天工开物：第五种范式

人类文明早期的分期方式很朴素：石器时代、青铜时代、铁器时代。不是按制度分的，不是按思想分的，是按材料分的。一种新材料的发现，往往不只是改进了某个产品——它会把一整个产业链带起来，甚至定义一个时代。

这件事到今天仍然在发生。2011年，日本东京工业大学的菅野了次发现了一种叫锂锗磷硫（LGPS）的晶体材料。这种粉末状的固体，锂离子在其中的传导速度第一次追平了液态电解质。在此之前，固态电池是一个学术冷门；在此之后，丰田、三星、宁德时代的几百亿投资涌入，固态电池成了新能源行业最大的赌注之一，今天这种材料一吨能卖到几百万。

一种材料，一个行业。

但很少有人知道的是，菅野了次为了找到LGPS，在锂磷硫这个体系里搜索了二十多年。他的方法和几千年来所有材料科学家一样——基于经验和直觉，缩小范围，然后一种一种试。

今天，

AI正在试图改变这个等式。

第五种范式：AI for Science

从（怀疑者）到（创业者）

开物纪创始人陆子恒对这件事的信心有一个明确的起点。

他是南京理工大学力学专业出身，博士在港科大做固态电解质的计算模拟。申请博士的时候，他写了一个现在看起来有些天真的research proposal：用分子模拟来模拟宇宙间的万物。他的导师Francesco看完笑了笑，说挺好的。

"后来我才发现，这个尺寸太大了，根本不可能。"陆子恒苦笑说。

这段经历让他对计算方法产生了持续的怀疑。做了两年模拟之后，他觉得"不落地，没见过材料长什么样"，跑去耶鲁学了一整套实验手艺，回香港搭了实验室，后面几年主要时间都花在做实验上。博士毕业后去深圳中科院先进院当了三年老师，带了十个硕士生，同时尝试把实验室里的成果做产业化放大。

那个阶段他对计算和AI"挺失望的"。

材料科学有一个不太好启齿的现实：过去几十年，整个行业的核心进展，常常依赖少数几个天才科学家的直觉。锂电池几种最重要的正极材料中，至少有两类是Goodenough直接提出的（LiCoO₂、LiFePO₄），而其他体系（如 LiMn2O4、富锂锰基）也建立在他提出的过渡金属氧化物理论框架之上。

"我也不知道他为什么这么聪明。"陆子恒说，"这也是我们试图改变的事。我不那么聪明，但我要让 AI 这么聪明。"

把天才民主化——这是一个看起来很大但又很具体的命题。

转折发生在剑桥。2020到2022年，他在剑桥大学做博士后，用一种叫随机结构搜索（random structure search）的算法加上小规模AI，寻找便宜的锂电正极材料。他们真的找到了一个——一种含锰的草酸盐正极材料，虽然性能不算惊艳，但它是一个全新的化合物，而且真的在实验室里被合成了出来。

Ab initio random structure searching for battery cathode materials

"那是我第一次觉得，计算的东西还是真的能做。而且AI是有用的。"

2022年他加入微软亚洲研究院，目标很明确：把模型做大。GPT-3.5还没发布的那段时间，AI for science是一个被寄予厚望的方向——CV做穿了，语言模型还没起来，学术界和工业界都需要一个新故事。陆子恒带队开始训练一个叫MatterSim的模型——给定原子的位置和种类，预测它们之间的能量、力，以及由此衍生出来的各种物理性质。

MatterSim的预测对比图

他想做的事情和博士时候的那个天真想法一脉相承：一个模型，什么材料都能算。

团队里没有人相信这件事能work。

当时，一个资深凝聚态物理学家给了陆子恒一个很简单的挑战：别说什么宇宙万物了，你就随便挑几种材料，把它们的声子谱（phonon spectrum）算准——这是一个大学本科级别的基础物理概念，对应到宏观性质就是比热容。

"你连这个都做不到，别谈其他的。"

"说实话我自己心里也打鼓。"陆子恒承认，"但我跟大家说，100%work，肯定可以。"

他们开始往模型里灌数据、扩大参数量——本质上就是GPT验证过的那条路：scaling。

直到有一天，他们决定测一下。

"测完以后大家就不争了。也不讲话了。闷着头往下干。"

模型在一个叫MatBench的标准评测榜上，超过了所有专门为这个性质设计的小模型。 这意味着一个通用的、什么材料都能算的大模型，在特定任务上居然比那些量身定制的专用模型还好。这跟语言模型领域发生的事情是同一个逻辑——足够大的通用模型最终会击败所有专用模型。

这是陆子恒决定创业的底层信心来源之一。2025年，他从微软离职，创立了开物纪。

公司的名字取自明代宋应星的《天工开物》——中国历史上第一部系统记录材料与工艺的百科全书，覆盖了从冶铁到陶瓷到纺织的几乎所有制造业知识。

为什么不一样

信心和现实之间有一段很大的距离。

AI for materials不是一个新概念。很多公司在这个领域做了好几年，学术影响力很大，但商业化进展缓慢。海内外这些公司路径各有不同，有的偏纯算法，有的偏自动化实验室，有的押在量子化学计算上。但它们共同回答的是同一个问题：通用大模型是否真的能在材料发现上跑通？

Google DeepMind的GNoME在2023年预测了240万种可能稳定的新材料，但后续的合成验证发现不少预测并不可靠。这个领域有一个反复出现的剧情：AI预测了一种很棒的材料，然后实验室做不出来。做计算的人说"你们实验能力不行"，做实验的人说"你们预测不靠谱"。

矛盾的根源是什么？

材料科学有一个和药物发现截然不同的难题：固态合成。做药的实验室里大部分操作是液体处理——混合、滴加、搅拌，这些事高通量机器人已经做得很好了。但做材料需要的是把无机粉末按精确比例混合、在特定温度和压力下烧结——这些工艺远比液体操作复杂，自动化程度也低得多。

固态合成的典型工艺流程

换句话说，就算AI的预测是准的，从预测到合成到验证到量产，中间还有一条漫长的、AI目前帮不了太多的路。

陆子恒很清楚这一点，他本人横跨计算和实验两个世界——在耶鲁学过合成手艺，在深圳做过产业化放大，在剑桥亲手合成过AI预测出的新材料。**因此他公司从创立第一天就同时组建了AI团队和实验团队，而且坚持两拨人不能分开——"**必须是一个团队，做AI的人要对凝聚态物理有中等偏上的水平，做实验的老法师要对AI有系统的认知，所有语言完全互通。"

磨合形式也很朴素：两个团队，要求大家天天一块吃午饭。"吃饭的时候瞎聊，这事就解决了。"

这种一体化带来的实际效果是：模型预测出候选材料，隔壁实验室第二天就开始合成验证。做出来了，数据反馈回模型让它更准；做不出来，两拨人坐下来判断原因，调整了再来。这个反馈飞轮的转速就会起来。

另外，AI for materials和大语言模型有一个根本性的不同，语言模型的训练数据是固定的——整个互联网的文本语料，就在那里，你需要做的是训一个足够大的模型来消化它。但材料领域没有这么大的现成数据库。人类历史上积累的材料数据，和互联网语料相比是微不足道的。

"所以对我们来说，瓶颈更多在数据，不在模型。"

这意味着开物纪要做的不只是训模型，还要创造数据。他们用量子化学计算（DFT）大量生成合成数据，同时用自己的实验室产出实验数据。模型训练和数据生产是同步推进的——模型预测出候选材料，实验室验证，验证结果又变成新的训练数据。

"这跟具身智能是一个逻辑。"他说，"具身智能一开始也没有那么多真实世界的数据，就先用simulation，后来发现sim-to-real有gap，又开始在真实世界里造数据。材料也是一样——你要先创造出一个能够scale数据的环境，然后再配合着scale模型。"

具身智能领域的sim-to-real路径

从二十年到六个月

"如果把开物纪的模型放回2011年，你们能比菅野了次更快找到LGPS吗？"我们把一个假设性的问题抛给了陆子恒。

"我觉得大概率可以，而且会比他快。"他停了一下，"不敢说太绝对，但我估计半年应该能找到。他花了二十多年。"

在剑桥期间，他就做过类似的回溯测试——把几种已知的重要固态电解质的元素组合输入模型，看模型能不能"重新发现"它们。结果是可以的。锂镧锆氧——一种仅次于LGPS的固态电解质，结构极其复杂——也能被找到。

回溯测试中可被模型重新发现的锂镧锆氧（LLZO）晶体结构示意图

"这也是我们为什么觉得AI真的有用——之前用传统方法找不到的东西，用AI加持以后找到了。"

当然，回溯验证和真正的前沿发现是两回事。找到已知的好材料证明模型有能力，真正让这个领域兴奋的问题还有：它能不能找到人类还不知道的好材料？

陆子恒的回答是："AI已经找到了一些有用的新材料，包括我们自己也找到了。但那个真正重磅的、定义整个行业的发现？目前肯定还没有。"

他把这看作是一个时间问题，不是一个方向问题。"技术上的前置条件已经具备了。Scaling在材料预测上work了，通用模型开始超越专用模型，我们的实验室能快速验证预测结果。现在需要的是时间——去足够大的化学空间里搜索，去跑通从发现到验证到量产的全流程。"

接下来开物纪在看的方向，分两类。

一类是要"挣大钱"的：能源是其中最大的母题。AI产业本身的底层驱动力就是能源，最后拼的也是能源——储能、动力电池、能源转化材料都在这个范畴里。再往边缘一点，是那些卡在产业链里的"小材料、大杠杆"——比如远洋LNG货轮的球形储舱内壁，需要一种能在极低温、极高压下稳定的特殊胶水，单价极高，长期被国外几家公司卡住。这类有明确技术bottleneck、又被卡脖子的品类，AI的搜索能力反而最容易切进去。

另一类是要"秀肌肉"的：超导是最经典的代表，能不能找到室温甚至常压超导材料，是整个凝聚态物理几十年的圣杯；核聚变第一壁材料——能承受聚变堆里上亿度等离子体冲击的合金或陶瓷。这些短期不一定挣钱，但一旦做出来，会重新定义人类能源边界。

回到商业模式上，开物纪想得很清楚：先自己跑通一个完整的闭环——AI 发现材料、实验室合成验证、放大生产、交付客户。陆子恒类比的是 Flagship Pioneering——那家从早期化合物孵化到顶天立地公司的 biotech 基金，孵化出了 Moderna 这样的企业。他希望开物纪在材料里走出一条类似的路径。

这并不便宜。今天最贵的两块成本是算力和 AI 人才，特别是后者，比同行业其他人才贵一大截。

Monolith领投了开物纪的天使+轮融资，陆子恒说，第一次走进Monolith办公室的印象很深："进去以后感觉跟别的投资机构都不一样。非常简约，玻璃都是透明的，里面的人很年轻——感觉不像是一个投资机构，倒像是一个tech startup。" 另外，跟Monolith创始人曹曦的交流出奇顺利，双方在技术方向和商业判断上很快达成了共识，整个决策过程简洁直接，“是我接触过的机构里沟通效率最高的一次。”

范式级跃迁

回顾历史，人类认识物质世界的方式只经历过四次根本性的转变：

第一次是经验试错，几千年的材料发现都靠这个；

第二次是理论驱动，热力学和量子力学让人类开始用数学描述物质的规律；

第三次是计算模拟，有了计算机之后科学家可以在屏幕上做一部分实验；

第四次是数据驱动，当数据量大到一定程度，统计本身就能揭示规律。

材料科学是一个极其古老又极其重要的领域。人类对新材料的渴望从来没有停止过——更高能量密度的电池、更高效率的太阳能电池、更耐高温的合金、更便宜的催化剂。这些材料如果被找到，每一种都可能撬动一个千亿级的市场。

现在，AI提供的是一种根本不同的可能性：不再依赖少数天才的直觉，而是用模型在整个化学空间里系统性地搜索。它改变的不只是效率，而是范式本身。第五种范式正在到来。这也是开物纪这样的公司所代表的意义所在。

第五种范式：AI for Science

AI for science更深层的意义——不只是让科学家做得更快，而是让以前不可能做的事情变得可能。材料科学如此，药物发现如此，蛋白质结构预测如此。当AI开始介入那些人类智力最深、搜索空间最大、对文明影响最根本的领域，它带来的就不再是渐进式的改善，而是范式级的跃迁。

下一种定义时代的材料是什么？也许是让固态电池真正量产的电解质，也许是让太阳能效率翻倍的光伏材料，也许是某种我们今天还无法想象的全新物质——它可能就藏在化学空间某个人类直觉永远触及不到的角落里。

以前，找到它需要一个天才科学家花二十年。

很快，也许就不用了。

开物纪成立于2025年，由前微软亚洲研究院研究员陆子恒创立，公司名取自明代科学经典《天工开物》。已完成天使+轮融资，Monolith领投。团队正在积极招募：具备机器学习与图网络/生成模型背景的AI研究员，有量子化学计算或凝聚态物理经验的计算材料科学家，以及有产业化放大经验的资深合成实验专家。

如果你相信AI会改变材料科学，欢迎联系careers@kairosmaterials.com

Note