两个95后麻省理工师兄弟，拿下近10亿元，让上海北京国资同时出手！

近日， AI for Materials 公司深度原理（ Deep Principle ）宣布完成 A 系列融资，累计融资金额近 10 亿元人民币。最新一轮 A3 融资由孚腾资本领投，华控基金、康君资本等跟投，顺禧基金、高瓴创投、祥峰投资、戈壁创投、线性资本、联想之星、 BV 百度风投、启高资本等过半数老股东大幅超额加注。

这是国内 AI for Materials 领域迄今最大规模融资，也是行业内少数获得上海、北京两地国资平台联手支持的 AI for Science 企业。孚腾资本由上海国投公司作为主要发起人，联合临港集团、上汽集团、宁德时代、哔哩哔哩等产业集团共同设立；顺禧基金则隶属于北京国管。康君资本的入局则意味着下游产业方——康龙化成——开始为 AI 材料研发的商业价值投票。

深度原理成立于 2024 年，由两位麻省理工学院博士贾皓钧和段辰儒联合创立。贾皓钧为 MIT 物理化学博士，曾在陶氏化学核心研发部门从事新材料与催化剂研究；段辰儒为 MIT 化学博士，师从 AI 化学设计领域领军人物 Heather Kulik 教授，曾任微软 Azure Quantum 研究科学家。两人是 MIT 同门师兄弟，公司 COO 张露阳曾在地平线、 Tenstorrent 负责 AI 计算平台，补齐工程化一环。

麻省理工师兄弟，拿下近 10 亿元：他们卖的不是 AI ，是“确定性”

一、这家公司到底在干什么？

用一句话说清楚：用 AI 帮企业“算”出新材料应该怎么造，然后自己动手把材料造出来验证。

贾皓钧和段辰儒，两个 95 后， MIT 同门博士，师从 AI 化学设计领域的领军人物 Heather Kulik 教授。 2023 年春天，两人吃着烤羊排聊了一下午，决定回国创业。公司取名“深度原理”——“深度”来自深度学习，“原理”来自第一性原理。

从左到右依次为段辰儒、贾皓钧、张露阳

2024 年公司成立，到 2026 年 7 月 A 系列融资累计近 10 亿元，最新 A3 轮由孚腾资本领投，华控基金、康君资本跟投，顺禧基金、高瓴创投、祥峰投资、戈壁创投、线性资本、联想之星、 BV 百度风投、启高资本等过半数老股东大幅超额加投。

这个投资阵容值得细看：孚腾资本是上海国投牵头设立的，顺禧基金是北京国管的，康君资本是康龙化成旗下的。上海国资和北京国资同时出现在一家成立仅两年的公司的股东名单里，在 AI for Science 赛道极其罕见。

但这篇文章不想只讲融资故事。更值得琢磨的是：这家公司凭什么让这么多钱同时下注？

二、一个反直觉的起点：不拿论文找客户

深度原理成立之初做了一个“反共识”的判断：不拿着论文、模型或专利去找客户，先去产业里找真实需求。创始团队访谈了一百多家企业，发现一个尴尬的现实：大家已经意识到 AI 可能会改变化学材料研发，但不知道具体怎么操作。

这暴露了 AI for Science 赛道最核心的困境——科学家能造出好工具，但不一定知道工厂里真正需要解决什么问题。

贾皓钧对此有个很清醒的判断：“很多项目失败，并不是模型不够先进，而是从一开始就没有找准真正需要解决的问题。团队如果全是科学家，却缺少真正理解产业的人，很容易做出技术上漂亮、商业上却没人买单的产品。”

欧莱雅的项目是一个典型样本。美妆巨头需要为一款抗衰产品做配方改良，高活性分子效果好但稳定性差、保质期短，而客户又不能开放完整配方数据，分子筛选只能在一个可采购、可销售、可添加的候选化合物范围内进行。深度原理要从 4000 多个候选分子里找出真正值得实验的选项。最终推荐了十余个分子，客户实测其中 80% 效果优于过去的配方分子。

注意这个数字： 80% 的实测命中率。 这意味着 AI 不是在“猜”，而是在有物理机制支撑的前提下做筛选。这个区别很重要，后面会展开。

三、“动态白盒”：为什么解释机理比只给答案值钱？

行业里大多数 AI 材料公司做的事叫“分子生成”——用 AI 画出新分子的结构图，告诉客户“你可以造这个”。但深度原理多走了一步：不只给出候选结构，还解释结构背后的物理机制和化学反应路径。内部叫“动态白盒生成”。

这个技术选择背后有商业逻辑。传统 AI 辅助研发是“黑箱”：模型给一个候选方案，客户不知道它为什么好、怎么改，只能拿去试。试错了再来一轮，本质上还是在碰运气。“动态白盒”给的不是一个孤立答案，而是一套可以继续推导、验证的线索。

打个比方：黑箱路线像是一个算命先生告诉你“这个方向对”，白盒路线像是一个老工程师告诉你“因为这个反应路径的能量壁垒更低、中间体更稳定，所以这条路走得通，如果你想把稳定性再提高 10% ，可以在这个位点做修饰”。

对企业研发团队来说，后者才是真正能嵌入工作流的工具。 因为你需要的不是被告知答案，而是理解为什么是这个答案，这样才能在后续迭代中自己做判断。

这决定了深度原理的客户黏性。欧莱雅从最初的项目合作，已经延伸到活性分子衍生物设计和新分子设计。杉海创新完成了 AI+ 超分子合成平台的本地化部署后，合作升级为 Agent 订阅模式，启动高价值新型活性物联合研发，合作采用首付款、里程碑付款和收益分成形式，杉海创新提出 17 个分子研发需求，首批 5 个覆盖抗皱、美白、防脱发、止痒等方向。

四、 L4 闭环：把“碰运气”变成“可积累”

这是深度原理最硬核的差异化，也是它区别于大多数 AI for Science 公司的关键。

科研长期存在“干实验”与“湿实验”脱节的问题： AI 负责计算和预测，实验室负责验证，两者之间靠人工沟通和反复试错连接，模型很难从实验结果中持续学习。

深度原理建立了一个 L4 级别的高通量实验室 AI Materials Factory ，让 AI Agent 直接控制实验设备完成实验，自动采集实验数据反馈给模型持续迭代，形成“ AI 预测—实验验证—知识沉淀—模型迭代”的完整闭环。这意味着 AI 每做一轮实验，下一轮预测都会更准。

这和大多数 AI 材料公司的路线有本质区别。行业里不少企业仍聚焦于研发中的某一个环节——材料生成、性质预测或实验自动化——而深度原理试图覆盖从科学假设提出、材料设计、计算验证、实验执行到知识沉淀的完整链条。

用一个冷却液的真实案例来说明这件事的价值： AI 芯片和数据中心推高散热需求，传统风冷难以适应高密度算力场景。团队从大量候选分子中筛选，经过高通量实验验证，实验数据回流模型后校准下一轮筛选策略，四个多月完成了一组冷却液配方，正在推进专利申请和下游兼容性测试。

传统冷却液配方研发，从实验室到可量产产品通常需要数年。四个多月，差距不在模型有多聪明，而在于实验和计算的循环被加速了，且每一轮的数据都在被系统性地利用而不是浪费。

五、评测数据：最便宜的，反而是最强的

2026 年 WAIC 上，深度原理正式发布 AI Scientist 平台 Mira ，并公布了三项全球权威评测的成绩。

在 Research Claw Benchmark （覆盖化学、能源、材料的端到端科研基准）中， Mira 以 17.51 分位列所有参评智能体第一，第二名 Codex 得分 14.60 。在药物发现评测 Science Agent Arena 中， Mira 综合得分 0.814 ，同样位列第一，领先 Claude Code 约 6.5% 。

更有产业意义的数字在成本列： Mira 完成单项任务的平均成本约 0.67 美元，是所有参评系统中最低的。第二名 ResearchClaw 要花 0.89 美元还拿不到第一。与 Codex CLI 相比， Mira 成本降低约 75% ，得分提升约 20% 。

“最强 + 最便宜”的组合，在科研智能体领域是一个结构性信号。 它说明 Mira 的效率不是靠堆算力堆出来的，而是靠架构设计——先用低成本方法大范围初筛，再根据中间结果自动分级，有潜力的做高精度计算，靠谱的直接进实验。大量算力没有浪费在不靠谱的选项上。

这一点对企业的采购决策影响很大。当 AI 工具从“科研玩具”变成“生产工具”，每美元产出的可验证结果就成了核心指标。便宜且好用，比贵且好用更容易被规模化部署。

六、国资和产业资本同时下注，意味着什么？

回到投资阵容。孚腾资本（上海国投） + 顺禧基金（北京国管） + 康君资本（康龙化成）的组合，在 AI for Science 赛道里非常罕见。这个组合释放了两个信号：

第一， AI 驱动科学创新正在从资本市场的前沿探索进入国家战略布局的视野。 2025 年国务院印发的《关于深入实施“人工智能 + ”行动的意见》将人工智能赋能科技创新列为培育新质生产力的重要方向。中国科学院院士鄂维南曾指出， AI for Science 的意义不仅在于提升科研效率，更在于推动科研组织方式从“作坊模式”向“平台模式”转变。深度原理的 L4 闭环实验室，恰好是这个判断在材料领域的具体落地。

第二，产业资本在用真金白银为 AI 材料研发的商业价值投票。 康君资本是康龙化成旗下的 CVC ，康龙化成是国内 CRO 龙头。它的入局意味着下游产业方不是在观望，而是认为这件事确实能改变研发效率。大语言模型和具身智能都已经被资本充分定价， AI for Science 仍处于“非共识”阶段。国资和产业资本在这个阶段重注，本身就是一种信号。

七、一个更大的判断： AI for Science 正在经历“评价体系分水岭”

2026 年 8 月，深度原理联合微软研究院、斯坦福大学、 FutureHouse 、艾伦人工智能研究所等机构发布了论文《 Measuring AI Scientists: From Exams to Discovery 》， 2018 年诺贝尔化学奖得主 Frances Arnold 、全球最大材料开源数据库 Materials Project 创始人 Kristin Persson 等顶尖学者参与其中。

论文的核心主张是：现有以 HLE 为代表的“考试式”评测，只能测出模型掌握了多少已有知识，测不出模型能不能创造新知识。 真实的科学发现没有预设答案，科学家要自己锚定问题、提出可验证的假说、在资源约束下设计实验、从不确定的结果里修正认知。

论文提出了“发现回合”的概念——不再测单独的题目，而是测一整段完整的科研决策过程。从掌握了什么信息、提出了什么方案，到执行了什么操作、如何通过结果调整方向，最终对整条轨迹的科学性、严谨性和有效性做综合评判。

这个评价体系的转变，对行业的影响是深远的。过去几年 AI for Science 的竞争，很大程度上是“谁能把论文发在更好的期刊上”。现在竞争标准正在变成“谁能让 AI 真正跑完一个科研项目”。 前者是学术能力，后者是工程能力，两者的差距比大多数人想象的要大。

深度原理在这个转变中占了先手。公司已经沉淀了大量覆盖计算和实验的闭环数据， Mira 平台也已在实际工业场景中落地。当行业还在讨论“ AI 能不能做科研”的时候，它已经积累了“ AI 做了哪些科研、结果如何”的实践数据。

八、最后说点实在的

深度原理还远没有到可以庆祝的时候。它的商业化路径是：从早期项目交付，到平台订阅、管线共研、自研管线并行。目前正在从第一阶段向第二阶段过渡，已落地多个单客户千万级订单。这个阶段最考验的不是技术，而是能不能把“一个客户的成功”变成“一类客户的标准化方案” 。

它选了一个很好的切入点。 AI 制药的瓶颈在临床试验（监管和生物学的不确定性太大），而材料研发的瓶颈在“找到对的配方”——一旦配方确认，后面的中试放大和量产恰恰是中国制造业最擅长的事。这个判断让它在商业化上避开了 AI 制药“等临床数据”的漫长周期。

贾皓钧说了一句话值得记住：“要把改变世界的材料做出来，仍需要投入非常大的资源。”融资只是拿到了入场券。接下来要证明的，是这些钱能不能真正变成货架上的产品、工厂里的配方、数据中心里的冷却液。

AI for Science 的“ ChatGPT 时刻”不会是一个模型突然变强了。它更可能是某一天，一家材料企业发现自己已经不需要再做无效实验了——每一轮实验都是基于上一轮结果的精准推进。 这个时刻到来的时候，行业里真正吃到红利的，不会是跑分最高的那个，而是干湿闭环最扎实的那个。