WAIC大咖說｜AI Scientist的產業何時爆發？深度原理CEO賈皓鈞：關鍵在于打通實驗室到產線的“最后一公里”

從AlphaFold 2將蛋白質結構預測精度提升至原子級，到華為云“盤古”氣象模型將全球天氣預報速度提升1萬倍以上，AI（人工智能）正在從科研輔助工具走向科學發現全過程。

AI4S（AI for Science，人工智能驅動科學研究）也被稱為繼實驗科學、理論科學、計算科學、數據密集型科學之后的“第五科研范式”，而AI4M（AI for Materials，人工智能賦能材料科學）是其中備受關注的分支之一。

成立于2024年的深度原理，于今年7月初完成了近10億元A系列融資，創下國內AI4M領域迄今最大規模的融資紀錄，頭部國資、產業投資和財務投資機構均出現在投資方名單上。

AI能否真正成為“科學家的大腦”？AI4M企業又該如何跨越從模型、實驗到商業化的鏈條？7月20日，在2026世界人工智能大會（WAIC）期間，深度原理創始人兼CEO（首席執行官）賈皓鈞接受了《每日經濟新聞》記者（以下簡稱“NBD”）獨家專訪。他表示，AI4S最大的挑戰不是大模型本身，而在于如何讓模型真正作用于現實世界，“真正具有行業標志意義的時刻，是AI能夠‘從0到1’設計出新材料，并成功投入生產、形成實際收益”。

WAIC深度原理展臺 圖片來源：受訪者供圖

AI4S的最大挑戰在于如何讓模型真正作用于現實世界

近年來，AI for Science逐漸從“輔助計算”走向“自主發現”。英偉達已將AI for Science與大語言模型、具身智能并列為AI三大關鍵方向之一，遠期市場規模預計可達千億美元。在2026世界人工智能大會期間，深度原理推出了AI Scientist（全自動化科學研究AI系統）平臺Mira，可自主完成長鏈路科研全流程的設計、執行、復盤與動態調優。

NBD：從ReactiveAI走向AI Scientist平臺Mira，其中的核心變化是什么？是一次技術升級還是一次范式轉換？

賈皓鈞：這是一次研發范式的轉換。我們仍然在繼續發展覆蓋全鏈路的AI4M算法模塊。今年推出的SAGA、MPA等模型在各自領域都達到了SOTA（State-of-the-Art，指某領域最先進的技術或成果）水平，這些模型分別解決材料研發領域的不同問題。

在此基礎上，Mira進一步實現了AI對科研任務的全流程自主閉環。它可獨立完成長鏈路科研工作的設計、執行、復盤與動態調優，持續沉淀科研知識并實現自主迭代，最終達成由AI科學家自主完成材料研發任務的目標，讓AI能夠真正改造科學研究范式。

NBD：當AI開始提出科學假設，“幻覺”可能成為科研中的高風險問題。Mira如何驗證自己的判斷？人類科學家會不會需要花費大量時間替AI糾錯？

賈皓鈞：科學研究具有明確的評判標準，即AI的預測是否能夠被實驗驗證。這也是深度原理建立高通量實驗室AI Materials Factory的重要原因。

Mira完成干實驗（計算推演）預測之后，可以自動調動實驗室設備進行實驗驗證，再將實驗結果回傳給模型，實現干濕閉環和結果的迭代（注：“干實驗”指計算推演，“濕實驗”指真實驗證計算；“干濕閉環”指計算指導實驗，實驗反饋計算，形成自動循環）。整個過程都由Mira自動完成，即AI進行自我修正和糾錯。

NBD：深度原理將AI Materials Factory定義為L4級高通量實驗室。未來的L5級長什么樣？從L4級到L5級，最難的技術跨越是什么？

賈皓鈞：如果用自動駕駛來類比，L5級可能意味著在全場景中實現無駕駛員接管，完全自動化運行。對于自動化高通量實驗室而言，從L4級走向L5級的核心是進一步實現泛化性，針對不同的材料種類和合成方式實現柔性運作。

深度原理的實驗室 圖片來源：受訪者供圖

NBD：目前用AI發現的新材料是否已經開始反哺AI基礎設施本身？

賈皓鈞：是的，我們目前已經在開展AI基礎設施相關的材料研究。例如，在AI算力基建領域，冷卻一直是一個重要問題。因此，我們和頭部芯片公司達成了深度合作，根據產業對芯片性能的要求，進行冷卻液的管線開發工作，目前正接近實驗室成功。

NBD：從產業增長的角度看，AI4M賽道的下一個增長拐點會出現在什么時刻？

賈皓鈞：AI for Science最大的挑戰不是大模型本身，而在于如何讓模型真正作用于現實世界，單純模型的高預測精度并不是衡量AI4M解決問題的唯一指標。

基于這一判斷，“AI自主打通從預測到合成的全流程”是一個更加重要的里程碑，而更具行業標志性意義的是AI真正“從0到1”設計出新型材料，并且成功落地生產、轉化為實際收益。

AI4M是AI世界和物理世界的重要交匯點，增長空間巨大

近年來，人工智能材料發現賽道競爭快速升溫。2025年，國務院印發《關于深入實施“人工智能+”行動的意見》，將人工智能賦能科技創新列為“加快實施重點行動”，以加快培育發展新質生產力。政策推動之下，AI4S加速從科研探索走向產業化，也吸引大量資本持續涌入。深度原理在短短兩年多時間里高頻完成七輪融資。

海外市場中，英偉達、谷歌DeepMind等科技巨頭持續加碼材料發現和自主科研平臺，CuspAI、Lila Sciences等AI4M初創企業也獲得大額融資。

據市場研究機構Research and Markets預測，生成式AI在材料科學領域的市場規模將從2026年的約22億美元增長至2030年的70億美元，年復合增長率達33%。

NBD：在材料發現這個領域，目前AI的上限在哪里？

賈皓鈞：AI4M是AI世界和物理世界的重要交匯點，是AI能夠解決真實世界問題的重要抓手。因此，這個賽道具有巨大的增長空間。而材料本身是一個數萬億美元規模的市場，只要能真正解決領域內存在的問題，AI4M的市場規模將會持續高速增長，也具備極高的天花板。

在材料發現領域，AI已經展示出很強的泛化性，可以跨越不同行業解決研發問題。比如，我們在營養日化、精細化工、新能源、電子材料等多個領域都有業務開展。

當然，在AI推動材料發現走向全面產業化這個路徑上，仍需要我們持續努力。如果對比國內外，國內AI4M企業仍需得到更深厚的生態和資金支持。

NBD：Mira智能體閉環體系能否成為中國企業彎道超車的關鍵？

賈皓鈞：我們在AI4M領域的優勢主要在幾個方面，首先在模型領域我們推出了多項SOTA模型，領先于海外的同類型模型。

其次，與海外公司不同，我們從第一天就重視產業落地，已經建立了干濕實驗閉環體系，Mira不只幫助我們進行AI預測，也幫助我們直接控制實驗設備完成實驗并迭代模型和數據。

與很多創業公司和大廠的模型主要解決的是一個個單點問題不同，我們構建了全面的模型體系以覆蓋材料研發過程中的各個流程，同時使用Mira串聯起各個模型和高通量實驗室實現整個材料研發流程的自動化，從而改造了材料研發范式。

NBD：國產AI材料公司想要真正拉開和海外巨頭的差距，未來3年最需要補齊的短板是什么？

賈皓鈞：在未來AI4M領域的玩家，最重要的是能夠真正對接產業需求，系統性解決產業真實存在的問題，這樣才能避免“重模型、輕落地”閉門造車。我們從創業之初便圍繞產業需求設計研發方向，因此我們成功積累了新能源、電子材料、精細化工、營養日化等領域頭部客戶并實現持續復購。合作模式也從解決單點研發問題，逐步升級為AI Agent訂閱以及材料管線共同研發，通過里程碑付款和成果分成等方式建立更深層次合作。

回到技術探索角度，我們持續走在全球創新的前沿，和其他國家相比已經有一些優勢。我們希望帶動更多業界伙伴在AI4M領域自信起來，進一步推動技術和產業的結合，進一步拉開差距，在國內做實全球領先。

（每經記者溫夢華對本文亦有貢獻）