AI颠覆材料科学赛道:DeepMind、伯克利入场,新材料创制速度飙升20倍,AI开始理解物理世界

智能情报所 2025-08-21 17:03

我们总以为人工智能是数字世界里的事。但它最大的影响力,可能在于设计我们身边的实体物质。

作者:RASMUS ROTHE

日期:2025年8月19日


人工智能的早期应用,让我们以为它只和软件有关:看不见,摸不着,只是一堆算法。

但人工智能最具变革性的地方,很可能在物理世界。它将彻底改变我们设计和量产新材料的方法。

因此,材料发现成了我们 Merantix Capital 最关注的领域之一。

我们投资组合里的 Cambrium 公司,就是从我们的工作室孵化出来的,专门设计新型蛋白质。

资讯配图

为何我们看好这个赛道

一直以来,材料都是科技进步的幕后英雄,支撑着半导体、太阳能、电池和碳捕获等领域的发展。

如今,人工智能正在为材料开发的每个环节按下加速键。

它能提出全新的化合物,预测其性能,甚至在设计之初就考虑生产的限制。

这种结合让打造全新的材料平台成为可能,一个比以往更快、成本更低、适应性更强的平台。

下一代的材料巨头,将是那些能将前沿技术与工业应用深度融合的企业。

更重要的是,它们将帮助我们应对清洁能源、可持续生产这类时代最紧迫的挑战。

过去,计算化学的角色是在实验室测试前,模拟几种备选分子,但具体模拟什么,还得靠人的直觉。

现在,大规模人工智能模型不仅能评估已知材料,更能以前所未有的规模,创造出全新的材料。

DeepMind 的 GNoME 项目,就训练了一个图神经网络,来预测无机晶体的稳定性。

伯克利实验室则更进一步,建立了 A-Lab 平台。它将机器学习、机器人合成与自动测量融为一体。

在短短17天的试验里,这个平台在主动学习算法的指导下,自主完成了355项实验,发现了41种全新的无机化合物。

为规模化而设计

研发上的突破固然重要,但只有能够规模化应用,才能真正推动科学进步。

因此,新一代的创业公司从第一天起,就将量产刻在了自己的蓝图里。

Cambrium 正是将这种思路带入了蛋白质材料的世界。

它用人工智能设计自然界中没有的新蛋白,再通过微生物发酵来生产,整个过程灵活且可持续。

从一开始,它的设计就紧密围绕可制造性,重点考量热稳定性、发酵产率等实际生产问题。

这套方法,让研发速度提升了 5 倍,成本降低了 20 倍。

Cambrium 的首批产品之一 NovaColl,是一种可持续的胶原蛋白替代品,碳足迹降低了95%,用时不到两年就开发成功。

在气候材料领域,CuspAI 正利用生成式人工智能,为碳捕获等应用设计定制化的多孔材料。

它的平台就像一个材料界的搜索引擎,能根据特定性能要求,比如二氧化碳的吸附和释放效率,来生成和筛选候选材料。

这种方法将研发周期从数年缩短到几个月,筛选可行材料的成功率高达90%。

CuspAI 从早期就着眼于工业部署,确保设计的材料不仅理论上优秀,更能满足实际的再生效率和设备兼容性要求。

Materials Nexus 则瞄准了稀土元素的供应链风险,利用人工智能设计替代性的永磁体。

它与顶尖研究机构合作,从超过1亿种材料中筛选,开发出了不含稀土的磁体 MagNex。

这种新磁体可用于电动汽车和风力涡轮机,从概念到样品只花了三个月。

它的制造成本仅为传统稀土磁体的20%,每公斤的碳排放还减少了70%。

晶泰科技 (XtalPi) 虽然起家于药物研发,但它的人工智能平台如今在材料科学领域同样大放异彩。

其公开文件显示,自2024年起,该平台已被用于开发电池电解质、先进陶瓷等新能源材料。

这证明,一套在某个行业被验证成功的人工智能原生研发体系,稍加调整,就能服务于相邻的其他行业。

这些公司的实践共同指向一个趋势:材料发现不再是纸上谈兵。

真正的关键在于,打造一条从概念到量产的完整、高效且商业化的流水线。

这批创业公司从成本、规模等真实约束出发,证明了人工智能材料平台,能在模拟之外创造巨大的实际价值。

创业者的机遇在哪里

对进入材料领域的创业者来说,挑战与机遇并存。

初期的市场突破口,往往在那些性能优先于成本的行业,比如化妆品、时尚和特种涂料。

这些市场能提供宝贵的早期收入,为后续的技术深耕和知识产权布局提供弹药。

随着技术成熟,更大的机会将出现在重工业领域。

建筑、包装、农业和能源等行业虽然投入更大、门槛更高,但长期价值也无可估量。

要在这些市场成功,不仅要能发现新材料,更要能融入现有供应链并满足各项监管标准。

创业者可以从几个不同的角度切入:

  • 做平台:为化工企业或研究机构提供预测和模拟的软件工具。
  • 搞合作:与下游的设备制造商共同开发,利用合作伙伴的资源实现量产。
  • 全包揽:打造从发现、验证到生产的全栈能力,掌握完整价值链。

每条路对资金和速度的要求都不同,但共同的好处是,能更紧密地掌控学习和迭代的闭环。

放眼整个生态,仍有不少空白地带等待填补。

比如,实验室自动化设备昂贵且稀少;能融合多种数据源的多模态模型仍是短板。

最关键的是,如何将克级的实验室发现,高效转化为吨级的工业化生产,这中间还缺少足够的基础设施工具

在这样的赛道里,迭代速度就是最核心的竞争力。

那些能更快试错、更快从数据中学习,并把经验快速应用到新市场的团队,终将成长为定义下一个时代的材料公司。


一键三连点赞」「转发」「小心心

欢迎在评论区留下你的想法!


声明:内容取材于网络,仅代表作者观点,如有内容违规问题,请联系处理。 
AI
more
亏钱的AI大厂们,养肥了吃播
英伟达拟对华特供新AI芯片“B30A”,性能超过H20芯片
多人有声视频一体化生成!用百度最新AI生成营销视频,现在1.4元/5秒
离谱!马斯克的 AI 教人暗杀马斯克?Grok 37 万条聊天记录意外泄露
MIT最新研究显示:95%的企业AI投资零回报,华尔街应声大跌,奥特曼亲口承认是泡沫,钱都烧哪了?
AGICamp第 008 周 AI 应用榜:买榴莲不靠运气,出远门不怕忘带东西,AI应用全面接管生活是否可行?
拿下数千万元订单!揭秘全球首款可护膝、AI自适应外骨骼机器人的泸州“智”造密码
明天线下见|AI Agent,都能搞投资了?
百度发布2025年Q2财报:AI新业务增长强劲
芯报丨鹏鼎控股拟投资80亿元扩产 深化AI全产业链布局
Copyright © 2025 成都区角科技有限公司
蜀ICP备2025143415号-1
  
川公网安备51015602001305号