从AlphaFold 2将蛋白质结构预测的精度推进到原子级别，到华为云“盘古”气象模型让全球天气预报的速度提升超过1万倍，人工智能（AI）正逐步从科研辅助工具的角色，转变为科学发现全流程中的核心驱动力。

AI4S（AI for Science，即人工智能驱动的科学研究）被誉为继实验科学、理论科学、计算科学、数据密集型科学之后的“第五科研范式”。其中，AI4M（AI for Materials，人工智能赋能材料科学）作为备受瞩目的分支，正引领着材料科学领域的革新。

深度原理，这家成立于2024年的创新企业，在今年7月初成功完成了近10亿元的A系列融资，这一壮举不仅创下了国内AI4M领域融资规模的新纪录，更吸引了头部国资、产业投资及财务投资机构的广泛参与。

AI能否真正成为科学家的得力助手？AI4M企业又该如何跨越从模型构建、实验验证到商业化的重重障碍？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贾皓钧接受了《每日经济新闻》记者（以下简称“NBD”）的独家专访。他强调，AI4S面临的最大挑战并非大模型本身，而在于如何让模型真正融入现实世界，实现“从0到1”的新材料设计，并成功投入生产，创造实际价值。

WAIC深度原理展台 图片来源：受访者供图

AI4S：让模型真正作用于现实世界的挑战

近年来，AI for Science正从“辅助计算”向“自主发现”迈进。英伟达已将AI for Science与大语言模型、具身智能并列为AI发展的三大关键方向，预计远期市场规模将达到千亿美元级别。在2026世界人工智能大会上，深度原理推出了AI Scientist（全自动化科学研究AI系统）平台Mira，该平台能够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到AI Scientist平台Mira，这一转变的核心是什么？是技术升级还是范式转换？

贾皓钧：这无疑是一次研发范式的转换。我们仍在不断拓展覆盖全链路的AI4M算法模块。今年推出的SAGA、MPA等模型在各自领域均达到了SOTA（State-of-the-Art，即某领域最先进的技术或成果）水平，这些模型分别针对材料研发领域的不同问题提供了解决方案。

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。它能够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，从而真正改造了科学研究范式。

NBD：当AI开始提出科学假设时，“幻觉”问题可能成为科研中的高风险因素。Mira如何确保自己的判断准确无误？人类科学家是否需要花费大量时间进行纠错？

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

Mira在完成干实验（计算推演）预测后，能够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）。整个过程均由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。那么，未来的L5级实验室会是什么样子？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级的核心在于进一步实现泛化性，即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，利用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与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，我们与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何时？

贾皓钧：AI for Science面临的最大挑战并非大模型本身，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非衡量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”是一个更为重要的里程碑。而更具行业标志性意义的是，AI能够真正“从0到1”设计出新型材料，并成功落地生产，转化为实际收益。

AI4M：AI世界与物理世界的重要交汇点，增长空间广阔

近年来，人工智能材料发现赛道竞争日益激烈。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。在政策推动下，AI4S正加速从科研探索走向产业化，并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，展现了强劲的发展势头。

在海外市场中，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，进一步加剧了市场竞争。

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%，展现出巨大的增长潜力。

NBD：在材料发现领域，目前AI的上限在哪里？

贾皓钧：AI4M是AI世界与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，且均取得了显著成果。

当然，在AI推动材料发现走向全面产业化的路径上，仍需要我们持续努力。如果对比国内外情况，国内AI4M企业仍需得到更深厚的生态和资金支持，以加速技术创新和产业化进程。

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领域的优势主要体现在几个方面。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，为材料研发提供了强大的技术支撑。

其次，与海外公司不同，我们从创业之初就重视产业落地，已经建立了干湿实验闭环体系。Mira不仅帮助我们进行AI预测，还直接控制实验设备完成实验并迭代模型和数据，实现了科研与产业的深度融合。

与很多创业公司和大厂的模型主要解决单点问题不同，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，提升了研发效率和质量。

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

贾皓钧：在未来AI4M领域的竞争中，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”的闭门造车现象。我们从创业之初便围绕产业需求设计研发方向，因此成功积累了新能源、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，与其他国家相比已经具备一些优势。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地位。

（每经记者温梦华对本文亦有贡献）