先把访谈讲清楚
快问快答:嘉宾背景与开物纪概况
本期由《十字路口》主播 Koji 对谈开物纪创始人陆子恒。开物纪聚焦 AI for Science(人工智能驱动科学研究) 中的细分领域 AI for Materials(AI 发现与研发新材料),目标是用人工智能加快发现并验证能够改变人类命运的新材料,同时打通从实验室走向可量产、可商用的全链路。公司在刚成立不久便完成了数亿元种子/天使加轮融资,投资阵容颇为耀眼:由 Monolith 领投,光合创投、集富亚洲跟投,高瓴创投、IDG、蓝驰创投、BV 百度风投、L2F 光源创业者基金等老股东超额加注。
一块材料能值多少钱:“白纸放原子”与历史重磅 IP
面对“投资人给一家零收入的十人初创团队砸下数亿元,究竟在押注什么”的开场发问,陆子恒认为底层逻辑很清晰:一方面,过去几年模型能力大幅跃升,市场看到了一个历史节点——未来几年可能真的会诞生改变人类文明、或至少将某个产业往前拉一大步的新材料;另一方面则是投团队。
为了向零基础听众讲清“用 AI 发明材料究竟在发明什么”,他回到第一性原理打了个通俗比方:材料本质上就是“往一张白纸上放原子”的游戏。把不同元素、按不同空间结构排列在白纸上,就能得到性质截然不同的物质。但要过关必须同时满足三个硬条件:第一,能量不能太高、必须真的能合成出来,否则全是虚的;第二,具备目标物理或化学性质;第三,做出来以后还要能够商业化。
Koji 追问历史上最值钱的“材料 IP(原创物质知识产权)”长什么样。陆子恒举了一远一近两个标志性案例:
- 单晶硅:撑起现代计算机与整个 AI 芯片工业的基石,晶圆本身价值惊人,连“硅谷(Silicon Valley)”之名都源于它。
- 锂-锗-磷-硫四元固态电解质(2011 年):由东京工业大学几位日本科学家发现(即业内熟知的 LGPS 体系)。它本身是一种粉末,压成片后像桌面一样坚硬,却有一个极其反直觉的性质——锂离子在固体内部穿梭的速度竟然和在水中游泳差不多(穿墙如游泳)。仅凭这一个材料,便撬动了整个固态电池产业。陆子恒口述,到去年这一节点,该材料一度卖到每吨 70 万至 80 万元;发现它的科学家早年由丰田持续资助,既拥有研究自由,个人也实现了可观回报。
那么 AI 到目前为止有没有找到过新材料?陆子恒说其实已经有了——过去几年他在微软研究院做基础研究时,团队就曾用 AI 发现过散热领域的晶体等新材料,部分由外部团队验证、部分由自己验证。但现状是,这些材料科学意义很重,尚未达到引爆行业变革的商业体量。
Koji 感到意外:既然单个材料 IP 价值连城,过去难道没有专门以“发明新材料”为使命的商业公司吗?陆子恒把材料研发切为两段:第一段是原创化合物/原始 IP 的发现,第二段是工艺放量与市场销售。过去陶氏、巴斯夫这类化工巨头极度擅长第二段,也会在有机材料上做一部分前端探索,但真正把使命聚焦在“发现全新原始 IP”的商业组织屈指可数,绝大部分突破都来自高校与研究所。更神奇的是,重磅 IP 极度集中在极少数天才身上——比如锂电池总共没几种核心主材,诺奖得主古迪纳夫(John Goodenough)一个人就做出了四五种,而且体系截然不同。陆子恒笑言有点“僭越”地说:“我没有古迪纳夫那么聪明,但我想让 AI 这么聪明,批量造出一批足够好的人。”
材料界的 Flagship Pioneering:两类押注与“亲自当厂长”
谈到开物纪的主攻方向,陆子恒把目标分为两条并行线索,用大白话说就是一类“要发财”,另一类“要 show muscle(展示实力)”:
- 高商业价值与“卡脖子”方向:由于涉及商业机密他未点名具体在研管线,但举了一个极具画面感的非在研示例——苏锡常化工产业带里的特种胶水,例如远洋天然气/甲烷货轮内部超低温、超高压球形储罐内壁涂刷的专用胶水。听起来普通,实则附加值极高且存在明显技术壁垒,只要做出来客户就愿意买单。
- 定义人类文明天花板的能源前沿方向:短期未必直接挣钱,却能向世界证明范式已变。他强调 AI 的终极驱动力和竞争终点都是能源,因此像超导材料、核聚变第一壁材料这类“梦想级”方向,团队同样会密切关注。
回顾材料商业史,陆子恒发现无论是今天的化工巨无霸还是赚钱的新锐公司,成立第一天几乎都靠一个大单品起家:例如杜邦的聚酰亚胺(Polyimide)和涤纶(Dacron,Koji 顺势聊到自己做睡眠品牌“躺岛”时才得知小时候常听的“的确良”就是杜邦的 Dacron),以及尼龙 66 等,先凭单品赚到资本优势,再扩成多品类平台。
当 Koji 请他用一家知名机构类比开物纪的终极理想时,陆子恒没有选巴斯夫、陶氏或台积电,而是指向了生物医药领域的传奇风投孵化器 Flagship Pioneering——它从最前端的苗头化合物(lead compound)一路孵化管线到临床和商业化,虽然多数管线会失败,但每跑通一条就能长出一家顶天立地的巨头(最著名的例子是 Moderna)。开物纪同样希望未来能在材料界孵化出多家顶天立地的公司。
但落实到当下的交付形式——究竟卖专利、卖工具还是自己卖材料?陆子恒给出了一句成为本期标题的金句:“如果我有一把真的能挖出金子的铲子,我肯定不会先把铲子给别人用,我要自己先挖。”在他看来,AI 材料行业今天最缺的不是工具推销,而是一个从头打到尾、真正赚到钱的商业范例,先让整个市场确信这件事有用,之后才谈得上做轻资产平台。因此在某个节点,由他或核心成员“亲自去当厂长”把第一个重磅材料完整交付出去,极可能是必经一步。
触发创业的两个历史瞬间:MatterSim 的声子测试与 MatterGen 的扩散范式
是什么信号让一位在微软研究院潜心科研的学者决心辞职创业?陆子恒回忆,过去两三年团队一边做模型、一边坚持把模型设计的材料做出来验证——他骨子里不信纯虚拟筛选,必须真的“拿到手里”才算数,最终有两三个材料成功合成并拿到了实物。而真正击穿心理防线的,是两个技术转折点。
第一个触发点来自原子模拟模型 MatterSim(2023–2024 年)。当时团队想做一个普适模型,只看原子结构就能零样本(zero-shot,指不针对该下游任务单独微调)推断几乎所有材料的热力学性质,颇有“预测万物”的野心。团队里一位他非常尊重的凝聚态物理同事最初极度怀疑,泼冷水说:“别谈预测万物了,你先把最简单的一个物理性质——声子(phonon)——预测准再说。”陆子恒向听众解释,声子是指原子在晶体中的集体振动模式,换到高中物理里就对应大家熟悉的比热容。那段日子大家心里都在打鼓,边干边互相争论这事到底值不值得花大力气 scale(规模化扩展)。直到某天吃完饭随手一测,把结果调出来一看,未针对声子专门训练、也未限定特定材料体系的 MatterSim,竟然超过了当时几乎所有针对声子专门训练的专用模型。就像 GPT-3.5 给语言领域带来的启示一样,那一刻证明了规模化数据与模型真的能让材料模型跨过泛化门槛。Koji 好奇当时大家是不是欢呼雀跃,陆子恒笑着说:“没有明面上说,都是一帮非常低调、比较闷骚的科学家,但心里都很震撼。”
第二个触发点是 2025 年发表在 Nature 上的生成模型 MatterGen。Koji 追问那篇论文是不是在讲材料模型的 Scaling Law,陆子恒严谨纠正称外界有误传——论文核心是用生成模型直接设计无机材料。早年谢天等人用 CVAE(条件变分自编码器)做过材料生成,药物界也有类似尝试,但 VAE 这类老架构难以规模化(not scalable)。直到 DALL-E 2、DALL-E 3 爆发,给了团队关键启发:扩散模型(Diffusion)可以吃进海量数据实现规模扩展。MatterGen 正是把基于图结构(graph-based)的扩散模型引入晶体结构生成,性能大幅甩开旧模型;虽然论文没有明写 scaling law,但底层真正的驱动力正是规模化。
全球玩家格局、真正壁垒与“虚构电池负极”全管线拆解
面对“如果大家都依赖基础模型,开物纪如何建立壁垒”的追问,陆子恒先定下一个反常识的前提:今天远没到拼竞争的时候。眼下行业最急需的是大家一起把蛋糕做出来——全世界不管是哪家团队、用哪套模型,只要能率先跑通一个突破性材料的商业化,整个行业都会受益。
他随后梳理了一遍海内外同行的版图与路线分歧:
- 海外主要玩家:Periodic Labs(偏重结合语言模型推理能力与 mid-training 中期训练,走推理驱动的材料发现路线,与开物纪不同)、贝佐斯支持的 Project Prometheus(汇集流体、控制与材料背景,外界传闻涉足造火箭,路线尚未完全收敛)、Max Welling 创办的 CuspAI,以及 Orbital Materials。陆子恒观察,美国这批公司目前处于极高人才密度的天才聚在一起先攻大突破、赚钱反而在后的状态。
- 国内同行:提到了深度原理,以及更早深耕的深势科技。
针对 Koji 担心“开物纪的逻辑听起来太顺、会不会已经太共识了”,陆子恒回应说:高层次的共识确实只有一句“AI 对材料和化学一定有巨大帮助”,但落到执行层几乎全是非共识——究竟该在前端找原创化合物变现,还是做后端工艺优化赚大厂的钱?模型该押注哪类架构、训练什么能力?材料作为整个工业底座实在太宽,何时收敛无人知晓。而真正能拉开差距的壁垒,不在某张显卡或开源代码,而在两层认知以及由此决定的组织方式:一层是知道什么样的模型真能挖出值钱材料,另一层是精准拿捏模型在每个细分场景的能力边界。因此他立下一条组织铁律:做 AI 模型的人、做统计物理模拟的人、以及实验室里经验丰富的“化学老法师”,必须天天坐在一起工作,绝不能拆成互不理解的两个部门。
为了让外行听懂材料研发的真实步点,陆子恒用了一个虚构的锂电池负极案例演示全管线:假设大型储能市场爆发,需要一种容量更高、功率密度更大、电压更低的新型负极。
- 并行生成与检索:基于图结构的扩散模型在高维空间里学习人类已知及可能合成的晶体流形(manifold)并采样新候选(目前暂未采用语言模型式的 sequence-to-sequence 架构,原因是材料训练数据总量还不够大),同时调取人类全部已知材料数据库并行补充。
- 模型快速初筛:利用预测模型给海量候选打分排序。单张 GPU 卡筛选一个候选,视所要估算的性质不同,快则几十秒、慢则几十分钟。
- “老法师”人机共审:绝不让 AI 无休止过度优化打分,而是拉上实验专家开会,从几百个候选名单里逐一评估,挑出“明天就能进实验室动手做”的少数目标。
- 克级验证 → 公斤级中试 → 客户产线导入:先在实验室做出克级样品装进电池测性能;有戏再在自有实验室放大到公斤级(其实体量并不大),交给下游客户放到真实产线试用;一旦产线反馈过关,再决定自建放量或交给合作方量产。
陆子恒点明,AI 在整条管线中最大的价值集中在最前端发现颠覆性原始 IP,不要求把宇宙搜遍,只要“抽奖”抽中一个能卖钱的就行——即便通用基础模型今天彻底停滞,也有机会做成,只是模型越强中奖概率越高。他欣然认同 Koji 总结的“暴力美学、大力出奇迹”,指出从 AlphaFold 到大语言模型再到录制当天早晨刚发新版本的 Gemini,凡是 AI 引发范式革命的领域,无一不走这条路。
自由能里程碑、钱烧在哪儿,以及商业反哺科研
谈到未来里程碑,陆子恒拆出两条时间表:第一类是工具里程碑——希望在未来 1 到 2 年内把材料自由能(Free Energy)预测彻底打穿,使得给定广阔空间里的任意真实或假想结构,都能精准推断它在热力学上能否合成,从而替代绝大部分固相合成实验;第二类是商业管线里程碑——何时真正做出改变商业生态的材料,他坦承自己也没法打包票,但过去几年每逢大模型跃迁都会强化团队“大方向是对的”信念感。
数亿元融资究竟花在哪里?陆子恒拆开的账本颇为颠覆直觉:很多人以为建化工材料实验室最烧钱,实则不然——在公斤级中试之前,小试实验室只需要大几百万元,真正最贵的是训练算力和顶尖 AI 人才。算力一年就要烧掉几千万元(因为工具模型还没跨过拐点,绝大部分花在模型训练而非推理 Inference,若哪天只做推理成本会瞬间大降);而 AI 人才比其他行业贵出一大截,他笑叹“今年开了 3 张 offer,开的时候手都在抖”。真正烧到上亿元量级的重资本开支,要等到后端建大产能的阶段。同时,前沿通用大模型也在重塑他们内部效率:近半年 Claude(尤其是 Opus)和 OpenClaw 这类 Agentic 系统冲击巨大,开物纪直接给每位员工配了不设 Token 上限的 Claude,把过去靠人驱动的文献和方案搜索固化进 Agent 流程。
离开无商业考核压力的微软研究院,转向背负融资期待的创业公司(他坦言拿了大钱反而常有焦虑,做不成是对行业不负责任),陆子恒却把探索新商业模式看得和做顶级科研一样令人兴奋。他认为商业反馈非但不是对研究的妥协,反而是强力加速器——从 DeepSeek、Gemini 到核聚变、超导与量子计算,正是强烈的商业诉求和资本集聚,把技术推进得比纯学术快得多。而在文化凝聚力上,吸引资深“化学老法师”加入开物纪的共同信仰,是他们平生梦想——“不用做实验就能把实验结果猜个七七八八”——竟然在未来一两年看到了成真的曙光。
AI 时代重估人的能力:Coding 将贬值、PhD 值得读与“折腾扩大运气面积”
因为同时在中关村学院带博士生,访谈后半段深入聊到教育与人才选拔。聊起北京中关村学院(以及上海创智学院、知春学院等新型 AI 机构),陆子恒看到博士生第一天进校就像进了 startup,直接扎进真实重大项目边干边学。他顺口抖出自己的一段学习秘辛:当初刚切入生成式模型时,他一篇文献都没看,全靠不停追问 GPT 和 DeepSeek(从什么是 cross-entropy loss 交叉熵损失到什么是 Bayesian inference 贝叶斯推断),依托自己原有的底层数学功底,生生把整套数理框架问明白了。
然而这种工具的强大也让他陷入了面试焦虑:过去“学好数理化走遍天下”,知识几乎等价于能力;如今知识和能力彻底解耦,所有知识性问题 GPT 全能答且比面试官还广,面试到底该考什么?他坦承自己也很迷茫,目前做法是一边保留极硬核的细分领域知识题(至少证明候选人过去能啃硬骨头、具备学习力),一边重点考察面对陌生新问题的拆解能力。他挑人的画像很清晰——不要“什么都懂一点的泛泛交叉”,而是要“一专多广”:在一个最核心、不可拆解的硬核点钻到极深(要么深挖模型开发细节,要么把极难合成的物质硬搓几个月搓出来),同时保持宽广视野。
被问及未来 5 年哪些今天很吃香的技能会大幅贬值,陆子恒直言不讳地报出两项:Coding(写代码)与模型设计——在 Agentic AI 飞速演进下,连 AI 自身的设计范式都在被改写。相反,他给出 AI 时代最稀缺品质的优先级:
- 主动性:正如过去有图书馆、百度和 Google,也并非人人善用;知识全面平权后,主动调动工具与资源的人会拉开断层差距。
- 企业家精神:韧性、领导力,以及宏大愿景带来的感染力。
- 科研审美(Taste)与愿景(Vision):Taste 是一种贯穿处处的选择能力。陆子恒面试几乎所有人都会问同一道题:“假设给你 10 亿元人民币、100 人的团队,没有限制、没有审查,你想干什么?”以此筛出真正认真思考过方向的人。
如果亲弟弟问要不要读 PhD?陆子恒的回答干脆利落:坚决去读。他把 PhD 形容为“天下最好的一件事”——有人给你发工资还不用还,让你纯粹去探索自己觉得厉害的方向,完全不像去大厂打工必须立刻交业绩回报,是人生探索边界最好的黄金窗口。
节目尾声,Koji 请他给 10 年后的自己留一句话。陆子恒脱口而出两句问话:“这事儿开心吗?还折腾得动吗?”他一路回顾自己十几年来不断破圈的“折腾史”:
- 本科(南京理工大学):那时的全部人生目标是“月薪 3,000 元、娶个老婆、生个小孩”,因为按父母那辈算,两三千就能过得很爽。
- 读博(香港科技大学):接触国际学术圈后视野打开,立志要出国、当教授,为世界做学术贡献。
- 深圳三年(2018–2020 年,中科院深圳先进技术研究院):彻底重塑了他的商业认知。在那里带电池团队,要过得好就必须自己从外界拿经费反哺研究院——无论孵化企业、拿横向课题还是国家项目,市场化的生存压力让他第一次体会到经济生态的力量。
- 剑桥与微软研究院:2021 年逆着疫情去剑桥做研究,回国拿了一圈高校教职 offer 却全部放弃,转身加入微软研究院,只因判断 AI 浪潮来了必须在大厂做大事;如今再次跳出舒适区创办开物纪。
Koji 感慨“瞎折腾其实是好事,因为折腾扩大了运气的面积”,陆子恒连连赞同。最后被问到这种敢于不断跳脱的底气源自何处,他给出的答案出人意料却格外温暖:来自做大学老师的父母从小给予的极深宠爱(甚至“有点溺爱”)。妻子曾惊奇他常年在香港、深圳、英国、美国到处漂泊,甚至睡过很奇怪的房子,怎么几乎从不想家(只在刚创业头两天冒过一点念头)?他琢磨后才明白,恰恰因为童年被保护得太好、内心安全感极强,才敢放开手脚一路向世界更远处折腾。
把材料发现拆成可检查的几步
为了把访谈里的模型术语与真实实验接上头,可以把 AI 发现新材料的全流程拆成四道可独立核验的关卡:
- 定义多目标约束:客户或科学家先给出物理与商业边界,例如电池负极需要同时权衡比容量、倍率/功率密度、工作电压窗口、循环寿命、安全性与原料成本。这些指标往往互相制约,不能只追单一打分。
- 生成与检索候选结构:图结构扩散模型(如 MatterGen)从学习到的晶体分布中采样全新结构,同时与既有无机晶体数据库检索并行。这一步的输出只是计算机里的化学式、晶格参数与三维原子坐标,还不是一块可握在手里的真实物质。
- 计算筛选与势能模拟:借助第一性原理计算(基于量子力学近似如密度泛函理论 DFT,精度高但极耗时)或机器学习势能模型(如 MatterSim,从量子力学计算数据中学习原子间受力与能量关系,推理速度快几个数量级),快速估算候选结构的能量、声子谱、自由能及目标性能并排队。机器学习加速的本质是近似插值,一旦超出训练覆盖的化学元素或极端温压区间,误差会迅速放大。
- 合成、表征与产线闭环:实验“老法师”选定前驱体原料、烧结温度与气氛尝试克级合成,用衍射等手段确认实际长出来的晶相是不是目标结构,再装入器件测试,继而推进公斤级中试与客户产线导入。一旦失败,必须精准定位是“模型预测失真”“实际合成出了杂相”“实验测试条件偏差”还是“商业指标定义错了”。
本文自拟例子:假设筛选模型给三个负极候选打出 95、90、85 分。95 分的候选需要极稀缺元素锗且在常压下根本无法稳定合成;90 分的候选虽合成成功,但装进全电池后首周循环效率只有预测值的一半;85 分的候选虽然理论上限排第三,却原料廉价、工艺窗口宽且在客户产线上良率稳定。最终真正具备商业价值的反而是 85 分方案。若研发只盯住前端模型最高分,就会被后续的合成与产线两道漏斗彻底挡在门外。
独立分析:哪些突破离产业交付还有多远
打穿自由能预测,仍然不等于解决了“怎么合成出来”
陆子恒把未来 1–2 年打穿材料自由能预测视为替代大量固相实验的关键工具里程碑。但从材料物理化学角度必须区分两件事:热力学稳定性与动力学可合成性。自由能回答的是“在给定温度、压力和化学势下,目标晶体相对竞争相在能量上是不是更划算”;而实验室真要把原料烧成目标晶体,还取决于原料扩散速率、成核势垒、副产物是否先一步结晶,以及前驱体和设备成本。公开材料科学文献(包括 Nature Communications 关于无机材料可合成性的经典研究)早已指出,不少热力学上预测稳定的相在现实中难以合出,反之许多工业上大放异彩的有用材料恰恰是依赖特定工艺窗口制备的亚稳态。因此,自由能工具突破能大幅砍掉明显不可行的废案,却无法单靠热力学一步跨过合成工艺的“老法师经验”。
MatterGen 论文的证据强度:概念突破不等于量产拐点
核对 2025 年发表在 Nature 的 MatterGen 论文可以看到,其真正贡献在于证明图扩散生成范式可以按目标属性条件生成无机晶体,在作者设计的计算基准上显著提高了“新颖、稳定、不重复(S.U.N.)”结构的比例;论文也完成了从生成到实验合成的概念验证——成功合成了一个 AI 设计的目标结构,并测得目标性质与预设目标相差在 20% 以内。这一结果足以支撑继续加大投入,但距离“稳定挖出改变产业的商业单品”之间,还隔着多属性联合达标、放大一致性、成本竞争力与下游认证周期等多重关口,不能将单次实验合成等同于工业量产拐点。
“一专多广”与科研审美(Taste),应落在可检验的选题与证伪决策上
陆子恒面试爱问“给你 10 亿元、100 人团队想做什么”,确实能迅速分辨候选人是被动执行者还是有主见的研究者,但宏大愿景本身也可能只是漂亮的叙事,并不直接等价于真正的科研 Taste。落到日常研发里,科研品味更具体地体现在一连串可复盘的判断上:当模型给出高分但难合成的候选时,能否设计最低成本的证伪实验先排雷?当连续十批实验失败时,能否区分是训练数据分布偏差、合成路线错了还是目标性能设得不切实际?当下游客户反馈根本不在乎论文里的某个理论指标时,能否果断改写问题定义?
同理,他预言未来 5 年 Coding 与模型设计会大幅贬值,但对于 AI 是否真能接管高价值科学发现,需要设置更严格的对照检验:在相同背景资料与实验预算下,让 Agent 与人类科学家分别提出尚未预设的研究课题、设计验证路线并处理意外失败,再由盲审专家评估问题重要性与可证伪性。AI 能高效跑完人类搭好的生成—筛选管线,并不自动证明它已经具备发现管线之外新问题的品味。
“自己挖金”与商业反哺:现金流约束与研发节奏的张力
相比卖软件或 API,“自己拿着铲子挖出第一个金矿、甚至亲自当厂长”能拿到最真实的产线反馈,避免沦为脱离产业需求的纯算法外包;Flagship Pioneering 式的单品孵化逻辑一旦跑通,回报上限也远高于工具订阅。但硬币的另一面是资本与时间错配:材料研发前有每年数千万元的模型训练与顶级 AI 人才支出,后有动辄上亿元的产能建设与漫长的客户认证周期(如动力电池、特种化工的导入往往以年计)。商业客户反馈确实能把实验室里忽略的杂质、湿度、循环衰减和成本约束拉回桌面,但短期营收压力也可能诱使团队转向“好交付、低门槛的配方微调”而放弃原始 IP 突破。如何在“发财单品”与“底层自由能工具”之间管好资金节奏,是开物纪这类重投入研究型创业公司最难走的一道平衡木。
证据边界与资料索引
本文对话重建部分依据节目官方简介与全文机器转写整理,其中机构名与专有称谓(如集富亚洲、BV 百度风投、L2F 光源创业者基金、躺岛、OpenClaw 等)已结合官方简介与上下文还原,未逐字听审原音频,也未核查开物纪未公开研发管线或财务数据。嘉宾关于融资金额、算力投入、材料售价(如固态电解质每吨 70–80 万元)、行业竞品路线及人才趋势的表述,均按 2026 年 4 月中下旬访谈时的口述理解。文末独立分析结合公开论文核对了 MatterSim、MatterGen 与无机材料可合成性研究的核心结论,未复现计算或实验;负极筛选算例与盲评检验思路为本文提出。