---

光刻胶，这个听起来像装修材料的化学品，是芯片制造最核心的材料之一。它的质量直接决定芯片的性能和成品率，但高端光刻胶树脂的制备，长期被极少数国外企业垄断。

更致命的是，这种垄断不是简单的技术封锁，而是一种"黑箱能力"——国外供应商掌握了配方和工艺的核心know-how，但从不对外公开细节。后来者想要突破，只能在黑暗中摸索。

光刻胶树脂的制备有多难？它要求：
-高纯度：杂质控制在ppb（十亿分之一）级别
-高一致性：批次间性能波动极小
-高效率：从研发到量产周期极长

传统模式下，材料科学家需要经过海量试错，从成千上万种分子组合中筛选出最优配方。这个过程动辄数年，耗资数亿，而且高度依赖经验丰富的"老师傅"。

---

2026年5月12日，上海人工智能实验室联合厦门大学、苏州国家实验室等单位宣布了一项突破：基于"书生"科学大模型与"书生"科学发现平台，构建了"AI决策+自动化合成"的闭环研发体系，成功实现了高纯度、高一致性、高效率的KrF（氟化氪）光刻胶树脂创制。

"书生"科学大模型Intern-S1在这里扮演的角色，不是辅助工具，而是核心决策者。它替代了传统的随机搜索模式，负责实验方案生成、参数优化及结果预测等核心工作。

具体而言，这套系统的运作逻辑是：

第一层：科学推理"书生"大模型凭借其科学推理能力，挖掘树脂合成的"高潜力区域"——也就是那些最可能产生优质材料的分子空间。

第二层：语义转化将科学家的语义偏好（如"高耐热性""低缺陷率"）转化为结构化信息，融入贝叶斯优化代理模型。

第三层：闭环迭代AI生成实验方案 → 自动化合成平台执行 → 实验数据反馈给AI → AI优化下一轮方案。这个闭环大幅减少了无效试错。

第四层：知识协同数据驱动与化学先验知识的深度融合，让AI既有"直觉"又有"理性"。

---

KrF光刻胶是半导体制造中的关键材料，主要用于130nm-250nm制程的芯片生产。虽然先进制程已经向ArF（193nm）和EUV（13.5nm）演进，但KrF光刻胶在成熟制程、功率半导体、传感器等领域仍有巨大需求。

更重要的是，KrF光刻胶树脂的突破具有示范效应：
- 它证明了AI驱动材料研发的可行性
- 它验证了"书生"科学大模型在真实工业场景中的价值
- 它为后续ArF、EUV光刻胶的突破提供了方法论基础

据公开信息，厦门恒坤新材料已完成配方适配，关键指标达标，即将进入客户端验证阶段。从实验室到产业化的路径正在打通。

---

这次突破最深远的影响，不在于某一款材料的成功，而在于它展示了一种全新的研发范式。

传统材料研发的模式是：

这是一个低效率、高随机性、依赖个人经验的过程。

而"AI决策+自动化合成"的闭环体系，把材料研发变成了一门可标准化、可快速迭代的工程学科：
- 实验方案由AI生成，不依赖个人经验
- 合成过程自动化，减少人为误差
- 数据实时反馈，形成迭代飞轮
- 知识可沉淀、可复用、可扩展

---

这次突破也不是孤例。

2026年以来，AI for Science（科学智能）正在从概念走向落地：
- 药物研发：AI预测蛋白质结构，加速新药发现
- 能源材料：AI设计新型电池材料
- 气候科学：AI模拟复杂气候系统
- 芯片材料：AI驱动光刻胶树脂创制

上海AI实验室的这项工作，依托的是2030新一代人工智能国家科技重大专项。这意味着，AI for Science已经被提升到国家科技战略的高度。

---

尽管前景光明，但挑战不容忽视：

第一，验证周期。光刻胶从实验室到晶圆厂量产，需要经过严格的客户端验证，周期通常在1-2年。

第二，制程升级。KrF之后还有ArF、EUV光刻胶，技术难度逐级递增。AI方法论能否持续突破更高端材料，仍需观察。

第三，生态构建。材料研发不是单点突破就能解决的，需要设备、工艺、人才的协同。AI闭环体系需要在更多场景中得到验证和迭代。

---

"书生"大模型跨界造胶的故事，给所有关注中国科技的人提了一个醒：不要只盯着那些聚光灯下的明星技术，真正的突破往往发生在安静的实验室里。

当一台AI大模型开始设计化学分子的时候，人类科技史正在翻开新的一页。

---

💬 互动话题

你认为AI for Science会在哪个领域最先产生颠覆性影响？是药物研发、能源材料，还是芯片制造？欢迎在评论区分享你的看法。

---

本文数据来源：上海人工智能实验室官方发布、IT之家、DoNews、新民晚报等公开报道

【故事坊】出品 | 用数据讲故事，用逻辑做判断