文 | 陈斯达

编辑 | 邓咏仪

从家庭常备的日化用品，到使用能源的高效催化，生活生产的方方面面离不开新兴材料。当传统“大海捞针”式的试错法，已然难以满足如今新材料研发的需求，这波大模型浪潮催生的人工智能热，却让“AI炼金术”渐渐接近现实。

杏宇获悉，深度原理科技（Deep Principle）近期宣布完成 近千万美元种子轮融资，该轮投资由线性资本领投，真知创投和 Taihill Venture 跟投。晶泰科技与深势科技作为科技产业方参与本轮投资。

深度原理科技于2024年创立，专注于人工智能驱动化学领域的科学研究。公司希望将人工智能、量子化学（Quantum Chemistry）和高通量实验（HTE）技术应用于化学材料领域，让材料创新的工作流程得以改善，加速化学材料研发创新效率。

公司创始成员均毕业于MIT，均具有大规模平台搭建和产业内研发经验。创始人兼CEO贾皓钧获MIT物理化学博士学位，曾于陶氏化学核心研发部门进行研发工作，专注于使用人工智能来研发催化剂配方及预测化学反应的路径，之前担任过麻省理工学院中国学生学者联合会（MIT CSSA）2022-2023 主席；创始人兼CTO段辰儒获MIT物理化学博士学位，在微软做研究科学家期间，为多家化学材料公司部署计算化学和人工智能解决方案。

段辰儒（左）和贾皓钧（右）

无论是微软、谷歌、字节这样的科技大厂，还是巴斯夫、陶氏这样的传统化学材料制造巨头，都在大力投入人工智能驱动的科学研究（AI for Science，简称AI4S）。总的来看，大厂更多基于算力和云服务，将 AI4S 中相对成熟的方法平台化、产品化；而另一边的化工巨头，自身也在投入研发，用 AI 优化工业生产技术。

基于此前美国工业界及科技巨头的研发经验，团队看到“全世界最好的材料化学生产基地在东南亚和中国。”贾皓钧表示，在美国去工业化的背景下，材料化学领域的中国企业，正积极从生产转向研发，故AI4S在中国的落地机遇更为丰富。

而段辰儒基于此前创建和维护AI4S科学社区的经验发现，受制于传统实验室惯性和化学材料问题的复杂多样性，平台产品的使用壁垒难以消除，相应的维护优化也会带来不少工程成本。

因此，深度原理科技希望解决的问题在于，与客户合作研发终端垂类应用产品，加速化学、材料领域的创新研究效率。“相比起平台产品，这更易于普及AI带来的高效研究方法，为未来培育更大市场。”贾皓钧表示。

技术路径上，深度原理科技聚焦四大核心算法模块。一是基于生成式模型，大规模主动生成目标化学材料和反应。二是基于推荐算法的模块，以低成本得到高精度的计算结果。三是通过控制模型，对当今的化学计算、化学反应实验直接降本增效。四是结合主动学习和贝叶斯工作流程，锁定目标催化材料。

团队所选技术路径，与创始团队的丰富原创科研成果密不可分。在 Nature 大子刊等顶级期刊以及 NeurIPS 等顶级会议上，两位创始人合计发表超过 60 篇论文，并首创多个AI for Chemistry 模型。目前，还有专利处于申请流程。

团队的其中一项关键工作，就是推出了基于生成式AI技术的扩散模型 OA-ReactDiff。

一个化学反应像是“魔术”，反应物眨眼间变成生成物，但要拆穿“魔术手法”，必须定睛看清眨眼过程时的“过渡态”——即对比出反应前后原子在3D空间中的位置关系。“过渡态”对于理解化学反应十分关键，它蕴含化学反应的机理，能被用以估算反应速率和能量，甚至指导高效催化剂等新型材料的设计。

以前用传统化学计算方法（即密度泛函理论（DFT））发现过渡态，需要数小时甚至数天。不但价格不菲，且常常“翻车”算错。

相比DFT，扩散生成模型 OA-ReactDiff让计算速度提升1000倍，只要数秒就能生成过渡态结构。结果保留了化学反应要求的所有物理对称性，准确性也超过之前一系列AI模型。

这项成果已在 Nature 大子刊 Nature Computational Science 上发表，并被选为封面论文。

图源：公司提供

图源：公司提供

相比直接实验，基于计算筛选出有前景、有潜力的材料分子，无疑能大大节省实验人员的精力及成本。

但算出材料性质只是一方面，有时候涉及的计算方法不只一种，如何找到最合适的那种？算出很多个近似结果，又怎么找到最准确的那个？AI决策算法的引入，便意在解决这些问题。

此前，科学家们开发了密度泛函理论（DFT），把求解薛定谔方程十年的工作量缩短至几个小时，准确率高达99%。可是，如果不解决最后的1%甚至0.1%的计算误差，要研发出新的催化剂就无从谈起。只有走最贴合材料本身的近似方法，选择最合适的密度泛函，误差才能降到最低。

连分子本身性质都不知道，又如何得知它“喜欢”哪种密度泛函？

段辰儒想到，用户喜欢看什么，抖音总能推什么。而这推荐功能背后的匹配算法，就能帮助分子找到最合适的密度泛函。受此启发，团队将 AI 决策模型融合进计算流程，搭建“密度泛函推荐器”匹配“化学材料—计算方法”，首次实现将金属有机配合物的高通量计算的准确度，逼近实验测量的误差精度。

不同密度泛函计算误差在15 kcal/mol左右，但新方法将这一误差降到2.1 kcal/mol，迈入实验测量均方差的3 kcal/mol 误差——也就是说，算出来的和实验测量的，不可区分。

从更大视角上看， AI4S若能在化学材料领域实现规模化、产业化，不仅能推动高效、低成本的高效能催化材料研发，还能大大提升能源使用效率，加快温室气体转化，顺应当下碳中和趋势。

“ 90% 以上的工业产品都需要催化材料参与，35%的全球 GDP 都与催化反应有关。”贾皓钧介绍。

贾皓钧指出，“双碳”背景下，提升能源利用效率是实现碳中和的关键。例如，仅合成氨的生产每年就消耗全球 1%至2% 的能源，同时贡献了3%的碳排。“通过催化剂的改进，即使只提升（合成氨）1% 的转化效率，就能产生数十亿美元的经济效益，降本增效的同时减少碳排放。”

“通过AI4S的方法将合成氨效率提高5%，就是我心中独属于化学材料领域的 ChatGPT 时刻。”段辰儒认为，通过AI4S的方法，未来一定能实现更多化学材料的落地。

目前，深度原理团队仍处于产品早期研发阶段。团队计划先从化学材料切入市场，以 AI+CRO（通过合同形式为研发过程提供专业化服务）为早期合作模式，先主要向客户交付早期实验结果及计算结果。此后，团队或将建设内部管线（材料研发从设计、试验到最终落地的过程）。

本轮融资后，资金将主要用于研发投入、团队招募及市场拓展。晶泰科技、深势科技提供的数据、算力及其他AI基础设施，将有效协助深度原理科技的研发工作。