张江何以成为AI4M思想策源地？一场跨越学术、产业与资本深度对话

当 AI for Science 的浪潮从生命科学向物质科学纵深推进，材料研发正经历从「经验试错」到「智能设计」的范式转换。数据稀缺、工程化闭环缺失、商业模式模糊等现实挑战，让这场变革远比单一技术突破更为复杂，也更需要一场跨越学术、产业与资本边界的深度对话，在真问题中探寻真路径，在碰撞中建立真合作。

5 月 22 日，塔尖会系列活动之「AI 驱动下的材料科学范式革新闭门会」在张江 AI 创新小镇顺利举行。本场活动由机器之心、张江人工智能创新小镇生态服务公司、机器之心联合主办，并得到张江科学之门 A 塔的场地支持。来自国家实验室、顶尖高校、科技大厂、AI4M 创企与知名投资机构的近二十位一线专家齐聚一堂，围绕「技术瓶颈与范式突破」「产业落地与商业化现实」「未来趋势与生态协同」三大核心议题展开高浓度研讨。

为何是张江 AI 创新小镇，为何在此刻？

将这场闭门会落地于此，并非偶然。作为上海面向全球打造的人工智能创新高地，张江 AI 创新小镇已构建起从人工智能算法、算力到应用场景的完整生态链，更在集成电路、生物医药、新能源、先进材料等领域形成了深厚的产业积淀。近年来，一批 AI4S 顶尖团队与平台在此聚集，「AI 算法+智能造+新材料」的独特土壤日渐成熟。当技术变革亟需打通从理论突破到工程落地的全链条，这里所具备的产学研协同生态与产业纵深，自然成为探讨 AI4M 范式革新的理想发生地。

论道 AI4M：技术、商业与生态的三角张力

活动现场，在上海交通大学溥渊未来技术学院副教授、未来电池研究中心执行主任 万佳雨的主持下，嘉宾围绕技术可行性、商业闭环与生态协同等「真问题」展开激烈辩论，输出了极具锐度的观点。

苏州实验室主任研究员、中国科学技术大学客座教授 陈忻 分享了他对 AI4M 赛道的长期观察。他认为，虽然 AI+材料较 AI+生物整体滞后约五年，但现在正是该方向起飞的时刻。他尤其看重中国材料领域人才数量，以及长三角的产业基础，这正是他选择回国的底层逻辑。谈及材料科学的终局，他认为不同材料体系很难简单统一，唯有利用 AI 大模型与智能体打通从微观到宏观，从计算模拟到实验验证的鸿沟，才可能催生真正的范式转换。

道生天合材料科技数字自动化总监管升阳指出，工业材料领域参数繁多，虽看似拥有海量数据，但这些数据多服务于生产工艺，而非面向AI研发设计。经剔除无效与错误数据后，真正可用的数据极其有限，且大多存在分布不均的问题。此外，供应商数据缺失、批次溯源成本极高，导致数据规范化难以落地，这已成为制约当前工业场景AI落地应用的核心瓶颈。

素源矩阵创始人兼 CEO 韩家乐 谈到，从半导体封装到粘合剂的多次落地受挫表明，AI4M 的卡点不在实验室预测，而在工艺适配。他们通过工程师驻场摸查工艺，将老师傅经验量化为算法约束，搭建「实验数据-工业迁移-智能体闭环」，已在建材制造等场景实现从经验决策到数据决策的转化，验证了老材料新配方的工程化路径。

东南大学集成电路学院特聘教授、博士生导师 黄虎彪 强调，半导体材料领域中学界与产业对「材料」的认知画面差异极大，微观官能团的一点变化往往引发宏观性质非线性跃迁，导致AI数据标注与预测极为困难。他进一步指出，该行业核心并非单一材料，而是系统性工艺整合，数据积累与标定仍是AI落地的关键瓶颈。

果壳 CEO、未来光锥前沿科技基金创始合伙人 姬十三 谈及 AI4M 赛道现状时指出，垂直平台公司正面临数据壁垒与通用模型挤压的双重困局——小公司缺乏数据积累，大公司不愿意将数据外给。这意味着纯平台模式商业模式不容易探索，他更看好愿意自建管线、向下游实验环节延伸的团队，而非仅停留在算法层的服务商。

科思创 AI4M 负责人 刘玮 回顾了团队从化学模拟到数据驱动的演进——早期发现纯计算与物理世界存在偏差，于是将模拟特征与实验数据融合，借自动化提升数据质量。她希望 AI 不仅加速研发，更能打通生产端优化与问题溯源，同时更敏捷地捕捉下游需求，缩短从实验室到终端客户的周期。

复旦大学化学系教授、复鞍科技创始人 刘智攀 指出，AI4M 底层突破仍在于量化精度与跨尺度模拟。实验数据因商业壁垒难以共享，计算数据更易形成开放范式，未来研发将走向「干湿闭环」。复鞍科技正降低高精度计算门槛，通过智能体与云端工作流帮助企业构建私有数据，打通原子模拟到工业决策的链路。

新研智材 SynMatAI CTO 南凯 判断，AI4M 赛道仍处于极早期，既无成熟商业模式，更缺乏类似自动驾驶的行业标准分级，导致甲乙双方预期严重错位。他坦言，材料领域不像医药具备清晰的盈利体量，投资人与客户均难以界定企业价值。他强调，这一领域必须经历充分的矛盾碰撞与市场验证，才能逐步沉淀出真正可行的共识与范式。

创材深造创始人兼 CEO 王轩泽 谈到，虽然行业内还有着通用专用之争，但大家普遍对 AI4M 的赚钱模式有了较统一的观点，既专注于某一领域提供管线或材料等可以直接为客户带来真实价值的产品。

索格智算首席科学家、上海交通大学特聘教授 徐振礼 表示，材料基因工程历经十余年积累，正处突破窗口。材料机器学习力场大模型在不停提升，在降低参数量与算力成本的同时提升精度，缩短新材料发现周期。但他坦言，赛道前景广阔却面临生态初建、成本高昂等挑战，企业需在理想与生存间寻得平衡，更需长期耐心

Monolith 投资人 严宽 谈到，大模型作为入口正重塑 AI4S 的价值逻辑。他观察到，赛道中具备长期潜力的方向有二：一是以专业数据为大模型提供底层支撑，二是成为其可高频调用的工具与求解器。单纯窄域低频的实验服务难以持续创造价值，兼具数据或工具属性、并拥有清晰长期愿景的团队，更易获得资本与市场的认可。

词元造物创始人兼 CEO 余松林 指出，材料智能体的核心，不是替代研发人员，而是让研发人员的经验、数据和工具形成可持续进化的研发系统。

在应用端看来，AI4M的工业落地，首要面对的就是“高质量数据短缺”的硬骨头。道生天合材料科技数字自动化总监管升阳指出，工业材料领域参数繁多，虽看似拥有海量数据，但这些数据多服务于生产工艺，而非面向AI研发设计。经剔除无效与错误数据后，真正可用的数据极其有限，且大多存在分布不均的问题。此外，供应商数据缺失、批次溯源成本极高，导致数据规范化难以落地，这已成为制约当前工业场景AI落地应用的核心瓶颈。

面对这一制约行业发展的核心瓶颈，头部的材料巨头已经在积极尝试破局。科思创 AI4M 负责人刘玮回顾了团队从化学模拟到数据驱动的演进——早期发现纯计算与物理世界存在偏差，于是将模拟特征与实验数据融合，借自动化提升数据质量。她希望 AI 不仅加速研发，更能打通生产端优化与问题溯源，同时更敏捷地捕捉下游需求，缩短从实验室到终端客户的周期。

以这些一线探索为缩影，以道生天合、科思创为代表的多家材料应用的场景方达成了更深层次的共识：AI4M正在重塑材料行业的底层逻辑，未来的材料应用竞争不再单是产能的竞争，而是数据与算力的竞争。通过将AI深度植入材料研发与供应链各环节，不仅能加速前沿材料的发现，更将驱动全产业链向智能化、数字化的高端价值链迈进。

*以上嘉宾观点按姓氏首字母排序

这场汇聚 AI4M 「半壁江山」塔尖论道闭门组局，让学术前沿的理论洞见、创业一线的落地焦虑、产业巨头的真实需求与资本力量的趋势判断，在轻松互动中自然交织。这种多元视角的碰撞，恰与张江人工智能创新小镇着力打造的开放创新生态相互呼应。当 AI for Materials 从实验室猜想走向工业决策，真正需要的或许正是这样一个场域：让技术、商业与生态的张力在此释放，让范式革新的下一步在对话与连接中自然生长。