开物纪杨孟洋：AI材料研发不止于「材料GPT」

财经涂鸦获悉，9月11日，在Inclusion·外滩大会期间，由通用决策智能研究所主办的“AI4S：当AI学会研究，技术会实现自主进化么？”见解论坛成功举办。开物纪（Kairos Materials）联合创始人杨孟洋博士发表“让材料发明告别偶然：大模型、实验与量产闭环”主题演讲，围绕AI for Materials的技术路线、数据体系以及产业化路径进行了分享。

除了材料大模型本身，杨孟洋强调一条更长的链路：让AI参与从材料设计、配方验证到放大生产的全过程。在他看来，AI for Materials最终是否有效，不能只看模型指标，而要看新材料能否在真实物理世界中被合成、验证并最终实现产业化。

开物纪成立于2025年，为一家端到端材料创新的全栈AI4Materials公司，由AI4M领域国际顶尖科学家陆子恒博士和前微软高级研究经理杨孟洋博士联合创立。

杨孟洋表示：“我们不希望大家把开物纪理解成一家做‘材料GPT’的公司。我们自己做数据、模型，也做实验室和工厂，让AI智能体去处理数据、训练和调用模型，在实验室里进行高通量配方验证和合成，再进入工厂进行量产。”

因此，做AI for Materials不能只在数据和模型上发力，在设备、实验和产业落地上，同样需要真正懂垂直领域的人在实验室和工厂里做相关工作。

“预测”与“生成”双引擎，驱动材料发现

开物纪主要构建了两类核心模型：Prophet预测模型与Creator生成模型。

预测模型解决的是“从结构到性质”的正向问题：输入材料的组成和空间构型，对其热学、力学、光学、电学、磁学等物理化学性质进行预测；生成模型则尝试完成反向设计，即从目标性能出发，主动寻找可能满足要求的材料组成和空间结构。

基于“正向预测+逆向生成”的双引擎架构，开物纪进一步将模型、专利、数据与工具结合为智能体System 0，帮助研究人员调用计算能力，并探索将其接入实验室与生产环节。

模型的另一个重要方向是扩大可处理的材料空间。“我们的基座模型是在全元素周期表的范围进行学习，训练数据并不限定材料体系，既覆盖晶体，也适用于有机物、高分子等不同体系。”

同时，模型还尝试扩大原子尺度上的计算范围。杨孟洋表示，公司希望实现从数百个原子到更大体系的跨尺度模拟，并将生成模型拓展至基态之外的高温、高压等状态。

除模型之外，公司同时自建高通量、小型化的小试和中试实验体系，对模型生成的候选材料进行合成和验证，再根据结果反向更新数据与模型。

从数据瓶颈到量产落地：AI4M的产业化全链路

相比大语言模型，材料模型领域公开可获得的数据规模仍然有限。而持续生成高质量数据的能力，是开物纪研发体系的重要基础。

据悉，公司已于7月已发布材料数据集Elementa，尝试在更广泛的化学空间中探索材料构型。完整数据规模约为2.1亿个DFT标注原子构型，其中包含约970万个经过DFT弛豫的多晶型结构及约190万个化学组分；首批开放版本则包含接近3900万个核心数据帧和470万个磁性数据帧。

“我们希望构建的数据不是只围绕某个已经知道的先验领域，而是在更大的化学空间里进行探索，让覆盖到的元素、原子以及结构之间的信息更加丰富。”

机器自主发现要进一步推进，数据生产本身就是基础能力之一。AI材料研发需要的不只是对已有数据的利用，更重要的是持续产生新数据的能力。开物纪一方面通过DFT等计算方式形成大规模材料数据，另一方面通过自建实验室获取真实实验数据，并将实验结果反馈给模型，用于下一轮材料设计和模型迭代。

在此基础上，公司还将部分数据向外部开放，供材料模型研究、测试与交流，希望进一步扩大材料研发的数据生态。

此外，对AI for Materials而言，模型完成材料预测和生成之后，真正进入产业环节，还需要跨过实验验证、工程放大和规模化制造等环节。

开物纪目前正在新能源电池、存储、热管理、超导和信息技术材料等中长期、高潜力方向布局，并推进自研IP孵化，同时建设相应的小试、中试及制造能力，推动候选材料从计算设计走向实际制造。

杨孟洋表示，中国在物流和制造方面具备很强的优势，为AI材料研发进一步连接实验验证、制造与产业落地提供了现实基础。

因此，开物纪希望解决的并不仅是能否预测一种新材料，而是材料能否真正被制造出来并形成产品。

模型提出材料、计算生成数据、实验室验证结果，结果再反馈至模型，最终还需要经历工程放大与制造。只有当这一链条能够反复运行，“AI自主研究”才可能由单次预测进一步走向持续迭代。