核心内容总结
这篇文章聚焦AI for Materials（用AI研发新材料）领域的创业公司“材科源图”，它靠两大技术壁垒——全球最大的能源材料实验数据库和物理模型集群，实现了AI+自动化实验的闭环，能快速找到性能更好的新材料；商业模式上先做定制研发服务攒“材料银行”，再自建产线卖材料，强调落地而非讲故事；行业里资本热但泡沫多，这家公司以“订单先于成立”的实际交付破局，未来看好固态电池等领域的材料突破，中美在该赛道各有优势但中国更聚焦实用方向。
一、技术核心：两个“法宝”让AI不再“瞎猜”还能快速找材料
材科源图的技术壁垒主要靠两样东西：
1. 全球最大的能源材料实验数据库：
他们花了7年人工从论文里抠数据（连失败实验数据都留着，因为AI需要知道“哪里不行”才能更准），攒了百万级数据（年底可能到千万级）。这个库特别珍贵——美国想做但人工太贵放弃了，AI自动读论文标数据的错误率高达90%以上，只能靠人工慢慢攒。而且这个库全是真实实验数据，比理论计算的库（误差大）、有机分子库（不沾边）都有用。
2. 物理模型集群：
AI容易“瞎编”（比如乱造不存在的材料），物理模型就是给它套个“紧箍咒”——把催化、电池里材料结构和性能的关系写成代码，让AI按物理规律思考，解决“幻觉”问题。
这两样加自动化实验形成闭环：数据库越大→AI模型越准→实验越精准→材料性能越好，像AlphaGo一样迭代，客户要什么材料能快速找到（比如帮头部能源企业突破了多年没解决的催化材料瓶颈）。
二、赚钱逻辑：先帮人找材料攒“银行”，再自己生产卖材料
材科源图的商业模式分两步：
1. 轻资产阶段：帮客户定制研发新材料、优化工艺，同时把自己找到的好材料存起来，建“材料银行”——客户缺材料可以来买或分润。比如稀土价格波动大，银行里有备选材料就不怕供应方“掀桌子”。
2. 重资产阶段：自建产线卖材料（比如绿色电合成化工品、固态电池相关材料）。为什么不做SaaS卖软件？因为怕客户把数据库“偷”走（比如买使用权后把数据全导走），而且卖材料比卖服务赚得多——“AI for Materials不落地就是PPT”。
挑客户也有原则：不跟竞争对手合作，避免直接冲突。
三、行业现状：资本热但泡沫多，这家公司靠“先有订单”破局
AI for Science（用AI做科学研究）是资本新宠：海外公司融资动辄几亿美元，国内也热钱涌入。但泡沫也大——很多公司空有概念，没落地案例，甚至有人说“做不出来才有想象力”。
材科源图的不同：订单先于公司成立（第一个客户在公司注册前就找上门），是赛道里少有的能交付真实材料、推进产业化的团队。李昊说，他们的“数百倍研发效率提升”是真算出来的，不是吹的。
四、未来方向：固态电池可能是第一个被AI材料颠覆的领域
李昊认为，最先被材料突破改变的是固态电池：人类只探索了8%的固态电解质材料，剩下92%都是未知（像没挖的金矿）。现在企业说“明年量产固态电池”，其实是怕别人抢先，本质是对未知的恐惧——如果现在建产线，明年发现更好的材料，产线就废了。他保守估计，固态电池大规模落地还需2年左右。
其他可能被颠覆的领域：合成氨（传统方法耗3%全球能源，AI能找到更便宜的电化学方法，用可再生能源产氨）、传统化工等。
五、中美竞赛：中国落地快，美国算力强，但实用才是王道
中美在AI for Materials赛道各有优势：
- 中国：团队规模大（美国高校课题组20人算大，中国很常见）、软件开发和落地能力强，聚焦电池、催化等“马上能用”的材料，扎实不“性感”。
- 美国：算力足、基金体量大，但方向偏窄（比如超导材料，几十年后才用得上），不一定马上产生产业价值。
李昊觉得，中国的实用导向更能快速推动行业进步。
一句话总结
AI for Materials不是讲故事，而是靠真实数据、物理模型和闭环实验，能真正找到新材料并落地赚钱；未来固态电池等领域的突破，可能会像锂电池改变手机一样，改变我们的生活。