0
| 本文作者： 楊依婷 | 2025-12-22 11:58 |
2025年12月12-13日，第八屆GAIR全球人工智能與機器人大會在深圳·博林天瑞喜來登酒店正式啟幕。
作為AI 產學研投界的標桿盛會，GAIR自2016年創辦以來，始終堅守“傳承+創新”內核，始終致力于連接技術前沿與產業實踐。
在人工智能逐步成為國家競爭核心變量的當下，算力正以前所未有的速度重塑技術路徑與產業結構。13日舉辦的「AI 算力新十年」專場聚焦智能體系的底層核心——算力，從架構演進、生態構建到產業化落地展開系統討論，試圖為未來十年的中國AI產業，厘清關鍵變量與發展方向。
GAIR 2025「AI 算力新十年」專場上，鼎熙智創聯合創始人呂海峰先生，為我們分享了《科學智能驅動的新材料設計研發》。
當“AI for Science”從理念走向產業化，新材料研發被視為最具潛力的落地場景之一。然而，在充沛的算力與高漲的期待背后，一道真實的壁壘正逐漸清晰——高質量、高價值的專用數據，而非算力本身，正成為制約AI驅動材料發現從實驗走向量產的關鍵瓶頸。
呂海峰的實踐，正源于對這一瓶頸的直面與突破。他親歷了中國超算從T級起步、服務化探索乃至產業應用的完整過程，深諳“建好算力”與“用好算力”之間的巨大鴻溝。如今，他選擇躬身入局，將全部精力投入到通過“干濕實驗閉環”，在材料研發中持續生成高質量數據、訓練專用模型，并最終實現新材料高效孵化的創業實踐中。
在他看來，AI若不能深入“數據-設計-制備-測試”的產業閉環，僅靠公開數據與通用模型，將難以破解材料領域的“研發黑箱”。真正的價值不在于擁有多少算力，而在于能否構建一個能持續產生優質數據、并能將數據轉化為可驗證材料方案的“智能研發系統”。
在GAIR 2025的演講中，呂海峰系統分享了如何從早期超算服務、商業化運營到如今AI for Science創業的歷程與思考。他重點剖析了材料研發中數據稀缺的本質、構建“干濕結合”閉環的邏輯與挑戰，以及在此過程中如何找到可持續的商業模式——不是售賣軟件工具，而是成為“新材料的孵化器”，直接交付分子設計、工藝包乃至樣品。
他的經驗，來自從理論模擬到自動化實驗室的全鏈路實踐，這些思考對于所有正嘗試將AI深入產業核心研發環節的探索者而言，或許提供了一個從“為何而做”到“如何持續”的務實參考。
以下為呂海峰演講精彩內容的精編整理，雷峰網(公眾號：雷峰網)作了不改變原意的編輯：
各位下午好，非常感謝主辦方的邀請，今天我將結合算力主題，分享如何在具體場景的應用中利用AI算力解決實際問題。
我的個人經歷與算力領域高度契合，2003年畢業后，我加入中科院超算中心，參與研制了中國第一臺對外服務的高性能計算機“深騰6800”。當時我們使用了256個節點，搭載安騰2處理器，整機雙精度浮點性能達到5.324 TFLOPS，這是國內首次實現T量級的高性能計算能力。以今天的眼光看，這已是相當早期的算力實踐。
2008至2009年，中科院超算中心開始嘗試商業化運營，成為國內最早提供算力服務的機構之一。隨后在2009-2010年，我們與北京市政府合作，并于2011年成立北龍超級云計算公司，正式開展對外服務，可說是算力服務商業化領域的早期探索者。
之后，我加入英特爾，負責高性能計算業務拓展，恰逢國內多個國家級超算中心（如天津、廣東等地）的建設浪潮，有幸參與其中，親身經歷了算力能力的快速躍升。在英特爾期間，我深刻認識到“消費”的重要性——即如何將建設的算力與智算中心真正用起來、賣出去，并開始持續關注算力的真實用戶與應用場景。
2021年，我投身于“AI for Science”賽道，專注于如何利用計算與AI能力為產業創造更大價值。今天我分享的重點，正是科學智能驅動的新材料設計研發。
創新材料研發范式正在經歷深刻變革：從最初的經驗發現，到實驗試錯，再到理論推演，直至今天數據與模型雙驅動的“AI for Science”第五范式。傳統研發模式，如愛迪生式的反復試錯，已難以滿足產業對效率的需求，尤其是在新興半導體、電解質、3D打印、鈣鈦礦、MOF等材料領域，高投入、長周期的研發模式面臨巨大挑戰。
AI for Science 已成為全球焦點，政策、技術與產業需求共同推動其發展。例如，近期美國發布的“創世紀計劃”將其提升至國家戰略層面，歐洲也在加緊布局，DeepMind剛剛宣布在歐洲建立相關實驗室，這充分表明該方向的重要性。在中國我們也已經早就布局了AI for Science這一方向，這也是中國第一次引領了全球的科技產業創新。
AI之所以能變革材料研發，核心在于它能夠大幅壓縮從理論、設計、制備優化到量產落地的漫長周期。以鋰電池為例，從概念到商業化用了約50年，而AI與自動化能力的引入，使得研發過程開始形成“自主設計-測試驗證-學習優化”的閉環。尤其近年來，隨著大模型能力的突破，AI正從工具升級為“研發伙伴”——能夠觀察實驗、分析數據、提出假設并自主設計驗證閉環，這為我們彌合從實驗室到生產線之間的鴻溝提供了全新可能。
然而，在具體落地中，我們面臨的首要挑戰是數據問題。當前大模型已學習了大量公開的文本、圖像等信息，但科學工程領域的高質量、專業化數據往往稀缺、封閉且難以獲取，這些數據通常與企業的專利和核心競爭力深度綁定，難以實現廣泛共享。
因此，我們采取了一種“現實可行”的策略：構建“干濕結合”的研發閉環——通過融合理論計算數據與實體實驗數據，在“數據、設計、制備、測試”的循環中不斷生成高質量、高價值的專有數據集。這不僅能提升研發效率，更能打造一個持續產生優質數據的“裝置”，為訓練更專業的模型、深入解析材料結構-性能關系奠定基礎。
這一技術閉環自然導向可持續的商業模式。如果僅提供軟件或方法，而企業不愿共享核心數據，模型就無法迭代，商業邏輯也難以成立。因此，我們認為可行的路徑是提供端到端的服務：客戶向我們提出新材料需求，我們通過持續學習與遞歸反饋的閉環，構建智能化材料研發平臺，最終輸出新材料分子、驗證報告、工藝包乃至直接提供新材料樣品。
這樣，平臺就演變為一個“新材料孵化器”，幫助客戶完成產品驗證、工藝優化，從而實現AI for Science 的真正商業化落地。
基于以上思路，我們創立了“鼎犀智創”，并依托北京大學深圳研究生院河套科創中心，構建產學研“三位一體”的架構，致力于打造具備自主推演與驗證能力的“AI Scientist”。
我們的核心能力架構包含三個環環相扣的部分：
1. AI能力：利用大模型讀取文獻、專利與理論數據，生成新穎的分子結構與配方建議，有時甚至能借助其“幻覺”啟發新思路。
2. 模擬仿真：通過高通量虛擬實驗（如分子動力學、第一性原理計算）驗證AI建議的可行性，預測其是否易于制備。
3. 實驗驗證：將優選方案投入自動化實驗室進行制備、表征與分析，并將實驗結果數據反饋至模型與仿真環節，形成閉環。
作為一家今年7月成立，剛完成首輪融資的初創企業，我們正致力于將這三方面能力整合為“材料合成制備智能體系平臺”。我們前期聚焦于納米碳材料（如單壁碳管，烯碳復合纖維）及新能源方向，依托高校的研發基礎進行產品驗證與閉環跑通，再向企業推廣。
我們已經構建了“四象限”一站式孵化能力體系：
? 智能軟件：模型智能體及自動化實驗設計與執行。
? 自動化設備：面向不同場景的高通量自動化實驗裝置（如用于半導體材料的CVD設備、用于鋰電池的電解液配制系統）。
? 解決方案：基于軟硬件能力為客戶提供研發服務。
? 創新材料：最終實現新材料的直接孵化與輸出。
目前，我們已與萬華、貝特瑞等頭部企業展開合作，在納米碳材料等領域，我們已實現了從概念到制備的全生命周期跑通，這在該賽道中具有重要意義。
在服務企業的過程中，我們總結出了一套方法論：根據客戶的數據基礎，從數據治理入手，逐步在生產、小試等環節開發優化小模型，最終幫助客戶建立全生命周期的智能研發能力。這個過程雖然艱巨，但基于對材料行業的共同理解，我們能與客戶攜手走得更遠，真正將AI落地于實際場景。
以上就是我的分享。我們公司剛剛起步，非常期待與各位有更多的交流與合作機會，共同探索AI for Science在具體場景中的未來。
謝謝大家。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
