“我們不再需要問AI能為科學做些什么，我們現在要問的是，當科學由AI驅動時，它能變成什么樣子。”這番話，出自剛榮獲 2025年諾貝爾化學獎的加州大學伯克利分校教授奧馬爾·M·亞吉（Omar M. Yaghi），也是他在獲獎后的首次公開演講。

這位從約旦裔難民棚中走出來，被稱為“MOF之父”的世界級科學家，并未在演講中回顧他因發明金屬有機框架（MOF）和共價有機框架（COF）獲得諾獎的科研歷程，而是第一次系統闡述了一個全新的科研思想框架，“讓化學具備思考、推理和自我演化的能力”。

這種將科學從“人工設計”推向“自主智能”的思想，與近年來迅速崛起的 AI for Science（科學智能，簡稱 AI4S）指向的核心價值高度契合。所謂AI for Science，從字面意思理解，就是把人工智能用于科學研究，以加速全過程。2024 年，諾貝爾化學獎也授予了該領域的代表人物。如今，AI4S 已從實驗室概念發展為產業熱點，開始走入資本市場。

來自杭州的深度原理，近日宣布完成了超1億元人民幣的融資，由戈壁創投管理的阿里巴巴創業者基金大灣區基金與螞蟻集團共同領投。這也是螞蟻集團在AI for Science領域第一次出手。

麻省理工博士創業

AI4S 本身不是一個產品，也不是傳統意義上的學科，而是一種跨領域的新范式，在數學、化學、材料科學、物理、生命科學乃至氣候科學中都在發生。

這樣的項目要求團隊同時具備科研洞察力、工程化能力與跨領域整合能力，因此對創始團隊提出的門檻極高。創業者大多來自頂尖科研體系，多為“科學家型創始人”，既深諳學科前沿，也具備將科研方法工程化、規模化的能力。

深度原理正是這類創業者的代表案例。公司名稱本身就體現了技術抱負：用深度學習（Deep Learning）與第一性原理（First Principles）相結合的方式，重新理解和解構微觀粒子的運行規律。

公司由兩位麻省理工學院（MIT）博士領銜創辦：創始人兼 CEO 賈皓鈞與聯創兼 CTO 段辰儒均畢業于 MIT 化學相關領域。團隊核心成員來自 MIT、斯坦福、浙江大學、上海交通大學、復旦大學等頂尖高校，并擁有微軟、meta、陶氏化學、巴斯夫、京東、騰訊等頭部機構的科研和產業經驗。

公司創始人及 CEO 賈皓鈞擁有 MIT 物理化學博士學位，曾在化工巨頭陶氏化學的核心研發部門從事新材料與催化劑研究。他從傳統科研走向創業，將人工智能與量子化學、高通量實驗技術相結合，試圖從根本上重塑化學材料的研發流程。

創始人兼 CTO 段辰儒同樣畢業于 MIT 化學博士項目，論文引用量超過 3000 次，曾擔任 Azure Quantum 研究科學家，牽頭開發用于化學設計的人工智能生成算法。他在量子計算、分子生成模型等方向的研究經驗，使深度原理在算法底層具備稀缺的技術壁壘。

在這樣的背景下，成立于2024年的深度原理，選擇聚焦材料科學方向，定位為一家 AI for Chemistry / Materials 的科技創新公司。它將人工智能、量子化學與高通量實驗相結合，致力于加速材料創新的全流程。

成立不到一年，深度原理已經憑借自研算法體系和產品化能力迅速完成從 0 到 1 的落地。針對當前 AI 在材料領域面臨的瓶頸，包括算法精度不足、效率低、難以計算真實化學反應等，深度原理自研了 Reactive AI 平臺，試圖突破現有算法在材料化學模擬上的能力邊界。

成立一年已獲超千萬元商單

在材料化學里，反應路徑怎么走、過渡態長什么樣、能量如何變化，這些底層要素通常是研究的卡點，它們決定了反應的速率和產物選擇性。不僅要精確觀測到物質的結構變化，還要能夠準確計算一些環境數據。

以前科研界的嘗試通常是“一步到位”，直接給出一個分子結構。這樣做的問題是，模型往往不知道自己生成的結果是否符合化學規律，更無法描述真實反應中連續且微妙的變化。

擴散生成模型diffusion最初是處理圖像的，每個圖像可以看作由大量圖像元素組成的矩陣，數學結構清晰，因此在理解科學結構、模擬實驗數據方面更有優勢。

深度原理首創擴散生成模型系列OA-ReactDiff、React-OT正面切入這一痛點，不是直接生成結果，而是一步步還原結構，逐步逼近真實分布，更貼近化學和材料的演化路徑。

這套模型被用在材料的過渡態預測上，傳統軟件往往要跑幾天甚至幾周才能給出一個過渡態，而OA-ReactDiff 首次實現單個 GPU 上 6 秒完成過渡態結構預測，迭代版 React-OT 進一步將時間壓縮至 0.4 秒，誤差降低超 25%。這意味著實驗室里最耗時的步驟被 AI 以“數千倍”的量級加速，科學家可以把更多時間花在理解和創新上，而不是等待計算完成。

科學研究除了實驗以外，還需要提出假設，設計研究方法，這塊則通過大語言模型發揮作用。

深度原理主導研發的語言模型LLM-EO（Large Language Model for Evolutionary Optimization），科研人員直接用自然語言，比如“我想設計一種耐高溫的材料”“我需要一種能提高導電率的結構”，模型就能夠基于這些目標產生新的分子候選，并篩選出高潛力結構。相關成果以封面論文形式發表于化學頂刊《Journal of the American Chemical Society》。

科研過程使用的工具往往很復雜，一些工程師或科研人員沒有編程背景，習慣于在 Excel 表里操作，而不是寫代碼。這時候，需要一個“中介”，調動一系列復雜工具、完成虛擬實驗、給出結果甚至下一步建議。

基于這一需求和邏輯，深度原理構建了“一橫一縱”的產品體系：橫向是打通整個研發鏈路的 Agent Mira，縱向是貫通模型與物理實驗室、讓預測走向現實的 AI Materials Factory。工程師只需明確需求，系統就能自動規劃步驟、調用算法，并在自動化實驗平臺中完成驗證，實現從模型到材料的完整閉環。

有了這種整套體系，過去一個團隊一年可能做幾十個重要反應，現在可能可以做幾萬，甚至幾十萬。

目前深度原理的客戶覆蓋營養日化、新材料、新能源等核心領域，已落地的頭部客戶包括：杉海創新、歐萊雅、晶泰科技等；成立約一年已獲超千萬元人民幣商業訂單。

把主戰場放在中國

2024年，因為蛋白質結構預測，谷歌DeepMind CEO 德米斯·哈薩比斯（Demis Hassabis）獲得諾貝爾化學獎。最近，他又曝出了一段驚人言論：“通過AI，我們在一年內完成了10億年的博士研究時間。”

這絕非夸張。以幫助他拿下諾獎的 AlphaFold 為例，根據諾貝爾獎官網的介紹，主要原因在于其在蛋白質預測上的杰出貢獻，“這種模型解決了一個已有50年歷史的難題，能夠預測大約兩億種已知蛋白質的復雜結構，并且已被全球200多萬人使用。”

官方科普文章還提到，在AlphaFold出現之前，研究人員在國際蛋白質結構預測競賽（CASP）中最多只能達到40%的準確率，但借助AlphaFold，哈薩比斯的團隊實現了60%準確率。

AI 介入科學研發最早的賽道是AIDD（AI 藥物研發），而材料領域更是創新的藍海，美國的資本市場已經開始兌現這一判斷。

2025 年 9 月，一家致力于開發化學領域人工智能模型的初創公司CuspAI 完成了約 1 億美元級別的 A 輪融資，由 NEA 和新加坡主權基金淡馬錫（Temasek ）共同領投，英偉達旗下風險投資部門NVentures、三星風投（Samsung Ventures）、現代汽車集團等產業與科技巨頭悉數入局。

此外，由前 OpenAI 和 DeepMind 研究人員聯合創立的Periodic Labs 也在差不多時間宣布獲得了 3 億美元的融資。這家公司也是致力于人工智能加速材料發現和設計。融資由 a16z 主導，據稱 OpenAI 也有望參與。目前，公司估值已經達到約 15 億美元。

在中國，自成立以來，深度原理已完成數億元人民幣融資，投資陣容幾乎覆蓋國內外頂尖機構：線性資本、祥峰投資、高瓴創投、聯想創投、聯想之星、百度風投、真知創投、錦秋基金、啟高資本、Taihill Venture 等。最近一輪融資中，螞蟻更是第一次下場投資AI4S賽道。

回顧深度原理的發展歷程，賈皓鈞曾在公開訪談中介紹，最初這個項目是從 MIT 孵化出來的，早在 2022 年就萌生了這個想法，之后也得到了很多來自 MIT 社區的支持和資源。但最終還是決定把主戰場放在中國。

他認為，中國制造是全球最強的，而且還會越來越強。所以，如果在前端能做好科學發現和技術轉化，那后端的工業能力，再疊加十幾億人口的市場——不光是中國自己，周邊還有東南亞、中東、非洲這些國家——這個市場的體量是巨大的。

現在在做的 AI for Science，本質上是用 AI 去做一些新的 scientific discovery。這些 discovery 最終都得走向工業應用，比如說材料、能源、化工，這些領域最終都要落到“怎么生產、怎么投產、怎么用”上。所以，把主戰場放在國內，是一個很自然的決定。