆废铁。这就是为什么每家企业都在说明年量产，本质是因为对未知的恐惧。固态电池的复杂度其实不像某些“天书级”材料那么高，用我们的方法学完全有可能在短期内把认知覆盖掉大半，但封装、稳定性测试、经济性验证、产线建设加起来，保守估计还要两年才能有安全且经济合适的固态电池车。

虎嗅：把时间拉得再远一点，你觉得未来哪些领域会率先出现因为材料突破而产生的行业颠覆？

李昊： 传统化工领域已经有，合成氨是最经典的。人类粮食依赖于化肥，而化肥来自于氨。传统的哈伯-博世法消耗了全球约3% 的能源，现在已经有了更便宜的电化学方法，未来可以用可再生能源产氨。

虎嗅：如果公司失败了，最有可能的原因是什么？

李昊：很难想象。我们对科学和产业始终怀有敬畏。如果说有风险，那便是我们的成长能否跑赢行业需求。