南科大教授余沛源创业做AI+材料：真正难的不是生成，而是验证

人工智能可以在很短的时间内生成成千上万种候选材料，但真正进入实验室后，其中许多可能根本无法合成。

随着 AI for Science 成为热词，这种落差越来越明显。模型生成和第一性原理计算不断提速，实验验证却依然缓慢而昂贵。一种材料能否合成、复现，并最终走向中试和量产，仍然需要经历一条漫长的验证链条。

余沛源关心的，正是生成与验证之间的断层。他现任南方科技大学化学系长聘副教授（研究员）、博导，长期研究反应机理、量子化学计算和材料设计。本科毕业于新加坡南洋理工大学，后来前往加利福尼亚大学洛杉矶分校（UCLA）和劳伦斯伯克利国家实验室读博深造与工作。其间，他曾参与 Materials Project 的建设，这一数据库如今已成为材料信息学和 AI for Materials 研究中广泛使用的重要基础设施，被誉为材料科学界的“谷歌”。2019 年，他回到深圳，进入南方科技大学开展科研。

过去 15 年，他持续研究化学反应中的分子如何从反应物走向最终产物，也越来越清楚地看到，单纯扩大候选数量，并不能解决材料研发中真正昂贵的试错问题。

这也成为余沛源创业的出发点。如今，余沛源和团队创办三向纪元，希望构建一套可验证的材料模型。它不仅要提出候选，还要结合化学规律、量子化学计算和实验反馈，判断候选能不能合成、哪条路线更可能成立、什么条件下可能失败。目前，该公司正在进行首轮融资。

他把这一路径概括为“在验证中进化”，并最终指向一个问题：材料领域的“AlphaFold 时刻”会出现在哪里？

在这场对话中，我们与余沛源聊了他为何选择在这个节点创业，也谈到初创企业如何与大型科技公司竞争，以及为什么他们认为，材料领域真正重要的突破，不只发生在模型生成答案的那一刻，更发生在答案被不断验证和修正的过程中。

在他看来，AI+材料研发真正困难的地方，不是让模型提出更多看似合理的答案，而是判断这些答案能否被合成、验证和优化。成功的实验有价值，失败的实验同样应该回到数据和模型中，成为下一轮研发的依据。

以下为经编辑整理的对话全文。

AI+材料，正在进入产业化窗口期

DeepTech：为什么认为 AI+材料现在到了可以真正进入产业研发流程的阶段？

余沛源：我选择现在创业，是因为过去相对独立发展的几条技术路线，正在真正交汇，我过去积累的技术也第一次有机会被放到同一个体系里，解决材料研发中的实际问题。

一方面，生成模型正在从预测、筛选已知材料，走向根据目标性能直接生成新的分子和材料结构；另一方面，机器学习正在加速量子化学和材料计算，使高精度计算逐步进入大规模候选筛选和研发决策；同时，自动化实验、主动学习和智能体技术也开始连接起来，形成“模型提出候选—计算验证—实验反馈—继续迭代”的研发闭环。虽然这些问题还没有完全解决，但我们第一次具备了把模型、计算和实验连续连接起来的技术条件。

产业端的需求也越来越明确。无论是半导体与电子材料、精细化工，还是高端装备、热管理和高性能功能材料，企业需要的都不只是一个性能看起来不错的结构，而是能够合成、复现、放大，并最终解决实际问题的材料。

所以我认为，现在已经不只是研究材料 AI 的好时点，也是把这些技术真正组织起来、进入产业研发流程，并逐步建立长期反馈闭环的窗口期。

DeepTech：从学术研究到创办公司，你希望通过创业解决哪些过去在科研体系里难以解决的问题？

余沛源：我觉得这件事要放在 AI for Science 更大的变化里看。今天很多模型已经能够预测性质、生成结构，但距离真正理解材料世界还有很长的路。材料并不是一张静态的结构图，它会在不同条件下发生反应、转化甚至失效。真正有价值的模型，不仅要回答“可能是什么”，还要判断“怎样才能做出来”“过程中会发生什么”“失败可能出在哪里”。这也是我们对材料世界模型的理解。

要实现这一目标，仅靠公开数据、单一算法或一两个科研项目远远不够。需要把生成模型、量子化学计算、反应机理、合成实验和产业反馈放进同一个研发过程中，让模型在持续的计算和实验中得到验证和修正。公司更适合长期组织这些能力，也能让模型不断接受真实产业问题的检验。

对我个人而言，我希望做的不只是解释一个反应为什么发生，或者证明一种方法在论文中有效，而是把这些积累转化为模型理解材料、推演反应和指导实验的能力。三向纪元正在构建的，正是可验证的反应原生材料模型，让模型既从数据中学习，也结合化学规律，并在计算和实验反馈中持续进化。

DeepTech：为什么认为中国有机会在 AI+材料上跑的更快？

余沛源：我觉得材料 AI 和纯软件不太一样。模型生成一个候选只是第一步，能不能合成、性能是否稳定、工艺能不能放大，最终都要回到实验室和产业现场验证。

中国的优势在于，这条反馈链路比较短。先进制造、热管理等领域有明确需求，研发机构、供应链、下游客户和工程团队也相对集中。从模型提出方案，到实验验证、工艺测试，再到获得真实反馈，可以更快完成迭代。

这些反馈对模型尤其重要。模型不仅要知道什么可能成功，也要理解为什么会失败，是材料结构的问题，还是反应条件、工艺窗口的问题。只有把这些真实数据持续反馈给模型，它才会越来越理解材料研发本身。

所以，我们看重的不只是制造成本优势，而是中国有机会更快把模型、实验和产业连接成闭环，进一步把制造和工程能力转化为数据优势和模型学习优势。

DeepTech：国内 AI+材料创业的整体情况如何？真正同时理解 AI 和材料的团队多吗？

余沛源：国内从事 AI for Science 和 AI 材料的企业正在快速增加，切入路径也各不相同：有的从基础模型和生成算法出发，有的从材料计算或特定材料体系切入，也有团队重点建设自动化实验平台。这些路径都有各自的价值。

真正困难的，并不是找到一个同时懂 AI 和材料的人，而是让不同专业的人围绕同一个研发问题有效协作。AI 关注数据、模型和泛化能力，材料研发还要考虑物理化学规律、反应路径、实验条件、工艺放大和应用评价。如果这些环节彼此割裂，即使单点能力很强，也很难形成真正可用的研发系统。

因此，材料 AI 不是简单把 AI 工具应用到材料研究中，也不是把 AI 团队和材料团队放在一起就够了。更重要的是建立统一的数据和验证体系，让模型、计算、合成、测试和产业反馈进入同一个学习闭环。相比某一个单独的模型，这种跨学科的组织和协同能力可能更加稀缺。

AI 材料创业，如何与大厂竞争？

DeepTech：当拥有顶级模型能力的公司不再满足于赋能者角色，而是亲自下场布局湿实验、介入材料发现乃至材料管线时，你们真正的竞争对手可能不是其他初创企业，而是大型科技公司和基础模型公司？

余沛源：可以参考 AI 制药的发展过程。一些 AI 制药初创企业起步较早，率先打通部分应用场景；随着技术路径和产业价值逐渐清晰，大型科技企业也开始从提供基础工具走向更深地参与研发过程。类似地，大型科技公司进入材料 AI 也是必然趋势，它们在算力、基础模型和人才上具有明显优势。

但材料研发与纯软件不同，也比药物研发更加分散。不同材料体系对应不同的反应机理、工艺条件和应用场景，很难由一个通用平台全部覆盖。因此，大厂在提供基础模型、算力和通用工具方面更有优势，初创企业则可以深入具体材料体系，把模型与合成、实验和客户需求连接起来。

所以，双方既可能竞争，也存在合作空间。真正决定长期价值的，不只是模型规模，而是谁能持续解决真实研发问题，并形成有效的实验反馈闭环。

DeepTech：大厂掌握算力、模型和人才，初创企业的优势在哪里？

余沛源：大厂在算力和基础模型上的优势很明显，我们并不打算和它们比模型更大、参数更多。但材料研发并不是单纯扩大模型规模就能解决的问题。一个候选在计算中表现很好，并不意味着它能够真正合成、稳定存在并实现工艺放大。

初创企业的优势在于聚焦和速度。我们可以围绕具体的高价值材料问题，把模型、机理计算、合成和实验更紧密地结合起来，尽早排除不可行的结构和路线，把实验资源集中在真正值得验证的候选上。

更重要的是，实验中的失败原因和过程数据很难从公开数据库获得，只能在持续研发中积累。因此，真正的壁垒不只是模型规模，而是谁能更快完成“生成—验证—学习”的循环，让模型在真实实验反馈中不断提高判断能力。

所以，我们并不把自己定义为一家用 AI 做材料筛选的公司，而是希望构建一套能够理解反应过程、持续从实验中学习，并帮助研发人员做决策的材料模型。谁能让模型更早在实验室里做出更准确的判断，谁就更有可能形成长期壁垒。

DeepTech：你们如何看待 Periodic Labs、Cusp AI 等公司的路径？

余沛源：我们一直关注 Periodic Labs、Cusp AI 等团队，它们的出现说明了 AI for Science 正在从单点预测工具走向能够设计、计算和组织实验的科研系统。我们认同这个方向，但不同团队会根据自身能力选择不同入口。

三向纪元更关注生成设计与实验实现之间的关键环节：候选如何产生、能否合成、哪条路线更可行，以及哪些条件可能导致失败。团队在反应机理、过渡态和量子化学计算方面的积累，使我们能够把模型与机理计算结合起来，引入化学约束，再将实验中的成功和失败持续反馈给模型。这也是我们构建反应原生材料模型的核心路径。

DeepTech：你们的技术路径与其它创业公司有什么不同？

余沛源：我们在开发过渡态生成模型，但更关注如何把基元反应、中间体和过渡态组织成反应路径，并进一步连接合成路线、反应条件和实验验证。我们的目标不是完成一个孤立的计算任务，而是把机理理解转化为模型可以学习、实验可以执行的研发判断。

DeepTech：你们准备覆盖所有材料领域吗？

余沛源：不会。材料领域非常大，我们会从高价值、高需求的垂直场景切入，例如液冷材料和新一代发光材料，包括面向下一代 OLED 的发光分子和手性发光材料等。但底层平台会保持通用性。也就是说，商业化早期聚焦清晰的产业需求，技术基础设施则需要具备迁移能力，未来能够适配不同的分子和材料体系。

让材料“在验证中进化”

DeepTech：为什么你们反复强调“可验证”？它与普通的“生成-实验”闭环有什么区别？

余沛源：差别主要在于，验证从哪一步开始。普通闭环通常根据最终实验结果迭代模型，而我们希望把验证环节进一步前移。候选生成后，先判断结构和性能是否合理、能否稳定存在、是否有可行的合成路径，以及哪些条件更值得尝试，再把少量高价值候选交给实验。

A-Lab 是一个很有代表性的例子。它选择了 57 种理论上稳定的目标材料，最终成功合成 36 种，17 种没有获得目标产物，另有 4 种仅凭 XRD 无法确认。整个过程中测试了 353 组实验配方，真正得到目标材料的配方约占 30%。失败原因包括反应动力学缓慢、前驱体挥发、材料非晶化以及计算判断偏差等。

这说明，理论稳定只意味着材料“可能存在”，能否真正做出来，还取决于反应过程、合成路径和实验条件。三向纪元希望在候选进入实验前，先通过模型、反应机理和量子化学计算评估关键反应、比较候选路线并推荐实验条件，再把更值得尝试的候选交给自动化实验平台。实验中的成功和失败则继续反馈给模型，帮助它理解材料在不同条件下会发生什么。

DeepTech：从模型层面看，这套平台具体如何运行？

余沛源：可以把整个体系理解成三个层次。

第一层是 React-Generator，根据目标性能生成候选分子和材料，回答“可以做什么”；第二层是 React-Refine，通过高精度计算和物理化学规律，对候选的性能、稳定性和结构合理性进一步筛选，回答“哪些值得做”；第三层是 React-Route/Condition，也是我们投入最深的一部分，通过反应路径规划、机理计算和条件生成模型，判断候选可以从哪些原料出发、经过哪些关键反应，不同路线的难点在哪里，以及哪些催化剂、温度和溶剂条件更值得尝试，回答“应该怎么做”。

团队在反应机理、过渡态、路线优化和条件预测等方向有长期积累。我们希望推演反应中的关键中间体和步骤，比较不同路线的可行性，并为实验推荐更值得尝试的路径和条件。这一层直接关系到模型生成的候选能否真正被做出来，也是我们目前最核心的技术壁垒。

经过生成、性能筛选和合成设计后，少量高价值候选会进入自动化实验平台。无论实验成功、合成失败，还是性能不及预期，结果都会反馈给模型，帮助下一轮更准确地选择候选、路线和条件。

这三个层次共同构成我们所说的“可验证的反应原生材料模型”。验证不仅针对最终结果，而是贯穿候选生成、反应过程、合成路径和实验条件。随着这些过程数据不断积累，模型会逐步理解材料在不同条件下如何生成、变化和失效，并进一步推演下一步可能发生什么。这也是我们从可验证材料模型走向材料世界模型的路径。

DeepTech：你们在可验证材料模型和计算化学方面已经有哪些积累？

余沛源：过去七年，我和团队的研究覆盖了材料研发从生成、计算验证到合成路线判断的多个关键环节。

在生成端，我们开发过条件生成和三维分子构象生成模型，能够快速产生结构合理的三维候选，为 React-Generator 提供了算法基础。在生成之后，团队也长期积累了分子间相互作用、二维材料筛选、晶体结构预测和量子化学计算等能力。其中，围绕可计算非共价相互作用描述符的研究，使我们能够对候选做出具有物理化学依据的判断，而不只是给出一个黑箱分数。

在反应与合成端，我们长期研究反应机理、过渡态、合成路线和反应条件。两项发表于 Science 的工作，分别体现了团队利用反应机制研究能力进行全新合成路径设计，以及开展高通量手性分子和材料合成的能力。这些积累正在转化为 React-Route/Condition，使模型不仅判断“材料可能是什么”，还能进一步分析“应该怎样做”“哪里可能卡住”以及“下一步最值得验证什么”。

因此，我们的技术积累并不是一个孤立的生成模型，而是在生成、计算验证和反应路径判断等关键环节形成了一套相互衔接的基础。

DeepTech：自动化实验室在这套体系中承担什么角色？

余沛源：随着机器学习势函数和神经网络代理模型的发展，高精度计算在特定任务中的成本正在显著下降，候选生成和计算筛选越来越快，实验验证反而开始成为新的瓶颈。因此，自动化实验是可验证闭环中不可缺少的一环。

目前，化学自动化实验设备的成本正在下降，模块化设备也越来越容易获得。但买到设备并不等于真正具备自动化实验能力，如何把软件、硬件、算法、实验流程和数据标准连接起来，仍然需要长期积累。

团队核心创始成员具备大型自动化实验平台的建设和工程化经验，在实验软件、硬件、算法与数据系统协同方面有系统积累。我们希望把这些能力与反应机理和量子化学计算结合起来，让自动化实验不仅执行实验任务，也能够持续产生包含成功、失败和过程信息的高质量数据，为模型学习和迭代提供基础。

从数据飞轮走向材料产业化

DeepTech：除了模型和实验，数据是不是另一个核心壁垒？

余沛源：数据当然是核心壁垒，但并不是越多越有价值。AlphaFold 的突破不仅来自模型，也离不开 PDB 等数据库和大规模序列数据的长期积累。材料研发同样需要数据，但仅有结构和性质还不够，模型还需要理解材料是怎样形成的。

因此，我们真正希望积累的是完整、可追溯的研发路径：从结构和性质，到反应路线、计算判断、实验条件，再到最终的成功或失败。尤其是失败数据，如果能够进一步判断问题来自结构、反应路径、条件窗口还是实验过程，就能帮助模型更早排除错误方向，减少重复试错。

所以，真正的数据壁垒不在于拥有更多孤立的数据点，而在于能否把成功和失败组织成模型可以学习的过程信息和可验证的因果线索。

DeepTech：你们积累的反应机理数据与普通 DFT 数据有什么不同？

余沛源：DFT 工具本身已经比较普及，真正困难的是知道应该计算什么、比较哪些路径，以及如何把计算结果与实验现象对应起来。

我长期研究分子从反应物走向产物的过程，包括中间体、过渡态、竞争路径、选择性和条件影响。论文通常只呈现最有可能的一条路径，但实际研究中还会产生大量未被完整发表的竞争路径、高能路径和失败结构。这些数据不仅能帮助模型判断哪些路径可能成立，也能告诉它哪些方向应该提前排除。

目前，团队已经积累了百万级高精度计算与生成数据，其中关键机理和反应路径也在通过合作实验持续进行交叉验证。我们正在把公共数据、自有计算数据和实验反馈，按照统一、可追溯的标准纳入 React-DB。

DeepTech：Materials Project 已经是权威材料数据库，为什么还要建设 React-DB 数据库？

余沛源：我们并不想替代 Materials Project。它很好地记录了大量材料的组成、结构和计算性质，帮助模型认识“材料是什么”。

React-DB 希望补充的是材料形成和研发的动态过程：一种材料从哪些原料出发，经过哪些反应和中间体，在什么条件下形成，最终实验是否成功，以及失败可能发生在哪一步。它不仅记录结构和性质，也重点记录反应路径、实验条件、计算依据和能够归因的失败信息。

简单来说，Materials Project 帮助模型认识材料，React-DB 则希望进一步帮助模型理解材料是怎样被做出来的。这是反应原生材料模型持续从计算和实验中学习的基础。

DeepTech：你们目前的团队是如何构成的？

余沛源：我们的团队围绕“模型能算、实验能做、产业能用”来构建。可验证材料研发不可能只依靠 AI 团队完成，还需要反应机理、合成化学、自动化实验和产业转化等能力。

我作为公司创始人，负责整体战略、产品和技术路线，同时主导反应机理、过渡态和量子化学计算。谭斌教授担任联合创始人兼首席科学家。他是南方科技大学化学系讲席教授、国家杰出青年科学基金获得者 (2024 年获得延续资助)，科学探索奖获奖人（化学新材料领域），长期从事有机合成、催化反应和手性控制研究，重点负责分子材料的合成路线开发、新反应开发和实验验证。很多新分子和新材料并没有现成的合成方法，无法一开始就直接交给自动化平台。往往需要化学家先判断路线、开发反应、摸索关键条件，再将成熟流程逐步标准化和自动化。这部分能力也将支持我们在手性发光材料和下一代 OLED 发光分子等方向开展研发。

AI 与自动化部分由核心技术团队负责，覆盖模型、智能体、自动化实验软硬件和数据系统；产业端则由具备材料制造、供应链和客户服务经验的成员，将客户需求转化为明确的性能、成本和工艺指标。几部分共同形成从模型设计、机理计算，到合成验证和产业交付的闭环。

简单来说，我们希望把“模型能算、实验能做、产业能用”放在同一个团队里。这既是可验证材料研发的基础，也是我们逐步走向材料世界模型的基础。

DeepTech：公司的商业模式是什么？

余沛源：我们目前有两条相互促进的商业路径。

第一条是面向企业的联合研发。我们从客户明确的性能、成本和工艺需求出发，利用模型、量子化学计算、合成路线设计和实验验证，帮助客户缩小候选范围、减少低价值试错，并交付经过验证的材料方案。收入主要来自研发服务费、阶段性里程碑付款和后续成果授权。

第二条是自主材料 IP 开发。对于需求明确、技术壁垒高、知识产权空间较大的分子材料，例如液冷材料和新一代发光材料，我们会自主开发或与产业伙伴联合开发，通过专利许可、销售分成或联合产业化获取长期价值。

联合研发让平台持续接受真实产业问题的检验，同时形成早期收入；自主材料 IP 则将模型和研发能力进一步沉淀为长期资产。我们希望做的不是一次性的计算服务，而是建立一个能够持续发现、验证并交付高价值材料的研发平台。

文章来自于"DeepTech深科技"，作者 "胡莉花"。