对谈南凯：推翻经典“银纹理论”后，投身AI+材料创业

从证明“为什么”到探索“怎么做”。

作者 /Oriana

推开AI+材料的门

在美国的实验室里推翻了一条存在四十年的物理定律后，南凯并没有感到预想中的狂喜，反而被一种巨大的空白感笼罩。

那是他博士生涯的第四年，两篇登上了物理学顶刊PRL*的论文，耗尽了此前所有的踌躇满志。面对屏幕上的公式，他意识到，纯粹解释世界为何如此，似乎已不是故事的终点。一个念头变得清晰：他想知道如何让世界变得不同。

*《物理评论快报》：全球物理学界被引用次数最多的期刊，发表过约20篇后来获诺贝尔奖的研究。

回到起点。

南凯的本科在天津大学一个实验班里，学校把精密仪器领域多个专业的核心课程全部打包。前三年，他在激光光学、硬件测控、固体物理和生物医学仪器之间来回穿梭。

“模式有点像美国那种通识教育，”他回忆道，“对于刚成年、对世界不了解的人来说，是个很好的窗口，你有机会自己去了解到底要学什么，而不是只听别人说。”于是，他怀着一种“比较崇高的想法”选择了生物医学工程，渴望做些有意义的事。

大四赴美交换，他沉浸于构建光学系统来无损伤探测人体组织。2016年正值人工智能的浪潮初涌，还没有现成的大数据集。他需要从几万张医学图像中，亲手构建数据集、为算法寻找规律。这段经历让他体验到了用新工具解决老问题的愉悦。

正是这种愉悦，让原本无意学术的他，在错过博士申请季后，毅然决定Gap一年，然后奔赴南佛罗里达大学攻读物理博士。“有自己的公寓，有奖学金，能安心做想做的事，”他笑着形容，“简直就是人间天堂。”

天堂里亦有炼狱。

南凯选择了凝聚态物理中一个名为“软物质”的艰深角落，并直接瞄准了一个目标：挑战一项被学界默认了四十年的经典理论。

接下来的三年，是日复一日的不确定。早晨醒来先在房间里思索今天的方向，然后钻进实验室，直至夜色深沉。没有社交媒体的热闹分享，少有同行间的即时讨论，物理领域的探索常是寂静而孤独的。

“第一年你踌躇满志，第二年你信心满满，第三年已经有点心灰意冷。”南凯平淡地描述那种状态。

终于在读博的最后一年厚积薄发，他以两篇论文、三个新公式完成了这场艰难的长跑——推翻了由美国物理学家E. J. Kramer等人建立的经典银纹理论预测，证明曾被认定必然脆性的半刚性聚合物玻璃可以具备延展性，为设计新型高韧性柔性电子材料打开了新思路。

然而，胜利的滋味是复杂的，长久的自我较劲让他感到“半条命没了”，也让他对这种纯粹的理论探索产生了些许倦意。

他需要新的坐标：先是在字节跳动一个类似“Google X”的前沿团队里实习，用AI模型解析基因序列；毕业后又加入一家初创公司，用图像和算法模拟药物在人体内的释放过程。这两段经历将他从理论的空中楼阁，拉进了产业的实际需求。

他看到了AI在生物医药领域已成体系的规则，也敏锐地察觉到一个巨大的反差：在他深耕的材料科学领域，AI的应用少得可怜。

在一次国际会议上，他直接向华裔院士Andrea Liu发问：“为什么我们这个领域用AI这么少？”对方的回答印证了他的观察：拥抱程度低，即便顶尖课题组，也只有零星尝试。

他想填上这块空白。但创业不是写论文，得找个能落地的口子。直到遇见后来的合伙人，一个在半导体材料里泡了十多年的人。一个懂算法，一个懂产线，模糊的想法终于有了形状：就从半导体封装材料切进去，用AI重写材料研发的老规矩。

如今，南凯创立的公司“SynMatAI（新研智材）”刚满一岁，团队只有十余人。他们一边搭建算法平台，目标是将传统需要上千次的实验，压缩到几十次内；另一边，他们亲自研发具体的半导体材料，最快将于明年送样。

就在今天，SynMatAI发布了最新的Agent“SynMatAgent”，它集成了全部算法工具与能力的智能研发中心，能直接生成可执行的详细实验方案以显著缩短研发周期，并通过持续反馈进行自我优化。

南凯还大方聊起外界对“AI+材料”领域是否足够原创、实用且精确的的质疑。他理解这种落差：工业界要的是一份能直接投产的配方，而前沿算法给出的往往还是一个遥远的答案。他清楚，这中间的鸿沟，正是他们这类公司的机会与价值所在。

至于商业模式，他想得很透：卖软件或专利在材料领域很难走通，真正的路径是亲自下场，成为一家用AI驱动研发的新材料公司。

以下是新物种与SynMatAI CTO南凯的对谈，欢迎进入一段从证明“为什么”到探索“怎么办”的故事。

01.泅渡深水区

新物种：你在南佛罗里达大学攻读物理博士时具体研究什么？哪些paper或项目让你印象最深刻？

南凯：我研究的领域偏机理，中文叫“软物质（Soft Matter）”，属于凝聚态物理下的一个分支，主要研究这类材料和物质背后的现象与原理。

博士五年，我在顶刊PRL（物理评论快报）上发表了两篇文章，印象很深。因为前三年几乎颗粒无收，只发了一篇二作，直到第三、四年才完成这两篇。整个过程非常漫长，也很折磨人。很多时候觉得做不出来了，不明白为什么理论和现象对不上。后来仿真成功了，又要去解释它背后的原因。

这两篇文章提出了三个新公式，像定理一样，推翻了之前的某些理解。那段时间挺难的，有过很多个心灰意冷的时刻。

新物种：为什么这么难？是因为目标定的太大了吗？

南凯：确实选了个高难度的起点。其中一篇PRL论文，挑战的是一个存在了40年的定律——由美国物理学家Kramers提出的理论。一个被学界默认正确的理论，你要去推翻它，这本身就决定了项目的艰难。另一篇则完全是在黑暗中摸索，毫无方向可言。

这和个人追求也有关。有些同学可能会选择先在普通期刊上发表文章，把数量积累起来。但我更想做些有价值、有创新的研究。

那段时间，每天七八点自然醒来，先发呆思考今天要怎么办，然后去实验室一直工作到傍晚。晚上看文献到11点，打会儿游戏，12点睡觉，很折磨。最大的痛苦在于不确定自己探索的东西究竟有没有答案。尤其是第二篇PRL，导师也不太确定方向，基本靠我自己摸索。这种状态下，第一年踌躇满志，第二年信心满满，到了第三年，就有点心灰意冷了。

论文链接：
https://link.aps.org/accepted/10.1103/PhysRevLett.129.127801；https://link.aps.org/accepted/10.1103/PhysRevLett.130.166102

南凯在APS（美国物理学会）上进行Oral Talk

新物种：到后面你也开始往产业界探索了，为什么会去字节实习？

南凯：我所在的组类似Google X的跨学科小团队，隶属于战略部，当时成立不到一年，才十来个人，既要做前沿的生物项目孵化，也要做行业研究，可能还会参与投资评估。我觉得这种混合模式很有意思，能接触不同背景的人，就决定加入。

团队主要聚焦三个方向：大分子、小分子和核酸。我选了核酸，具体是用BERT模型预测mRNA的序列结构（也就是碱基排列），然后再通过模拟来评估这些结构的稳定性。简单说，就是两步：生成序列，然后验证它稳不稳定。

新物种：那你毕业后没想过做AP（助理教授）吗？为什么会选DigiM这个偏医药的offer？

南凯：我纠结了很久。其实我之前没想过做教授，因为对我而言这种生活有些一成不变。虽然发了文章后也拿到了博后邀请，但最终还是决定彻底换个环境。很大程度上是因为写那两篇PRL的过程太折磨了，我不想再重复那种压抑。

后来选择加入DigiM，是因为他们做的东西很特别。当时很多AI医药都集中在药物发现早期，比如找靶点或设计分子。但DigiM关注的是偏后期的问题：一个已经做出来的药，在人体内需要多久释放、多久吸收？他们用AI分析药物的微观图像，再结合流体力学等物理规律来模拟整个过程，这能大幅减少真实的生物实验。

我觉得这是一个被大多数人忽略、但又很有前景的方向。如果我要花十年时间做一件事，我希望它足够新颖，能让我在十年后回想起来依然觉得值得。这份工作给了我这种感觉。

02.时机到了

新物种：感觉你还是挺想在这长期发展的，那为什么在DigiM工作不久后，就选择回国创业？

南凯：其实从字节实习开始，我就一直想做“AI+”的交叉方向。我的学术背景是研究物质机理，本质上更贴近材料。但在参加学术会议时，我发现我们这个领域和AI的结合非常少。

有一次我和领域里的大牛、美国院士Andrea Liu交流，我直接问她为什么我们这里用AI这么少？她说，整个领域对这个的拥抱程度确实不高，她的实验室很大，但也只有一小部分人在做相关尝试。

这让我感触很深。在生物领域，AI已经发展了二十多年，形成了一套成熟的玩法。但在材料这里，几乎还是个空白。我一直想填补这个空白，但不知道从哪里切入。创业不是做学术课题，必须找到能落地的具体问题。如果只做研究，那我不如去当教授自己搞实验室。

转机出现在我遇到现在的合伙人、我们的CEO。我们是在一次会议上认识的。他在半导体材料产业有多年经验，而我偏算法背景。这样，一个懂产业和工艺，一个懂算法和模型，刚好互补。我们聊起这个想法，都觉得时机到了，找到了从半导体封装材料切入的具体路径，这才决定回来创业。

新物种：时机成熟主要有哪些具体条件？

南凯：主要是三个层面都准备好了。

第一是算力，AI for Science 用的算法通常不是最前沿的，现有的算力已经足够。第二是算法本身，经过这些年的发展，AI的框架和开源工具已经很成熟了。第三是数据，材料领域发展多年，有了一定的积累。

这三者结合，到了比较好的切入点。虽然材料和生物很不一样，但我们可以参考 AI for Biotech 领域的发展路径，学习如何将AI应用到一个传统学科里。

新物种：那你当时为什么选择做CTO，而不是CEO？

南凯：我很认同的一个观点是，开公司最大的困难是管人，而不是技术。我现在还不擅长统筹管理或把握公司整体方向。

做To B的产业化落地，需要对行业有很深的积累，比如供应链、制造这些非常复杂的事情。如果没有相关背景或资源，一个人很难完成。作为CTO，我可以专注在技术上，同时也能在这个过程中学习。

新物种：明白，还请用一句话通俗介绍SynMatAI是做什么的。

南凯：我们希望通过AI来替代部分材料研发工作。具体来说，是让AI像工程师一样，完成从研发、生产到量产的整个流程。

新物种：现阶段主要辅助哪个环节？

南凯：目前各个环节都能辅助。我举个例子：假设研发一款材料需要做1000次实验，有经验的工程师可能要做200次，而我们的AI目标是将实验次数降到20次。这个辅助作用贯穿小试、中试和客户适配全阶段。

材料研发周期长，就是因为这三个阶段都得反复调整，就像做饭——在家做两人份和给食堂做一百人份，调料比例不是简单放大；菜馆开在广东还是四川，辣度也要调整。

我们的AI能在每个阶段，都把最有可能成功的方案筛选给工程师，省去大量试错。工程师每做一次实验，数据反馈给AI，AI的下次预测就会更准，形成一个不断优化的循环。

新物种：那你们是自研模型吗？还是基于大模型微调的吗？

南凯：我们有很多模型，包括大模型和小模型。有些是基于通用模型用材料数据微调的，但更多是专门为不同任务自研的。材料研发变量太多，一个模型不够用，需要多个模型协同工作。

比如，我们有专注于结构和性能映射的“EvoNet”，也有基于物理机理的模拟仿真模型“EvoSim”。机理模型给出理论理想值，AI模型给出预测值，两者相互参照，共同得出更接近实际的结果。

新物种：你们专注于哪类材料？比如高分子？

南凯：我们目前主要聚焦在半导体相关材料。

新物种：未来会一直专注半导体材料，还是会涉及其他类型的材料，做更通用的平台？

南凯：从长远愿景看，比如以50年为目标，我们当然希望做成一个通用的平台。但务实地说，必须先在半导体材料这个垂直领域做深、形成商业闭环，有了成功案例后才能向外扩展。这就像造机器人，不能一上来就让它什么都会，得从跳舞、抓取等具体技能一步步做起。

03.弯道超车

新物种：创业这一年间，你们遇到的最大困难或意外是什么？

南凯：首先因为我们正在同时推进的商业模式有两块：一是提供软件去卖私有化部署和扮演CRO的角色去共同研发某个材料，二是自己下场研发材料。

真正对接产业时才发现两大困难。一是很多材料公司对AI的理解非常有限；二是整个产业链的复杂程度超乎想象，很多环节的电子化程度极低。

比如，很多公司至今仍靠手写记录实验过程和结果。好些的用Excel，但那只是个文件，不是结构化的数据库。这些是以前根本想不到的细节，都成了实实在在的障碍。

新物种：那针对材料研发和算法优化的业务，如何判断成功率？有无具体案例？

南凯：我们主要通过实际实验来验证算法的成功率，这是衡量技术是否work的核心。与此同时，我们投入的重点是自研新材料，用自己的算法平台推动实际研发。

一个最直接的案例就是我们自研的半导体材料进展很快。公司2024年底成立，预计明年就能送样测试，这个速度本身就是对技术有效性的一个证明。

新物种：你觉得AI+材料的商业闭环打通了吗？没有的话，可能的模式是什么？

南凯：现在还没有打通。比如一些公司，主要客户还是高校和研究所，这不算成熟的商业模式。

参考AI+生物医药，目前有几条路：卖IP（卖专利）、卖软件、或者自己研发药物。其中自己研发的模式相对最成功。

但材料领域很不一样。第一，高质量公开数据很少；第二，材料缺乏像医药那样严格的专利保护和审批监管，一个配方被知道后，别人稍作调整就能做出中低端产品，所以“卖IP”很难成立。至于“卖软件”，因为缺乏数据，软件效果有限，而想用客户数据优化，客户又不可能提供自己的核心商业秘密。

所以走下来，可能只有一条路：自己下场做材料，成为AI驱动的新材料公司。目前整个行业还没有完全跑通的先例，但我们的商业逻辑就是以软件为辅，以自己研发材料为主，我们认为这条路是可行的。

新物种：你们如何解决材料领域内高质量数据稀缺的问题？

南凯：我们现在是从几个方面获取数据：一是我们创始团队过去积累的私有实验数据；二是正在自建的无人实验室，用于验证并产生新数据；三是更关键的，我们从领域专家那里提取和结构化“Know-How”。

仅有实验数据往往只能解决特定问题，结合了Know-How的数据才能提升模型的泛化能力。我们也会使用仿真数据，但它主要提供理论或理想上的参考值。

新物种：作为初创公司CTO，你如何看待与DeepMind、微软等大厂以及传统材料公司的关系？

南凯：像DeepMind、微软，它们的研究偏向前沿探索，离实际应用比较远。而像3M、三星这样的大公司内部研究院，虽然也在做，但往往有“大公司病”，进展并不顺利。

我觉得，如果一个领域没有很多人投入，反而说明它可能没有潜力。玩家越多，才证明赛道越有活力。

对于初创公司来说，我们的优势在于灵活，没有大公司的管理包袱。同时，AI技术本身也给初创公司带来了弯道超车的机会。当你有深厚的行业知识（Know-How）时，AI能帮助你更快实现突破。

新物种：具体来看，初创公司的机会在哪些环节？

南凯：机会是全面的。这又回到了刚才说的商业模式。

如果做软件，初创公司反而有优势。想象一下，如果3M推出一款材料研发软件，它的竞争对手杜邦、汉高肯定不会买。但作为独立的初创公司，就没有这个问题。

如果自己做材料，初创公司的优势在于专注和灵活。可以集中所有资源，专攻某一个高端材料品类。利用AI能力，一些用传统方法极难研发的材料，可能会被更快地做出来。

新物种：那对比中美呢？在大模型领域，中美差距现在可能缩小到了3个月。你认为在AI+材料领域的差距是多少？

南凯：我了解的情况是差距不大甚至有优势。这又回到了刚才的话题：材料最终要落实到生产，而产能基本都在中国，这会带来数据获取上的优势。

除了数据层面有优势，至于算法，现在国内大模型也很强，差距不明显。AI for Science通常不需要最前沿的算法，所以算法差距更小。

比如说美国有家做超导材料的明星初创公司，估值很高。但我们是做半导体的，两者方向不同，很难直接比较谁更先进。整体上，我不觉得美国有显著领先，我们在数据上反而有优势。

04. 非标的实验科学

新物种：无论是具身智能还是Agent，都有过被评价为泡沫的质疑，AI+材料也存在类似的情况吗？你认为AI会彻底重塑材料科学吗？

南凯：AI+材料现在还很新，从工业角度没几年，所以不好下结论判断泡沫。但我认为AI肯定会改变这个领域。材料科学的核心挑战在于它是一个实验科学，变量太多，不得不依赖大量试错。

如果未来AI足够强大，能够获取并理解海量、多类型且有权重差异的数据（不仅仅是做数值拟合），那么它就有可能减少对这种试错的依赖。这里的关键是，必须是“科学领导AI” ，要让AI理解数据背后的物理含义，而不是反过来。当AI能真正理解物理世界，并拥有足够参数时，它就一定能重塑这个领域。

新物种：今年国际上有不少AI发现材料的重磅新闻，但也伴随很多争议。比如微软MatterGen登上自然杂志，却被一些科学家批评原创性、实用性不足。你从产业一线看，怎么看待这种质疑与落差？

南凯：材料领域的成果不那么直观可见。有些领域如机器人可以现场演示动作，而AI生成的材料，你只能展示一个结果或者说“我们做出来了”，整个漫长的研发过程很难被直接感知。

此外，材料是实验科学，必须到能落地。像MatterGen这类基于模拟和AI的预测，和实际实验的结果可能存在差距，这自然会引发重视实验的科学家的质疑。

所以，这些争议部分源于过高的期待——产业界希望AI能直接给出可用的完美方案，但前沿研究和实际应用之间还有鸿沟。同时，AI+材料关注度相对较低，一是因为研发反馈周期长，成果见效慢；二是因为“AI for Science”这个概念本身太宽泛，下面包含了生物、材料等众多差异巨大的子领域。

新物种：那材料领域有像AlphaFold那样开源的里程碑模型吗？

南凯：像MatterGen也开源了，但很难说它是材料界的“AlphaFold”。核心差异在于，AlphaFold预测的蛋白质结构本身就是一个极具价值的终点。

而在材料领域，即使预测出了所有的晶体结构，也远未结束，因为最关键的一步是真的在实验中把它做出来。预测出的结构可能非常难以合成或实现。所以，材料科学的实验属性，决定了很难出现一个像AlphaFold那样具有轰动性、决定性意义的单一工具。

新物种：那对材料领域来说，什么才是像结构之于蛋白质的那个关键因素？

南凯：这很难简单类比，材料科学本身的范围就极其广泛，下面分支众多。当你具体到要解决什么case时，面前已经存在着无数种不同的材料类型和问题了。这也是这个领域门槛高、难以普及的原因之一。

制药的目标相对统一（做出可用的药），且后期流程标准化。而材料研发的每个阶段（小试、中试、客户适配）都可能长达数年，且需要大量非标准的调整。此外，现实中应用的多是复合材料，如何协调多种材料之间的关系是更大的难题。

因此，如果问产业界的一线工程师最想要什么，那可能不是某个结构数据库，而是一个能直接告诉他“这个材料具体该怎么一步步做实验”的解决方案。

新物种：最后一个问题。你们团队对SynMatAI的长期期待是什么？比如五年或十年后，希望成为一家怎样的公司？

南凯：我们期待AI能真正在材料领域发挥实际作用——它应该能极大地节省人力、释放劳动力，或者说创造显著的生产力。我们希望AI能切实带来这样的改变。

排版运营 /Teagan

- End -