推荐语
材料是 AI 最难进入的行业之一。实验周期长，数据采集难度大；材料的理论性能与成品的实际性能存在差异；并且材料从实验室走到工业界有巨大量产鸿沟。因此，一种新材料从确定原子怎么排列，到在产线上稳定量产，通常要走十年以上。
AI 进入材料领域也快十年了。最早AI只帮研究者调合成参数，现在AI开始尝试接手整个项目，从提出课题、设计实验、一直做到执掌实验、采集数据、反馈结果。元材的几位创始人亲历了这几个阶段。他们的判断是：大模型改变的不只是效率，还有研发的范式。过去的材料研究，是从结构设计出发，逐层外推到实际应用；现在基于宏观性能和真实需求反向推演，让模型跨尺度、跨学科地拆解问题，提出方案。当 AI 能够批量生成材料候选，真正稀缺的就不再只是模型的生成能力，而是判断哪些方案符合物理规律、哪些能够被制造、哪些最终能够应用在真实应用，发挥价值。从材料生成走向跨尺度理解、物理验证与产业闭环，正成为 AI for Materials （AI4M）发展的重要方向。
元材由四位来自材料科学、人工智能与工程领域的核心成员联合创立。刘政是新加坡南洋理工大学教授，长期耕耘先进功能性材料，连续八年入选全球高被引科学家。安波是南洋理工人工智能领域教授，长期研究强化学习、大语言模型和多智能体系统。两人 2013 年前后在南洋理工共事，在AlphaGo带来的 AI 浪潮启发下，开始探索机器学习能否突破材料合成中长期依赖经验和反复试错的研发瓶颈。
2017 年，当AI4M 尚处于早期探索阶段，汤碧珺成为刘政团队首位以 AI 驱动材料研发为主要方向的博士生，开始系统探索人工智能与材料科学的深度融合。此后，她从 AI4M的早期研究者成长为跨学科科研项目负责人，主导及参与的相关科研项目累计经费超过 4000 万元，并入选 Schmidt Sciences AI2050 Early Career Fellowship。如今，她进一步推动科研成果走向产业，担任元材CEO。
另一位联合创始人肖玉善出身西北工业大学航空复合材料领域，博士期间由航空复合材料领域专家和刘政教授共同指导，主导及参与的复材项目累计规模超过千万元，现任元材CTO。多功能复合材料，也成为元材将 AI 技术推向真实工业场景的首个切入方向。
当然，这个领域依然充满未知和惊喜。材料研发，周期长，验证慢，行业至今也没有一把公认的尺子来衡量模型的真实材料能力。而工业数据本身也沉淀在大量细分门类里，AI4M公司如何与材料企业携手并肩，让数据流转起来，把知识和技能沉淀下去，共同创造企业和社会价值，需要整个行业一起摸索。过去不少 AI 材料公司最后都走向了项目外包，平台化的路能不能走通，还要看更多实践。模型越来越强以后，AI 和材料专家之间的分工落在哪里，目前也没有定论。
这些也是元材正在尝试回答的问题。带着它们，我们和元材的几位联创展开了下面的对话。
01 一支材料与 AI 交叉团队的十年积累
ZP：刘政老师是最早一批把 AI 引入材料研究的学者，请刘老师先介绍自己的背景吧
刘政： 我本科毕业于南开大学物理学院，研究生师从国家纳米科学中心孙连峰老师和物理所解思深院士，研究碳纳米管和合成。两位老师治学严谨，帮助我打下了扎实的学术基础。2010 年我去莱斯大学求学，师从楼峻老师和Pulickel Ajayan老师，从事二维材料的研究，完成了从学生到独立研究者的转变。
2013年，我有幸拿到新加坡的 NRF Fellowship。这个 Fellowship项目面向全球、不限专业，每年遴选不到十人来新加坡从事科研工作。我选择在NTU建组，十几年里从助理教授一直做到正教授，我们课题组的研究对象也从二维材料出发，下至一维纳米线和零维量子点，上至三维的宏观金属和复合材料等体系；从材料出发，面向力热光电等不同实际需求，构建了课题组以应用为导向，跨尺度、跨学科的研究特色。
2016年，AlphaGo问世。我意识到这个技术可以为材料合成带来新的思路：材料合成是个黑箱，要摸清复杂的合成参数，往往得花好几年。既然机器学习连围棋都能赢人类，能不能拿来优化合成参数？就这样，我和安波老师一拍即合，建立了世界上最早一批用AI做材料研究的队伍。发展了近十年，现在我们打造了一个囊括材料、AI、工程和应用的，执行力极强的研究团队。
ZP：汤碧珺博士是刘政老师在 AI 方向带的第一位博士生。请介绍一下您的背景，哪些经历和今天的公司关系最大？
汤碧珺：2013 年我进入南洋理工大学学习材料科学，跟随刘政教授开展先进材料研究。在长期实验中，我深刻体会到传统材料研发高度依赖经验和反复试错，周期长、成本高。也正是这些经历，让我开始思考：能不能用 AI 改变材料研发的方式，而不仅仅是提高某一步的效率？2017 年，我正式开始博士研究，也成为刘政教授团队第一位专注AI4M的博士生。在人工智能领域关存太院士和安波教授的共同指导下，我开始系统地将机器学习引入材料研发。经过几年的探索，我们建立了一套机器学习驱动的材料合成与工艺优化方法，并在不同材料体系中验证了其有效性。
这些研究逐渐从早期的方法探索，发展成系统性的 AI4M研究方向。我们不仅发表了一系列高水平科研成果，也获得了多个国际重大科研项目的支持。更重要的是，我们开始与全球领先的半导体和先进制造企业合作，将 AI 方法应用于真实的材料研发和工艺优化问题。
随着研究和产业合作不断深入，我逐渐意识到，产业真正需要的不是一个能给出预测结果的 AI 模型，而是一套能够真正参与材料研发、辅助科学决策，并连接仿真与实验验证的智能系统。
这也推动我们从单点机器学习优化，逐渐走向跨材料、跨尺度的 AI 研发。后来与玉善在航空复合材料方向的合作，更让我们有机会把 AI 从微观材料设计延伸到复杂的宏观工程问题，也为今天元材的创立和技术发展奠定了重要基础。
ZP：肖玉善博士从控制专业转到航空复合材料，一路都在用 AI 做材料设计。请介绍一下您的背景。
肖玉善： 我2016年进入西北工业大学，研究方向从控制逐步拓展到力学与航空复合材料。控制专业的背景让我较早接触AI，本科期间我就开始用AI做材料结构设计，也获得过多项国内外竞赛奖项。
硕博期间，刘政教授指导我做AI与材料的交叉研究，博士导师郑锡涛教授和吴振教授是国内航空复材领域的头部学者，带我深入面向重大需求的航空复材应用落地研究。三年半的博士生涯，我协助导师主导了 6 项国家重大需求项目，其中主要涉及从微观到宏观的AI赋能跨尺度及多场耦合作用下的先进复材设计。2024 年，基于智能先进复合材料的应用研究，在导师及领域专家的指导下，获得了西北工业大学博士研究生特奖。
这段经历让我形成了一个习惯：先看国家重大需求聚焦解决什么，再追溯背后的科学问题，加速AI赋能先进材料研发应用。这与西工大倡导的“从1到0”反向基础研究一脉相承：从工程需求中发现科学问题，理解机理，再推动工程突破。这也是我们做AI赋能材料的出发点——以真实需求牵引研发，让模型能力最终落到材料性能突破和落地工程应用上。
ZP：四位联创是怎么走到一起的？为什么选择在这个时间点创业？
汤碧珺：其实我们四位创始人的合作，可以追溯到十多年前。刘老师和安老师 2013 年就认识了，2016 年 AlphaGo 的突破让大家看到了 AI 解决复杂科学问题的潜力。2017 年我作为两个团队最早的交叉研究成员之一，开始探索机器学习在材料合成与半导体工艺优化中的应用。团队持续发展，材料方向逐步覆盖设计、仿真、实验和自动化，AI 方向也从传统机器学习拓展到大模型和智能体。近十年的合作，让我们形成了一支深度融合材料、AI 和工程技术的团队，具备了跨材料、跨尺度的系统性研发能力。
后来，通过刘老师，我认识了西北工业大学的郑老师和玉善，开始将 AI 拓展到航空航天复合材料领域。2023 年我们正式合作，拿下了新加坡一个千万级 AI 赋能的国家级项目。安老师和刘老师担任 PI，我是 co-PI，玉善负责核心技术研发。
这个项目很有代表性，当时只有两支团队入选。项目不仅要求开发 AI 模型，还必须真正设计、制备出满足多项性能要求的新材料，并通过实验和第三方验证。最终，我们成功完成了多功能复合材料的研发与交付。这证明 AI 不仅能在计算机里设计材料，也能走进真实实验，解决实际研发问题。
真正推动我们创业的，是技术积累与产业需求在这个时间点形成了交汇。随着研究成果不断得到验证，来自中国、美国、欧洲和新加坡的先进材料、半导体及制造企业陆续主动联系我们，希望将 AI 引入真实研发流程。我们意识到，产业需要的不只是单一算法，而是能够持续解决问题、积累知识和数据的智能系统。
我们选择现在创业，不是因为 AI 突然变得热门，而是经过近十年的积累，我们终于有能力让它真正走进材料产业。创立元材，就是希望将这些能力转化为可规模化应用的产品，让 AI 真正成为下一代材料研发的基础设施。
ZP：AI4M领域的公司大致分为做模型、做实验室自动化、做材料发现几类。元材属于哪一类？如果跟朋友介绍公司，您会怎么讲？
汤碧珺： 我们是一家以跨尺度材料模型为核心，致力于重构材料研发方式的 AI 科技公司。我们最大的特点，是具备从材料设计到工程应用的全链条 AI 研发能力。
传统材料研发往往从微观出发，先设计原子、分子结构，再研究制备工艺，逐步走向宏观性能和实际应用。但材料从实验室走向产业，中间存在巨大的跨尺度鸿沟。AI 能预测一种新材料，不代表它能被制造出来，更不代表它能在真实工程中发挥价值。
元材最大的不同，在于我们既能从底层出发，见微知著，从微观材料设计走向宏观工程应用；也能高屋建瓴，从真实产业需求出发，反向设计材料、结构与工艺。我们希望打通的，不只是从微观到宏观的尺度，更是从科学发现到产业应用的全过程。
02 当 AI 开始接手整个项目：材料研发范式的十年之变
ZP：刘政老师是最早一批做 AI 加材料的学者，经历了这个领域的好几轮变化。回看这十年，AI 介入材料研发经历了哪几个阶段？研发范式发生了怎样的变化？
刘政：我认为有三个阶段。
第一阶段是2016-2018年的机器学习时代。这个时候，AI 是一种优化手段。它在已有材料研发基础上做优化，研发范式没有根本改变，但确实提高了效率，原来要三到五年、成百上千次实验才能得到的材料，被加速到数月的时间和数十次的实验，大大提升了效率，降低了研发成本。这个阶段AI主要辅助参数优化。
第二阶段是2019-2023年Transformer的神经网络时代。图神经网络和机器学习势函数让结构筛选从一天一个变成一天上万个；语言模型能批量抽取文献里的配方、工艺和性能数据，原来几个月的调研几天就能做完。这一阶段主要加速前期预研，课题还是人来定，AI 仍是工具，但开始拓展到创造性工作。
第三阶段从2024年发展到现在，AI 不再只是打辅助，开始真正 carry 整个项目。在材料研究上，她掌握的知识横跨物理、化学、材料和工程，能提出单一领域的专家不容易想到的跨学科课题，当然有没有价值还得人来判断。执行上，相对标准化的实验已经能交给自动化平台，在黑灯实验室里 24 小时连续做；数据处理、模型迭代和材料建模，AI 也能接手。从提出想法、做实验、分析数据、建模到反馈，整条链路正在打通。这条链路一旦真正跑通，高价值新材料的研发周期有望从十年压缩到一两年，甚至更短。
ZP：这一波大模型浪潮，给材料研究带来的最根本变化是什么？长远看，它对材料领域意味着什么？
刘政：最根本的是材料的研究范式变了，人员配置、研究思路、数据获取和处理方法都得重新定位。一方面，研发周期会大大缩短；另一方面，研究思路不再局限在研究者自己的小领域，材料研究可以从原子结构、界面效应一直考虑到系统性能，并且从相关的学科角度，比如物理、化学、光学、电学、工程等进行细致且可靠的评估，很快拿到最优结果。
再往远看，语言是对物质世界的极度压缩，无法代表完整且真实的世界。而世界是由物质、由材料构成的，把物理规律和材料的信息压进模型，就是让它离真正大一统模型更近一步。物质材料模型如果做成了，带来的产业变革，会远远超过语言模型本身，甚至超越材料本身：短期会重新定义生产关系，长期会影响社会关系。
ZP：您说过 AI 和材料结合要换个思路。以往的做法和你们的做法有什么不同？
刘政： 以往的AI主要优化链条里的一个环节，也就是材料筛选。我们要做的，是把优化目标提到系统级、全流程，让AI在约束和权衡之下做决策。
传统的材料研发以专家的领域知识为中心，由点及面：设计、拓展、合成、验证，再从实验室逐级放大到原型器件、小试、中试和量产，AI只起辅助作用。比如用AI结合DFT预测新材料，过去一天只能算一个，现在一天能算成千上万个候选，研发人员再从中筛选、评估、测试。这是典型的bottom up，从材料的基本结构出发，由微观到宏观，由简单到复杂。
但AI只是把筛选这一步提了速，并没有解决候选材料能不能用的问题。纳米尺度的性质放大到宏观，还能不能保持？预测出来的药物分子，在复杂的人体里是否有效？预测出来的电池材料，在动态的充放电环境中是否稳定？预测出来的半导体材料，在复杂的电磁环境中表现如何？多数时候答案是否定的。微观预测很难覆盖缺陷、界面、工艺和跨学科的约束，而这些恰恰是真实系统里决定成败的因素。
所以我们换了一个出发点，从系统整体来考虑，也就是top down。比如设计一种半导体材料，它在器件里要和哪些材料匹配加工，界面怎么处理，电学性能怎么优化，热预算和稳定性怎么评估。这些问题放在一起，交给AI跨尺度、跨学科地去模拟和计算，给出可执行的方案。这依赖三样东西：大模型的世界知识，我们AI4M积累的专业数据和工具，以及把专家的判断和取舍方式教给模型。最终要在众多环节里找出最关键的几个，给出最合理的方案，再用实验去验证。
材料研究没有完美，只有妥协。AI要学会的，正是在妥协中做出好的选择。
汤碧珺：我从实际研发的角度补充一下。过去的机器学习通常针对单一材料体系或具体问题，需要研究者自己收集数据、训练模型，再通过实验不断优化。虽然能显著提高效率，但模型往往难以直接迁移到其他材料体系。
大模型带来的变化，是让 AI 有机会从解决单点问题走向全流程研发。