全球AI + 材料科学:一场正在发生的研发革命

220 万种新晶体、锂用量减少70%、10 年研发压缩至 2 个月、市场规模从 38 亿美元飙至 196 亿美元 —— 材料科学延续数千年的底层研发逻辑，正在被 AI 彻底改写。

引言：当AI 学会读懂元素周期表

2024 年 1 月，美国太平洋西北国家实验室（PNNL）的科研团队取得一项重要突破：从3200万种候选中筛选出目标材料，AI仅耗时80小时；从筛选到实验验证落地，整体周期被压缩至数周级别。

而在延续至今的传统研发路径里，完成这样一款新材料的从0 到 1 发现，至少需要 20 年、数十亿次试错，以及无数吨被浪费的原材料。

太平洋西北国家实验室（PNNL）材料科学家Shannon Lee正在混合原材料，以合成一种新型固体电解质。这种电解质是利用Azure Quantum Elements服务中的人工智能和高性能计算工具预测出的极具潜力的候选材料之一。

https://news.microsoft.com/source/features/innovation/how-ai-and-hpc-are-speeding-up-scientific-discovery/

这款名为NaLiYCl 的固态电解质，由微软 AI 材料发现平台从 3200 万种候选材料中层层筛选而出。它的诞生，划开了人类材料发现史的分水岭：我们终于告别了靠“炒菜式试错” 碰运气的研发模式，转而让 AI 读懂元素周期表，直接定向生成我们需要的物质。

https://azure.microsoft.com/en-us/blog/quantum/2024/01/09/unlocking-a-new-era-for-scientific-discovery-with-ai-how-microsofts-ai-screened-over-32-million-candidates-to-find-a-better-battery/

更多震撼行业的数字，正在印证这场革命的真实到来：

•全球AI 材料发现市场，将从2025 年的 38 亿美元冲刺至 2034 年的 196 亿美元，年复合增长率高达 19.9%；

•仅2024 年一年，AI 材料科学领域的学术论文就突破 10000 篇，其中中国贡献了 40% 以上的成果；

•AI 可将材料研发成本降低 30%-60%，研发周期缩短 80%-90%。

这不是科幻设定，而是2025 年正在发生的产业现实。从 Google DeepMind 一次性发现 220 万种新晶体，到贝佐斯砸下 62 亿美元豪赌 “物理经济 AI”，从 MIT 自主实验室 17 天合成 41 种新材料，到中国初创企业把10 年研发周期压缩至 2 个月—— 一场由 AI 驱动的材料研发革命，已经全面铺开。

本文将完整拆解这场革命的全貌：谁在主导行业走向？哪些技术路线正在竞合？中国处于全球格局的什么位置？而对于每一个身处材料、制造、能源行业的从业者，这场变革究竟意味着什么？

一、为什么是现在？材料研发的百年困局，终于等来了AI 

1.1 人类用了 5000 年，只解锁了不到 1% 的材料宇宙

人类使用材料的历史可追溯至青铜时代，但真正具备“设计材料” 的能力，不过短短数十年。直到 20 世纪中叶，材料发现依然高度依赖 “混合、加热、测试、重复” 的试错逻辑；即便进入计算材料学时代，基于密度泛函理论（DFT）的模拟，也受限于算力，只能覆盖极小的材料范围。

这个范围有多小？据Materials Project 估算，人类已知的稳定无机化合物，仅占理论上可存在总量的 0.0001%。换句话说，材料宇宙还有99.9999% 的疆域，等待人类探索。

更致命的问题，是慢。一款新材料从实验室发现到工业化应用，平均需要10-20 年，成本动辄数千万至数亿美元。光刻胶、高温合金、固态电解质这类“卡脖子” 关键材料，其研发周期之长，足以拖垮一家中型企业。美国能源部的数据显示，一款新型电池材料的完整商业化进程，平均耗时长达 18 年。

1.2 三重力量交汇，引爆行业奇点

AI + 材料科学之所以在 2023-2025 年迎来集中爆发，本质是三重完美风暴的交汇。

第一重，是“数据燃料”的储备完成。过去二十年，高通量实验、DFT 计算、同步辐射表征技术，积累了海量标准化材料数据。Materials Project、AFLOW、OQMD 等全球顶级数据库，已收录超过 15 万种材料的第一性原理计算数据，为 AI 模型训练提供了充足的核心燃料。

第二重，是算法能力的关键跃迁。2022 年之后，Transformer 架构、扩散模型、图神经网络（GNN）等AI 技术，在材料领域找到了绝佳的落地场景。材料的本质，可被抽象为 “原子为节点、化学键为边” 的图结构，这让 GNN 成为预测材料性质的 “天选工具”；而扩散模型的突破，更是让 AI 从 “预测已有材料的性质”，升级为 “从无到有生成指定性能的全新材料”，完成了范式级的跨越。

第三重，是全球资本的疯狂涌入。2025年全球AI领域风险投资总额超过2500亿美元。在这一浪潮中，AI与材料科学的交叉赛道正成为资本布局的新热点——从淡马锡、a16z等顶级风投，到NVIDIA、西门子等产业巨头，纷纷下场完成全链条布局。

1.3 一个指数级增长的千亿级市场

这场变革的背后，是一个增速远超多数新兴赛道的庞大市场。

26.4% 的生成式 AI 材料科学年复合增长率，意味着这是一个比早期新能源汽车、云计算增速更快的赛道；而中国市场36.8% 的增速，更是领跑全球。这不是行业的渐进式改良，而是底层逻辑的范式跃迁。

二、全球玩家介绍

如果AI + 材料科学是一场席卷全球的产业掘金潮，那么为这场浪潮筑牢技术底座、提供核心研发装备的玩家，早已不止硅谷的几家初创公司。从科技巨头到独角兽企业，从学术实验室到国家级平台，全球玩家的竞争格局正在快速成型。

2.1 科技巨头：用算力与算法，重新定义材料发现的规则

Google DeepMind：发现 220 万新晶体（https://deepmind.google/）

2023 年 11 月，DeepMind 在《Nature》投下重磅炸弹：GNoME（图神经网络材料探索系统）一次性发现了220 万种新晶体结构，其中 38.1 万种被预测为热力学稳定 —— 这一数字，直接将人类已知稳定材料的数量扩大了 10 倍。更令人惊叹的是，其中 736 种预测材料，已通过后续实验完成验证。

https://www.nature.com/articles/s41586-023-06735-9

GNoME 的核心武器，是适配材料结构的图神经网络。它将晶体结构建模为图数据，让 AI 在数十亿候选结构中快速 “嗅探” 稳定的原子排列组合。更难得的是，DeepMind 将 GNoME 的全部发现整合进 Materials Project，向全球科研人员免费开放，复刻了 AlphaFold 开源带动整个生物行业发展的路径。

Microsoft Research：用扩散模型打造专属材料

（https://labs.ai.azure.com/projects/mattergen/）

如果说GNoME 做的是 “大海捞针”—— 在已有材料空间中筛选稳定结构，那么微软的 MatterGen 做的就是 “定制合成”—— 根据你需要的性能，直接生成匹配的材料。

MatterGen 首次将扩散模型完整适配到三维晶体结构生成领域。就像用户输入提示词就能让 AI 生成指定风格的图像，现在研发人员只需告诉 MatterGen“我需要带隙 1.5eV、热稳定性大于 500K 的半导体”，它就能直接生成符合要求的晶体结构。

2025 年 1 月，MatterGen 正式登上《Nature》，同步发布的 MatterSim，更是将材料模拟的温度范围覆盖了从绝对零度到 5000K 的全区间，实现了前所未有的模拟精度。

https://www.nature.com/articles/s41586-025-08628-5

Meta FAIR：开源世界的催化基石（https://ai.meta.com/）

Meta 的 FAIR 实验室虽没有 DeepMind、微软那样频繁的《Nature》封面成果，但其主导的 Open Catalyst Project（OCP），为催化材料领域开源了2.65 亿次 DFT 计算数据，是目前全球最大的催化材料数据集，为全球无数研究者提供了模型训练的基础燃料。

Amazon / 贝佐斯：62 亿美元豪赌物理经济全链条

2025 年，杰夫・贝佐斯通过 Project Prometheus 砸下 62 亿美元种子轮融资 —— 这是 AI 材料领域迄今最大的一笔单笔投资。其目标，是打造一个能理解并优化整个“物理经济” 的 AI 系统，完成从原材料研发、生产制造到回收利用的全链条优化。

2.2 初创明星：用 AI 重构材料公司的商业逻辑

几乎所有顶级AI 材料初创公司，都集中在美国硅谷 / 波士顿、英国伦敦 / 剑桥两大产业带，背后是顶尖 AI 人才、材料科学积淀、风投生态的三重叠加；而另一个清晰的趋势是，NVIDIA 几乎出现在了每一家核心企业的投资方名单中，黄仁勋的 “AI 工厂” 战略，正在材料科学领域扎下最深的根。

CuspAI（英国剑桥）：材料界的Google（https://www.cusp.ai/）

创始团队来自剑桥大学卡文迪许实验室，CuspAI 正在打造全球首个 “材料搜索引擎”—— 用户输入想要的材料性能，AI 就能直接返回最匹配的候选材料，以及完整的合成路径。公司已完成1.3 亿美元融资，估值突破 10 亿美元，由 NEA 和淡马锡领投。

Periodic Labs（旧金山）：AI 科学家 + 机器人实验的全闭环

（https://periodic.com/）

这家成立不久的初创公司，完成了3 亿美元的天价种子轮融资，由a16z 和 NVIDIA 领投。其核心创新，是将大语言模型（LLM）驱动的“AI 科学家”，与自主粉末合成系统深度结合，实现了从科研假设提出、实验设计到验证落地的全自主闭环，全程无需人工干预。

PhysicsX（伦敦）：把物理定律嵌入AI 架构（https://www.physicsx.ai/）

公司已完成1.55 亿美元 B 轮融资，由 Atomico 领投，NVIDIA 和西门子参投。PhysicsX 的独特优势，是将物理先验知识（守恒定律、对称性等）直接嵌入AI 架构，让模型的预测不仅高效，更完全符合物理规律，目前已在流体力学、结构仿真领域实现成熟的工业应用。

Lila Sciences：5.5 亿美元打造全自主 AI 实验室（https://www.lila.ai/）

2025 年完成 5.5 亿美元融资、估值 13 亿美元的 Lila Sciences，正在构建全球最成熟的全自主 AI 科学实验室系统。AI 不仅负责数据分析，更能主动提出科研假设、设计实验方案、操作机器人完成合成与表征，再基于实验结果迭代下一轮实验，实现完全的自主研发。

三、里程碑：那些将被写入材料科学史的日子

如果未来开设“AI 材料科学史”这门课程，以下这些时间节点，一定会出现在考点列表中。

其中，三个里程碑事件，彻底改写了行业的发展轨迹。

GNoME 的发布，完成了材料宇宙的 “开疆拓土”。人类数百年积累的约4.8 万种稳定无机材料，一夜之间被扩充到 42 万种以上，为全行业提供了前所未有的研发宝库。

MatterGen 的落地，实现了研发逻辑的根本反转。它回答了 “如何创造我需要的材料” 这一核心问题，让材料研发从“基于经验试错”，真正转向 “基于需求定向设计”。

A-Lab 的成功，则验证了 “机器人化学家” 的完整闭环。17 天合成 41 种新材料、71% 的成功率，对比一个资深博士生数周甚至数月才能完成一种新材料合成的现状，彻底打破了实验环节的效率天花板。

四、中国力量：政策与市场双轮驱动下的加速追赶

如果说美国和欧洲在AI + 材料领域占得了先发优势，那么中国的追赶速度，正在让全球瞩目。凭借庞大的制造业需求、持续的政策投入和海量的科研产出，中国正在快速构建属于自己的 AI + 材料创新体系。

4.1 正在崛起的中国创新力量

深势科技（北京）：中国AI for Science 的标杆（https://www.dp.tech/）

完成C 轮超 8 亿元融资、跻身独角兽行列的深势科技，是中国 AI for Science 领域最具代表性的企业。其研发的 DeePMD（深度势能分子动力学）方法，让AI 既能学习量子力学的计算精度，又能以经典力学的效率运行分子动力学模拟，这一成果斩获了 2020 年戈登・贝尔奖 —— 被誉为 “超算界的诺贝尔奖”。目前，深势科技的 DP 系列工具，已成为全球AI 分子模拟的事实标准之一，被全球上百家高校和研究所采用。

晶泰科技（深圳）：港股18C 第一股的跨界突破（https://www.xtalpi.com/）

2024 年在港交所上市的晶泰科技，是港股通 18C 章（特专科技）的第一股，市值一度突破百亿港元。公司最初以AI 药物晶型预测起家，近年来快速向新能源材料领域拓展，与协鑫集团签订了 10 亿元级别的新能源材料合作，成功将AI 能力从制药领域，迁移到光伏、电池材料的研发中。

创材深造：金属3D 打印 + AI 的差异化突围（https://www.deep-material.com/）

鸿之微（上海）：半导体TCAD 国产化的孤勇者（https://www.hzwtech.com/）

鸿之微是国内较早专注TCAD仿真软件自主研发的企业之一，在芯片材料仿真这个核心“卡脖子” 领域，打破了国外企业的长期垄断，其存在本身，就具备极强的战略意义。

4.2 政策东风与现存差距

2024年，中国三部门联合印发《新材料大数据中心总体建设方案》，标志着材料数据基础设施建设，正式被提升至国家战略高度，与美国2011 年的 MGI、欧盟的 Horizon Europe 形成全球呼应。“十四五” 规划中，更是将新材料产业的发展目标定在 10 万亿元规模，为行业发展提供了强力的政策支撑。

https://www.gov.cn/zhengce/zhengceku/202410/content_6983916.htm

但我们必须坦诚，与全球顶尖水平相比，中国仍存在三个核心差距：其一，顶尖AI 模型的原创性不足。GNoME、MatterGen 这类改写行业的底层算法与模型创新，均诞生于美国，中国在这一层面的原创突破依然稀缺；其二，产业商业化生态不够成熟。美国已经出现了Citrine Informatics、Schrödinger 等服务 3M、巴斯夫等全球工业巨头的成熟 SaaS 企业，而国内的 AI 材料公司，大多仍处于技术验证和早期商业化阶段；其三，高质量数据共享机制薄弱。中国虽贡献了全球40% 以上的 AI 材料论文，但缺少 Materials Project、OCP 这类标准化、高质量的开源材料数据库，数据壁垒严重制约了行业的整体发展。

五、从实验室到产线：AI 正在改变真实的工业世界

技术革命的真正标志，从来不是论文的发表，而是生产线的改变。AI 材料早已跨过 “纸上谈兵” 的阶段，正在多个核心工业领域，完成从实验室到商业化的跨越。

电池：找到锂资源的替代答案微软与PNNL 的合作，不仅验证了 AI 研发的效率，更解决了行业的核心痛点：筛选出的NaLiYCl 固态电解质，将锂的用量减少了 70%，在全球锂资源分布不均、价格剧烈波动的背景下，为降低动力电池的锂资源依赖，提供了极具战略价值的解决方案。与此同时，DeepMind 的 GNoME 数据库中，已发现 528 种潜在的锂离子导体，为下一代固态电池的研发，提供了充足的 “弹药库”。

半导体：AI 正在设计制造 AI 芯片的材料

在光刻胶这一芯片制造中最关键、最昂贵、最依赖经验的"黑箱"材料领域，IBM Research已率先展示了AI的价值——其团队利用生成式AI模型，从6000篇文献和专利中构建出包含220万个节点、3800万条边的光酸发生器（PAG）知识图谱，再经AI增强的量子化学模拟补充缺失的光学和环境属性数据，最终设计出性能更优、更环保的新型PAG分子，将传统需要数年、数千万美元的开发周期压缩至一年内。

https://research.ibm.com/blog/accelerated-discovery-sustainable-pags

与此同时，Schrödinger的计算平台已被广泛应用于材料科学研发，涵盖薄膜工艺、有机电子、聚合物材料等多个领域https://www.schrodinger.com/materials-science/，其分子模拟能力正被半导体行业用于优化制造流程中的材料性能预测。

而NVIDIAALCHEMI则让产业界尝到了AI加速的甜头——OLED材料领军企业UDC借助其BCS和BMD微服务，在分子热加工稳定性预测上实现了比传统DFT快10000倍的计算速度，同时保持近似的精度，得以探索更大的分子设计空间。（https://developer.nvidia.com/blog/faster-chemistry-and-materials-discovery-with-ai-powered-simulations-using-nvidia-alchemi/）随着EUV光刻技术向更高分辨率演进，AI驱动的材料设计正从可选工具变为刚需能力——因为当工艺节点逼近物理极限，每一纳米的改进都取决于对分子行为的精确预判，而这是纯经验试错无法企及的。

航空航天：AI用10组实验找到最优解在增材制造领域，Ti-6Al-4V钛合金的强度与塑性长期存在矛盾困局：打印态α'马氏体强度可达~1100 MPa，但延伸率仅~8%；热处理虽能提升塑性，却往往以牺牲强度为代价。面对LPBF工艺参数与热处理条件的庞大组合空间，传统试错法效率极低，而仿真计算同样资源密集。韩国KAIST与POSTECH联合团队发表于《Nature Communications》的研究（https://doi.org/10.1038/s41467-025-56267-1），给出了一套"少做实验、多做预测"的聪明解法——他们构建Pareto主动学习框架，让AI自己决定"下一步该做哪组实验"：用高斯过程回归预测性能并量化不确定性，再以EHVI采集函数从296种候选中每轮挑出信息量最大的2组，实测后反哺模型、迭代优化。仅5轮、10组额外实验，就精准锁定最优解：UTS 1190 MPa、延伸率16.5%，同时超越了文献初始数据集和锻造、DED工艺的同牌号合金性能。

微观表征揭示，这一参数组合同时兼具"高强样品"的细α板条（~0.9μm）与窄先β晶粒特征，以及"高塑样品"的高Schmid因子（46.38%）特征——这种跨维度的协同效应，正是单一参数调整难以触及的。该研究的真正价值在于方法论：复用119组文献数据作为初始训练集，将工艺开发从"大海捞针"变为"精准制导"，为增材制造企业展示了"先梳理数据库、再让AI指路"的高效研发路径。

碳捕获：传统化学的绝唱，AI设计的序曲加州大学伯克利分校Omar Yaghi团队近期在《Nature》发表了一项直接空气捕获CO₂的重要突破：他们设计了一种名为COF-999的共价有机框架材料，在400 ppm的稀薄CO₂浓度下，干燥条件吸附量达0.96 mmol/g，50%湿度下提升至2.05 mmol/g，且仅需60°C即可再生，在加州伯克利户外真实空气中完成了100次稳定循环测试。值得注意的是，这项成果并未使用AI——它是通过传统化学合成与系统表征实现的。

https://www.nature.com/articles/s41586-024-08080-x?fromPaywallRec=false

但Yaghi团队正在筹建Bakar Institute of Digital Materials for the Planet（BIDMaP），目标正是将AI与网状化学深度结合，在庞大的有机框架空间中定向设计高性能材料。COF-999的意义在于：它证明了这类精确调控孔道结构、功能基团的材料体系，天然适合AI的"搜索-生成-优化"逻辑；当AI学会读懂元素周期表与拓扑化学规则，COF-999所代表的材料家族，将成为计算设计最理想的用武之地。

太阳能：150次定向实验，AI筛出逼近纪录的空穴传输材料

德国卡尔斯鲁厄理工学院（KIT）与亥姆霍兹研究所埃尔朗根-纽伦堡（HI ERN）联合团队在《Science》发表的研究，展示了AI在光伏材料筛选中的高效闭环：他们从约100万种可合成的虚拟有机分子出发，随机选出13,000种进行量子力学计算，再从中挑出101种性质差异最大的分子，由机器人自动化合成并制成太阳能电池测试；用这101个数据训练贝叶斯优化模型后，AI推荐出48种新候选分子，经两轮迭代合成验证，最终仅150次定向实验就发现了一种新型空穴传输材料，将参考钙钛矿电池的效率从24.6%提升至26.2%（认证效率25.9%）——距当时纯钙钛矿电池的世界纪录26.7%仅一步之遥。该工作的核心价值在于方法论：证明了"量子计算预筛选+高通量实验+贝叶斯优化迭代"的闭环流程，可将有机半导体材料发现周期从数周压缩到数天，且策略可迁移至电池、催化等其他领域。

https://www.science.org/doi/10.1126/science.ads0901

六、行业发展核心瓶颈

6.1 六大技术路线的竞合与融合

拆解AI + 材料科学的完整技术栈，当前有六大核心技术路线并行发展、各有优劣，也在不断融合。

6.2 全行业的核心焦虑：合成鸿沟

在所有技术路线欣欣向荣的背后，材料科学界有一个心照不宣的核心焦虑：合成鸿沟（Synthesis Gap）。

AI可以在数字世界里预测、生成、模拟出性能完美的材料，但所有数字世界的结果，最终都需要在物理世界中通过化学合成验证。行业的残酷现实是：AI预测稳定≠能够实验室合成，能够合成≠能够低成本、大规模稳定量产。一款材料从AI预测到实验室合成成功，再到工业化量产，每一步都是一次严苛的筛选。

目前，AI在第一步的预测环节已经做到极致，第二步的实验室合成环节已有自主实验室的初步突破，但在第三步的工程化量产环节，人类的工程经验依然无可替代。要跨越这道鸿沟，核心在于打通"预测—验证—迭代"的闭环速度——不是让AI取代实验，而是让AI与高通量实验平台深度耦合，实现从数字设计到物理验证的快速反馈。

这一思路正在全球被验证。德国KIT的机器人自动化合成系统、伯克利A-Lab的自主实验室，本质都是将AI算法与实验硬件捆绑，用实测数据持续修正预测模型。而在金属材料领域，这条路径的实践尤为艰难：金属的微观组织与宏观性能之间，隔着热力学与动力学耦合的复杂"黑箱"，仅靠计算模拟难以穿透，必须用高通量实验持续喂养模型，才能逐步打开这个黑箱。

国内已有企业在走这条路。创材深造在苏州搭建的"AI预测+高通量实验+材料智能体"全栈体系，正是针对金属材料合成鸿沟的解法——将AI算法与自主可控的粉末冶金实验平台深度耦合，实现从成分设计到组织表征的闭环迭代。半年内开发出3款高强铝合金、将研发周期从10年压缩到2个月的实践，验证了这一模式在金属材料领域的可行性。对于国内增材制造和高端合金行业而言，这种"预测—合成—表征—反馈"的自主闭环，或许是跨越合成鸿沟最直接的路径。

6.3 被低估的致命问题：数据质量

另一个制约行业发展的核心瓶颈，是数据质量。AI 行业有一句公认的行话：“垃圾进，垃圾出。” 这句话在材料科学领域，体现得尤为明显。

材料的性能数据，受实验温度、杂质含量、测量方法等微小差异的影响极大，不同实验室产出的实验数据，往往存在严重的不一致性。Materials Project 的数据之所以被全球信任，核心原因是其所有数据都来自标准化的第一性原理计算，而非参差不齐的实验报告。但真实世界的材料性能，终究需要通过实验验证，如何建立高质量、标准化、可追溯的材料数据库，是全行业面临的共同挑战。

结语：材料科学的GPT 时刻，已经到来

回溯整篇文章的完整图景，我们能清晰地看到一条贯穿始终的主线：材料发现，正在从一门依赖经验的“手艺”，变成一门可计算、可设计的 “工程科学”，最终进化为一门由 AI 驱动的 “计算科学”。

从2011 年美国材料基因组计划启动，到 2023 年 GNoME 的爆发，再到 2025 年自主实验室和扩散模型的全面成熟，短短十余年，AI 已经将材料研发的成本降低了 30%-60%，周期缩短了 80%-90%。而这，仅仅是这场革命的开始。

全球AI 材料发现市场正在以近 20% 的年复合增长率膨胀，生成式 AI 材料科学的增速更是超过 26%。从贝佐斯 62 亿美元的豪赌，到中国市场 36.8% 的领跑增速，资本、政策、人才正在以前所未有的密度，涌入这个赛道。

对于中国而言，这既是一次实现弯道超车的历史机遇，也是一场不能输的全球竞争。深势科技的戈登・贝尔奖、晶泰科技的港股上市、创材深造“从传统十年级周期到以月为单位的迭代速度”的研发突破，中国的AI + 材料创新力量，正在从各个维度实现突围。而全球 40% 以上的学术论文占比，终将在未来转化为原创技术能力和产业竞争力。

AMLetters作为聚焦增材制造与金属材料领域的垂直媒体，我们在这场革命中看到的，不仅是数字的跃迁，更是行业可能性的全面重塑。当AI 能在 80 小时内从 3200 万种材料中，找到下一代电池革命的核心物质；当 10 年的金属材料研发，能被压缩到 2 个月 —— 对于每一个身处这个行业的工程师、研究者和创业者来说，问题早已不是 “AI 会不会改变材料科学”，而是“我们是否准备好拥抱这场变革”。

材料是工业的粮食。当AI 学会了 “烹饪”，整个制造业的菜单，都将被彻底重写。

— 本文由 AMLetters 公众号出品，如需转载请联系作者授权。

END

AMLetters  【AI+材料-增材】交流群，正式开放

如果你也在关注 DeepMind 的 GNoME、微软的 MatterGen、MIT 的自主实验室，或者国内深势科技、晶泰、创材深造的最新进展；如果你每天刷 arXiv 和 Nature，却苦于没人讨论、没人帮你判断哪篇值得深读——这里有一群同路人。

AI+材料/增材，很新，风口已至却门槛不低。无论你是深耕多年的从业者，还是刚被这些突破震撼到、想入门了解的朋友，都欢迎入群，跟 AMLetters 一同学习成长。

我们不聊虚的，只干三件事：① 全球前沿进展的实时筛选与硬核解读；② 高质量文献的共读拆解，一起学习成长；③ 国内从业者真实的技术经验与商业信息互通。

材料科学的 GPT 时刻已经到来。一个人追不上浪潮，一群人才能看清方向。

扫码进群，让信息流动起来，把涓涓细流，汇成大江大河。

扫码入群！！！