完成近亿元A+轮！创材深造20款金属材料已量产，靠AI将研发周期从5年压到3个月

南极熊导读：金属材料是支撑航空航天、新能源、半导体、高端装备的底层产业，规模超万亿美元，但新材料研发一直靠试错 —— 从实验室到工厂动辄5到10年。创材深造想用AI把这套链路压缩到2-3个月，甚至让 AI 成为 "能在物理世界里做实验的材料科学家"。

2026年9月17日，南极熊获悉，金属材料AI研发公司创材深造（Deep Material）宣布完成近亿元 A+轮融资，由老股东源码资本持续加注，金雨茂物、亿宸资本等新股东加入。

资金将主要用于四件事：核心智能系统 M-Loop 的持续研发、自动化高通量实验平台 M-Lab 的复制扩产、高质量材料数据集 M-Data 的持续积累、分布式自驱实验室网络 OPL（One Person Lab）建设，以及顶尖复合型人才引进 —— 公司的目标是把这套 AI 研发能力复制到更多材料领域。

AI4S 进入深水区，竞争焦点从模型卷到了基础设施

过去几年，AI for Science 持续升温，但行业的关注点正在从 "模型能力" 转向 "产业落地"。早期市场更看重算力和单点实验效率，如今讨论的核心变成：技术能否进入真实产业场景？能否缩短研发周期、降低试错成本？能否把实验室结果稳定推进到工艺、制造和交付环节？

这背后是全球 AI4S 竞争层级的快速升级 —— 从模型竞争，到数据竞争，再到实验竞争，如今进入 "基础设施竞争" 阶段。模型越来越容易获得，而真实科学数据 —— 特别是包含实验条件、过程参数、失败结果和工艺反馈的高维数据 —— 正在成为稀缺资源。南极熊的理解是：未来的赢家，是能连接数据、模型、实验系统、算力和产业需求的基础设施组织者。

政策端同样在加速催化：

• 国务院《关于深入实施 "人工智能 +" 行动的意见》（国发〔2025〕11 号）提出，2027 年 AI4S 应用普及率目标达 70%，2030 年超 90%
• 北京、上海相继出台 AI4S 专项实施方案，自主实验室和科学数据集建设上升为地方战略
• 美国能源部 "Genesis Mission" 投入 50 亿美元连接 17 个国家实验室；NSF 主导的 NAIRR Pilot 将算力、数据集、模型纳入国家级科研资源
• 海外大厂也在加码：Anthropic 推出面向科研场景的 Claude Science，OpenAI 持续增加科研方向资源投入

中美同步加码，竞争焦点已从技术验证转向体系化基础设施的构建。

为什么金属材料成了 AI 研发的最佳落点？南极熊认为有三点：相比生物医药漫长的验证周期，金属材料验证快、指标明确、产业链完整；产业规模超万亿美元，直接决定航空航天、新能源、半导体、高端装备的能力上限；而且金属材料的痛点足够痛 —— 传统研发高度依赖经验试错。

距离 "具身 AI 材料科学家" 还有多远

创材深造的终局设想是：提出一个新材料性能需求，几天后自动得到数个真实实验验证过的配方，AI 还能主动提出新的理论和方法。这种 "许愿式" 研发，需要一套具有自我进化能力（RSI）、能在物理世界中做实验的 AI 材料研发智能系统。这套系统由四大底层要素构成：大模型和 Agent、工具类算法和专用小模型、自动化高通量实验室闭环、大规模适配 AI 训练的高质量多模态数据。

四块底牌：M-Cortex、M-Science、M-Lab、M-Data

• M-Cortex（大模型和 Agent）：通用大模型能力持续跃升，但材料研发更需要因果推理、科研思维和外推泛化能力。创材深造用自研的全流程多模态实验数据训练材料专用垂类大模型，构建研发流程编排与智能调度中枢 —— 基于文献综述、历史数据和研发 Knowhow 自动生成科学假设、候选配方与研发剧本，协同其他模块完成筛选与实验，再根据实验和交付反馈持续重写研发策略。
  
  
• M-Science（工具类算法和专用小模型）：材料专业算法分小尺度与大尺度两类。以 DFT 为代表的小尺度算法在分子相互作用领域成熟度高、开源程度高，但面对官能团、金相这类介观 - 宏观尺度相互作用时，受限于原子规模上限与混沌效应会失效；大尺度算法是宏观材料研发的必备能力，而其落地高度依赖真实实验数据 —— 这正是数据积累者的机会所在。
  
  
• M-Lab（实验室闭环）：材料智能体的自我进化不只在性能迭代，更在于知识图谱、工具算法与逻辑思维的持续积累，所以自动化高通量的干湿闭环实验室是硬门槛。创材深造自 2021 年起自研高通量设备组建 M-Lab，目前迭代至 3.0 版本，实现自动化、高通量化、标准化，实验数据生产效率提升数百倍、成本降低数十倍；M-Lab 产生的闭源真实世界数据维度超 400 维，单条原始数据存储规模超 10GB。据公司称，M-Lab 整体解决方案已获国内外顶尖高校与研究院所采购，未来计划推动行业标准制定，整合升级打造金属材料领域的联邦实验室及 OPL（One Person Lab）。
  
  
• M-Data（适配 AI 的材料数据）：行业专业数据是智能体效果差距的最大来源 —— 传统材料数据多是知识型数据，特征维度低、一致性差、数量少、价格贵，难以用于 AI 训练。依托 M-Lab，创材深造构建了适配 AI 训练的材料数据集 M-Data，目前数据量超 10 万条，格式统一、维度丰富，涵盖实验全过程与失败结果；未来两年高通量实验室整体规模计划扩大 5 倍。

落地化进程，才是 AI4S 竞争最大的差异点

AI4S 正处于开采早期，真正的机会不只是 "卖铲子"，更在于用最好的铲子亲自下场挖金矿。创材深造宣称已打通从 "需求输入" 到 "真实交付" 的全链路 —— 把客户的材料需求转化为可计算、可验证、可优化、可交付的材料与制件结果，形成 "真实实验产生数据→数据驱动系统进化→系统进化提升交付确定性→交付结果反哺下一轮研发" 的正向飞轮。

目前公司披露的落地情况：研发及测试验证周期从 5-10 年缩短至 2-3 个月，成本降至 1/10；已发布数十款全自主知识产权新材料，均经过 CNAS 检测机构及下游客户测试；与各产业头部企业推进合作，包括：

①与全球头部3C 厂商合作，推进可阳极氧化铝合金外观件、超高强韧不锈钢连接件、超高强钛合金外观件落地；

②与国内头部可控核聚变公司合作，开展难熔高熵合金第一壁、低活化钢包层、锂基氚增殖等材料的研发和测试；

③与全球头部高尔夫品牌合作，推进超高强韧不锈钢打击面、一体式钛合金壳体、高强铝链接纽、高熵合金配重块的落地；

④与头部商业航天公司合作，推进高温合金发动喷管、高强铝支撑结构件的落地；

⑤与全球领先轮胎模具公司合作，推进高强耐热铝合金插片、高强模具钢材料的落地。

⑥与国内最大钛矿矿业公司合作，研发应用多杂质低品位原矿生产高性能钛合金材料技术；

⑦与头部量子计算公司合作探索新一代的AI4S核心算法。

交付形态涵盖材料配方、工艺窗口、金属制件与样件、应用验证结果及长期供应或授权。

展望：让人类不再受限于材料

材料，是人类改造世界的底层代码。数千年来，这场创造始终依赖试错与偶然 — 一种新材料从想象到现实，往往要穿越漫长的迷雾。AI正在改变这一切：它将材料的发现从不确定性中解放出来，变成一条可被走通的路。人们可以触摸它、测试它、把它装进产品里。这不是工具的升级，而是创造权的转移。

过去，材料创新属于拥有庞大资源的少数机构。当“实验室可行”与“工厂可造”不再隔着鸿沟，当研发、工艺、供应链被纳入同一套决策框架，材料创新便从一门依赖经验的玄学，进化为可被系统组织的工程。创造权，正从少数科学家和大型机构手中，转移给每一个被真实问题驱动的创造者。 材料的性能边界将不再由历史经验划定，而由当下的需求直接定义。终有一天，材料能力将像电力一样即插即用——每一个被材料难题困住的创造者，都能跨越从想象到现实的鸿沟，触摸到那个曾经遥不可及的答案。