*图片由AI生成
“ AI送了科学家一根孙悟空的毫毛 ”
作者 | 南凯
编辑 | 王子
从实验室走向产业，材料研发的速度往往以“十年”为计量单位。但在人工智能狂飙的时代，新研智材试图把这条路径改写。
它盯上的不是消费级应用，而是材料科学这个几乎被忽视的角落——材料研发常被视为“慢工出细活”，数据分散、实验周期漫长，经验往往停留在少数科研人员手里。新研智材希望用 AI 去整理这些碎片化的数据和知识，把实验过程转化为可迁移、可复用的模型，让AI进入科学发现的核心地带。
CTO兼联合创始人南凯在 2023 年回国创业，此前他曾在半导体领域积累多年经验。
南凯 新研智材联合创始人兼CTO
南佛罗里达大学 应用物理博士、马里兰大学-天津大学 生物医学工程访问学者、字节跳动AI4S生物医药研究员。
从一开始，他们就把目标定在“L3阶段”——让 AI 主导研发流程，而不是仅仅做辅助，相当于复制出一批“科学家合伙人”，全天候推进研发。需求正在快速增加，从性能指标转向环保与低碳。真正的难题，不只是让 AI 跑起来，而是让这个行业习惯和“科学家的克隆人”并肩工作。这家年轻公司身上，有着中国硬科技创业的典型特征：新生赛道，壁垒极高，时间跨度长。
但也正因为如此，它可能会在未来重构一个巨大产业。
8月24日，新研智材联合创始人兼CTO南凯接受了极新的访谈，他提到，AI4S的真正难题不是“让AI跑起来”，而是让科研和产业学会与“科学家的复制人”并肩工作。他判断，数据才是决定成败的关键变量：算法和算力都有替代方案，但高质量数据一旦沉淀，就可能成为资本市场的新通证。
01 为什么选择回国做AI4S？
——AI4S的野心：让假设和知识都能被复制
AI4S在科学研究中的作用/图源：Wang, H., Fu, T., Du, Y. et al. Scientific discovery in the age of artificial intelligence. Nature 620, 47–60 (2023)。
极新：你在美国读博时进入了字节跳动的AI4S部门实习，又在一家初创公司从业半年后选择回国创业。怎么做出这个选择的？
南凯：在美国时，我常去APS（American Physical Society）年会，发现他们物理、化学、材料这些领域对AI的应用并不深入，拥抱程度也不高，存在很大的空白和浪费。我觉得这是挑战，也是机会。之后在字节和一家初创公司工作时，我就一直在思考：AI和基础科学结合，到底该是什么样的形式？这两段经历让我更清楚行业的现状和缺口。
做出回国决定主要有三个原因：一是数据限制，材料科学涉及很多基础学科的数据，作为留学生会比较困难在美国开展工作；二是国内对AI的接受度和推进效率更高；三是“卡脖子”问题，AI可能是实现弯道超车的突破口。所以最终选择回国。
极新：回国后，赛道选择和落地路径是否清晰？核心判断是什么？
南凯：一开始就很明确，一定要做，但不能离应用太远。太原理化的方向，资本和团队都难以支撑；太下游又容易被产品束缚。所以我们找了一个中间点——半导体封装材料。它是复合材料，离应用很近，同时它的组成既包括高分子材料，也有无机材料，在结构层面上几乎囊括了材料科学的核心范畴。
极新：哪些经历让你有信心进入这一赛道？
南凯：我既做过硬件，比如激光光学，也做过理论研究，也提出过能推翻几十年旧定律的公式。后来又参与AI相关项目，把AI和科学结合起来。这些交叉经历让我对硬件应用、理论体系和AI结合都有比较全面的理解。真正触动我的瞬间，是和康奈尔的同学讨论有关二维材料的一个机理问题，我们发现传统方式花费大量时间和人力，但如果结合AI，这项工作会非常快速得到解决。
极新：在你看来，AI4S的核心内涵是什么？
南凯：它是在“制造新的科学家”。AI从早期的机器学习，到现在的大模型、智能体，再到未来的潜力，本质上是在从科学家“增强器”到“复制体”再到“更聪明更高阶的科学家”。
极新：在哪些方面，AI4S有机会突破传统科研的局限？
南凯：四个方面：第一，生成式假设和发现，AI能提出全新的科研方向；第二，突破机理或计算的限制，解决传统方法算不动的问题；第三，端到端的整体解决方案，而不是零碎算法；第四，知识平权，不管是新人还是小公司，都能用AI缩小与大公司、资深科学家的差距。
极新：效率之外，AI4S是否需要新的科学方法论？
南凯：短期效率提升没问题，但长期需求没法只靠效率满足。行业容易从狂热到失望，这是风险。关键还是要用科学的态度对待AI4S，建立新的方法论，才能解决通用性问题，否则只会停留在阶段性的改良。
极新：怎么概括新研智材的使命和愿景？
南凯：使命是改变历史，创造未来——成为新材料开发的颠覆者；愿景是颠覆材料开发旧套路，AI开创材料开发新范式。
02 做材料的原因？
——半导体的底层逻辑：逃不开高分子与晶体
极新：你前面提到半导体技术的迁移性很高，这是为什么？
南凯：在半导体封装里，材料主要就是两大类：高分子和晶陶瓷类。高分子大概占一半以上，陶瓷材料也差不多能到八九成。无论是往上游还是下游，还是横向做功能性材料，最终都绕不开这两类。正因为如此，模型和技术都很容易迁移。
极新：目前材料行业规模已近十万亿，年均增速13.5%。比亚迪当年靠长期研发投入才走到今天，那放到材料研发里，你觉得AI4S能带来多大程度的降本增效？
南凯：现在我们测试，大概能做到70%的效率提升。
这个“70%”不是一个固定指标，而是基于目前行业还在L2阶段——还需要大量人力和实验验证，没到完全自动化的L3，所以很难有统一的量化标准。类比医药更好理解：在实验室里，把药从五年缩短到两三年是可行的，但临床七年时间没办法省掉。
材料研发也是类似，链条很长，从实验室到中试、再到量产，每一步都要时间。我们测算的70%，主要集中在实验到量产两个环节，不包括后续客户适配那部分。当然我们的路径规划里也有利用微通量和机器人来完成小试，大规模的机器人来打通量产的端到端的开发路径。
极新：医药研发主要成本在临床，不太卡在生产。但材料好像不同。你觉得AI在材料研发里主要能带来哪些价值？
南凯：我觉得有四点：第一，它能帮助创造全新材料，速度和规模是传统科研比不了的；第二，它能提升研发效率和准确性，不再靠盲目的实验和经验摸索；第三，它能增强可持续性，不再过度依赖人，毕竟人是最大的不确定性；第四，它能沉淀方法论，形成体系，并迁移到其他领域。这些是AI4S在材料研发里的核心价值。
极新：聚焦到材料研发，实验管理、数据沉淀、性能预测、结构预测，哪个环节更需要加强？
南凯：工业界其实很现实，客户最希望的是“一口吃个胖子”。比如问一句话——要生产某材料，就能直接告诉用什么配方、什么设备、什么剂量——这是理想的需求。
但从技术到工程落地，中间的路很长，不同的客户在产业链的上下游位置不一样，需求也不同。上游更关心单一材料的性质预测，或者能不能发现全新材料；中游更在意复合材料的配比，怎样能带来更好效果；下游则关注新材料能不能适配具体的应用场景。大家都希望AI能一步到位，这也是行业里最大的一道落差。
极新：材料研发的痛点是不是先效率低，再生产环节挑战？比如原型制作阶段，为什么要做放大实验？
南凯：可以拿做饭类比。在家做一人份的西红柿炒蛋，很容易控制火候和调味。但要给上百人做大锅饭，就完全不一样了。小锅能靠经验，大锅要重新调整配方和工艺。
材料也是一样，从实验室里的小样到放大实验，中间有鸿沟。一方面是工艺参数要改；另一方面，实验室和工厂条件差别很大，比如温度、湿度、环境标准，这些都会影响结果。所以放大实验本质上是重新验证，确保能顺利从实验室走到工厂量产。
极新：闭环是不是意味着原型做完，再检测，再调整，然后回到设计？
南凯：对，但行业里通常是优先在量产环节解决问题。很少会完全退回到实验室阶段再推倒重来，除非工厂实在解决不了，这样也带来很高的沟通成本，周期拉得很长。
极新：AI4S在材料研发中解决的核心问题，与AIGC等其他领域有什么不同？
南凯：AIGC或者一些做商业的AI，它们的评判标准其实是主观的。生成一张图、一段文字，或者做营销，最后还是要看人喜不喜欢，是面向人的偏好来导向的。AI4S就完全不一样了，它是数据驱动的，要去推动科学机理和结果的验证。一个是主观偏好，一个是客观规律，这是根本的差别。
03 有没有压力？
——困在数据孤岛：科学家的经验如何被提取出来
极新：在AI4S的场景里，算力、算法和数据三角关系怎么排优先级？
南凯：我觉得优先级是：第一数据，第二算法，第三算力。
数据是目前最大的问题。科学领域里很难有通用、标准化的数据。就像当年CV在ImageNet出现之前也很难突破，AI4S也缺少类似的数据集。实验室虽然产出很多数据，但大多不够结构化，不同实验室、不同操作者，结果差异很大。而科学实验里，哪怕数值相差1.5，也可能导致完全不同的结论。
第二个问题是缺乏行业推动。做数据费时费力，还容易“前人栽树、后人乘凉”，性价比很低。工业界更复杂，实验数据几乎就是商业机密，比如可口可乐的配方，企业很难共享。算法方面，目前大多是通用算法，勉强能用，但未来如果要解决更复杂的科学问题，就会遇到瓶颈。
至于算力，科学问题对算力的需求其实没那么大，所以对算力的要求反而最低。
极新：那是不是可以说，行业推动不够，是因为共享既费力又“吃力不讨好”？
南凯：对，很难。学术界追求结果，做数据库需要长周期、大量投入，但最后的成果可能被别人用走。工业界则把数据看成命脉，不可能轻易共享。材料行业尤其如此，实验数据就是核心资产，很难形成开放数据库。所以问题的根子还是在数据。
极新：数据的问题主要是什么？
南凯：基础研究里，如果只在某个环节追求效率提升，那还是偏应用层，绕不开机理问题。真正要从原理上解决，就会触碰到数据和知识产权，在这方面数据跨国界越来越受限制。以前还没那么严重，近几年限制越来越大。做应用层问题还好，一旦涉及更底层的原理性研究，限制就非常明显。
极新：在实验过程中，也常遇到“结果简单、过程曲折”的情况，这是不是一个普遍问题？
南凯：是的，材料研发在L1、L2、L3阶段都会遇到“数据孤岛”和“思维定式”。传统方式里，结论往往不复杂，但过程很漫长，很多时候被固有的思路框住。AI的价值就在于能突破这些局限，提供更多可能性，让科研路径更灵活。
极新：在产品落地节奏上，原先的设想和现实有什么差别？
南凯：一开始设想半年到一年，现在速度比预期快。研发效率更高，一方面是团队调整和学习快，另一方面是产品逻辑更垂直，更贴近行业，而不是单纯站在AI或纯学术的角度。
极新：更偏向行业化的思路，会带来哪些副作用？
南凯：战线会拉长。比如现在半年就能有一个MVP，但要不断迭代，就会越做越复杂。相比于单点突破的打法，这种产业化思路会更慢，但长远看更全面。
04
新研智材的方案是什么？
极新：创业初期，你是如何考虑商业化的？在产品规划上，优先方向是什么？
南凯：我们最开始只想做纯 SaaS 软件，后来发现这样太单薄，就转成软件服务，再到现在结合管线，一直在同客户实际需求以及产业发展结合做调整和优化。
产业规划上， 我们分两类：一类是基础模块，包括分子模拟、科研工作流加速、预测等算法模块；另一类是专家知识提取，把人类专家的经验固化进去。两者结合，可以做成端到端的智能体，再配合硬件，比如机械臂、自动化实验室、AR眼镜等，让研发更智能化。最终目标是培养“AI科学家”：先教会基础技能，再灌注行业知识，最后能独立完成端到端的应用。
极新：马云说过，“只要熬过黑夜，跪着也能看到黎明。”很多产品化落地，其实考验的是掌舵者对节奏、资金、技术进步、用户接受度和市场认知的把握。要在探索和商业化之间找到平衡，最关键的因素是什么？有没有原则？
南凯：最大的关键在于，你想做多大的事、梦想有多大。梦想越大，需要考虑的因素就越多，承担的压力也越大，战略方向自然会不同。另一方面，从技术角度看，节奏把控非常考验人。比如，有时花三四年研发的技术，最后发现应用只用得上前半年的成果，后面几年都成了无用功。这就要求公司战略上贴近需求，同时在研发上也要为未来预留方向。
总体而言，这不是能量化的事，更多还是取决于战略思想——是追求短期利益，还是布局长期价值。
极新：针对数据当前存在的痛点，新研智材在解决这些问题上有什么思路或方法论？
南凯：我们的做法主要有三方面：
第一，依靠自有实验室的数据积累，这是很多AI4S公司的基础。
第二，与客户共建合作模式，分享数据并共同开发算法，在特定场景里实现互利共赢。这类数据往往积累多年，价值很大。
第三，通过行业协会协调产学研资源，推动搭建开源数据库。企业可以贡献失败数据或已淘汰的数据，这样能降低保密压力。不过，这类数据里往往有噪音，比如实验记录错误或结果不相关，反而会影响模型训练。除了会要求贡献者提供真实结果，我们也会利用算法去做一些数据清理工作，尽可能搭建出一个高质量的开源数据平台。
极新：国外在道路数据或实验数据共享上，也存在利益分配模式不清的问题。AI4S能从美国或其他国家借鉴经验吗？
南凯：其实挺难的。现在像Material Project这种数据库，大部分都是计算数据，DFT、MD模拟之类的，可以短时间算出大量数据，但要变成实验结果，往往要几个月。日本的PolyInfo数据库收录了实验结果，但只对学术界开放，而且质量和格式也不统一。所以国内外都还没有成熟体系。除了自有和合作数据，我们还在探索能否建立宏观到微观的映射关系，把计算数据和实验结果更好地对接，这是长期要攻克的问题。
极新：映射关系怎么建立？
南凯：理想状态下，要有比例尺的映射，但现实很难。我们尝试通过“中间态”来过渡，比如用宏观图片或光谱数据，作为宏观和微观之间的桥梁，再结合经验公式，逐步建立起可用的映射体系。
极新：行业协会在产业合作和生态构建上，会如何发挥作用？
南凯：我们现在正在构建一个AI4S的行业协议，推动上下游企业和产业客户一起参与，同时也和上交、天大、复旦等高校、科研机构合作，科学界提供实验场景，工业界提供应用场景。生态伙伴比如金山云，也会一起构建平台。核心目标是建立一个“弹药库”，大家能随时从里面取所需。这个过程也有科普作用，比如材料行业很多企业最初很排斥云服务，但通过平台体验，逐步会理解AI的价值，接受度会慢慢提升。
极新：科学方法论的重构能否被工程化？有没有办法加速？
南凯：首先行业要正视AI的发展。材料领域对AI的认知还不够，常常抱有不切实际的期待。一旦期待过高，反而不愿意投入或贡献。其实，未来科学家的价值更在于经验，要像老师一样把经验教给AI，让它成长为有专业知识的助手。但目前行业缺乏这种认识，也不愿分享经验。要改变，就需要两个方面：一是做更贴近实际的宣传和科普；二是共同搭建社区或平台，让大家切实体验到AI的好处，从短期效率提升过渡到长期格局优化。
05怎么看待现在的资本市场？
——资本押注的新底牌：数据能否成为行业通证？
极新：材料领域的资本窗口期现在处于什么阶段？它的属性会不会随时间推移而变化？
南凯：现在其实还是在延续上一轮。十年前AI4S火过一波，资本已经投过一批企业。这一轮算是旧逻辑没跑通后，十年后再看能不能跑通新的逻辑。最大的问题在于资本的耐心，它如何理解AI4S的商业逻辑，以及用什么周期来衡量。
一级市场融资地图（2024-2025 公开披露）：
极新：资本规模决定了口袋深度和耐心，你希望投资人如何理解行业进度？
南凯：大家都说AI有泡沫，但要理性看待。既不能把泡泡吹得过大，导致盲目扩张；也不能全盘否定，觉得一点价值都没有。更重要的是要有耐心和长期思维，不能像互联网或零售那样追求短期热点。AI4S是关乎人类发展的长远事业，需要时间。
极新：到下一个投资逻辑阶段，行业大概需要多少钱？资本“口袋”要有多深？
南凯：AI4S最看重的是效率和性价比。大家希望用小投入获得大产出，不能比传统材料研发还烧钱。但难点在于需要大量交叉学科人才，成本又高。AI人才收入通常是传统科研人才的两三倍，如何平衡投入与产出是个难点。
极新：当前风投聚焦AIGC、具身智能等。AI工具公司如何避免沦为附庸？投资人又该如何理解“AI科学家”的愿景？
南凯：投资人首先看效率和产出。但AI4S的周期长、成果不易可视化，很难像机器人一样直观。要避免成为技术附庸，核心是做出真实产品，并且可视化。无论是材料实体，还是算法链条，都要能让人“看得见、摸得着”。同时要把深奥的东西用通俗语言讲清楚，这是关键。
极新：解决方案的关键变量是什么？
南凯：关键在于切入点。第一要聚焦具体材料和应用场景，是在实验室还是产业化环节；第二要把专家经验提炼成体系，特别是在数据层面。算力和算法差异有限，但垂直领域的高质量数据是核心。难点在于专家标注：什么算专家？博士生、教授还是工程师？他们的答案往往不同；专家也未必愿意表达。经验是宝贵的，但提炼方法论并不容易。这部分恰恰是大模型无法替代的。
结尾彩蛋
极新：理想中的人才结构是怎样的？
南凯：最理想的是交叉学科背景。战略上需要三类人：纯AI人才、领域专家、工程师。AI要懂算法，专家提供机理和经验，工程师负责优化和落地。纯粹两头都精的人很少，但懂机理是最关键的逻辑。现在AI团队大多是纯算法背景，交叉人才太少。未来要更多培养这种“润滑剂型”人才。
极新：对年轻科研人员进入AI4S有什么建议？
南凯：一定要在自己领域深耕，把原理搞清楚。不管是做AI还是做science，基础理解最重要。现在有大模型、Web工具，很多工程问题可以被AI解决，但真正决定科研价值的，还是你对机理的掌握。
原文标题 : 对话新研智材CTO南凯：AI4S的终局是制造科学家 | 极新
