AI重构材料研发：自建实验室生成720维数据，押注金属材料的GPT时刻

材料科学长期被视为经验科学，研发范式从试错到计算模拟始终受限于物理模型只在成熟体系内有效、行业数据难以支撑AI学习。人类数千年使用的金属材料，真正探索过的成分空间或许不到10%。

这一轮AI带来的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执行，自动化实验室完成验证，可协同调控八种元素。偶遇式发现转为持续产出，研发具备确定性——投入资源就能稳定拿到结果。金属材料是数十万亿级市场，研发是成本最高、周期最长、结果最不确定的环节。若其余九成成分空间被系统性探索，材料牌号将极大丰富，行业可能出现用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2021年遇到数据瓶颈后自建自动化实验室，已迭代到3.0版本，每条数据涵盖720个维度、约10GB，累计数万条。依托这些数据，团队研发出近20款金属新材料，部分已量产。王轩泽判断，数据规模达数十万条时，金属材料的GPT时刻就会到来，时间或在明后年。

王轩泽91年生于辽宁鞍山，靠竞赛保送上海交大，本硕偏人工智能，现在清华读材料学在职博士。他曾在虹软科技任职，2019至2020年创办AI视觉公司敏视科技做工业检测，后全面转型AI加金属材料。原因有三：材料行业核心在研发，很多材料被国外卡脖子；2018年AI制药启发他将类似技术用于材料；AI for Science窗口到来。他成长于冶金家庭，爷爷是鞍钢工人，父亲和外公做了一辈子冶金炼铁。AlphaGo让他受到震动，父亲曾问他AI能否用于材料研发，这根弦从此埋下。

他认为AI落地基础材料，是因为亲身经历深度神经网络那一波后，最核心问题是不落地。基础材料验证周期不如生物医药长，难点在研发，研发出来大半年到一年就能进入消费品。团队务实，用结果说话，融资不追求一时估值，资源集中把材料做出来、做到量产。

传统材料研发靠人偶遇式试错，常先做出材料再解释。传统做法下铝合金、钛合金多是一种主元占百分之八九十，而理论上更多材料应是五种、十种甚至更多元素均匀分布，即高熵合金。2011年提出材料基因工程，但当时技术不够，积累的数据很多不适合AI用。神经网络那一代技术开始见效，创材深造21年成立时还没有transformer和大模型，沿垂类模型路线做出效果，因为手里有真正适合AI训练的数据。最新transformer大模型又带来明显优势。

AI带来的本质变化一是降本提速，二是确定性，后者更重要。传统研发在几种主元之间调，一般先调一个再调另一个；现在用AI能做到八种甚至更多元素一起调，因为元素间耦合复杂，必须放在一起调。团队把偶遇式研发变成材料工厂：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，高性能材料源源不断出来。

与计算材料学相比，大模型根本差别在泛化能力。计算材料学基于物理模型，泛化差；金属是宏观材料，很多性能来源于介观尺度，晶粒之间有晶界、滑移，可理解为混沌问题。很多物理模型其实是经验模型，在成熟体系里算得准，迁移到新材料就失灵，这部分要靠大模型加小模型解决。

团队坚持大模型加小模型，而非只用一个大模型。大模型只会读论文，论文结构性数据维度低、一致性差，A论文和B论文数据放一起会污染数据池。人体是最智能的系统，大脑负责总体调度，心脏供血、胃消化并不直接控制；材料研发同理，垂类小模型和计算工具在具体问题上比大模型强，小模型有确定性，大模型不可避免有幻觉。因此采用大模型做大脑、小模型做器官的智能体框架。

大模型核心承担两个新角色：整体调度和RSI递归自我进化。离真正RSI还有距离，但已可让大模型自己提出假设，再用干湿实验验证。目前材料科学家调用小模型做研发，效果仍好过大模型调用，但团队已投入大量人财物做大模型，甚至计划自训垂类大模型，因为在智能体架构下，语言大模型的因果推理和逻辑能力仍有待发挥。