2025年12月26日，【想象·2025極新AIGC峰會】在上海浦東浦軟大廈成功召開。新研智材聯(lián)合創(chuàng)始人&CTO南凱先生在會上做了題為《材料科學(xué)與通用模型結(jié)合的新紀(jì)元》的演講，系統(tǒng)闡述了AI技術(shù)如何重塑材料研發(fā)范式。

新研智材聯(lián)合創(chuàng)始人&CTO 南凱

南凱重點提到以下幾點：

“算法更適合理解材料結(jié)構(gòu)”

“構(gòu)建多元知識提取方法，形成SaaS結(jié)構(gòu)鏈，落地材料解決方案?！?/p>

“我們的軟件能夠大幅降低客戶的研發(fā)成本，并且將研發(fā)周期提升7倍效率?！?/p>

以下為南凱演講原文，經(jīng)極新整理，希望能給大家?guī)硎斋@。

01

AI驅(qū)動材料研發(fā)新范式

“算法更適合理解材料結(jié)構(gòu)”

剛才我們已經(jīng)分享了很多關(guān)于AI或者API的相關(guān)話題，但會發(fā)現(xiàn)，我們已經(jīng)有了一定程度上比較強大的通用模型，可材料科學(xué)似乎沒有太多進展，也沒有聽到太多相關(guān)聲音，這是為什么？

這里要提到第一個核心問題：AI+材料，到底該由AI主導(dǎo)還是由science主導(dǎo)？

我們從兩個維度來分析。第一個是統(tǒng)一表征空間，目前我們所說的GPT或DCT都是以文本形式交互，就像剛才介紹的向量數(shù)據(jù)庫一樣，我們在構(gòu)建一個表征空間，讓AI能夠理解物理世界的信息，這一點上，AI+材料與API的核心目的是相通的。

在材料領(lǐng)域，我們有多種不同類型的數(shù)據(jù)，包括文本、結(jié)構(gòu)（可能涉及文獻、專利、分子類型等）、圖像或圖譜。從計算到推理，我們需要建立結(jié)構(gòu)到性能的映射關(guān)系，并給出相應(yīng)機理。

當(dāng)前我們正在探究的核心，是如何讓AI懂science，或是讓science引導(dǎo)AI理解物理世界?；仡櫜牧现悄艿陌l(fā)展，大致可分為三個階段：上世紀(jì)末到 2010年左右是起步階段，核心是構(gòu)建大量數(shù)據(jù)（包括一些高通量數(shù)據(jù)庫）；2015年后，隨著 AI 快速發(fā)展，開始引入 AI 方法參與材料研究；到現(xiàn)在，受益于大模型進化與算力提升，涌現(xiàn)了更多先進算法。

從算法角度看，2022年可視為關(guān)鍵節(jié)點，大模型出現(xiàn)后，材料領(lǐng)域才真正重視起AI賦能的價值。但從過往經(jīng)驗來看，無論是學(xué)術(shù)界還是工業(yè)界，AI+材料的發(fā)展相較于AI+醫(yī)藥，成熟度和速度都稍遜一籌。材料是傳統(tǒng)領(lǐng)域，過去缺乏足夠驅(qū)動力讓AI助力材料發(fā)展；2022年雖涌現(xiàn)出大量新型算法，但相較于純AI研究，這些算法在技術(shù)層面仍落后幾個層級。而AI+材料的核心訴求，從來不是追求最先進的 AI 算法，而是找到更適合理解材料結(jié)構(gòu)的算法。

02

研發(fā)效率的智能化革命

“構(gòu)建多元知識提取方法，形成SaaS結(jié)構(gòu)鏈，落地材料解決方案?！?/p>

具體來講：2000~2010年以計算為主，包括分子動力學(xué)、DFT密度泛函理論；之后我們構(gòu)建了一大批數(shù)據(jù)庫（包括提出標(biāo)展）；再到后面，核心是傳統(tǒng)機器學(xué)習(xí)，涵蓋隨機森林等算法。直到現(xiàn)在，我們引入了更先進的算法，當(dāng)前行業(yè)核心探討的是，如何讓AI模型真正理解物理世界信息，實現(xiàn)材料從頭設(shè)計。

從工業(yè)界角度看，這與剛才所說的算法演進是匹配的，過去行業(yè)發(fā)展周期從20年逐步縮短至10年：1995年左右，分子動力學(xué)和密度泛函的出現(xiàn)，開啟了以計算為主的階段；2015年前后，隨著材料科技發(fā)展、數(shù)據(jù)庫擴展與完善，我們進入到新的時代，我們有足夠多的數(shù)據(jù)，能夠讓AI去得到很好的效果的模型；當(dāng)前又一個關(guān)鍵時間節(jié)點是2010年到2020年，大量AI +材料初創(chuàng)公司涌現(xiàn)，包括美國AI領(lǐng)域、OpenAI前研究員及境外研究員創(chuàng)立的企業(yè)，還有眾多優(yōu)秀友商，均聚焦這一賽道。

我們構(gòu)建了一款名為PoT的算法，Procedure of Thoughts。傳統(tǒng)大模型核心是推理能力，比如通過一段文字描述，讓模型模擬專家思路完成數(shù)學(xué)題解題過程。但這種模式的明顯缺點是，必須依賴固定規(guī)則才能運行。而材料研發(fā)存在大量變量，每一個需求、每一個參數(shù)指標(biāo)都可能變化，在這種情況下，類似COT的大模型或智能體，往往面臨無法落地的問題，僅能提供偏理論的解決方案。這個問題其實在各個垂域模型都會遇到的，我們提出的PoT算法就是為解決垂域數(shù)據(jù)獲取而來。

我們構(gòu)建了一套Pot方法論，核心是萃取眾多資深行業(yè)專家知識，通過多種知識提取方法，搭建場景模式、問答模式，形成垂域知識的knowhow結(jié)構(gòu)鏈提取體系。

借助這套結(jié)構(gòu)鏈提取體系，我們能實現(xiàn)兩大核心價值：第一，訓(xùn)練垂域大模型與智能體；第二，采用Structure Pat方式構(gòu)建AI架構(gòu)，讓 AI 系統(tǒng)可動態(tài)調(diào)用各類工具，具備配方專家、設(shè)備專家、工藝專家等復(fù)合能力，輸出可落地的材料解決方案。

具體以導(dǎo)熱材料為例：目前市面上常用的導(dǎo)熱材料，存在性能指標(biāo)相互沖突的問題，比如要求“導(dǎo)熱率大于6瓦、厚度小于20微米”，而實際中這兩個指標(biāo)在配方構(gòu)成中存在著相互矛盾。若以COT模式應(yīng)對這類需求，僅能基于過往數(shù)據(jù)推理，無法落地；但通過我們的PoTAI系統(tǒng)，除核心指標(biāo)外，還會綜合考量揮發(fā)性、滲油性、成本、工藝、設(shè)備等多重影響因素，最終形成切實可落地的解決方案。

從行業(yè)發(fā)展來看，當(dāng)前算力、算法、數(shù)據(jù)已實現(xiàn)質(zhì)變，未來5年，材料領(lǐng)域有望迎來重大突破。我們公司去年12月成立滿一年，已服務(wù)數(shù)家上市客戶，從實際應(yīng)用反饋來看，我們的算法平臺能大幅降低客戶研發(fā)成本，同時將研發(fā)效率提升7-8倍。