# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
材料是 AI 最难进入的行业之一。实验周期长，数据采集难度大；材料的理论性能与成品的实际性能存在差异；并且材料从实验室走到工业界有巨大量产鸿沟。因此，一种新材料从确定原子怎么排列，到在产线上稳定量产，通常要走十年以上。
AI 进入材料领域也快十年了。最早AI只帮研究者调合成参数，现在AI开始尝试接手整个项目，从提出课题、设计实验、一直做到执掌实验、采集数据、反馈结果。元材的几位创始人亲历了这几个阶段。他们的判断是：大模型改变的不只是效率，还有研发的范式。过去的材料研究，是从结构设计出发，逐层外推到实际应用；现在基于宏观性能和真实需求反向推演，让模型跨尺度、跨学科地拆解问题，提出方案。当 AI 能够批量生成材料候选，真正稀缺的就不再只是模型的生成能力，而是判断哪些方案符合物理规律、哪些能够被制造、哪些最终能够应用在真实应用，发挥价值。从材料生成走向跨尺度理解、物理验证与产业闭环，正成为 AI for Materials （AI4M）发展的重要方向。
元材由四位来自材料科学、人工智能与工程领域的核心成员联合创立。刘政是新加坡南洋理工大学教授，长期耕耘先进功能性材料，连续八年入选全球高被引科学家。安波是南洋理工人工智能领域教授，长期研究强化学习、大语言模型和多智能体系统。两人 2013 年前后在南洋理工共事，在AlphaGo带来的 AI 浪潮启发下，开始探索机器学习能否突破材料合成中长期依赖经验和反复试错的研发瓶颈。
2017 年，当AI4M 尚处于早期探索阶段，汤碧珺成为刘政团队首位以 AI 驱动材料研发为主要方向的博士生，开始系统探索人工智能与材料科学的深度融合。此后，她从 AI4M的早期研究者成长为跨学科科研项目负责人，主导及参与的相关科研项目累计经费超过 4000 万元，并入选 Schmidt Sciences AI2050 Early Career Fellowship。如今，她进一步推动科研成果走向产业，担任元材CEO。
另一位联合创始人肖玉善出身西北工业大学航空复合材料领域，博士期间由航空复合材料领域专家和刘政教授共同指导，主导及参与的复材项目累计规模超过千万元，现任元材CTO。多功能复合材料，也成为元材将 AI 技术推向真实工业场景的首个切入方向。
当然，这个领域依然充满未知和惊喜。材料研发，周期长，验证慢，行业至今也没有一把公认的尺子来衡量模型的真实材料能力。而工业数据本身也沉淀在大量细分门类里，AI4M公司如何与材料企业携手并肩，让数据流转起来，把知识和技能沉淀下去，共同创造企业和社会价值，需要整个行业一起摸索。过去不少 AI 材料公司最后都走向了项目外包，平台化的路能不能走通，还要看更多实践。模型越来越强以后，AI 和材料专家之间的分工落在哪里，目前也没有定论。
这些也是元材正在尝试回答的问题。带着它们，我们和元材的几位联创展开了下面的对话。
刘政： 我本科毕业于南开大学物理学院，研究生师从国家纳米科学中心孙连峰老师和物理所解思深院士，研究碳纳米管和合成。两位老师治学严谨，帮助我打下了扎实的学术基础。2010 年我去莱斯大学求学，师从楼峻老师和Pulickel Ajayan老师，从事二维材料的研究，完成了从学生到独立研究者的转变。
2013年，我有幸拿到新加坡的 NRF Fellowship。这个 Fellowship项目面向全球、不限专业，每年遴选不到十人来新加坡从事科研工作。我选择在NTU建组，十几年里从助理教授一直做到正教授，我们课题组的研究对象也从二维材料出发，下至一维纳米线和零维量子点，上至三维的宏观金属和复合材料等体系；从材料出发，面向力热光电等不同实际需求，构建了课题组以应用为导向，跨尺度、跨学科的研究特色。
2016年，AlphaGo问世。我意识到这个技术可以为材料合成带来新的思路：材料合成是个黑箱，要摸清复杂的合成参数，往往得花好几年。既然机器学习连围棋都能赢人类，能不能拿来优化合成参数？就这样，我和安波老师一拍即合，建立了世界上最早一批用AI做材料研究的队伍。发展了近十年，现在我们打造了一个囊括材料、AI、工程和应用的，执行力极强的研究团队。
汤碧珺：2013 年我进入南洋理工大学学习材料科学，跟随刘政教授开展先进材料研究。在长期实验中，我深刻体会到传统材料研发高度依赖经验和反复试错，周期长、成本高。也正是这些经历，让我开始思考：能不能用 AI 改变材料研发的方式，而不仅仅是提高某一步的效率？2017 年，我正式开始博士研究，也成为刘政教授团队第一位专注AI4M的博士生。在人工智能领域关存太院士和安波教授的共同指导下，我开始系统地将机器学习引入材料研发。经过几年的探索，我们建立了一套机器学习驱动的材料合成与工艺优化方法，并在不同材料体系中验证了其有效性。
这些研究逐渐从早期的方法探索，发展成系统性的 AI4M研究方向。我们不仅发表了一系列高水平科研成果，也获得了多个国际重大科研项目的支持。更重要的是，我们开始与全球领先的半导体和先进制造企业合作，将 AI 方法应用于真实的材料研发和工艺优化问题。
随着研究和产业合作不断深入，我逐渐意识到，产业真正需要的不是一个能给出预测结果的 AI 模型，而是一套能够真正参与材料研发、辅助科学决策，并连接仿真与实验验证的智能系统。
这也推动我们从单点机器学习优化，逐渐走向跨材料、跨尺度的 AI 研发。后来与玉善在航空复合材料方向的合作，更让我们有机会把 AI 从微观材料设计延伸到复杂的宏观工程问题，也为今天元材的创立和技术发展奠定了重要基础。
肖玉善： 我2016年进入西北工业大学，研究方向从控制逐步拓展到力学与航空复合材料。控制专业的背景让我较早接触AI，本科期间我就开始用AI做材料结构设计，也获得过多项国内外竞赛奖项。
硕博期间，刘政教授指导我做AI与材料的交叉研究，博士导师郑锡涛教授和吴振教授是国内航空复材领域的头部学者，带我深入面向重大需求的航空复材应用落地研究。三年半的博士生涯，我协助导师主导了 6 项国家重大需求项目，其中主要涉及从微观到宏观的AI赋能跨尺度及多场耦合作用下的先进复材设计。2024 年，基于智能先进复合材料的应用研究，在导师及领域专家的指导下，获得了西北工业大学博士研究生特奖。
这段经历让我形成了一个习惯：先看国家重大需求聚焦解决什么，再追溯背后的科学问题，加速AI赋能先进材料研发应用。这与西工大倡导的“从1到0”反向基础研究一脉相承：从工程需求中发现科学问题，理解机理，再推动工程突破。这也是我们做AI赋能材料的出发点——以真实需求牵引研发，让模型能力最终落到材料性能突破和落地工程应用上。
汤碧珺：其实我们四位创始人的合作，可以追溯到十多年前。刘老师和安老师 2013 年就认识了，2016 年 AlphaGo 的突破让大家看到了 AI 解决复杂科学问题的潜力。2017 年我作为两个团队最早的交叉研究成员之一，开始探索机器学习在材料合成与半导体工艺优化中的应用。团队持续发展，材料方向逐步覆盖设计、仿真、实验和自动化，AI 方向也从传统机器学习拓展到大模型和智能体。近十年的合作，让我们形成了一支深度融合材料、AI 和工程技术的团队，具备了跨材料、跨尺度的系统性研发能力。
后来，通过刘老师，我认识了西北工业大学的郑老师和玉善，开始将 AI 拓展到航空航天复合材料领域。2023 年我们正式合作，拿下了新加坡一个千万级 AI 赋能的国家级项目。安老师和刘老师担任 PI，我是 co-PI，玉善负责核心技术研发。
这个项目很有代表性，当时只有两支团队入选。项目不仅要求开发 AI 模型，还必须真正设计、制备出满足多项性能要求的新材料，并通过实验和第三方验证。最终，我们成功完成了多功能复合材料的研发与交付。这证明 AI 不仅能在计算机里设计材料，也能走进真实实验，解决实际研发问题。
真正推动我们创业的，是技术积累与产业需求在这个时间点形成了交汇。随着研究成果不断得到验证，来自中国、美国、欧洲和新加坡的先进材料、半导体及制造企业陆续主动联系我们，希望将 AI 引入真实研发流程。我们意识到，产业需要的不只是单一算法，而是能够持续解决问题、积累知识和数据的智能系统。
我们选择现在创业，不是因为 AI 突然变得热门，而是经过近十年的积累，我们终于有能力让它真正走进材料产业。创立元材，就是希望将这些能力转化为可规模化应用的产品，让 AI 真正成为下一代材料研发的基础设施。
汤碧珺： 我们是一家以跨尺度材料模型为核心，致力于重构材料研发方式的 AI 科技公司。我们最大的特点，是具备从材料设计到工程应用的全链条 AI 研发能力。
传统材料研发往往从微观出发，先设计原子、分子结构，再研究制备工艺，逐步走向宏观性能和实际应用。但材料从实验室走向产业，中间存在巨大的跨尺度鸿沟。AI 能预测一种新材料，不代表它能被制造出来，更不代表它能在真实工程中发挥价值。
元材最大的不同，在于我们既能从底层出发，见微知著，从微观材料设计走向宏观工程应用；也能高屋建瓴，从真实产业需求出发，反向设计材料、结构与工艺。我们希望打通的，不只是从微观到宏观的尺度，更是从科学发现到产业应用的全过程。
刘政：我认为有三个阶段。
第一阶段是2016-2018年的机器学习时代。这个时候，AI 是一种优化手段。它在已有材料研发基础上做优化，研发范式没有根本改变，但确实提高了效率，原来要三到五年、成百上千次实验才能得到的材料，被加速到数月的时间和数十次的实验，大大提升了效率，降低了研发成本。这个阶段AI主要辅助参数优化。
第二阶段是2019-2023年Transformer的神经网络时代。图神经网络和机器学习势函数让结构筛选从一天一个变成一天上万个；语言模型能批量抽取文献里的配方、工艺和性能数据，原来几个月的调研几天就能做完。这一阶段主要加速前期预研，课题还是人来定，AI 仍是工具，但开始拓展到创造性工作。
第三阶段从2024年发展到现在，AI 不再只是打辅助，开始真正 carry 整个项目。在材料研究上，她掌握的知识横跨物理、化学、材料和工程，能提出单一领域的专家不容易想到的跨学科课题，当然有没有价值还得人来判断。执行上，相对标准化的实验已经能交给自动化平台，在黑灯实验室里 24 小时连续做；数据处理、模型迭代和材料建模，AI 也能接手。从提出想法、做实验、分析数据、建模到反馈，整条链路正在打通。这条链路一旦真正跑通，高价值新材料的研发周期有望从十年压缩到一两年，甚至更短。
刘政：最根本的是材料的研究范式变了，人员配置、研究思路、数据获取和处理方法都得重新定位。一方面，研发周期会大大缩短；另一方面，研究思路不再局限在研究者自己的小领域，材料研究可以从原子结构、界面效应一直考虑到系统性能，并且从相关的学科角度，比如物理、化学、光学、电学、工程等进行细致且可靠的评估，很快拿到最优结果。
再往远看，语言是对物质世界的极度压缩，无法代表完整且真实的世界。而世界是由物质、由材料构成的，把物理规律和材料的信息压进模型，就是让它离真正大一统模型更近一步。物质材料模型如果做成了，带来的产业变革，会远远超过语言模型本身，甚至超越材料本身：短期会重新定义生产关系，长期会影响社会关系。
刘政： 以往的AI主要优化链条里的一个环节，也就是材料筛选。我们要做的，是把优化目标提到系统级、全流程，让AI在约束和权衡之下做决策。
传统的材料研发以专家的领域知识为中心，由点及面：设计、拓展、合成、验证，再从实验室逐级放大到原型器件、小试、中试和量产，AI只起辅助作用。比如用AI结合DFT预测新材料，过去一天只能算一个，现在一天能算成千上万个候选，研发人员再从中筛选、评估、测试。这是典型的bottom up，从材料的基本结构出发，由微观到宏观，由简单到复杂。
但AI只是把筛选这一步提了速，并没有解决候选材料能不能用的问题。纳米尺度的性质放大到宏观，还能不能保持？预测出来的药物分子，在复杂的人体里是否有效？预测出来的电池材料，在动态的充放电环境中是否稳定？预测出来的半导体材料，在复杂的电磁环境中表现如何？多数时候答案是否定的。微观预测很难覆盖缺陷、界面、工艺和跨学科的约束，而这些恰恰是真实系统里决定成败的因素。
所以我们换了一个出发点，从系统整体来考虑，也就是top down。比如设计一种半导体材料，它在器件里要和哪些材料匹配加工，界面怎么处理，电学性能怎么优化，热预算和稳定性怎么评估。这些问题放在一起，交给AI跨尺度、跨学科地去模拟和计算，给出可执行的方案。这依赖三样东西：大模型的世界知识，我们AI4M积累的专业数据和工具，以及把专家的判断和取舍方式教给模型。最终要在众多环节里找出最关键的几个，给出最合理的方案，再用实验去验证。
材料研究没有完美，只有妥协。AI要学会的，正是在妥协中做出好的选择。
汤碧珺：我从实际研发的角度补充一下。过去的机器学习通常针对单一材料体系或具体问题，需要研究者自己收集数据、训练模型，再通过实验不断优化。虽然能显著提高效率，但模型往往难以直接迁移到其他材料体系。
大模型带来的变化，是让 AI 有机会从解决单点问题走向全流程研发。它可以整合跨学科知识，辅助判断研发方向，调用专业模型和仿真工具，再结合自动化实验获取真实反馈，形成持续迭代的闭环。
更重要的是，AI 可以帮助我们跳出单一材料体系的思维局限，从实际需求出发，在金属、陶瓷、复合材料等不同体系中寻找更优解。 这也是元材打造跨尺度材料模型的核心思路：让 AI 不仅能理解不同材料，更能连接从微观设计到宏观应用的整个研发过程。
刘政：从一维到三维，说的是材料在几个方向上还保留宏观尺寸。三维就是我们平时见到的块体材料。把它在一个方向上减薄到纳米尺度，就成了二维材料。电子在这个方向上被限制住，能带结构跟着改变，性质会剧烈变化，相当于变成了一种新材料。再在另一个方向上收窄成一根线，就是一维，比如纳米线、碳纳米管。三个方向都缩到几个纳米，就是零维的量子点，量子效应特别明显，QLED 电视用的就是它。
反过来也一样。把纳米材料堆成宏观的块体或纤维，会引入缺陷、界面和排列上的无序，纳米尺度上的优异性能往往大打折扣。学术界很大一部分工作，就是研究性质随尺度怎么变，以及怎么把它保留下来、用起来。所以一个材料在某个尺度上表现出色，换个尺度未必成立。
背后其实有个更根本的问题：材料的性能不只由它是什么决定，更由它怎么组织起来决定。同样是碳，排成石墨烯是最强的材料之一，堆成石墨一捏就碎。微观上性能看的是原子和化学键，宏观上看的是缺陷和界面，而宏观强度往往由最薄弱的那个缺陷决定，不是平均值。偏偏这些缺陷和界面信息，论文和数据库里几乎都不记录。所以只在微观尺度上做 AI，做得再快，也很难预测宏观性能。AI 必须跨尺度，必须看到真实的实验和产线数据。
回到 AI4M 模型本身，我认为一个成功的模型，必须能跨尺度预测材料性能。说得简单点，宏观性能是从微观结构里"涌现"出来的，模型要能抓住这个涌现过程，而不只是记住每个尺度上的数据。物理学家 Anderson 说过，'多即不同'。材料就是最典型的例子。
肖玉善： 2016年AlphaGo的突破，让大家看到了深度学习、强化学习与搜索结合解决复杂问题的潜力。随后，Transformer和大规模预训练的发展，为AI整合跨领域知识、处理不同任务打开了新的空间。
在材料领域，早期应用主要是从实验和仿真数据中学习规律，用于性能预测和计算加速。随着研究深入，一条路线开始引入物理约束，例如以PINN为代表的方法，将控制方程、边界条件纳入模型训练；另一条路线则探索生成式设计，根据目标性能提出候选结构和配方。AI逐步从预测性能走向辅助设计，但大多仍围绕特定材料、特定任务展开，需要研究者定义问题、准备数据和组织验证。
大模型带来的关键变化，是让AI有机会把这些分散的研发环节连接起来：理解需求、整合跨学科知识、调用仿真与实验工具，再根据反馈调整方案。我们希望进一步走向材料领域的通用智能，让同一个模型能够跨陶瓷、金属、复材等体系开展研究，形成有依据的专业判断。这里真正的门槛，是把知识转化为解决材料问题的能力，并在跨尺度预测和真实实验中得到验证。
汤碧珺： 通用大模型在知识理解、信息整合和任务规划上已经非常强大，但材料科学与工程有很高的专业壁垒。它可以提出看似合理的材料设计方案，却未必能准确判断是否符合物理规律、能否真正制备出来，以及能否满足实际工程需求。
因此，我们希望通过专业数据、物理模型和领域专家知识，不断提升大模型在材料研发中的专业能力。尤其是在探索未知领域时，专家的判断和真实的仿真、实验验证不可或缺。元材的优势之一，就是依托刘老师、安老师以及长期积累的全球科研与产业合作网络，能够整合不同材料领域的顶尖专家，持续提升模型的专业能力。
在 AI 生成能力越来越强的时代，真正稀缺的不是生成答案，而是验证答案的能力。 我们希望让专家知识、物理仿真和真实实验共同构成 AI 的验证与学习闭环，让模型不仅能提出方案，更能判断方案是否可信，并从验证结果中持续进化。
肖玉善： 是验证。大模型可以快速生成大量候选方案，但哪些符合物理规律、能够被制备，又能在真实工况下满足应用需求？这些都需要验证。对材料研发而言，生成方案只是起点，能否验证、迭代并最终落地，才是决定价值的关键。
元材的着力点，就是从需求出发，把跨尺度理解与验证贯穿研发过程。一方面，让模型理解微观组分、介观结构与宏观性能之间的联系；另一方面，把设计放到实际工艺和工况中检验，逐步推动材料从实验室走向小试、中试和量产。物理尺度之间的贯通，为工程放大提供依据，而每一步放大仍需要新的验证。
为此，我们将专家知识融入模型，并通过公司Compelix平台连接专业仿真软件和实验设备，让AI提出方案、调用工具检验，再根据计算与实测反馈持续优化，形成设计—验证—迭代的研发闭环。
肖玉善： 以我们服务的一家头部客户为例，传统复材研发通常采用逐级验证的方式：从材料试样、标准试件的设计与测试，到结构件的仿真与实验，经过多轮迭代才能交付。在航空航天领域，复杂结构的完整研发与验证周期往往以年计。
引入AI后，主要有两方面变化。第一是多尺度仿真与设计迭代的自动化。过去，从微观的原子、分子计算到宏观的有限元分析，需要不同领域的专家协同，建模、计算和结果传递都依赖大量人工操作。现在，Compelix可以根据研发任务，自主调用相关仿真工具，衔接不同尺度的计算，分析结果并迭代优化。在这一客户案例中，原本需要三四个月的设计优化工作，缩短到了半个月以内。
第二是让设计直接接受真实实验的检验。我们以复合材料3D打印为切入口，搭建了与Compelix相连的智能化实验室：AI提出设计方案，通过仿真筛选，再由自动化设备完成打印和测试，实测数据回流平台，指导下一轮优化。在已有实验任务中，经过约三四轮迭代，设计能够达到预设的性能目标。
这两方面结合起来，让仿真、设计和实验形成连续的反馈过程，减少人工衔接与反复试错，加快从方案提出到验证优化的速度。
肖玉善：主要从三个方面处理。第一，把专家知识融入训练，公司正在推进与高校、企业和领域专家共建独立评测体系，检验模型在前沿材料问题上的能力，识别知识盲区。第二，让分歧回到验证。先检查双方采用的材料参数、工况假设和评价标准是否一致，再调用专业仿真工具或实验设备，用计算和实测结果定位偏差。第三，保留专家对关键决策的把关。如果专家掌握模型尚未接触的数据或工艺经验，平台会在授权范围内补充这些信息，重新评估方案；证据不足时，由专家决定是否补充验证或调整研发路径。核心是让专家经验与模型判断都能接受验证，并将分歧转化为下一轮研究的依据。
肖玉善：我不认为这会是AI单方面吸收专家知识的过程。AI正在缩小知识获取和工具熟练度上的差距，但人的科研审美和工程审美仍然重要，本质上是对问题的认知层次和判断力。各领域专家多年积累的知识与实践，最终会沉淀成审美，让他们能够从整体上判断一个方案是否抓住了问题的本质。材料研发也是如此。AI可以帮助我们更快获取知识、生成方案，但什么问题值得研究、什么方向值得投入、什么结果具有应用价值，仍然需要判断。对问题理解越深，就越能提出有效的需求、识别关键的约束，也越能发挥AI的能力。
刘政： 其实就是品味。世界顶级高校在寻找教职的时候，评估候选者的科研品味是非常重要的一环。
人能做出超出常规的判断，可能带来学科上的巨大突破。AI 本质上是基于数据的统计规律，很难做到这一点。具体来说，一是判断力，包括大方向的选择，或者面对做开放式问题时，知道什么时候停、什么时候继续、什么时候换策略。二是化繁为简，可以把复杂的问题快速简化，抽丝剥茧为可操作的关键参数；接下来我们会考虑怎么把人的审美和判断放进 AI 里，只是这个东西不容易量化。
汤碧珺：我认为缺一不可。AI 决定探索的广度，材料科学决定理解的深度，系统工程决定落地的能力。如果只有 AI，模型可能在虚拟世界表现出色，却难以跨越从仿真到现实的鸿沟；如果只有材料专家，研发又容易局限于熟悉的材料体系，难以实现跨领域泛化。只有将三者深度融合，才能真正打通从材料设计、物理验证到工程应用的全过程。
元材的独特优势，不只是同时拥有 AI、材料和工程领域的专家，而是我们从一开始就在共同解决问题，并将这些能力逐步沉淀为可复用的模型、工具和研发平台。 这也是我们能够从单一材料体系走向跨材料、跨尺度研发的基础。
汤碧珺：我认为关键是要真正做到 AI Native，而不只是给传统材料研发团队增加几个 AI 工程师。对元材来说，AI 不是辅助工具，而是整个研发体系的核心驱动力。
我们团队的一个突出优势是 AI 底层能力足够强。比如安老师是强化学习和多智能体领域的国际顶尖专家，团队具备从大模型预训练到后训练的完整能力。我们也自主训练了材料领域大模型，在面向真实材料研发任务的内部评测中，部分专业能力已经超过主流通用大模型。
但真正的难点不只是训练模型，而是 AI 与材料科学的深度融合。我们的特点是，做 AI 的人真正理解材料研发，做材料的人也深度参与 AI 模型与系统设计。 这种长期交叉积累，很难靠临时组建团队复制。
在实践中，我们自主研发核心模型和工具，并将 AI 与仿真、自动化实验连接起来，让数据和验证结果持续反馈模型。同时，我们也保持开放，整合外部优秀的专业工具。
我们希望构建的不是一支依赖 AI 工具的材料研发团队，而是一套以 AI 为核心、能够持续进化的材料研发体系。
肖玉善： 2023年，我们与一些纯AI背景的同行合作时，最大的感受是，双方对材料研发复杂度的理解不同。最初，我们也希望通过大量文献和专业数据，让模型学会材料知识。但实际做下来发现，模型能够回答专业问题，与具备材料科学家的判断力之间，还有很长的距离。
跨尺度就是一个典型难点。单根碳纳米管的强度很高，但组装成宏观纤维后，取向、缺陷和管间载荷传递都会影响最终性能，微观优势并不会自动转化为宏观优势。材料科学家需要结合工艺、实验和应用条件，判断问题出在哪一层。这些知识分散在论文、实验记录和工程经验中，仅靠文献训练很难完整掌握。
这也影响了我们的策略。自动化实验室能够加快设计与验证，但从实验室走向中试和量产，还涉及设备、工艺、成本与质量控制。我们选择与头部客户长期合作，把AI嵌入真实研发流程，在持续交付中积累对材料和工艺的理解，再将共性问题与方法沉淀为模型和平台能力。我们希望，每一次合作既帮助客户加快产品迭代，也让平台具备解决下一类问题的能力。长期合作的价值，就在于把客户需求、工程验证和模型进化连接起来，并通过持续交付建立信任。
刘政： AI辅助的coding进展快，是因为结果能立刻验证：代码跑一下，对错马上知道，模型就能快速迭代。材料不一样，一个候选材料好不好，要合成、表征、做成器件去测，周期以周甚至月计；而且"好"本身取决于用在哪里，同一个材料，放在手机里是优点，放在飞机上可能是缺陷。所以 AI4M 不只是技术问题，还涉及评价标准、行业认证和数据共享，需要企业、高校和监管一起建立信任。它最终的形态，可能和现在的工业链路很不一样，需要整个行业一起探索。
汤碧珺：我认为大模型会加速行业洗牌，但不意味着所有公司都能自动实现平台化。过去很多AI4M公司从某个专业领域切入，在特定材料体系或研发环节做得非常深入，但往往局限于单一尺度、单一材料体系或单一研发环节，因此容易走向定制化项目交付。
大模型显著提升了通用知识理解和任务执行能力，但我们实际发现，面对复杂的材料研发和工程问题，通用模型仍有很大的提升空间。大模型降低了 AI 的使用门槛，却没有降低真实材料研发的专业门槛。
我认为，未来真正有机会成长为平台型公司的，不是能承接最多项目的团队，而是能够把不同材料体系、不同物理尺度和研发环节连接起来，并将每次项目中的数据、知识和技术持续沉淀为可复用能力的公司。
这也是元材的核心思路：以真实产业问题为入口，用跨尺度材料模型连接研发与验证，让每一个项目都成为平台能力持续进化的机会。
汤碧珺：我认为 AI 有机会打破不同材料体系之间的壁垒。虽然材料种类繁多，但研发的底层逻辑是相通的：从材料组分、微观结构到制备工艺，再到宏观性能和工程应用。我们希望通过跨尺度材料模型，把这些共性的知识和研发能力沉淀下来，形成可以跨材料、跨行业复用的通用平台。
但通用平台一定要有一个切入口。我们选择多功能复合材料，首先是因为它的产业价值高，航空航天、先进制造、具身智能等领域都有迫切需求；其次，复材本身就涉及树脂、纤维、界面和宏观结构，天然具有跨材料、跨尺度的复杂性，是验证平台能力非常有代表性的场景。
我们选择从复杂的复材问题切入，不是为了只做复材，而是希望从第一天起就建立可跨材料体系复用的能力。 目前，我们的 Compelix 平台已经形成模块化的 AI 设计、仿真和优化能力，并开始向半导体等其他材料领域拓展。长期来看，我们希望每解决一个真实产业问题，都能让整个平台变得更强。
刘政： 前不久 OpenAI 一次公开了 700 多篇由内部模型生成的数学论文，涉及三百多类难题，有些是顶尖数学家几十年没解决的。我们想在材料上做类似的事，比如先进功能复合材料、高性能光电材料、面向聚变的材料体系等等这些长期悬而未决的工业难题，而且要给出可行、可操作的方案。但这件事也说明了另一个问题：数学界到现在还在一篇篇核验这些证明。数学写出来尚且要验证很久，材料要做得出来、测得出来、用得上，验证只会更难。这也正是我们最看重的能力。
汤碧珺：我们的组织可以概括为 1+X+Y，核心思路是以 AI 为底座、以产品为载体、以产业生态实现规模化。1 是 AI 技术底座，包括跨尺度材料模型、专业数据、智能体及自动化实验能力，由核心研发团队持续迭代。X 是模块化产品矩阵，比如我们的 Compelix 平台，将 AI 材料设计、仿真、优化等能力转化为可部署、可复用的产品，服务不同研发场景。Y 是垂直产业单元，目前首先聚焦多功能复合材料，由资深航空产业专家协同拓展产业合作和工程验证能力。未来逐步拓展到半导体、能源等更多材料领域。我们坚持相对轻资产的模式，元材负责 AI 研发与设计，产业伙伴负责工程放大与规模制造，发挥各自优势。
连接这三层的是兼具 AI、材料与产业知识的复合型团队，类似硅谷的 FDE（前置部署工程师），负责把真实客户需求转化为可交付、可复用的技术能力。公司同时依托由院士、顶尖科学家及资深产业专家组成的顾问网络，把握长期技术方向和产业机会。
我们的目标不是随着客户和项目增加而线性扩张团队，而是让核心 AI 能力不断复用，通过产品化和产业合作实现规模化增长。
汤碧珺： 我认为新材料 IP 是元材未来非常重要的第二增长曲线。我们的核心业务是构建 AI 材料研发平台，但随着模型能力不断提升，我们也有机会利用 AI 主动发现和设计具有重大科学价值和产业潜力的新材料。
过去几年，我们已经利用 AI 结合物理计算与实验验证，在新型光电材料等方向取得了一系列成果。部分材料虽然距离规模化应用还有一定距离，但已经展现出很高的技术价值和商业潜力。
我们希望形成双轮驱动的商业模式：一方面，通过 AI 平台赋能产业研发；另一方面，利用 AI 持续孵化高价值新材料 IP。 未来通过技术授权、联合开发、产业化合作等方式，在材料从实验室走向市场的不同阶段实现价值转化。
汤碧珺：我认为未来的竞争，不是谁的模型最大、实验室建得最多，而是谁能真正为产业创造价值。技术能力决定我们能做什么，客户愿不愿意付费，才决定这些能力有没有商业价值。
去年筹备创业时，我们首先做的不是急着开发产品，而是深入产业、了解客户需求。我们发现，材料行业的专业壁垒非常高，不少企业尝试过与通用 AI 团队合作，但 AI 给出的方案可能缺乏物理约束、成本过高，甚至无法实际制造，最终仍需要企业投入大量资源验证。
元材的优势在于，我们既懂 AI，也有长期的材料研发、实验验证和产业合作经验，能够理解客户真正的工程需求。我们不认为所有公司都需要自建昂贵的实验室和产线，而是希望通过自主 AI 能力与产业伙伴的制造、验证能力结合，形成更高效的协作模式。
未来的竞争，不只是模型与算力的竞争，更是对产业问题的理解、真实数据的积累，以及持续交付能力的竞争。
汤碧珺： 材料产业不仅有很高的技术门槛，还有严格的行业认证体系和数据保密要求。尤其是航空航天等领域，AI 预测得再好，也必须经过真实的工程验证和行业认证。长期积累的产业合作关系和信任，是进入这些领域的重要基础。
刘政：材料是个非常 dirty 的领域。中国拥有完整的工业门类，41 个大类、600 多个小类，每一类下面的材料、工艺和专家都不一样，把数据简单堆在一起训模型，覆盖不了这种复杂度。更重要的是，工艺数据是企业的命根子，一个配方、一条工艺窗口，可能就养活一个厂子。网上的数据容易拿到，真正的工业数据却很难拿到。这也是为什么很多 AI4M 团队选择做分子和晶体设计：一方面药物、化学品这些方向的应用价值清晰；另一方面，学术界几十年积累了大量开放、标准化的数据，比如蛋白质结构库和 Materials Project。但离开这些领域，逼近工艺和产线，数据链就断了。
所以我们不靠"拿"数据，而是靠"产生"数据。一是团队多年做材料研究积累下来的实验数据；二是我们在全球建立的合作网络，覆盖化学、物理、电子、光学等方向，能用到球差电镜、同步辐射这类少数机构才有的设备，持续产出高质量的实验数据。公开数据谁都能用，这种数据产生能力别人很难复制。
汤碧珺： 另外，拿到数据不等于能用。我们建立了自动化数据管线，将海量文献、仿真和实验结果转化为标准化、可训练的材料数据。同时，我们正通过高校和产业合作，在保护数据产权与商业秘密的前提下，建立可持续的数据合作与验证机制。真正的数据壁垒，不是拥有多少篇论文，而是能否持续获得、产生并利用真实数据，让模型在每一次研发和验证中变得更强。
肖玉善：我觉得有四项。第一是定义问题的能力，与头部企业、高校一起识别面向重大需求的真实迫切问题。第二是积累数据，在合作中帮助客户清洗、校核数据，通过仿真和实验形成高质量的专业数据积累。第三是AI应用落地能力，也就是“1+X+Y”中的X：软件涵盖跨尺度自动化仿真、垂类工具包、Skills和Harness系统，硬件覆盖智能实验与自动表征，让模型的方案能够执行、验证。第四，也是最重要的，是客户信任。通过持续交付，让客户看到AI的价值，把模型和平台能力融入他们的研发体系，在长期合作中共同成长，实现多方共赢。
肖玉善：我们从训练阶段就考虑跨尺度关联：预训练引入跨尺度对齐的数据，学习微观结构、介观行为与宏观性能之间的联系；后训练强化多专家协同，让不同尺度的专业能力共同参与求解。仿真与真实实验之间，则需要通过实测数据校准模型，再用新的实验检验预测，持续缩小偏差。评测方面，我们正与头部高校、专家和企业共建面向前沿材料问题的跨尺度benchmark，以真实实验和可信仿真为依据，检验模型的预测与推理能力。在这一联合评测的当前内部测试中，我们的模型排名第一。榜单尚未正式发布，具体任务、参评模型和评测方法将随结果一并公开。
汤碧珺：我们之所以推动这件事，是因为现有材料 AI 评测大多围绕学术知识和标准化问题展开，但模型在榜单上得高分，不代表它能解决真实的材料研发问题。因此，我们正联合十多家国内外高校和产业伙伴，建立一个跨材料、跨尺度、面向真实工业需求的评测体系。它不仅考察模型知道多少材料知识，更关注它能否理解复杂工程约束、提出可执行的方案，并通过仿真和实验验证结果。
刘政： 我们正联合全球最好的一批高校，把它建成一个可信赖、能让不同模型同台评分的 benchmark，OpenAI、Claude 这些模型都可以放上来比。
汤碧珺：未来 18 个月，我们有四个重要目标。第一，联合全球顶尖高校和产业伙伴，推出跨材料、跨尺度、面向真实工业需求的 AI Benchmark。第二，持续升级我们的跨尺度材料模型，提升 AI 在复杂材料研发中的理解、预测和决策能力。第三，推动 AI平台在更多产业客户中落地，实现从项目验证到标准化产品交付的跨越。第四，完善智能实验室与 AI 研发闭环，让模型能够从真实实验中持续学习和进化。
我们希望未来 18 个月，不仅在技术上取得突破，更能证明 AI 为材料产业创造的真实价值。
汤碧珺： 我们一直在招募优秀人才。目前核心团队既有来自全球顶尖高校的科学家，也有具备丰富产业经验的工程师。很多成员是合作多年的伙伴，也有非常优秀的年轻 AI 人才。大家来自不同背景，但都希望用 AI 真正改变材料研发的方式。
我们尤其欢迎既有扎实专业能力，又敢于跨界创新、愿意解决真实产业问题的人加入。
我们常说，既然身处 AI 变革的时代，就应该做一些真正推动时代向前的事。 从资深科学家到年轻研究者，大家选择走到一起，正是因为相信这件事值得长期投入，也有机会创造真正的改变。
文章来自于"Z Potentials"，作者 "Z Potentials"。
【开源免费】Browser-use 是一个用户AI代理直接可以控制浏览器的工具。它能够让AI 自动执行浏览器中的各种任务，如比较价格、添加购物车、回复各种社交媒体等。
项目地址：https://github.com/browser-use/browser-use
【开源免费】AutoGPT是一个允许用户创建和运行智能体的（AI Agents）项目。用户创建的智能体能够自动执行各种任务，从而让AI有步骤的去解决实际问题。
项目地址：https://github.com/Significant-Gravitas/AutoGPT
【开源免费】MetaGPT是一个“软件开发公司”的智能体项目，只需要输入一句话的老板需求，MetaGPT即可输出用户故事 / 竞品分析 / 需求 / 数据结构 / APIs / 文件等软件开发的相关内容。MetaGPT内置了各种AI角色，包括产品经理 / 架构师 / 项目经理 / 工程师，MetaGPT提供了一个精心调配的软件公司研发全过程的SOP。
项目地址：https://github.com/geekan/MetaGPT/blob/main/docs/README_CN.md
