日本最年轻华人终身教授创业“AI+新材料”：自研200余个物理模型，研发周期压缩至两月

导语：苏州材科源图科技有限公司近日宣布，近三个月内连续完成两轮超亿元天使轮系列融资。这家由日本最年轻华人终身教授李昊创办的AI+新材料公司，自研200多个物理模型，以“数据—物理模型—AI智能体—自动化实验”全链路闭环，把材料研发周期压缩到了两个月以内。

硬氪消息：专注AI+新材料赛道的苏州材科源图科技有限公司（MatSource，下称“材科源图”）对外披露，在最近约三个月的时间里，公司先后完成两轮天使轮系列融资，合计金额超过一亿元人民币。

其中，前一轮融资由苏高新、硅港资本、合肥原初陆号与上海远鼓参与，亿合、清新资本作为老股东追加跟进；最新一轮则由经纬创投领投，苏创投以及中科创星、硅港资本等老股东持续加注。按公司规划，这笔资金将重点投向“数据—物理模型—AI智能体—自动化实验”全链路研发闭环的深化，推动固态电解质等关键材料尽快完成中试并走向产业化，同时用于引进兼具AI与材料科学背景的复合型人才。

材科源图成立于2025年4月，主攻“AI for Materials”方向。公司创始人兼首席科学家李昊目前担任日本东北大学终身正教授，也是日本学术体系中唯一的华人“卓越教授”——这一头衔代表着日本学术界的最高荣誉；32岁获评终身正教授的他，同时是日本历史上最年轻的一位（日本终身正教授的平均获评年龄为58岁）。

在李昊看来，新材料行业当下的核心制约并不在于资金投入，而在于传统研发模式本身已经触及了效率天花板。

以固态电解质为例，过去几十年人类对这一类材料的探索至今不足8%，若沿用传统试错路径，走完剩余92%的空间预计需要60至100年。在他看来，这正是固态电池量产一再推迟的深层原因——在完成系统性的材料空间扫描之前贸然建设产线，一旦下一代材料出现，现有投入就可能沦为沉没成本。

这正是“AI for Materials”的价值锚点所在：它并不取代科学家做实验，而是让AI在虚拟环境中完成数以万计的“预实验”，从而大幅压缩材料空间的探索周期。

与市面上常见的做法不同，材科源图并不满足于做一款“预测工具”，而是希望搭建起从数据到产业落地的完整闭环。用李昊的话说，公司的技术体系是一套“大脑+四肢”的协同系统：AI智能体与物理模型组成“聪明的大脑”，高通量自动化实验是“强壮的四肢”，数据库则充当系统持续进化的“记忆”。

在数据底座层面，公司已建成全球规模最大的百万级真实材料数据库。值得一提的是，这些数据并非靠AI自动抓取生成，而是团队历时七年、投入超过百名领域专家，通过系统化的文献与专利挖掘、标注和清洗逐步沉淀而成。

“目前报道中AI辅助挖掘的准确率并不高，幻觉率甚至可能超过95%，最终还是得靠人来啃。”李昊透露，公司已经开发出高精度的数据挖掘工具，并建立了系统化的审核入库流程，计划年内把数据库规模扩充至千万级。

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，年内目标是突破250个。在他看来，物理模型的价值不只是预测，更在于“约束AI的幻觉”——像“F=ma”这样的物理规律在经典场景下始终成立，AI自然也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智能体之间还形成了双向校验：AI的预测结果可以交给物理模型过滤，物理模型同样可以嵌入AI的训练过程。

在AI智能体层面，公司已开发出十余个面向具体研发场景的专用智能体，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、有机电合成以及费托合成等方向。这些智能体并非通用大模型，而是基于真实实验数据与物理模型训练的垂直领域专家；公司近期还发布了费托合成AI智能体，为这一重要的工业催化反应提供定向研发赋能。

实验环节，材科源图推出了全球首台由AI智能体驱动的无机固相/固液相合成高通量自动化实验平台，单日样品处理能力达到150个，可实现“规划—设计—工艺—执行—反馈”的全流程闭环。

把四个板块串联起来，公司便形成了一条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，当下AI for Materials行业普遍存在“重预测、轻验证、更轻产业化”的现象：大量论文展示了AI成功预测某种新材料，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径，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。

一个典型的例子是公司服务某世界500强企业的项目：该企业一个热催化反应的催化剂转化效率低下，这一难题困扰了他们20多年，其间也曾外包给多家高校和头部材料研发公司，始终未能解决。材科源图接单后，合同约定一年交付，实际用了不到两个月就找到了一系列性能更优的催化剂，其中最优者的性能比企业原有材料高出30%，目前已通过小试，正在推进中试和量产。

自研材料方面，公司把重点放在绿色有机电合成、固态电解质等方向，核心项目已进入中试阶段；近日还与某生物医药材料公司签署了战略合作协议，把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，材科源图计划继续把数据库扩建至千万级、物理模型做到250个以上，并持续完善AI智能体矩阵与高通量自动化智能实验室建设，加快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。我们的做法是在每个环节都做到极致，再有机整合。数据库是基石，百万级真实实验数据（而非理论模拟数据）在全球已知范围内规模最大；基于它推导出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，预测结果交给自动化实验平台验证，实验数据再回流数据库。每个板块都是一道护城河：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智能体建立在高质量数据之上，自动化平台又涉及多学科交叉。把这些串成闭环之后，我们在某些材料方向已经能够“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：固态电池之所以迟迟无法大规模量产，瓶颈就出在固态电解质。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”，从二零一几年一直推到今天。因为如果今天建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，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，我们才能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，我们的目标是成为全球最早通过AI赋能实现材料大规模产业落地的公司。目前有三种模式：第一是技术服务，为客户提供定制化研发，前面提到的世界500强案例就是典型，我们用两个月解决了他们20多年的难题；第二是材料银行，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；第三是自研材料生产，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。