材料是人類認識自然、改造自然的物質媒介，是推動人類文明演進的物質密碼。從石器時代邁向青銅器時代，再到鐵器時代、工業(yè)時代，人類文明歷史的每一次關鍵性躍升、都與“新材料”的發(fā)現、發(fā)明及應用密不可分。材料的創(chuàng)新從物質根基上推動生產力實現跨越式爆發(fā)，進而推動生產關系的變革與社會結構的深層重塑。如今，從信息處理與傳遞，到能源轉換與存儲，再到醫(yī)療健康、交通運輸、國防軍事和綠色可持續(xù)發(fā)展等方面，新材料技術幾乎支撐著人類社會幾乎所有領域的科技進步，新材料產業(yè)已經成為國家戰(zhàn)略性、基礎性產業(yè)，也成為全球技術競爭的關鍵領域之一。

“一代材料、一代技術、一代產業(yè)”，新材料的突破往往引領一整個產業(yè)的變革與發(fā)展，但一種新材料從概念提出到真正量產應用往往需要十年乃至二十年的時間。在全球科技競爭日趨激烈的今天，這種低效率模式已經難以為繼。進入21世紀，隨著高通量計算、材料基因組等技術的快速發(fā)展，新材料研發(fā)已經從傳統“經驗試錯（實驗驅動）”的研究范式，逐漸過渡到“計算模擬（計算驅動）”+“大數據/基因組（數據驅動）”的研究范式，新材料的研發(fā)速度已經實現了大幅提升。然而，材料大數據具有空間多尺度（微觀一介觀一宏觀）、時間多維度（制備-服役-失效）、高維數據關聯非線性等特點，隨著材料大數據的持續(xù)爆發(fā)增長、材料體系的復雜度日益提高，采用上述研發(fā)范式開發(fā)新材料面臨著效率和質量逐漸不足的困境。

近年來，人工智能（AI）技術持續(xù)實現突破性演進，其在高維數據空間解析、非線性關聯挖掘上展現出突出優(yōu)勢，為新材料研發(fā)注入革命性動力。隨著計算能力的指數增長、多源材料數據（實驗+模擬）、先進機器學習（Machine Learning，ML）算法的發(fā)展，Al與材料學（Materials Science and Engineering，MSE）不斷融合。

當前，AI已從“輔助工具”升級為“核心引擎”，推動材料研發(fā)向智能驅動轉型，最典型案例為2023年DeepMind發(fā)布的GNoME模型，在極短時間內預測出220萬種新晶體結構，其中38萬種具備熱力學穩(wěn)定性，相當于人類材料學家近800年的實驗產出規(guī)模。

一、“人工智能+新材料”發(fā)展幾何？

自2011年美國推出“材料基因組計劃”（Materials Genome Initiative，MGI）以來，材料數據資源建設從零散探索轉向系統性推進，全球范圍內的新材料數據庫建設駛入快車道。

“人工智能+新材料”，即人工智能驅動的新材料研發(fā)（Al for Materials Science and Engineering，Al4MSE），其核心技術體系由三大關鍵要素構成：其一為高質量數據資源，涵蓋計算模擬、實驗測試、文獻知識等多元數據；其二為適配材料數據特性的機器學習算法，需針對材料數據高維、非線性、多尺度的特點定制；其三為貫穿材料全生命周期的ML賦能應用，覆蓋設計、合成、表征和服役全鏈條。

高質量數據資源是AI4MSE的核心基礎設施。盡管機器學習算法的選型對模型性能至關重要，但在Al4MSE研發(fā)場景中，更核心的挑戰(zhàn)在于如何將零散的原始數據轉化為適配模型的有效特征—這一步往往決定了模型能否真正挖掘材料的“結構-性能”關聯。在實際機器學習項目中，研發(fā)團隊通常會將60%～80%的時間與精力投入到數據準備中，而用于算法選型與調優(yōu)的精力僅占整體研發(fā)精力的20%左右。

自2011年美國推出“材料基因組計劃”（Materials Genome Initiative，MGI）以來，材料數據資源建設從零散探索轉向系統性推進，全球范圍內的新材料數據庫建設駛入快車道。一是數據規(guī)模快速增長，例如國際知名計算材料數據庫Materials Project于2023年新增15萬種材料數據，計算精度提升40%；中國科學院物理所和松山湖材料實驗室開發(fā)的Atomly數據庫，數據規(guī)模從2020年的18萬種材料擴展至2025年的35萬種材料。二是實驗數據與計算數據的融合與交叉驗證，例如2024年無機晶體結構數據庫（ICSD）與Materials Project數據庫合作，實現數據雙向同步與交叉驗證；晶體結構數據庫Paulingfile于2022年完成數據架構升級，支持高通量計算數據與實驗數據的無縫融合。三是數據庫建設與機器學習深度融合，例如2025年松山湖材料實驗室MATCHAT平臺基于大語言模型（LLM）與檢索增強技術（RAG），融合28萬余篇材料科學文獻與35萬種材料結構數據，構建“文獻-數據-工具”三位一體的知識網絡。四是數據標準與平臺的統一，例如OPTIMADE（Open Databases Integration for Materials Design）成為材料數據庫間數據交換的標準API，2024年V1.2.4版本已支持超過20家數據提供商，覆蓋3000多萬種材料結構。

機器學習算法是AI4MSE的智能驅動核心引擎。結合材料數據特性（高維、多尺度、強非線性）與應用場景（性能預測、結構設計、工藝優(yōu)化），AI4MSE機器學習算法具體可分為三大體系。一是傳統機器學習方法，適用于數據量中等、需物理可解釋性的場景，主要包括決策樹、隨機森林、支持向量機、貝葉斯推理等。二是深度學習方法，其通過多層網絡自動提取特征，適配材料的非歐幾里得數據（晶體結構）、空間數據（微觀圖像）、時序數據（合成過程），主要包括卷積神經網絡、圖神經網絡、循環(huán)神經網絡和Transformer模型。三是新型的人工智能技術，包括生成式對抗網絡、大語言模型、遷移學習和可解釋AI等。

ML賦能應用是AI4MSE的價值落地載體。貫穿材料全生命周期的ML賦能應用并非簡單覆蓋“設計、合成、表征、服役”鏈條，而是以“數據-算法-實驗”閉環(huán)為核心，賦能材料研發(fā)全流程：在“設計端”實現逆向設計；在“合成端”驅動自主實驗；在“表征端”實現自動化分析；在“服役端”動態(tài)評估性能衰減，并將各環(huán)節(jié)反饋數據反哺數據資源池，形成“數據積累一算法迭代-應用優(yōu)化”的持續(xù)進化閉環(huán)，最終縮短研發(fā)周期、降低試錯成本。

機器學習正日益成為新材料研發(fā)的關鍵工具，其應用落地的速度非常迅猛。在加速材料篩選方面，2024年美國西北大學研究團隊展示了如何利用機器學習加速計算材料的發(fā)現，通過高通量計算篩選，有效識別出具有潛力的新材料，解決了傳統方法耗時過長的問題；在預測材料性能方面，2025年微軟研究院聯合清華大學發(fā)布一個名為BatLiNet的深度學習框架，能夠跨越不同的老化條件準確預測電池壽命，為儲能材料的評估提供了高效工具；在自主實驗方面，2024年伊利諾伊大學厄巴納-香檳分校研究人員開發(fā)出一個用于探索性合成化學的自主移動機器人平臺，該平臺能夠自主進行實驗操作和決策，極大地加速了化學反應的探索過程；在新材料逆設計方面，2025年微軟研究院發(fā)布一款名為MatterGen的生成式Al工具，它突破了傳統材料篩選方法的局限，能夠在廣闊的材料空間中高效探索，并根據特定應用需求設計出全新的穩(wěn)定材料結構。

二、全球競速，AI+新材料誰家將執(zhí)牛耳？

隨著AI4MSE展現出顛覆性潛力，全球主要科技強國紛紛將其提升至國家戰(zhàn)略高度，通過出臺專項政策、設立研發(fā)計劃等方式，搶占這一未來科技與產業(yè)競爭的制高點。

美國通過持續(xù)的戰(zhàn)略規(guī)劃和資金投入，鞏固其在AI與先進材料領域的領導地位。2024年10月，美國商務部發(fā)布一份意向通知，公開競標利用人工智能開發(fā)新的可持續(xù)半導體材料和工藝，滿足半導體行業(yè)的技術、經濟和可持續(xù)目標，并能在5年內落實設計和被采用。為實現這一目標，美國商務部將提供1億美元的資金，資助“基于人工智能的自主實驗”（AI/AE）的產學合作項目。2025年7月，美國白宮發(fā)布《贏得競爭：美國人工智能行動計劃》，擬通過國家科學基金會（NSF）、能源部（DOE）、商務部下屬NIST及其他聯邦合作伙伴，投資建設材料科學等領域的自動化、云端實驗室，并通過國家科學技術委員會（NSTC）下屬機器學習和人工智能小組委員會，針對AI模型訓練中材料科學、化學和其他科學數據類型，提出最低數據質量標準的建議。

中國以“應用牽引+體系化突破”為導向，構建Al+新材料創(chuàng)新生態(tài)。2024年10月，工信部、財政部、國家數據局聯合發(fā)布《新材料大數據中心總體建設方案》，構建“1+N”材料數據體系（1個主平臺+N個資源節(jié)點），形成30個以上數據資源節(jié)點、30項以上材料大數據算法軟件和工具、20種以上典型關鍵材料和產品的數據賦能應用示范。2025年8月，國務院正式印發(fā)《關于深入實施“人工智能+”行動的意見》將“人工智能+科學技術”列為六大重點行動之首，明確提出要加速科學發(fā)現進程，率先建立基于AI的新型科研范式。此前，科技部已于2023年3月聯合自然科學基金委啟動“AlforScience”專項部署，系統性地支持AI在材料、化學等基礎科學領域的應用。

歐盟政策聚焦“技術主權”，通過算力基建、數據共享與綠色材料導向，推動AI與新材料融合。2023年12月，歐盟委員會發(fā)布《科學中的人工智能》報告，主張量身定制歐洲研究區(qū)的人工智能政策，利用人工智能加速科學發(fā)現和促進創(chuàng)新。2025年4月，歐盟委員會發(fā)布《人工智能大陸行動計劃》，致力于成為全球AI領導者。該計劃通過五大核心領域推動AI發(fā)展：擴大AI計算基礎設施、提升高質量數據獲取、加速戰(zhàn)略行業(yè)AI應用、強化AI人才培養(yǎng)、簡化監(jiān)管合規(guī)。此外，為加速推進AI應用、提高產業(yè)競爭力，歐盟計劃出臺《AI應用戰(zhàn)略》，加強歐盟在先進制造、先進材料設計等關鍵工業(yè)部門的優(yōu)勢領導地位。

日韓聚焦優(yōu)勢產業(yè)突圍，旨在鞏固和擴大其在特定材料領域的全球優(yōu)勢地位。2025年3月，日本國會通過2025財年預算案，其中人工智能相關預算為1969億日元，創(chuàng)下歷史新高。其中，涉及AI+新材料的國家預算項目包括：“應用先進計算科學的新型功能材料合成及制造工藝開發(fā)項目”，“節(jié)能AI半導體及系統相關技術開發(fā)項目”，“為促進使用革新性零部件及材料的產品盡早實現商用提供創(chuàng)新支持”。早在2020年10月，為實現人工智能強國，韓國政府發(fā)布了《人工智能半導體產業(yè)發(fā)展戰(zhàn)略》，圍繞AI半導體產業(yè)提出了技術、人才、工業(yè)生態(tài)系統相關的創(chuàng)新戰(zhàn)略。該戰(zhàn)略提出2030年之前在AI半導體領域擁有20%全球市場份額、20家創(chuàng)新公司、3000名頂級工程師，發(fā)布50種滿足特定需求的AI芯片，投入700億韓元資助本土芯片制造商達成相關目標。

相比之下，美國在原創(chuàng)算法、基礎模型和研發(fā)新范式上領先；中國在政策執(zhí)行力、產業(yè)化速度和特定應用領域展現出強大競爭力；歐洲在數據基礎設施標準化和區(qū)域合作上獨具特色；而日本和韓國則在其優(yōu)勢產業(yè)關聯材料方面深耕細作，力求在關鍵細分領域保持領先優(yōu)勢。全球圍繞AI+新材料的戰(zhàn)略博弈，正呈現競爭強度持續(xù)升級、博弈格局日趨復雜的方向演進。未來，圍繞AI4MSE數據資源的爭奪、算法算力的比拼和產業(yè)鏈控制力的博弈，將成為各國科技競爭的著力點。

三、AI4MSE商業(yè)落地加速，重塑產業(yè)格局

隨著材料大數據的積累和機器學習算法的創(chuàng)新，AI4MSE正從實驗室走向產業(yè)化，其商業(yè)落地顯著加速，并開始深刻重塑新材料產業(yè)的研發(fā)模式、商業(yè)模式和競爭格局。

AI驅動的新材料創(chuàng)新，直接催生出一批新興產業(yè)和商業(yè)模式。首先，一批專業(yè)化的AI4MSE初創(chuàng)公司涌現出來，這些公司通常由材料科學家、計算機專家聯合創(chuàng)立，其商業(yè)模式是直接向終端用戶（如化工、醫(yī)藥、能源企業(yè)）提供新材料設計方案或授權特定材料知識產權。例如，美國的Citrinelnformatics、Kebotix等公司已建立起成熟的材料信息學平臺，與多家世界500強企業(yè)合作。在中國，同樣涌現出一批極具創(chuàng)新活力的AI4MSE初創(chuàng)企業(yè)，它們在不同細分領域推動著產業(yè)變革：

例如，我國首個材料基因組高通量計算平臺MatCloud+集成了材料計算、數據管理、高通量篩選和AI技術，構建了“計算、數據、AI、實驗”四位一體的數字化解決方案，使用戶無編程基礎即可開展材料結構設計、性能預測和配方篩選，大幅降低材料計算門檻。深勢科技（DPTechnology）的微尺度工業(yè)設計與仿真平臺能夠將分子動力學模擬效率提升數個數量級，大幅縮短了新材料（如電池電解液）和藥物分子的研發(fā)周期等。AI輔助研發(fā)方面，一些AI4MSE平臺利用大模型進行文獻解析與知識探索，能夠在極少的實驗采樣下快速找到多目標的最優(yōu)解，如幻量科技(DeepVerse）的MatCopilot智能研發(fā)平臺等。特定材料方面，AI4MSE正在變革傳統開發(fā)具有特定性能（如高強、耐腐蝕）的新型鋁合金、高溫合金等金屬材料，以及新分子和化學反應的模式，其中創(chuàng)材深造（Deepmaterial）的金屬材料全流程AI驅動平臺、深度原理(DeepPrinciple）的ReactiveA化學材料平臺等成果顯著，為高端制造、新能源和醫(yī)藥等領域提供了強大的研發(fā)引擎。

其次，傳統材料巨頭積極轉型，紛紛設立數字化研發(fā)部門或引入A技術，以優(yōu)化產品性能、縮短開發(fā)周期。例如，美國的杜邦（DuPont）利用AI加速其在先進電路材料、Kevlar等領域的創(chuàng)新，通過Al優(yōu)化高頻高速材料配方，以滿足AI服務器和5G通信的嚴苛要求；3M公司則推出了“數字材料中心”（Digital Materials Hub），為工程師提供經過驗證的材料數據和仿真模型，加速膠帶、粘合劑等產品的設計與迭代。在中國，寶武集團發(fā)布了鋼鐵行業(yè)大模型xInPlat，覆蓋研發(fā)、生產、運營等關鍵環(huán)節(jié)，將研發(fā)效率提升了30%；萬華化學推出了“萬華材料智能助手”，該系統基于材料大模型，不僅能為客戶提供產品咨詢和技術支持，還能通過AI算法推薦催化劑分子結構，賦能內部研發(fā)；中國石化則計劃利用AI優(yōu)化從地震數據處理、油藏開發(fā)到化學產品研發(fā)與客戶服務的全鏈條。這些舉措旨在應對來自創(chuàng)新型初創(chuàng)公司的挑戰(zhàn)。

最后，CRO模式向材料領域延伸，類似于醫(yī)藥研發(fā)外包（Contract Research Organization,CRO），出現了“材料研發(fā)即服務”（R&D as a Service）的新模式。這類服務商通過提供集成了AI算法、數據管理和自動化實驗能力的平臺，使缺乏自建AI團隊能力的企業(yè)也能以較低成本享受AI帶來的效率提升。例如，美國的Uncountable和NobleAI等公司提供基于AI的材料研發(fā)SaaS平臺，幫助客戶加速配方優(yōu)化和產品開發(fā)。在中國，幻量科技等企業(yè)也提供類似的AI驅動研發(fā)服務，通過其MatCopilot平臺幫助客戶在電池、化工等領域顯著減少實驗次數、降低研發(fā)成本。

更引人注目的是，AI4MSE有望重塑產業(yè)格局，改變新材料企業(yè)的未來競爭態(tài)勢。

一是價值鏈將會重構，產業(yè)的價值鏈正從“生產制造”向“設計服務”延伸。未來，最具價值的可能不是大規(guī)模生產材料的工廠，而是擁有高效材料設計算法、核心材料數據庫和強大知識產權組合的“材料設計公司”“算法+數據”將成為新的核心資產。

二是競爭范式將會發(fā)生轉變，競爭從單一的材料產品競爭轉向材料研發(fā)體系效率的競爭。一個集成了高質量數據、先進算法和自動化實驗能力的“智能研發(fā)平臺”，其本身就成為企業(yè)最深的護城河。能夠最快實現“設計-合成-表征”閉環(huán)迭代的企業(yè)，將在市場競爭中占據絕對主動。

三是研發(fā)門檻與速度將發(fā)生重大變化，AI將大幅降低在龐大材料結構中大海撈針式篩選的成本，使得小型團隊也有可能發(fā)現具有巨大潛力的新材料，挑戰(zhàn)了傳統上由大型企業(yè)依靠龐大實驗室和試錯投入建立的壁壘。但在部分新材料領域，材料數據往往被科技巨頭所掌握并壟斷，未來科技巨頭與初創(chuàng)企業(yè)的實力差距反而會更加顯著。

四、未來展望：挑戰(zhàn)與機遇共存

新材料的突破往往帶動下游產業(yè)的升級，例如新型半導體材料可催生新一代電子產業(yè)，新型生物材料可推動醫(yī)療健康產業(yè)創(chuàng)新。可以預見的是，AI驅動的新材料革命有望成為未來經濟繁榮的重要引擎。

AI4MSE的發(fā)展無疑將孕育眾多新興產業(yè)和商業(yè)模式，成為未來經濟的新增長點。一方面，新材料本身就是戰(zhàn)略性產業(yè)，AI將使其市場規(guī)模進一步擴大。另一方面，圍繞AI+材料將誕生一批服務型產業(yè)，如材料數據服務、AI仿真軟件、材料基因組咨詢等。這些產業(yè)具有高附加值和知識密集型的特點，將創(chuàng)造大量高端就業(yè)機會。更重要的是，新材料的突破往往帶動下游產業(yè)的升級突破，例如新型半導體材料可催生新一代電子產業(yè)，新型生物材料可推動醫(yī)療健康產業(yè)創(chuàng)新。可以預見的是，AI驅動的新材料革命有望成為未來經濟繁榮的重要引擎。

盡管前景廣闊，AI4MSE的發(fā)展仍面臨諸多挑戰(zhàn)：

首先是數據瓶頸，高質量、標準化的材料數據是Al模型的“燃料”，但目前數據仍存在獲取成本高、多源異構、分布零散等問題，尤其是在特定工藝和服役性能數據方面缺口巨大。

其次是模型的可解釋性，當前的深度學習模型多為“黑箱”，其預測結果難以與物理化學原理直接關聯，這限制了其在高可靠性和安全性領域的應用。

再次是跨尺度建模的復雜性，材料性能由從原子到宏觀的多個尺度共同決定，如何構建能夠有效融合多尺度信息的AI模型仍是前沿難題。

最后是成本因素，雖然AI能降低試錯成本，但構建和維護大規(guī)模算力設施、自動化實驗平臺以及專業(yè)人才團隊的前期投入依然高昂。

人工智能驅動的新材料研發(fā)正引領材料科學進入一個前所未有的“智能設計”時代。全球格局呈現出中美領跑、多強競逐的態(tài)勢，商業(yè)落地已進入加速期，并開始深刻重塑產業(yè)的價值鏈與競爭范式。盡管前路仍有數據孤島、模型黑箱、多尺度融合等重大挑戰(zhàn)，但通過學術界、產業(yè)界和政府的協同創(chuàng)新，持續(xù)推動“數據-算法-算力-實驗的深度融合與閉環(huán)迭代，AI4MSE必將極大釋放材料創(chuàng)新的潛力，為新一輪科技革命和產業(yè)變革奠定堅實的物質根基，最終深刻影響人類社會的未來圖景。

此文刊載于《環(huán)球財經》2025年10月號（總第299期）

李云哲上海埃米三江新材料科技有限公司 宮學源北京鎵創(chuàng)科技有限公司