北京
苏州材科源图科技有限公司（MatSource）近日宣布，近三个月内连续完成两轮超亿元天使轮系列融资。前一轮投资方包括苏高新、硅港资本、合肥原初陆号和上海远鼓，老股东亿合资本、清新资本追投；新一轮由经纬创投领投，苏创投及老股东中科创星、硅港资本继续跟投。
这距离其2025年11月完成数千万元天使轮融资（中科创星领投，元禾控股与亿合资本参与）仅过去半年左右。资本密集下注的背后，是AI for Materials赛道关注点的转移——从算法和科研平台，转向实验闭环与产业交付。
AI预测之后，还得过实验这道坎
AI进入材料研发不是新概念。过去几年，机器学习已被用于材料性质预测、候选配方筛选和分子结构设计。但材料研发与文本、图像生成有本质区别：模型给出的结果只是一组候选方案，最终能否成立，要经过合成、测试和反复验证。
这带来一个现实矛盾：计算端可以快速筛选大量候选材料，实验端的合成、表征和验证速度却未必跟得上。两者形不成闭环，模型预测就很难转化为可用的配方和工艺。
材科源图试图把这两端接起来。其技术体系包括材料数据库、物理预测模型、材料智能体和高通量实验平台。公司披露，目前已积累百万级真实材料数据库，自研材料预测物理模型超过200个，并计划年内将数据库扩充至千万级、物理模型增加至250个以上。
与依赖统计相关性的通用大模型不同，材科源图的专用AI智能体基于真实实验数据与物理模型训练，属于垂直领域专家系统，目前覆盖固态电解质、氢能电催化、离子液体、光刻胶、热催化、分子筛、有机电合成和费托合成等方向。
从“筛选材料”到“筛选—验证—迭代”
在高通量自动化实验层面，材科源图推出了全球首台AI Agent驱动的无机固相/固液相合成高通量自动化实验平台，单日样品处理能力达150个，实现“规划—设计—工艺—执行—反馈”全流程闭环。
这套闭环的意义在于，模型不再只输出预测结果，还能通过真实实验不断校正。过去大量依赖研究人员经验的配方调整、参数组合和重复实验，有机会转化为可记录、可复用的数据。
闭环研发体系已在产业项目中得到验证。以公司服务某世界500强企业的案例来看，该企业一个热催化反应催化剂转化效率低下，困扰多年，期间外包给多个高校和头部材料研发公司均未解决。材科源图承接后，合同约定一年交付，实际不到两个月就找到一系列性能更优的催化剂，其中最优者比企业原有材料性能高出30%，目前已通过小试，正在走中试和量产阶段。
三条商业化路径，覆盖更长链条
商业化方面，材科源图规划了三条路径：
- 技术服务：面向企业定制研发需求，通过项目开发、专利买断和Token计费等方式收费。
- 材料银行：将研发中积累的材料配方、工艺和知识产权作为可复用数字资产，通过授权及收益分成变现。
- 自研材料生产：向下游延伸，通过自建或合资工厂推动材料量产。
公司当前重点布局绿色有机电合成和固态电解质等方向，部分项目已进入中试阶段。与单纯销售软件或算法服务相比，这种模式试图覆盖从材料预测、实验验证到配方授权和产品生产的更长链条，但也意味着公司需要承担更重的实验设施、工程放大和产业运营投入。
AI for Materials正在从技术验证向实际研发流程渗透。对这一赛道而言，模型能筛选出多少候选材料只是起点，真正决定商业价值的，是候选方案能否通过实验验证，能否形成稳定工艺，并最终转化为客户可以采购的材料产品。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
