AI4M材料研发闭门会：基础模型增强后的实践探讨

11月5日，未来光锥前沿科技基金举办的首期 AI4S 下午茶在上海北杨人工智能小镇举行。来自科研、创业与材料产业等领域的从业者，围绕 AI for Materials（AI4M，人工智能赋能材料研发）展开了长达三小时的交流碰撞，从基础模型的进步，谈到实验室的操作细节，再谈到企业愿意为什么付费。以下根据现场交流，谨简单整理部分观察。未来光锥 AI4S 下午茶活动将继续举办，欢迎保持关注。

本次闭门会由未来光锥前沿科技基金创始合伙人、果壳创始人姬十三主持

材料研发需要同时回答两个问题：性能为什么成立，以及现实中怎样把它做出来。讨论提及，可合成性、工艺窗口和应用条件，应当更早纳入材料设计。否则，候选方案可以不断增加，从候选到可用材料的距离却未必缩短。
基础模型可能先于材料领域的垂直模型攻克特定问题。有研究者提到，从文献图谱中提取曲线数据曾需要人工辅助，几个月后，基础模型已经能够直接完成这一环节。
由此推出“落后者联盟”：在原有竞争中处于追赶位置的企业，可能更愿意开放数据、联合开发，借助模型能力寻找新的机会。基础模型公司需要真实场景和实验数据，AI4M公司需要技术能力，双方由此找到合作的理由。
自主实验室的一道关键分界，是下一轮实验由谁、根据什么证据来决定。识别图谱中的复杂晶体结构，与决定接下来合成什么，是两项不同的任务。前者表现再好，也不能直接证明后者已经具备。
如果只完成了操作自动化，实验怎么选、结果怎么用，仍要靠研究者衔接。这些环节的突破，才更接近自主研发的核心。
材料数据获取难，可直接使用的高质量数据更少。研究者对现有数据的判断并不乐观：材料体系、仪器、制样方式各不相同，数据高度碎片化；通用数据库规模很大，落到某个细分体系，可用的数据却可能不够。
企业里的记录也有问题。笔记、表格散落在不同人手中，课题组之间难以互通；失败样品没有分类和标签，也对不上实验记录。
有产业从业者分享，同一个配方、同一批人，换条产线，做出的材料仍可能明显不同。只保留配方和性能，中间的工艺条件就丢了，靠格式清洗补不回来。不过，国内大量工厂的长期积累，也提供了可挖掘的数据。
实验自动化的难度，可以具体到观察一滴液体是否真正离开移液枪头。现场分享的生命科学机器人实践中，系统需要确认动作是否产生了预期结果，发现异常后重试、回退，才能跑通具身智能做实验的闭环。另有提到材料体系自动化的难点，比如高黏度物料的输送、搅拌和转移。有企业回顾早期评估高分子自动化方案的经历，设备投入较高，实际通量却未必优于人工。
模型给出新配方很快，实验做得快不快，还要看具身智能团队和实验室自动化团队的技术突破。
基于神经网络的快速仿真，让研发有条件尝试过去不会尝试的方案。一轮仿真耗时很长，团队能比较的候选就有限；在适用范围内缩短验证时间，就有余力比较更多候选，考察更多材料与工艺变量的组合。据现场团队介绍，在特定零部件设计案例中，已经开展了材料配方、结构和工艺的联合寻优，寻找逐个调整变量时不易发现的组合。
研发流程也可能随之改变：过去凭经验选定少数方案，再逐一验证；现在可以大规模生成候选，让计算、筛选与修正更密集地交替进行。
AI4M 在应用场景的早期突破，有时来自把问题缩小到能够验证、能够交付的范围。产业合作中也有类似路径：先优化工艺，再讨论主材替代，最后才涉及材料体系变更。三者要经过的下游验证、承担的导入成本，并不相同。
现场介绍的一种做法，是把任务拆成下一轮实验安排，两到四周看一次结果，逐步建立信任。客户看得出建议有没有用，技术团队也能及时调整，再决定下一步是否扩大应用。
AI 进入材料企业，会触及判断权、责任和知识归属。高层认可项目，未必意味着研发团队愿意提供数据，更不意味着有人愿意承担采用新方案的风险。
嘉宾分享了一次经历：企业负责人十分支持，具体研发负责人却提供了假数据，合作最终没能推进。高层的信任，不能代替执行层的配合。再加上技术服务方可能进入同一研发赛道，客户还会担心自己的知识优势被削弱。本地部署能回应部分顾虑，但数据如何使用、谁有权限、能否用于其他项目，仍需逐项说清。
一个问题值得用 AI 研究，未必已经有经济可行的交付方式。产业端谈到，材料化工行业相对传统，企业长期依赖成熟工艺和工程师经验，对新技术的采用往往较为保守。即使有明确需求，开发成本也可能挡住合作。
因此，判断 AI4M 的商业机会，既要算客户能获得多少价值，也要算服务方为此要付出多少成本。项目结束后，哪些工具、数据处理方法和实施经验能在保密前提下复用，也影响下一单是否值得做。合同金额、客户收益与服务方利润，是三笔不同的账。