从AlphaFold 2将蛋白质结构预测精度提升至原子级，到华为云“盘古”气象模型将全球天气预报速度提升1万倍以上，AI（人工智能）正在从科研辅助工具走向科学发现全过程。

AI4S（AI for Science，人工智能驱动科学研究）也被称为继实验科学、理论科学、计算科学、数据密集型科学之后的“第五科研范式”，而AI4M（AI for Materials，人工智能赋能材料科学）是其中备受关注的分支之一。

成立于2024年的深度原理，于今年7月初完成了近10亿元A系列融资，创下国内AI4M领域迄今最大规模的融资纪录，头部国资、产业投资和财务投资机构均出现在投资方名单上。

AI能否真正成为“科学家的大脑”？AI4M企业又该如何跨越从模型、实验到商业化的链条？7月20日，在2026世界人工智能大会（WAIC）期间，深度原理创始人兼CEO（首席执行官）贾皓钧接受了《每日经济新闻》记者（以下简称“NBD”）独家专访。他表示，AI4S最大的挑战不是大模型本身，而在于如何让模型真正作用于现实世界，“真正具有行业标志意义的时刻，是AI能够‘从0到1’设计出新材料，并成功投入生产、形成实际收益”。

WAIC深度原理展台 图片来源：受访者供图

AI4S的最大挑战在于如何让模型真正作用于现实世界

近年来，AI for Science逐渐从“辅助计算”走向“自主发现”。英伟达已将AI for Science与大语言模型、具身智能并列为AI三大关键方向之一，远期市场规模预计可达千亿美元。在2026世界人工智能大会期间，深度原理推出了AI Scientist（全自动化科学研究AI系统）平台Mira，可自主完成长链路科研全流程的设计、执行、复盘与动态调优。

NBD：从ReactiveAI走向AI Scientist平台Mira，其中的核心变化是什么？是一次技术升级还是一次范式转换？

贾皓钧：这是一次研发范式的转换。我们仍然在继续发展覆盖全链路的AI4M算法模块。今年推出的SAGA、MPA等模型在各自领域都达到了SOTA（State-of-the-Art，指某领域最先进的技术或成果）水平，这些模型分别解决材料研发领域的不同问题。

在此基础上，Mira进一步实现了AI对科研任务的全流程自主闭环。它可独立完成长链路科研工作的设计、执行、复盘与动态调优，持续沉淀科研知识并实现自主迭代，最终达成由AI科学家自主完成材料研发任务的目标，让AI能够真正改造科学研究范式。

NBD：当AI开始提出科学假设，“幻觉”可能成为科研中的高风险问题。Mira如何验证自己的判断？人类科学家会不会需要花费大量时间替AI纠错？

贾皓钧：科学研究具有明确的评判标准，即AI的预测是否能够被实验验证。这也是深度原理建立高通量实验室AI Materials Factory的重要原因。

Mira完成干实验（计算推演）预测之后，可以自动调动实验室设备进行实验验证，再将实验结果回传给模型，实现干湿闭环和结果的迭代（注：“干实验”指计算推演，“湿实验”指真实验证计算；“干湿闭环”指计算指导实验，实验反馈计算，形成自动循环）。整个过程都由Mira自动完成，即AI进行自我修正和纠错。

NBD：深度原理将AI Materials Factory定义为L4级高通量实验室。未来的L5级长什么样？从L4级到L5级，最难的技术跨越是什么？

贾皓钧：如果用自动驾驶来类比，L5级可能意味着在全场景中实现无驾驶员接管，完全自动化运行。对于自动化高通量实验室而言，从L4级走向L5级的核心是进一步实现泛化性，针对不同的材料种类和合成方式实现柔性运作。

深度原理的实验室 图片来源：受访者供图

NBD：目前用AI发现的新材料是否已经开始反哺AI基础设施本身？

贾皓钧：是的，我们目前已经在开展AI基础设施相关的材料研究。例如，在AI算力基建领域，冷却一直是一个重要问题。因此，我们和头部芯片公司达成了深度合作，根据产业对芯片性能的要求，进行冷却液的管线开发工作，目前正接近实验室成功。

NBD：从产业增长的角度看，AI4M赛道的下一个增长拐点会出现在什么时刻？

贾皓钧：AI for Science最大的挑战不是大模型本身，而在于如何让模型真正作用于现实世界，单纯模型的高预测精度并不是衡量AI4M解决问题的唯一指标。

基于这一判断，“AI自主打通从预测到合成的全流程”是一个更加重要的里程碑，而更具行业标志性意义的是AI真正“从0到1”设计出新型材料，并且成功落地生产、转化为实际收益。

AI4M是AI世界和物理世界的重要交汇点，增长空间巨大

近年来，人工智能材料发现赛道竞争快速升温。2025年，国务院印发《关于深入实施“人工智能+”行动的意见》，将人工智能赋能科技创新列为“加快实施重点行动”，以加快培育发展新质生产力。政策推动之下，AI4S加速从科研探索走向产业化，也吸引大量资本持续涌入。深度原理在短短两年多时间里高频完成七轮融资。

海外市场中，英伟达、谷歌DeepMind等科技巨头持续加码材料发现和自主科研平台，CuspAI、Lila Sciences等AI4M初创企业也获得大额融资。

据市场研究机构Research and Markets预测，生成式AI在材料科学领域的市场规模将从2026年的约22亿美元增长至2030年的70亿美元，年复合增长率达33%。

NBD：在材料发现这个领域，目前AI的上限在哪里？

贾皓钧：AI4M是AI世界和物理世界的重要交汇点，是AI能够解决真实世界问题的重要抓手。因此，这个赛道具有巨大的增长空间。而材料本身是一个数万亿美元规模的市场，只要能真正解决领域内存在的问题，AI4M的市场规模将会持续高速增长，也具备极高的天花板。

在材料发现领域，AI已经展示出很强的泛化性，可以跨越不同行业解决研发问题。比如，我们在营养日化、精细化工、新能源、电子材料等多个领域都有业务开展。

当然，在AI推动材料发现走向全面产业化这个路径上，仍需要我们持续努力。如果对比国内外，国内AI4M企业仍需得到更深厚的生态和资金支持。

NBD：Mira智能体闭环体系能否成为中国企业弯道超车的关键？

贾皓钧：我们在AI4M领域的优势主要在几个方面，首先在模型领域我们推出了多项SOTA模型，领先于海外的同类型模型。

其次，与海外公司不同，我们从第一天就重视产业落地，已经建立了干湿实验闭环体系，Mira不只帮助我们进行AI预测，也帮助我们直接控制实验设备完成实验并迭代模型和数据。

与很多创业公司和大厂的模型主要解决的是一个个单点问题不同，我们构建了全面的模型体系以覆盖材料研发过程中的各个流程，同时使用Mira串联起各个模型和高通量实验室实现整个材料研发流程的自动化，从而改造了材料研发范式。

NBD：国产AI材料公司想要真正拉开和海外巨头的差距，未来3年最需要补齐的短板是什么？

贾皓钧：在未来AI4M领域的玩家，最重要的是能够真正对接产业需求，系统性解决产业真实存在的问题，这样才能避免“重模型、轻落地”闭门造车。我们从创业之初便围绕产业需求设计研发方向，因此我们成功积累了新能源、电子材料、精细化工、营养日化等领域头部客户并实现持续复购。合作模式也从解决单点研发问题，逐步升级为AI Agent订阅以及材料管线共同研发，通过里程碑付款和成果分成等方式建立更深层次合作。

回到技术探索角度，我们持续走在全球创新的前沿，和其他国家相比已经有一些优势。我们希望带动更多业界伙伴在AI4M领域自信起来，进一步推动技术和产业的结合，进一步拉开差距，在国内做实全球领先。

（每经记者温梦华对本文亦有贡献）

每日经济新闻