AI重塑材料研发：两大中国95后如何定义AI4M新范式？
材料科学的范式转移：从经验试错到算法驱动
传统材料研发曾被视为一项极其笨重的工程。在长达数十年的时间里，新材料的发现主要依赖科学家的直觉、海量的文献查阅以及“试错法”。这种被称为“沙里淘金”的模式，不仅周期漫长，往往需要数年甚至数十年才能筛选出具备特定性能的化合物，而且成本高昂，资源利用率极低。在新能源、半导体、生物医药等高端制造领域，材料性能的微小突破往往能带来巨大的商业价值，但这种“黑盒”式的研发困境始终制约着产业创新的步伐。
然而，随着人工智能技术的指数级增长，这一局面正在被彻底改写。黄仁勋曾多次在公开场合指出，AI for Science（AI for Science，简称AI4S），特别是AI for Materials（AI for Materials，简称AI4M），是人工智能的“终极方向”之一。这并非仅仅是技术层面的迭代，而是科学研究底层逻辑的重构。通过将数据驱动的大模型与基于物理定律的第一性原理计算相结合，科学家不再需要盲目地遍历化学空间，而是能够利用算法精准预测分子结构、电子性质及反应路径，从而将研发周期从“年”压缩至“天”甚至“秒”。
在这一全球性的科技竞赛中，一个来自中国深圳的年轻团队——深度原理（Deep Principle），正以惊人的速度脱颖而出。该公司近期完成了A系列融资，累计金额近10亿元人民币，创造了国内AI4M领域迄今最大的融资纪录。这一融资背后，不仅有上海、北京两地国资平台的联手押注，更吸引了康龙化成等下游产业资本的深度参与。这种“国资+产业资本+市场化VC”的组合，在当下仍被视为“非共识”领域的AI4S赛道中显得尤为罕见。它释放了一个明确的信号：市场正在从纯粹的泡沫炒作，转向对实质性商业价值和技术落地能力的认可。
硅谷与MIT的学术传承：95后学霸的跨界突围
深度原理的故事，源于麻省理工学院（MIT）实验室中一群年轻学者的深思。创始人兼CEO贾皓钧与联合创始人兼CTO段辰儒，这两位95后创业者，在MIT期间便敏锐地捕捉到了AI与化学交叉领域的巨大潜力。
贾皓钧在本科阶段便开始深入研究二维材料、电池及超导材料的第一性原理计算，他意识到材料筛选的效率瓶颈。随后，他进入MIT攻读化学博士，师从AI助力化学设计的领军人物Heather Kulik教授。他的目标非常明确：做出的成果既要能发表在学术期刊上，更要能走上货架，转化为实际生产力。而段辰儒则有着更深厚的AI背景。他在MIT攻读化学博士期间，面对当时尚不完善的AI生态，坚持“手写模型”，发表了50多篇论文，其中20篇为一作，成为MIT的学术明星。他坚信，AI for Chemistry是一片未被充分开发的蓝海。
2023年，两位曾在学术上合作发表十余篇文章的“学霸搭子”决定共同创业。此前，贾皓钧在陶氏化学全球研发总部从事AI催化剂配方研发，而段辰儒则在微软担任研究科学家，为多家化学材料公司部署AI解决方案。这段产业界的经历，让他们对技术落地面临的工程难题有着深刻的理解。
尽管在美国积累了深厚的人脉与技术，两人却做出了一个关键决策：回国。他们看中的是中国完备的新材料和精细化学品产业链、庞大的材料研发需求以及高效的产业应用环境。2024年，团队在深圳成立深圳深度原理科技有限公司。短短两年多时间内，公司不仅完成了七轮融资，还引入了拥有MIT MBA及材料与微电子背景的首席运营官张露阳，进一步补强了公司在战略与运营层面的能力。
技术护城河：生成式AI与第一性原理的深度融合
深度原理之所以能获得资本的高度认可，核心在于其构建了一套独有的技术架构，成功将生成式AI的创造力与第一性原理计算的严谨性相结合。
在物性预测领域，公司推出了材料基座模型MPA（Materials Property Axiom）。该模型借鉴了大语言模型中成熟的多阶段训练思想，通过物理对齐训练和面向实验任务的模型结构设计，在近40项实验物性预测任务中达到了SOTA（State-of-the-Art，当前最佳）水平。这意味着，AI不仅能预测材料的静态属性，还能更准确地模拟其在真实实验环境中的表现。
在材料生成方面，SAGA模型的推出标志着自主智能体能力的提升。与传统模型不同，SAGA能够在复杂的材料生成任务中自主调整策略，展现出更强的多目标优化能力。而在化学反应生成这一关键难点上，公司发布的OA-ReactDiff和React-OT系列模型，将过渡态生成的时间从传统的数天甚至数月缩短至0.4秒，彻底打破了静态预测的“黑箱”。
更为重要的是，深度原理并未止步于软件算法。公司自研了包括ReactGen、Reactify、ReactControl等在内的六大算法模块，并集成于自研平台Mira（AI Scientist）。Mira平台可自主完成从科研设计、执行到复盘、动态调优的全链路流程。更令人瞩目的是，公司建立了L4级别的高通量实验室——AI Materials Factory。在这个“AI材料自动驾驶工厂”中，Mira不仅设计实验链路，还能直接操控实验设备并自动收集数据，实现了软硬件的闭环。
2023年，公司发布的扩散生成模型研究成果，以封面论文形式发表于《Nature Computational Science》和《Nature Machine Intelligence》；2025年，其主导开发的LLM-EO工作流程，利用大语言模型的内在知识开展过渡金属配合物生成式设计，以封面论文形式发表于化学顶尖期刊《Journal of the American Chemical Society》。这些学术成就不仅证明了其技术的前沿性，也为商业化应用奠定了坚实的理论基础。
商业落地：从PPT到真金白银的产业闭环
在AI4S领域，许多公司面临的最大挑战是如何将实验室成果转化为商业订单。深度原理在这一点上走得更为激进且务实。
目前，公司已获得超千万元人民币的商业订单，合作形式已从单一的项目制升级为Agent订阅模式，并开创了材料领域的管线共同研发。公司与杉海创新共建AI超分子材料平台“超屿Synthrix™ 1.0”，并与欧莱雅等头部企业在化妆品原料、新材料、新能源等领域实现技术落地。
这种商业化能力的背后，是AI4M赛道全球竞争格局的演变。据行业机构统计，2025年全球AI材料研发市场规模已达20亿美元，预计到2034年将增至179亿美元。今年以来，全球AI4S领域融资规模已超过44亿美元。
在国际上，英伟达、谷歌、Meta等巨头正在重金重新定价这一赛道。Google DeepMind推出的GNoME工具，在数月内预测了超过220万种新的晶体结构；英国公司Cusp AI估值飙升至26亿美元，其平台被形容为“物质的搜索引擎”。Lila Sciences则致力于建设由AI驱动的自动化机器人实验室，计划以85亿美元估值融资。
在国内，深势科技致力于打造类似“安卓系统”的通用科学发现操作系统，晶泰科技则作为首家通过18C规则上市的硬科技公司，在药物研发基础上向新材料领域迁移技术。深度原理作为晶泰科技的早期孵化方，在生态位上与它们形成了差异化竞争。
然而，资本的热浪之下，行业的真正考验才刚刚开始。AI能够大幅压缩筛选与验证的时间窗口，但无法绕过实验科学的物理约束。那些依赖通用模型与开源数据的平台，与真正深耕垂直场景、构建闭环数据飞轮的企业之间，鸿沟正在迅速拉大。
未来展望：中国AI4M的全球突围
中国拥有全球最完整的制造业体系和庞大的材料需求场景，这为AI4M的产业化提供了独特的土壤。深度原理等中国企业的崛起，不仅是商业上的成功，更意味着中国在掌握未来材料主权和技术自主权方面迈出了关键一步。
在这场全球竞速中，技术壁垒正在从单一的算法优势，转向“算法+数据+实验闭环”的综合竞争。拥有高质量垂直数据、能够打通“设计-合成-表征”全流程的企业，将在未来的市场中占据主导地位。深度原理通过自建L4实验室，正在构建这一闭环，其“AI科学家”与“AI工厂”的组合，有望成为下一代材料研发的标配范式。
随着国资与产业资本的持续入局，AI4M赛道正从“概念验证”阶段迈入“规模化应用”阶段。对于深度原理这样的创新企业而言，融资只是起点，如何在激烈的市场竞争中保持技术迭代速度，如何在不同的工业场景中打磨出标准化的解决方案，将是决定其能否从“独角兽”成长为“巨无霸”的关键。
黄仁勋口中的“AI终极方向”，正由这群年轻的科学家和企业家一步步变为现实。这不仅是中国硬科技创业的一个缩影，更是全球材料科学进入智能化新纪元的开端。未来，当新材料的发现变得像生成代码一样快捷，我们或许将见证一个全新的物质世界被算法编织而成。