9月底以来,材料领域的动作密集出现:中国科协专场发布了一款材料大模型,工博会新材料展首次辟出AI赋能材料专区,工业和信息化部等八部门印发的《“人工智能+制造”专项行动实施意见》,也把人工智能与新材料研发的融合列为方向。几条信号指向同一件事——AI for Materials(AI4M,人工智能赋能物质研发)正从论文与概念走向产线,而算力与可复现的验证,是绕不开的两道关。
沿着这条路,广东芯培森技术有限公司把这两道关当成主攻方向。
信号来自三个方向
材料大模型不是新话题,但集中出现在国家级发布与产业展会上,是最近才有的事。据人民网报道,中国科协“新天工开物”科技成就发布会人工智能专场推出的“材华·MatVerse”,形成从数据、大模型、智能体到评测与应用的全链条流程,并首创覆盖19类材料二级学科的评测基准;据发布方介绍,这是世界首个百亿参数的材料大模型。展会上,动作同样直观:10月12日开幕的第26届中国国际工业博览会,新材料展首设“AI赋能材料与材料装备岛”,集结30家科研院所与专精特新企业,据介绍,展示重点已从软件演示转向经中试验证的实物与工业案例。政策一侧更早给出方向:《“人工智能+制造”专项行动实施意见》提出,建设新材料大数据中心,发展面向合金、陶瓷、高分子、能源材料的跨尺度计算框架,提升材料“成分-结构-性能”反向设计能力。
把这几件事放在一起看,指向是清楚的:材料研发的智能化,已经走过“要不要做”的阶段,进入“怎么做实”的阶段。路径并不唯一——有的团队从数据与模型入手,有的从算力与工具入手。芯培森选择的是后一条,从算力与计算服务的底层做起。
投入的方向,也在变
据中研普华产业研究院测算,中国AI+材料科学市场的复合增长率达36%至38%,明显高于全球(不同机构口径与测算假设存在差异);赛迪顾问在前沿材料研究报告中,也把“AI赋能材料研发、从经验驱动转向数据驱动”列为三大趋势之一。更值得注意的是走势:市场扩张的动力,正从“发现新工具”转向“把工具嵌入研发流程”。
国内已有可对照的案例。据新华网10月10日报道,云南一家贵金属新材料企业的研发团队借助材料基因工程的机器学习模型,从19万种候选合金配方中锁定21种,其中15种性能全面超越历史最优值。从交付一线看,这种要求更具体——据芯培森介绍,客户提出的问题正从“这款材料好不好”转向“在同等条件下,它和另一款相比如何”,把结论的成立条件一并说清,也从加分项变成基本要求。
模型之上,还有两道更硬的题
模型能力的跃升,并没有让材料研发的难题自动消失。把这些问题放到材料计算的具体场景里,最终都要落到两个更基础的环节——算力,以及结果的可复现。
一是算力。材料计算长期存在一道尺度断层:精度高的方法,如密度泛函理论DFT,计算成本随体系规模按更高的幂次放大,大体系难以承受;算得动的方法,如依赖传统经验势函数的经典分子动力学,精度又不足以支撑筛选。机器学习分子动力学MLMD试图在两者之间搭桥,但要让这条路稳定跑起来,背后是持续的、面向原子级模拟的算力供给。
二是可复现的验证。据新浪财经10月10日报道,有投资人提出,人工智能与材料研发的结合仍处早期,高质量、可训练的数据稀缺且分散,业内称之为“数据孤岛效应”;数据分散在不同实验室与产业端,一个结论能否被第三方复核、换一组条件是否还成立,就成了绕不过去的问题。据芯培森介绍,客户常追问的正是这两类问题:一组结果的成立条件是什么、条件变化后结论是否稳定,以及算力能否支撑多轮迭代。
芯培森的位置:算力,以及交付
面对这两道关,芯培森的取舍相对清楚。
据芯培森介绍,公司的业务落在AI4M这一方向上,由三部分构成:专用算力硬件、AI智能工具,以及材料计算服务。
三块之中,硬件是最基础的一层。芯培森APU(Atomistic Processing Unit,原子级物质计算专用算力单元)没有走“通用”的路子,而是把架构围绕原子级模拟重做:让数据紧靠存储位置参与运算,从架构上避开“存储墙”、“功耗墙”这两类开销;与之配套的赫曦服务器,再通过超异构架构(CPU/GPU/APU协同)在任务之间分工。之所以选择专用化,是因为材料计算的任务特征相对固定——长时程、大体系、多轮迭代,通用算力执行时相当一部分开销消耗在数据搬运上。据介绍,面向MLMD、DFT这两类代表性计算路线,这套硬件相较通用算力,速度与能耗表现都有显著改善。
工具与服务在硬件之上。AI智能工具把自动建模、参数寻优、报错预判与结果后处理连成一条流程,承接研发中的实际场景;2026年9月10日发布的材料计算服务品牌芯培森·SwiftMater,首个服务产品即聚焦固态电池电解质。据其介绍,该服务由全职直营的硕博团队完成从需求理解到结果交付的全过程,配有三层质控体系,交付口径为“准时、准确、可溯源”。
三者合在一起,芯培森对应的是同一类需求:硬件的算力、工具的效率、服务的责任归属依次衔接,让一次计算不仅算得出结果,也能被稳定地复现与对照。
材料大模型的密集登场,本身并不是答案。接下来的分水岭,或许不在又发布一个更大的模型,而在一组能被反复引用、可复现的结果——那才是材料研发用得上、也敢用的东西。
