當 AI for Science 的浪潮從生命科學向物質科學縱深推進，材料研發正經歷從「經驗試錯」到「智能設計」的范式轉換。數據稀缺、工程化閉環缺失、商業模式模糊等現實挑戰，讓這場變革遠比單一技術突破更為復雜，也更需要一場跨越學術、產業與資本邊界的深度對話，在真問題中探尋真路徑，在碰撞中建立真合作。

5 月 22 日，塔尖會系列活動之「AI 驅動下的材料科學范式革新閉門會」在張江 AI 創新小鎮順利舉行。本場活動由機器之心、張江人工智能創新小鎮生態服務公司、機器之心聯合主辦，并得到張江科學之門 A 塔的場地支持。來自國家實驗室、頂尖高校、科技大廠、AI4M 創企與知名投資機構的近二十位一線專家齊聚一堂，圍繞「技術瓶頸與范式突破」「產業落地與商業化現實」「未來趨勢與生態協同」三大核心議題展開高濃度研討。

為何是張江 AI 創新小鎮，為何在此刻？

將這場閉門會落地于此，并非偶然。作為上海面向全球打造的人工智能創新高地，張江 AI 創新小鎮已構建起從人工智能算法、算力到應用場景的完整生態鏈，更在集成電路、生物醫藥、新能源、先進材料等領域形成了深厚的產業積淀。近年來，一批 AI4S 頂尖團隊與平臺在此聚集，「AI 算法+智能造+新材料」的獨特土壤日漸成熟。當技術變革亟需打通從理論突破到工程落地的全鏈條，這里所具備的產學研協同生態與產業縱深，自然成為探討 AI4M 范式革新的理想發生地。

論道 AI4M：技術、商業與生態的三角張力

活動現場，在上海交通大學溥淵未來技術學院副教授、未來電池研究中心執行主任 萬佳雨的主持下，嘉賓圍繞技術可行性、商業閉環與生態協同等「真問題」展開激烈辯論，輸出了極具銳度的觀點。

蘇州實驗室主任研究員、中國科學技術大學客座教授 陳忻 分享了他對 AI4M 賽道的長期觀察。他認為，雖然 AI+材料較 AI+生物整體滯后約五年，但現在正是該方向起飛的時刻。他尤其看重中國材料領域人才數量，以及長三角的產業基礎，這正是他選擇回國的底層邏輯。談及材料科學的終局，他認為不同材料體系很難簡單統一，唯有利用 AI 大模型與智能體打通從微觀到宏觀，從計算模擬到實驗驗證的鴻溝，才可能催生真正的范式轉換。

道生天合材料科技數字自動化總監管升陽指出，工業材料領域參數繁多，雖看似擁有海量數據，但這些數據多服務于生產工藝，而非面向AI研發設計。經剔除無效與錯誤數據后，真正可用的數據極其有限，且大多存在分布不均的問題。此外，供應商數據缺失、批次溯源成本極高，導致數據規范化難以落地，這已成為制約當前工業場景AI落地應用的核心瓶頸。

素源矩陣創始人兼 CEO 韓家樂 談到，從半導體封裝到粘合劑的多次落地受挫表明，AI4M 的卡點不在實驗室預測，而在工藝適配。他們通過工程師駐場摸查工藝，將老師傅經驗量化為算法約束，搭建「實驗數據-工業遷移-智能體閉環」，已在建材制造等場景實現從經驗決策到數據決策的轉化，驗證了老材料新配方的工程化路徑。

東南大學集成電路學院特聘教授、博士生導師 黃虎彪 強調，半導體材料領域中學界與產業對「材料」的認知畫面差異極大，微觀官能團的一點變化往往引發宏觀性質非線性躍遷，導致AI數據標注與預測極為困難。他進一步指出，該行業核心并非單一材料，而是系統性工藝整合，數據積累與標定仍是AI落地的關鍵瓶頸。

果殼 CEO、未來光錐前沿科技基金創始合伙人 姬十三 談及 AI4M 賽道現狀時指出，垂直平臺公司正面臨數據壁壘與通用模型擠壓的雙重困局——小公司缺乏數據積累，大公司不愿意將數據外給。這意味著純平臺模式商業模式不容易探索，他更看好愿意自建管線、向下游實驗環節延伸的團隊，而非僅停留在算法層的服務商。

科思創 AI4M 負責人 劉瑋 回顧了團隊從化學模擬到數據驅動的演進——早期發現純計算與物理世界存在偏差，于是將模擬特征與實驗數據融合，借自動化提升數據質量。她希望 AI 不僅加速研發，更能打通生產端優化與問題溯源，同時更敏捷地捕捉下游需求，縮短從實驗室到終端客戶的周期。

復旦大學化學系教授、復鞍科技創始人 劉智攀 指出，AI4M 底層突破仍在于量化精度與跨尺度模擬。實驗數據因商業壁壘難以共享，計算數據更易形成開放范式，未來研發將走向「干濕閉環」。復鞍科技正降低高精度計算門檻，通過智能體與云端工作流幫助企業構建私有數據，打通原子模擬到工業決策的鏈路。

新研智材 SynMatAI CTO 南凱 判斷，AI4M 賽道仍處于極早期，既無成熟商業模式，更缺乏類似自動駕駛的行業標準分級，導致甲乙雙方預期嚴重錯位。他坦言，材料領域不像醫藥具備清晰的盈利體量，投資人與客戶均難以界定企業價值。他強調，這一領域必須經歷充分的矛盾碰撞與市場驗證，才能逐步沉淀出真正可行的共識與范式。

創材深造創始人兼 CEO 王軒澤 談到，雖然行業內還有著通用專用之爭，但大家普遍對 AI4M 的賺錢模式有了較統一的觀點，既專注于某一領域提供管線或材料等可以直接為客戶帶來真實價值的產品。

索格智算首席科學家、上海交通大學特聘教授 徐振禮 表示，材料基因工程歷經十余年積累，正處突破窗口。材料機器學習力場大模型在不停提升，在降低參數量與算力成本的同時提升精度，縮短新材料發現周期。但他坦言，賽道前景廣闊卻面臨生態初建、成本高昂等挑戰，企業需在理想與生存間尋得平衡，更需長期耐心

Monolith 投資人 嚴寬 談到，大模型作為入口正重塑 AI4S 的價值邏輯。他觀察到，賽道中具備長期潛力的方向有二：一是以專業數據為大模型提供底層支撐，二是成為其可高頻調用的工具與求解器。單純窄域低頻的實驗服務難以持續創造價值，兼具數據或工具屬性、并擁有清晰長期愿景的團隊，更易獲得資本與市場的認可。

詞元造物創始人兼 CEO 余松林 指出，材料智能體的核心，不是替代研發人員，而是讓研發人員的經驗、數據和工具形成可持續進化的研發系統。

在應用端看來，AI4M的工業落地，首要面對的就是“高質量數據短缺”的硬骨頭。道生天合材料科技數字自動化總監管升陽指出，工業材料領域參數繁多，雖看似擁有海量數據，但這些數據多服務于生產工藝，而非面向AI研發設計。經剔除無效與錯誤數據后，真正可用的數據極其有限，且大多存在分布不均的問題。此外，供應商數據缺失、批次溯源成本極高，導致數據規范化難以落地，這已成為制約當前工業場景AI落地應用的核心瓶頸。

面對這一制約行業發展的核心瓶頸，頭部的材料巨頭已經在積極嘗試破局。科思創 AI4M 負責人劉瑋回顧了團隊從化學模擬到數據驅動的演進——早期發現純計算與物理世界存在偏差，于是將模擬特征與實驗數據融合，借自動化提升數據質量。她希望 AI 不僅加速研發，更能打通生產端優化與問題溯源，同時更敏捷地捕捉下游需求，縮短從實驗室到終端客戶的周期。

以這些一線探索為縮影，以道生天合、科思創為代表的多家材料應用的場景方達成了更深層次的共識：AI4M正在重塑材料行業的底層邏輯，未來的材料應用競爭不再單是產能的競爭，而是數據與算力的競爭。通過將AI深度植入材料研發與供應鏈各環節，不僅能加速前沿材料的發現，更將驅動全產業鏈向智能化、數字化的高端價值鏈邁進。

*以上嘉賓觀點按姓氏首字母排序

這場匯聚 AI4M 「半壁江山」塔尖論道閉門組局，讓學術前沿的理論洞見、創業一線的落地焦慮、產業巨頭的真實需求與資本力量的趨勢判斷，在輕松互動中自然交織。這種多元視角的碰撞，恰與張江人工智能創新小鎮著力打造的開放創新生態相互呼應。當 AI for Materials 從實驗室猜想走向工業決策，真正需要的或許正是這樣一個場域：讓技術、商業與生態的張力在此釋放，讓范式革新的下一步在對話與連接中自然生長。