图源/企业
本文约2800字，建议阅读7分钟
作者丨欧雪
编辑丨袁斯来
硬氪获悉，AI+新材料科技企业——苏州材科源图科技有限公司（MatSource，以下简称“材科源图”）宣布，近三个月内连续完成两轮超亿元天使轮系列融资。
前轮融资由苏高新、硅港资本、合肥原初陆号、上海远鼓参投，老股东亿合、清新资本追投；新一轮融资由经纬创投领投，苏创投及老股东中科创星、硅港资本持续追投。融资资金将重点用于深化“数据—物理模型—AI智能体—自动化实验”全链路研发闭环、加速固态电解质等关键材料的中试与产业化落地，以及引进AI与材料科学复合型人才。
材科源图成立于2025年4月，是一家聚焦“AI for Materials”领域的科技公司。创始人兼首席科学家李昊现任日本东北大学终身正教授，是全日本唯一华人“卓越教授”（日本学术体系最高头衔），也是日本历史上最年轻的终身正教授之一（32岁获评，日本平均终身正教授年龄58岁）。
在李昊看来，当前新材料产业面临的核心瓶颈并非投入不足，而是传统研发范式本身有效率天花板。
以固态电解质为例，人类过去数十年对这类材料的探索尚不足8%，靠传统试错法走完剩余92%的空间估计需60至100年。这正是固态电池量产一再推迟的根本原因：在未完成系统性材料空间扫描之前，任何产线建设都可能因下一代材料的出现而面临沉没成本风险。
这正是AI for Materials的价值锚点。不是替代科学家做实验，而是让AI在虚拟世界中完成数万次“预实验”，大幅压缩材料空间的探索周期。
而材科源图的差异化在于，它并不满足于做“预测工具”，而是试图构建一个从数据到产业落地的完整闭环。
材科源图的技术架构可以理解为一个“大脑+四肢”的协同系统：AI智能体与物理模型构成“聪明的大脑”，高通量自动化实验构成“强壮的四肢”，数据库则是整个系统持续进化的“记忆”。
在数据底座层面，公司已建成全球最大的百万级真实材料数据库。这个数据库并非通过AI自动抓取生成，而是由团队历时七年、投入超百名领域专家，通过系统化的文献与专利数据挖掘、标注与清洗积累而成。
“目前报道的AI辅助挖掘的准确率并不高，幻觉率可能达到95%以上，还是得靠人来啃。”李昊透露，公司已开发高精准数据挖掘工具和系统化审核入库的流程，计划年内将数据库规模扩充至千万级。
在物理模型层面，材科源图已自研超过200个材料预测物理模型，目标年内突破250个。物理模型的作用不仅是预测，更重要的是“约束AI的幻觉”，“F=ma”这类物理规律在经典场景下始终成立，AI就不会预测出违反牛顿第二定律的材料现象。
此外，物理模型与AI智能体之间形成双向校验：AI预测的结果可由物理模型过滤，物理模型也可嵌入AI的训练过程。
在AI智能体层面，材科源图已开发出十余个面向具体材料研发场景的专用AI智能体（AI Agent），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、有机电合成及费托合成等方向。这些智能体并非通用大模型，而是基于真实实验数据和物理模型训练的垂直领域专家。公司近期刚发布了费托合成AI智能体，针对这一重要的工业催化反应实现定向研发赋能。
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。该平台单日样品处理能力达150个，实现了“规划—设计—工艺—执行—反馈”全流程闭环。
这四个板块串联起来，形成了一个可自我迭代的正循环：数据→物理模型→AI智能体→材料筛选→自动化实验→实验验证→数据反馈→模型迭代。
实际上，当前AI for Materials行业普遍存在一个现象：重预测、轻验证、更轻产业化。大量论文展示了AI成功预测了某种新材料，但真正把材料做出来、通过小试中试、送上产线的案例屈指可数。
材科源图选择了一条更务实的路。公司正在构建“技术服务+材料银行+自研材料生产”三位一体的商业模式，目标是打通从AI预测到材料交付的完整链路。
以公司服务某世界500强企业的案例来看，这家企业的一个热催化反应催化剂转化效率低下，困扰了他们20多年，期间曾外包给多个高校和头部材料研发公司均未解决。材科源图接单后，合同约定一年交付，实际不到两个月就找到了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。
在自研材料方面，公司重点聚焦绿色有机电合成、固态电解质等方向，核心项目已进入中试阶段。此外，公司近日还与某生物医药材料公司签署战略合作协议，将AI材料研发能力拓展至生物医学材料领域。
本轮融资完成后，材科源图计划持续推进数据库扩建至千万级、物理模型突破250个，并完善AI智能体矩阵与高通量自动化智能实验室建设，加速关键材料从研发到产业化的全链条落地。
以下是硬氪与材科源图创始人兼首席科学家李昊的对话节选（经编辑）：
硬氪：材科源图的“闭环”和其他公司的区别在哪里？
李昊：闭环不是把东西简单串起来，也不是在某个单点工具上做突破，过去十几年的研发范式迭代已经证明这条路走不通。我们的闭环是在每个环节都做到极致，并且有机整合。
数据库是基石。百万级真实实验数据，不是理论模拟数据，这是全球已知最大的。基于数据库，我们推导出200多个物理模型，同时训练出精准的AI智能体。物理模型约束AI幻觉、提供可解释性；AI智能体负责高通量预测。预测结果由自动化实验平台验证，实验数据再回流到数据库。
每一个板块都是护城河。数据库是七年愚公移山式的积累，物理模型是我们的理论绝活，行业内其他公司在这块的积累几乎没有。AI智能体基于高质量数据训练，自动化平台涉及多学科交叉。把这些串成闭环之后，我们在某些材料方向已经实现了“指哪打哪”。
硬氪：固态电池产业化的瓶颈到底是什么？AI能解决什么？
李昊：固态电池为什么到现在还没有大规模量产？瓶颈就在固态电解质。过去三四十年，人类对固态电解质材料的探索还不到8%，剩下92%以上是未知的。靠传统试错法去走完这92%，估计60年、100年都不一定走得完。
为什么每一个固态电池厂商都在往后推量产时间？每次都说“明年”，从二零一几年推到今天。因为如果你今天建了产线生产某类硫化物电解质，明年科学家用传统方法找到了更好的材料，你这条产线就废了。
AI要做的，是在建产线之前先把未知的92%走一遍，或者至少走完大部分，我们才知道在当前场景下什么材料才是最优解。没有这个前提，任何大规模产业化都是在盲人摸象。
硬氪：从AI研发工具走向材料产业化，商业化路径怎么走？
李昊：AI材料领域最缺的是落地。我们的目标是做全球最早通过AI赋能实现材料大规模产业落地的公司。
目前有三种模式：第一，技术服务，为客户提供定制化研发。刚才提到的世界500强案例就是典型，我们用两个月解决他们20多年的难题。第二，材料银行，把研发中形成的新材料配方和工艺沉淀下来，通过IP授权变现。第三，自研材料生产，聚焦固态电解质、绿色有机电合成等方向，自己建产线、做放大。
光有AI不行，不做材料、不放大、不上产线，就没办法真正为产业赋能。我们不仅要预测材料，还要把材料做出来、通过中试、送上产线。这才是AI for Materials的最终价值。
凯狮优配提示：文章来自网络，不代表本站观点。
