推荐语
材料科学一向被视为经验科学。几十年来，研发范式几经更迭，从爱迪生式试错到材料基因工程，再到计算模拟，却始终绕不开同一道约束：物理模型只在成熟体系内有效，一到新材料就失灵；行业积累的数据是写给人看的，一条不过十几个数值，撑不起AI的学习。结果是，人类用了数千年的金属材料，真正探索过的成分空间或许还不到10%。
这一轮AI带来的，不是旧流程的又一次提速，而是研发组织方式的重构。大模型负责调度和提出假设，小模型与计算工具承担确定性的执行，自动化实验室完成验证，八种元素可以协同调控。偶遇式的发现由此转为持续的产出，研发开始有了确定性：投入资源，就能稳定拿到结果。
这一转变的商业意义同样清楚。金属材料是数十万亿级的市场，而研发恰恰是其中成本最高、周期最长、结果最不确定的环节。一旦其余九成成分空间被系统性地探索，材料牌号将极大丰富，行业也可能出现一家用AI整合全产业链的大型材料企业。
真正的门槛在数据。AI能学习的材料数据没有现成来源，只能靠实验逐条生成。创材深造选了这条最重的路：2021年就遇上数据瓶颈，随后自建自动化实验室，现已迭代到3.0版本。实验室产出的每条数据涵盖720个维度，数据量约10GB，累计已达数万条。依托这些数据，团队研发出近20款金属新材料，部分已经量产。王轩泽判断，数据规模达到数十万条时，金属材料的GPT时刻就会到来，时间或在明后年。
他本人的经历，正是AI与材料的交汇。他成长于冶金家庭，靠竞赛保送上海交大攻读人工智能，先后在AI公司任职、做工业视觉创业，最终转向材料，并在清华攻读材料学博士。在他看来，这项事业最难复制的地方，正在于团队对AI与材料的双重理解。
这次访谈中，他系统阐述了AI如何重塑材料研发范式，数据积累与递归自我进化走到了哪一步，以及他设想中的AI for Materials图景。GPT时刻能否如期而至，答案或许就写在实验室每天新增的数据里。
01 从AI全栈到材料博士，为何把AI落地的答案押在基础材料上
ZP：请轩泽先介绍下自己吧！
王轩泽：我是91年生人，出生在辽宁鞍山，鞍钢就在那儿。高中靠计算机和物理两门竞赛保送上海交大，本硕方向偏人工智能，现在在清华读材料学在职博士。
毕业后我加入了虹软科技，一家纯AI公司，科创板第一批上市。上市没多久，19年下半年我就离职了，因为从小就想自己做点东西。2019年到2020年，我做了一家AI视觉公司叫敏视科技，做工业检测。在虹软时同事戏称我是AI全栈，什么都能做，这能降低创业成本。我带着几个实习生，自己写了一套针对工业检测的底层加速框架，拿下了航空、钢铁、安防领域的一些头部客户（如头部客户（如商飞、宝钢、鞍钢等），也有投资人找上门要帮我融资。但我没有接着融，而是全面转型做了创材深造，AI加金属材料。
原因有三个。第一，材料行业最核心的不是检测，而是研发。我们的金属材料那些年大而不强，很多材料被国外一卡就是几十年，成分能化验出来，就是做不出来。第二，2018年AI制药火了，生物医药本身也是一种特殊材料，我就想类似的技术能不能用在材料上。正好跟大学合作拿到一些冷启动数据，试了效果挺好，公司第一版算法就是我自己写的。第三，AI for Science的窗口到了。
ZP：你提到金属材料长期被卡脖子，这种体感似乎和家庭有关。家里三代人都在鞍钢，你读书时为什么反而选了人工智能？后来又是怎么回到材料上的？
王轩泽：真的是因缘际会。
我爷爷是鞍钢工人，父亲和外公做了一辈子冶金炼铁，这个行业我看了很多年。但读书时我没想过做材料，觉得国企环境太稳定，跟我想追求的不太一样，就选了人工智能。
转折点是AlphaGo。我打小下围棋，很受震动。我父亲也在看，他问我，AI这么厉害，能不能用来做材料研发？当时肯定做不了，但这根弦从那时就埋下了。
说是历史使命我谈不上，但这件事确实有分量。我爷爷那代人从废墟里把钢炼了出来；到我父亲那代，全世界一半的钢铁产能在中国，很多钢厂是鞍钢援建的。那到了我这一代，是不是该让中国的金属材料在性能上、在新材料上真正领先？有这个念头，后面碰到什么困难都坚持下来了。
ZP：除了家庭的影响，站在AI创业者的角度，你又是怎么判断AI最该落在基础材料上的？
王轩泽：我亲身经历了深度神经网络那一波AI，看着它高楼平地起，也看着它没落。最核心的问题是不落地，技术进入了生活，公司却赚不到钱。开源程度太高，我花四个亿做的算法，别人拿开源的改两三周就能达到90%几的效果。
所以我一直在找AI最能落地的地方，最后找到了基础材料。它没有生物医药那么长的验证周期，难点就在研发，研发出来大半年到一年就能进入消费品。所以我们从day one开始就不是卖算法、卖软件，而是真正把材料做出来，给终端客户带来直接的价值。
ZP：在钢铁之城长大，你觉得这段经历在你和团队身上留下了什么？
王轩泽：务实，用结果说话。
我们不太喜欢说，更喜欢做。之前见投资人，我都会带一根样棒过去。投资人说给我我也测不了，我说没关系，样棒在这儿，第三方CNAS认证检测机构的报告也在这儿，你看就行。融资上我们也一样，不追求一时的估值，把资源都投在一件事上：真正把材料做出来，做到量产。
02 大模型调度、小模型执行，材料研发第一次具备确定性
ZP：材料研发大致经历了经验试错、理论推导、计算模拟、数据驱动几个阶段。你说材料科学本质上是经验科学，这条演进线是怎么走过来的？传统方式的局限又在哪里？
王轩泽：先说为什么是经验科学。传统材料研发靠人，本质上是偶遇式的试错，行业里自嘲叫炒菜：盐大了加水，水大了加盐，炒一锅出来再看。很多时候是先把材料做出来，再回头解释它为什么会形成这种组织、能套进哪套理论，或者沿着已有理论做一些改良。
这就带来一个很反直觉的结果：基础材料是人类最古老的材料之一，用了几千年，可我们探索过的成分空间可能连10%都不到。传统做法下，铝合金、钛合金都是一种主元占百分之八九十。而理论上，更多的材料应该是五种、十种甚至更多元素均匀分布，每种占百分之几到十几，这就是高熵合金，现在一篇高熵合金的文章基本就能发Nature正刊。但高熵合金本身也是偶遇到的，大家再在它的范围里继续做工作。
至于演进线：其实2011年就提出了材料基因工程，当时主要也是做基础材料，但技术不够，大家都在积累数据，而且今天回头看，那批数据很多并不适合AI用，维度也不对。到神经网络那一代，技术开始见效。我们21年成立时还没有transformer、没有大模型，也是沿着这条路线做出了很多垂类模型，到现在效果依然很好，因为我们手里有真正适合AI训练的数据。最新这一代transformer大模型，又带来了新的、很明显的优势。
ZP：那AI给研发方式带来的本质变化是什么？
王轩泽：一是降本提速，二是确定性。后者更重要，我们研发了很多材料，基本没有研发不出来的。
传统研发是在几种主元之间调，而且一般先调一个再调另一个。我们现在用AI能做到八种甚至更多元素一起调。元素之间是很复杂的耦合关系，会形成不同的相，必须放在一起调。
所以我们是把偶遇式的研发，变成了一座材料工厂：配方设计好，进高通量实验室产出数据，训练、预测，再测试检测。设备不停，高性能材料就源源不断地出来，去探索人类没有涉足过的材料空间。
ZP：计算材料学也发展了几十年。和它相比，大模型的根本差别在哪？
王轩泽：计算材料学基于物理模型，问题在于泛化差，大模型的泛化能力相对好得多。
金属是宏观材料，宏观材料不是微观尺度的简单线性叠加，很多性能来源于介观尺度。晶粒本身很致密、强度很高，通常在微米级别，但晶粒之间有晶界、有滑移，大量力学性能都跟这里有关，材料断一定断在晶粒之间。这部分可以理解为混沌问题，是物理世界里真实发生的过程，钢是一炉一炉炼出来的。
所以很多物理模型其实是经验模型。在研究了几十年、几百年的成熟体系里，科学家可以设很多边界条件和先验值，让它算得准；一旦迁移到新材料，原有体系就失灵了。这部分要靠大模型加小模型去解决。
ZP：既然大模型泛化能力强，为什么你们坚持大模型加小模型，而不是只用一个大模型？
王轩泽：我们坚定地认为，单有一个大模型不行。大模型只会读论文，而论文里的结构性数据很差：一是维度低，二是一致性差。A论文和B论文的数据放到一起就污染了数据池，换个设备误差就很大，还有干法湿法的区别。当然，如果用大模型去做出一个小模型、建立一套新的理论体系，那就是我们这套思路了。
人体是我们已知最智能的系统，它就是这么运转的。大脑负责总体调度，但心脏供血、胃消化食物，大脑并不直接控制。如果大脑要亲自管心脏一收一缩，睡一觉心脏就停了。大脑只做宏观调控，比如要跑步了，让心跳快一点。
材料研发也一样。很多垂类小模型和算得准的计算工具，在具体问题上比大模型强，因为小模型有确定性，大模型不可避免地有幻觉。所以我们用的是大模型做大脑、小模型做器官的智能体框架。
ZP：在这套框架里，大模型具体承担哪些新角色？它现在走到了哪一步？
王轩泽：核心有两个。第一是整体调度，以前是人在调度，现在交给大模型，读文献这些就不说了。第二是RSI，递归自我进化。离真正的RSI还有距离，但已经可以让大模型自己提出假设，再用我们的干湿实验去验证。我不只希望材料越做越好，还希望在过程中沉淀出新的理论体系，验证成立的假设就积累下来，让研发能力本身持续提升。
至于走到了哪一步，我只拿我们自己的实测说。目前材料科学家调用我们的小模型做研发，效果仍然好过大模型去调用。但我们最近投入了很大的人财物做大模型，甚至计划自己训一个垂类大模型。因为我们看到，在智能体架构下，语言大模型的因果推理和逻辑能力在确定性地快速变强。很可能用不了多久，大模型调用小模型、提出理论假设的效果就会超过材料专家。体现在结果上，就是实验次数更少、材料性能更好、搜索边界更宽。
ZP：在研发全流程里，哪些环节已经工程化了，哪些仍离不开老师傅的经验？
王轩泽：现阶段很多环节还要靠老师傅。比如研发前要划定边界，元素那么多，不可能每个都调；客户也有要求，要铝合金、要轻，或者要镍基的。八种元素联调，10的8次方的搜索空间里边界怎么定、采样点怎么布，很多依赖经验。当然均匀分布也能做，但我们有很强的金属材料研发人员，他们已经很适应用AI做研发，由他们框定边界，整体速度会快很多。
未来这些事大模型是可以接手的。但要强调一点：瓶颈不在大模型的能力，而在数据，现在数据太缺了。
03 材料研发的瓶颈从来不在算法，而在数据
ZP：你多次强调数据是最大的卡点。现有的真实数据，比如工厂生产数据、论文数据、公开数据库，用起来问题在哪？
王轩泽：整个AI for Science行业最大的卡点就是数据，不管是政府、研究院所还是创业公司，都在讲这件事。数据分两种，仿真数据和真实实验数据。先说真实数据，主要来源有三个：国有大型钢厂这类生产型企业，论文，以及国外的数据库，国外的比国内好不少，最近也有人在搬运。
这些数据有一个共同的问题：它们是写给研发人员看的，不是给AI看的，所以维度很低。一条数据零点几KB，就十几二十个数，成分、工艺、工艺参数、对应性能。人看没问题，但AI要靠这么几个数去理解宏观世界里的物理变化，是不收敛的。数据分布简单、一笔能画出来的情况可以收敛；元素一多、耦合一复杂，或者换成新材料，就收敛不了。
每个来源还有各自的问题。生产数据，企业不爱给，而且成分工艺波动小，拿来做研发价值有限。论文数据公开程度最高、相对容易获取，但一致性最差，不同课题组、不同设备、干法湿法测出来差很多，又没有统一数据库，十几篇、几十篇放在一起会严重污染数据池，这是最差的数据。当然这里说的是训练小模型用的结构性数据，对大模型来说，论文仍是最核心的训练材料，它学的是科学思维和逻辑，那是两回事。国外数据库的问题差不多，量也只有两千条左右。
ZP：那仿真数据能弥补吗？为什么金属材料研发必须依赖真实实验数据？
王轩泽：如果目标是端到端把金属，或者说宏观力学性能材料真正研发出来，而不只是发一篇论文，就一定需要真实实验数据。
因为仿真误差太大。DFT算的是微观层面，原子量级在10的几次方，而金属、陶瓷、复合材料、高分子这些宏观材料，到了介观层面性能变化非常大，是混沌问题，不是原子尺度的线性叠加。
拿金属举例，性能差异最大的来源不在于它是什么晶体，而在晶粒与晶粒之间。把一根材料拉断，断口一定在晶界上，晶粒内部是很致密的。晶界，加上夹杂物、位错，才是影响宏观性能最大的因素之一。很多论文，包括院士的论文都提到，大量权威材料学期刊（如《Physical Review Letters》等）的研究均表明，DFT计算的力学性能值与实验实测通常相差数倍至数十倍。一句话，算不准，只能靠真实实验数据。
ZP：什么样的数据才真正对AI有用？你们积累到了什么程度？
王轩泽：我们21年就发现了数据问题。今天行业碰到的问题，我们五六年前就碰到了，也早就着手解决。2022、2023年左右我们搭出了自动化实验室，数据成本大幅降低、速度大幅提升，现在已经迭代到3.0版本。
我们在实验室里加了大量传感器，自产的一条数据有720个维度、10个G，覆盖制备、后处理、测试和表征全流程，过程参数、过程量全都有，而且是多模态的：数值、图像、时域，振动、光学都有。在金属材料领域，这种高维、高一致性的数据目前非常稀缺，我们是比较早系统性去做的。
现在我们积累了几万条，做材料研发已经够用，近20款材料就是这么做出来的，但泛化能力还偏弱。我们判断至少要到几十万条，模型才能达到接近人类的水平，算法也会有明显提升，这个量级我们很快就会达到。今年融资很大一部分就花在多布产线、产出这类数据上。大量产出高质量、高通量的金属材料数据，是公司最核心的事情之一。
ZP：自建实验室产数据是一条很重的路。这是获取数据的唯一方式吗？
王轩泽：是唯一的方式，获取真实数据只能这么做。
数据得靠实验做出来。正常一条数据要几万块钱，我们把成本降了几个量级，具体数字说太细会影响业务。
关键在于，我们用这10个G、720个维度的中间表征和过程参数，把成分、工艺这几十个维度和最终性能串了起来，AI才能真正学懂从成分、工艺到性能的映射关系。而且全部是自己的自动化实验，一致性极高。
ZP：你曾提出合成数据本质上是信息闭合的。这个判断从何而来？
王轩泽：信息闭合在特定条件下成立。
比如用一个确定的公式产出数据，像DFT，再让模型去学。最理想的情况下，模型最多学到和这个公式一样好，AI起的作用是加速，从算10的3次方变成算10的8次方。
但我们最终是要研发新材料的。理论模拟本身误差大、泛化差，公式不准，用它生成的合成数据也不准，拿去训练最多训练到公式的水平。这是理论上讲，实际中会有一些技术手段带来变化。
所以合成数据一定要是确定性的合成。另一种情况是大模型生成数据，尤其是经过人工干预、做过调整和判断的，这些是可以用的。
ZP：语言模型有过ChatGPT时刻，蛋白质结构预测有过AlphaFold时刻。金属材料会迎来类似的突破吗？会在什么条件下、什么时候发生？
王轩泽：会有，条件就是数据积累够了。现在大家都缺数据，这点数据出不了那么明显的效果。真正适合AI训练的数据到几十万条，就可能发生，我预计在明年或者后年。
有人会觉得这个预期激进。但我的意思是，数据到位之后，算法上不会有太多障碍。我敢这么说，是因为数据这个最大的卡点，正是我们最有把握的地方。
行业对GPT时刻什么时候来未必有共识，但对卡点在数据是有共识的。我们现在已经能用这些数据做出比原来好得多的新材料，也有了产业应用。等数据到了几十万、几百万条，人类没探索过的那90%的材料，可能很快都会被探索出来。
04 不交付中间结果，只交付能量产的材料：四块拼图如何拼出许愿式研发
ZP：在AI for Science的众多方向中，你们为什么选择金属材料作为落地领域？AI在这个领域能带来多大的改变？
王轩泽：原因有几个。第一，市场足够大。金属材料是最大的材料领域之一，规模跟生物医药相当甚至更大，是数十万亿级别的市场。第二，落地相对容易。生物医药研发难、验证也难，一款新药上市要十几年；金属材料两周就能把几乎所有性能测出来，性能达标、批次稳定就能卖。我们最快的一款，从接到需求到量产大概大半年。第三，我的背景适合，行业资源、行业认知、材料科学的理解，我都有一些积累。
至于改变，我认为是一次范式的变化。我们什么金属都能做，近20款材料里铝、钛、钢、镍、高熵合金、铜都有，包括人类没探索过的高熵合金，成本大幅下降、速度大幅提升。整个行业也在发生明显变化，因为金属材料最难的就是研发：投入高、周期长、结果不确定。而这件事几乎可以完全交给AI解决。
ZP：创材深造今天具体在做什么？客户来找你们，最后拿走的是什么？