夜雨聆风AI 材料赛道没有"礼来"。当下游没有成熟接盘方，所有"知"层公司终将面对同一个选择。
「AI 材料四杰：同一赛道，三种活法」里，我们梳理了深度原理、开物纪、鼎犀智创、创材深造四家 AI 材料公司的三条变现路径：License-out、SaaS、IDM。
"AI 材料该怎么赚钱"是从业者和投资人当前最焦虑的问题。
但最近的一则合作消息揭示了一件更有意思的事——
三条路正在收敛。
深度原理×镁伽：一次"知"层公司的破局
简单拆解一下这件事的结构：
| 深度原理 | |
| 镁伽科技 | |
| 合在一起 |
深度原理此前的路径很清晰——用 AI 发现新催化剂配方，授权给下游客户使用，典型的 License-out 模式。
现在，它不再满足于只做 AI 预测了。它和镁伽合作，拿到了自动化实验的能力——从"我帮你设计配方"变成了"我帮你设计配方，还帮你跑实验、拿结果、迭代模型"。
这不是一次简单的渠道合作。这是一次路径选择的进化。
为什么非要建闭环？
深度原理合作通稿里有一句话值得反复读：
"高通量实验平台持续产出的高质量实验数据，持续驱动 AI 模型迭代升级。"
这句话的真正含义是：AI 模型的进化需要实验数据，而高质量的实验数据只有在真实实验中才能产生。
科学数据有四个梯度——从公开论文到实验室笔记本到闭环反馈，越往下越稀缺、越有价值。其中最顶级的数据是闭环反馈数据：AI 预测一种配方 → 实验验证 → 结果回灌模型 → 模型变得更准 → 再预测。
这类数据只有跑通闭环才能产生。论文里找不到，数据库里买不到。
深度原理和镁伽合作，本质上不是为了"做更多实验"，而是为了建一条闭环数据的生产线。 没有这条生产线，它的 AI 模型只能吃公开数据——和所有竞争对手吃同样的东西。有了这条生产线，它的模型每天都在进化，而进化的速度取决于实验的频率。
这就是为什么深度原理不满足于只做 License-out 了——在没有闭环的赛道里，光靠 AI 预测能力不构成持久壁垒。模型会被追平，但闭环跑出来的私有数据飞轮不会。
四杰的进化地图
把深度原理×镁伽放回四杰的框架里看，会发现一幅正在变化的地图：
| 深度原理 | 知→合 | ||
| 创材深造 | 已在合 | ||
| 开物纪 | |||
| 鼎犀智创 |
四杰中两家已经向闭环移动——一家自建（创材深造），一家联盟（深度原理×镁伽）。
路径不同，但终点相似：
两条路各有优劣。创材深造的闭环完全自控但资金需求大；深度原理的联盟模式轻资产但数据飞轮的控制权需要合作约定。
但有一点是共同的：它们都选择了让 AI 和实验互相驱动，而不是让 AI 停留在预测层。
"合"是 AI 材料赛道的引力中心
为什么不同起点、不同路径的公司，最终都在向同一个方向移动？
因为 AI 材料赛道有一个结构性特征：没有"礼来"。
制药行业花了几十年建起了成熟的分工体系：Biotech 做发现，CRO 做试验，大药企做商业化。GMP 合规、临床数据标准化、"首付+里程碑+Royalty"的合同范式——这些基础设施让英矽×礼来的 27.5 亿美元 License-out 成为可能。
AI 材料赛道没有这套基础设施。巴斯夫、陶氏、宁德时代需要 AI 发现的新材料，但它们和上游的合作方式还没有标准化。
当下游没有成熟的接盘方时，"知"层公司面临一个选择：要么等待行业慢慢演化出分工体系（可能需要十年），要么自己向下游延伸——建闭环、做验证、甚至做产品。
深度原理选择了后者。创材深造从第一天就选择了后者。
这不是巧合——这是赛道结构决定的。
浙江联盟建的是公共品，闭环是私有品
同样在最近，浙江省成立了"AI+新材料"产业联盟——3 年内建省级材料数据库、上线 AI 材料设计模型。上海人工智能实验室也发布了 Sciverse 科学数据库——2500 万篇文献变成 6000 亿个 AI-Ready Token。
这些都是好事。它们在做的是把基础数据变成公共品——论文结构化、材料数据库标准化、公共 AI 模型开源。
但公共品解决不了闭环的问题。
论文数据（公共品）告诉 AI"别人已经发现了什么"。闭环数据（私有品）告诉 AI"我的预测哪里错了、怎么改"。 前者所有人都能用，后者只有跑通闭环的人才有。
这就是为什么浙江联盟的省级材料数据库和深度原理×镁伽的闭环实验平台，虽然都是"数据基建"，但性质完全不同：
公共数据基建降低了所有人的起跑线。但闭环数据飞轮决定了谁能跑得更远。
开物纪和鼎犀智创会怎么走？
四杰中，开物纪和鼎犀智创暂未公开向闭环方向的动作。
开物纪走的是 SaaS/平台路线——材料大模型做通用工具，收订阅。这条路的核心优势是轻资产、高毛利、客户越多飞轮越快。但它面临一个来自闭环方向的结构性挑战：如果客户用你的平台做预测，然后自己做实验，实验数据不回灌到你的模型——你的模型进化速度就受限于公开数据的更新速度。
鼎犀智创还在天使+轮，路径窗口仍然开放。它的晶泰科技投资背景暗示了一种可能——沿着晶泰的"AI + 机器人 + 实验验证"路线走。如果它也选择建闭环，那四杰中将有三家走向同一个终点。
我们不预测它们一定会走向闭环——但赛道结构的引力是真实的。
一个正在形成的共识
License-out、SaaS、IDM——三种活法没有对错，都是合理的商业路径。
但深度原理×镁伽的合作揭示了一个正在形成的行业共识：
纯"知"层（只做 AI 预测）越来越不够用了。不是因为 AI 不够强，而是因为 AI 变得更强需要吃真实实验数据——而真实实验数据只有在闭环中才能规模化产生。
有人会说：制药行业不是有成熟的分工体系吗？Biotech 做发现，CRO 做试验，大药企做商业化——License-out 跑得很好。
确实如此。但即使是分工最成熟的制药行业，也在出现新的信号。2026 年 4 月，Anthropic 以超过 4 亿美元收购了 AI 生物技术公司 Coefficient Bio。一家做大语言模型的公司，为什么要买一家做蛋白质工程的实验室？因为生物实验产生的闭环数据，是公开论文和数据库无法替代的。制药行业的分工体系建立在几十年的 GMP 合规和临床数据沉淀之上，但当 AI 成为核心驱动力，"谁拥有实验数据的生产能力"正在变成新的竞争变量。
连制药行业都在向闭环延伸。材料行业——一个连分工体系都还没建起来的赛道——就更没有理由停在预测层了。
创材深造从第一天就选了自己建闭环。深度原理现在选了和镁伽一起建。
"合"不是唯一的终点。但它正在成为 AI for Science 赛道最强大的引力中心——不只是材料，可能是所有科学领域。
结语
四杰没有停下来。
深度原理向镁伽伸出了手，要把 AI 预测和自动化实验焊在一起。创材深造的闭环飞轮在安静地转动。浙江联盟在建公共数据库。整个赛道的基础设施——从公共数据到私有闭环——正在快速成形。
三种活法仍然存在，但边界正在模糊。
在一个没有"礼来"的赛道里，每家公司最终都需要回答同一个问题：你的数据飞轮从哪来？
这个问题的答案，可能比"你的模型多强"更重要。
