【本期介绍】

一把沙子要变成芯片，先要经历一场材料革命。硅的提纯催生了晶体管、个人电脑和互联网，也托起了今天的人工智能。

现在，这个因材料而生的 AI，开始反过来寻找下一种材料：更高效的催化剂、更稳定的固态电池电解质，以及可能突破芯片、能源与化工瓶颈的新方案。

材料研发最难的，从来不是在无数排列组合里“猜”出一个答案，而是把预测、验证和生产接成一条可以持续迭代的链路。材科源图给出的方案，是用真实实验数据库、物理模型、AI 智能体和高通量实验组成闭环，让每一轮实验都成为下一轮研发的训练材料。

这套系统的门槛也不只在模型。高质量的失败数据从哪里来？材料结构与性能之间的物理关系如何建立？AI 提出的方案，怎样在湿实验里被真正做出来？这些环节缺掉任何一块，所谓“AI 找材料”都可能停在预测阶段。

但这期对话更关心实验室之外的另一道难题。过去一年，资本把 AI for Science 推上风口，概念和估值一起升温；真正能够找到材料、做出材料并带来收入的公司，却仍然稀缺。

材科源图董事长兼首席科学家李昊选择了一条更重的路线：从非标研发服务、材料方案储备，走向产业合资和自建产线。对他而言，AI 的价值不能只体现在一张预测结果里，而要最终变成材料、工艺和收入。

AI 找到材料之后，商业化为什么才刚刚开始？数据与物理模型怎样形成护城河？从轻资产服务走向重资产产线，会不会反而拖慢公司？这期节目，我们从一套材料研发闭环出发，讨论 AI for Science 如何跨过从论文、模型到产业的最后一段路。

【本期嘉宾】

李昊　材科源图董事长兼首席科学家、日本东北大学材料科学高等研究所教授

【本期主播】

陈伊凡　虎嗅科技主笔、虎嗅「AI 100」栏目主持人

【你将听到】

• 03:29　为什么现在成立一家 AI for Materials 公司？

• 05:45　从“被动预测”到“主动研发”，大模型改变了什么？

• 06:41　材料领域的 AlphaGo moment：想要什么，就找到并做出什么

• 10:21　客户试错 20 多年，为什么 AI 两个月就能找到新材料？

• 16:15　由一篇“重复发现”的论文，启动七年的人工数据挖掘

• 25:54　为什么材料专家比 AI 专家更适合做 AI for Materials？

• 27:39　从定制研发到“材料银行”，商业闭环怎么完成？

• 35:08　需求还是资本先行？AI for Science 的窗口与泡沫

• 39:33　不想停在一张 PPT：为什么必须走向自建产线？

• 56:01　固态电池还有 92% 未探索，AI 能否在两年内改写进度？

【关于我们】

欢迎订阅虎嗅「AI原生100」栏目。我们将会围绕 AI 原生创新，分享垂类里的 AI 创新产品、创始人或操盘者的 AI 原生思考和行动、AI 落地千行百业当中的 know-how，以及正在通过 AI 落地并产生实际收益和价值的创新案例。