AI for Science（AI4S，科学人工智能）正在成为全球资本追逐的新高地。据不完全统计，今年以来，全球AI4S领域融资规模已超过44亿美元。
作为AI与物理世界的重要连接点，新材料研发被认为是人工智能突破数字空间、真正进入现实产业的重要入口，因此，AI for Materials（AI4M）也是全球投资机构在AI4S领域中竞相布局的新赛道之一。
放眼海外，资本早已率先押注这一趋势。英国公司Cusp AI即将完成一轮4亿美元融资，估值达到26亿美元，投资方包括贝佐斯家族办公室和Kleiner Perkins；美国Periodic Labs正推进一轮5亿美元融资，估值约75亿美元；另一家AI科学公司Lila Sciences则计划以85亿美元估值融资20亿美元，潜在投资者包括英伟达旗下NVentures。
随着全球资金持续涌入，中国AI4M赛道也开始迎来属于自己的爆发时刻。近日，深度原理宣布完成A系列融资，累计融资金额近10亿元人民币。其中，孚腾资本领投，华控基金、康君资本（康龙化成CVC）等跟投，顺禧基金、祥峰投资、高瓴创投、戈壁创投、线性资本、联想之星、BV百度风投、启高资本等过半数老股东超额加注。
我们了解到，深度原理不仅拿下了国内AI4M领域迄今最大规模融资，也是行业内少数获得国资重仓支持的AI4M企业。
上海、北京国资联手押注
深度原理此次近10亿元A系列融资，并不是一轮简单的财务融资。
颇为引人注目的是，上海、北京两地国资平台同时出现在投资人名单中。领投方孚腾资本是由上海国投公司作为主要发起人，联合临港集团、上汽集团、宁德时代、哔哩哔哩等领先的产业集团和投资机构共同设立的市场化、专业化股权基金管理人。另一投资方顺禧基金则是北京国管旗下市场化运作的创投基金投资平台，也是北京国管市场化基金群体系的重要成员之一。
对于仍处于早期发展的AI for Science赛道而言，两大地方国资平台联手下注并不多见，也释放出一个信号：AI驱动科学创新，正从资本市场的前沿探索，逐渐进入国家战略布局的视野。
2025年，国务院印发《关于深入实施“人工智能+”行动的意见》，将人工智能赋能科技创新列为培育新质生产力的重要方向。中国科学院院士、鄂维南曾撰文指出，AI for Science的意义不仅在于提升科研效率，更在于推动科研组织方式从“作坊模式”向“平台模式”转变，进而重塑整个创新体系和产业生态。对于中国而言，这场由AI驱动的科研范式变革，也被视为实现2035年建成世界科技强国目标的重要战略机遇。
与此同时，康龙化成旗下康君资本等产业资本的加入，意味着下游产业开始为AI材料研发的商业价值投票。祥峰投资、高瓴创投、戈壁创投、线性资本、联想之星、BV百度风投等过半数老股东选择超额加注（Super Pro-rata），则体现出市场化机构对公司长期发展的持续看好。
“国资+产业资本+市场化VC”集体押注的投资组合，在当下的AI for Science领域并不常见。原因在于，AI for Science至今仍是一个相对“非共识”的赛道。
与大模型、AI Agent、具身智能频繁出现在公众视野不同，AI for Science更多活跃于实验室、科研机构和产业研发部门之间。它既缺少面向消费者的爆款应用，也难以用短期收入证明价值，其商业化周期往往以年为单位计算。因此，相较于互联网时代的应用创新，这更像是一场围绕基础科研能力和产业创新效率的长期投资。
2024年，英伟达创始人黄仁勋曾将大语言模型、具身智能和AI for Science并列为人工智能发展的三大方向。在前两者已经成为全球资本竞逐焦点的背景下，AI for Science仍处于早期阶段，也因此成为少数具备巨大想象空间、却尚未形成广泛市场共识的领域。
如今，全球资本正在重新定价这一赛道。以深度原理所在的AI+材料学为例，英国AI材料公司CuspAI即将完成4亿美元融资，投后估值达到26亿美元，较上一轮估值不到一年增长约4倍，投资方包括贝佐斯家族办公室Bezos Expeditions和Kleiner Perkins；由前OpenAI、DeepMind研究人员创立的Periodic Labs，成立不足一年，最新融资估值已升至约70亿美元，而上一轮种子轮估值仅为13亿美元；美国AI科研公司Lila Sciences同样完成数亿美元融资，持续获得全球头部资本支持。
除了在新能源、半导体显示、化工、合金材料等新材料领域具备巨大潜力，以 AlphaFold 为代表的 AI for Science技术在蛋白质折叠、气象预测等特定领域也已经取得了里程碑式成就。
麻省理工博士带队，多项模型实现全面SOTA
和不少AI创业公司一样，深度原理也拥有一支明星团队。
公司由两位麻省理工学院（MIT）博士创立。创始人兼CEO贾皓钧曾在在陶氏化学核心研发部门从事新材料与催化剂研究，希望借助人工智能重新定义材料研发流程；联合创始人兼CTO段辰儒曾任Azure Quantum研究科学家，长期从事量子计算、分子生成模型等方向研究。团队成员则来自MIT、斯坦福大学、浙江大学、上海交通大学等高校，以及微软、谷歌、巴斯夫等企业。
但在AI for Science领域，团队背景只是起点，真正决定竞争力的是能否把算法变成科研生产力。
过去几年，AI已经能够生成分子、预测材料性质，也能完成部分化学反应模拟，但这些能力大多停留在单点工具层面：有的负责生成材料，有的负责预测性质，有的负责实验设计，却很少有公司能够把整个研发流程串联起来。
深度原理选择了一条更难的路径。围绕材料研发，公司自研了Reactive AI平台，并构建起覆盖材料生成、性质预测、化学反应生成等多个环节的模型体系。其中，材料生成模型SAGA能够完成复杂约束下的多目标优化；OA-ReactDiff、React-OT等模型将过去需要数天甚至数月完成的过渡态计算压缩至0.4秒；物性预测模型MPA则在近40项公开任务中达到业内领先（SOTA）水平。
不过，在贾皓钧看来，AI for Science最大的挑战并不是模型，而是如何让模型真正作用于现实世界。科研长期存在"干实验"与"湿实验"脱节的问题：AI负责计算和预测，实验室负责验证，两者之间往往依赖大量人工沟通和反复试错，模型也很难从实验结果中持续学习。为了解决这一问题，深度原理建立了AI Materials Factory高通量实验平台，让AI Agent能够直接控制实验设备完成实验，并自动采集实验数据，再反馈给模型持续迭代，形成"AI预测—实验验证—知识沉淀—模型优化"的完整闭环。
在这一基础上，公司进一步推出AI Scientist平台Mira，将生成式模型、计算工具、客户私有数据库以及实验平台统一连接起来，能够自主完成科研任务拆解、实验设计、执行、复盘和持续优化，实现材料研发流程的自动化。这也是深度原理与不少AI for Materials公司的区别所在。目前，行业里不少企业仍聚焦于解决研发中的某一个环节，例如材料生成、性质预测或实验自动化，而深度原理则试图覆盖从科学假设提出、材料设计、计算验证、实验执行到知识沉淀的完整研发链条，为客户提供一整套材料研发解决方案，而非单一AI工具。
技术之外，更大的考验来自商业化。AI for Science一直被认为是"最难落地"的AI赛道之一。研发周期长、验证成本高、产业需求复杂，使不少创业公司停留在技术展示阶段，真正实现规模化收入的企业并不多。
贾皓钧认为，AI for Science最大的难点很多时候并不是技术，而是产业理解。"很多项目失败，并不是模型不够先进，而是从一开始就没有找准真正需要解决的问题。团队如果全是科学家，却缺少真正理解产业的人，很容易做出技术上漂亮、商业上却没人买单的产品。"
因此，公司从创业之初便围绕产业需求设计研发方向，而不是先做模型，再寻找应用场景。目前，深度原理已服务多家国际及国内头部企业，并实现持续复购。合作模式也从解决单点研发问题，逐步升级为AI Agent订阅以及材料研发管线共研专业股票配资公司，通过里程碑付款和成果分成等方式建立更深层次合作。业务领域则持续拓展至新能源、电子材料、精细化工、营养日化等多个行业，并已落地多个单客户千万级项目。
宏赢策略提示：文章来自网络，不代表本站观点。
热点资讯
