“你有一把能够挖出金子的铲子，肯定不会先给别人用”｜对谈开物纪陆子恒：用AI发明新材料
摘要
开物纪拿到数亿元天使+轮融资，投资人押注的不是现有收入，而是模型能力跨过拐点后，AI可能找到足以把一个产业“往前拉一大步”的新材料。 公司去年9月注册、约10人，收入和利润仍是“zero”；这是一笔押注原始IP发现与后续商业化能力的投资，而非成熟业务扩张。
材料发现的本质是“在一张白纸上放原子”，但可投资的结果必须同时满足能合成、有目标性质、能量产商业化三道门槛。 2011年出现的锂—锗—磷—硫材料说明了单一化合物的杠杆：它让锂离子在固体中以接近液体的速度穿梭，由此带起固态电池品类，去年价格仍约70万—80万元/吨。
开物纪不准备先卖模型或工具，而要先把一个材料从原始IP打到公斤级、客户产线乃至量产。 陆子恒的理由极直接：“你有一把能够挖出金子的铲子，肯定不会先给别人用。”只有先做出一条端到端成功管线，平台化和轻资产授权才有可信基础，团队甚至接受“一部分人要去当厂长”。
真正触发创业的不是论文指标，而是MatterSim在未针对特定材料或性质训练的情况下，zero-shot预测声子、比热容等性质，超过了当时基本上所有专门针对phonon训练的模型。 这让团队从GPT-3.5得到的scaling启发在材料领域落地：用可规模化的模型和数据获得泛化，而非为每个domain单独造模型；“吃个饭测一测”之后，怀疑者发现模型确实跨过了坎。
AI在整条材料链中价值最高的环节，是从巨大化学空间里发现那个可能颠覆行业的原始化合物，而不是替代全部实验与工艺。 实际流程是生成模型、已知数据库和预测模型并行排队筛选，再由“老法师”逐个判断、做到克级装入器件、推进公斤级并交客户上产线试用；单次筛选从几十秒到几十分钟不等，“我只要有一个能卖钱就行了”。
近期最明确的技术里程碑，是未来一两年尝试打穿物质自由能，判断任意真实或hypothetical材料在热力学上能否合成。 陆子恒认为这若成功，可能替代相当大一部分实验，固相实验基本可以被替代；至于何时找到改变商业生态的材料，他明确承认“不太确定”，基础模型即使停在今天也可能做成，只是“模型越强，我抽奖抽到的概率越高”。
融资的主要消耗首先是训练算力和AI人才，而不是早期材料实验。 算力一年要烧数千万元，实验室约大几百万元，公斤级以前AI和人占大头；真正上产能可能需要上亿元。陆子恒说自己今年发出3张offer时“手都在抖”，但若模型转为以inference为主，成本会迅速下降。
长期壁垒更可能来自模型认知、材料认知和商业判断的同场耦合，而不是独占某个基础模型。 开物纪要的是“一个domain里特别硬核、同时视野很广”的人，并把taste、主动性和选择难题的能力置于知识记忆之上；陆子恒甚至判断coding与模型design可能逐渐贬值，而“折腾”、扩大运气的面积，仍是重要能力。
精读
1. 数亿元融资买的是材料发现的拐点，而非当期财务表现
开物纪注册于去年9月，团队约10人，收入与利润都是“zero”。公司做的是AI for Materials：既scale AI模型，也负责材料发现、实验验证、量产和商业化。
陆子恒对投资逻辑的概括很克制：过去几年模型能力明显提升，未来几年或许会诞生“改变人类文明”的材料；更现实的回报，是发现足以把一个行业或产业“往前拉一大步”的材料。
他也接受资本是在投团队，但融资同时带来压力：“必须得很努力把这个事儿做成，要不然是对行业不负责任。”原因在于大家对AI材料行业有极高期许。
2. 新材料不是一个配方名，而是一场受约束的“放原子游戏”
陆子恒从第一性原理解释材料：“一张白纸上放原子，放完以后就是一个材料。”但这个结构首先不能能量过高，必须真实可合成；其次要有目标物化性质；最终还得做得出来并进入商业系统。
单晶硅是最极端的历史样本：一种材料支撑了电脑与AI产业，连Silicon Valley都以硅命名。它说明原始材料IP的价值，并不取决于化合物描述听起来是否复杂。
更近的例子是2011年发现的锂—锗—磷—硫材料：粉末压片后像桌面一样硬，锂离子却能以接近在水中穿梭的速度通过。陆子恒认为，“就这一个材料把整个现在的固态电池产业带起来了”。
该材料对应的产业尚未完全商业化，但去年每吨已能卖约70万—80万元。陆子恒说，相关科学家当时在东京工业大学，最早得到过丰田资助，至少研究是自由的；至于个人如何从中分成，他并不确定，这也是开物纪特别关心的商业问题。
3. 材料巨头擅长工艺放大，原始重磅IP却仍高度依赖少数人
陆子恒把材料研发拆成两段：第一段发现原始化合物或原始IP，第二段把工艺放大并卖出去。陶氏、巴斯夫等商业公司在后段极强，但专注寻找全新原始IP的组织很少，发现仍主要发生在高校和研究所。
更值得AI挑战的是人才分布的不均衡：重磅IP往往集中在极少数科学家身上。陆子恒估计，Goodenough一人“应该”做了锂电主材中四五种彼此不同的材料；他的自嘲是，自己没那么聪明，但要让AI这么聪明，培养出一批“足够好”的人。
陆子恒还以Dacron举例：这种聚酯纤维材料曾为杜邦创造巨大价值。他补充，今天的材料巨头在成立第一天基本也都是单品公司，靠聚酰亚胺、尼龙66等一个品类起家，有资本后才逐步扩成多品类平台。
4. 管线分为追求商业价值与证明能力两类
开物纪把选题分成两类：一类是高附加值、存在明确技术bottleneck、能够挣钱的材料；另一类短期未必赚钱，却可能改变文明，用陆子恒的话说就是“我要发财”与“我要展示实力、向世界证明这个事情我们能行”。
能源是确定会看的大方向，因为AI最终也受能源约束。超导、核聚变第一壁材料等属于理想型目标，可能兼有商业价值，更重要的是代表人类最前沿的材料能力。
另一类机会藏在听起来并不性感的工业材料里。例如远洋货轮上装甲烷和天然气的球形高压储罐，要在极低温、高压环境中使用特殊胶黏材料，附加值极高且存在“卡脖子”问题；他强调这只是说明选题逻辑，并非透露具体管线。
5. 开物纪想复制Flagship，但第一步是自己拿铲子挖金子
陆子恒提到的公司类比是Flagship Pioneering：从lead compound孵化药物管线，大部分项目会失败，成功者却不再只是一种药，而会成为类似Moderna的独立公司。开物纪希望在材料领域也孵化出若干“顶天立地”的公司。
Koji追问最终交付物究竟是专利、研发管线还是材料。陆子恒的“诚实答案”是“一边走一边看”，但当前偏好非常明确：至少先亲自从头到尾打穿一个材料，而非立即输出通用工具。
他的商业判断是：“你有一把能够挖出金子的铲子，肯定不会先给别人用，我要自己先挖。”行业也急需一个端到端范例，证明AI材料不仅科学指标好看，还能进入真实商业链条；因此团队未来可能亲自卖材料，“一部分人要去当厂长”。
6. MatterSim预测声子的瞬间，让scaling从类比变成信念
创业前，陆子恒在微软研究院做AI for Science，也参与北京中关村学院材料方向建设；过去两三年团队大部分时间都在研发模型，并坚持把两三个材料真正做到手上。陆子恒不太相信只做virtual screening：“我必须得看到、拿到那个东西我才信。”模型能力与实物验证共同trigger了创业。
MatterSim最初想做一个普适模型：输入原子结构，zero-shot推断跨材料品类的基础物化性质。一位陆子恒非常尊敬的凝聚态物理同事对此怀疑：“别说预测万物了，你先把最简单的一个物理性质预测出来。”这个性质叫phonon，换成宏观性质就是比热容。
2023至2024年前后，团队随手测试后发现，模型没有针对该性质或某类材料训练，却超过了当时基本上所有专门针对phonon训练的模型。“吃个饭测一测，测完以后大家状态就不一样了。”这成为模型跨过泛化门槛的关键证据。
Koji问2025年的Nature文章是否也在讲scaling law，陆子恒认为这可能有误传：MatterGen的文章并未直接写scaling law。真正的变化是从早期不够scalable的VAE架构，转向受DALL-E 2、DALL-E 3启发的diffusion；他认为diffusion可以scale并吃进大量数据，因此生成效果大幅提升。
7. 一条材料管线要经过模型排队、专家判断和真实产线反馈
陆子恒用虚构的锂电负极需求拆解流程：假设大型储能需要容量更高、功率密度更高、电压更低的新材料，团队先从行业背景反推specific requirement，再让模型生成或筛选满足条件的原始化合物。
生成模型、已知材料数据库和预测模型会并行运行，持续形成候选队列。团队并不执着搜完整个空间：“我不是要搜到一万种，我只要有一个能卖钱就行了。”理想是一击即中，现实则要从可能数百个候选中快速排查。
模型输出之后不是继续无限AI优化，而是材料“老法师”开会逐个看：哪些明天就能进实验室，先做到克级、装进电池；反馈好再推进公斤级，交给真正使用材料的客户上产线试用，随后决定自己或合作方放量。
当前生成模型主要是基于graph的diffusion，而非文本式sequence Transformer；训练数据包括人类已合成材料和团队认知上有可能合成的结构。模型学习的是可合成材料在高维空间中的manifold，筛选任务快则几十秒、慢则几十分钟，单卡就可以完成。
8. 壁垒不是谁能调用基模，而是谁知道模型边界在哪里
Koji的质疑是：如果团队A、B、C都能使用基础模型，差异化从何而来？陆子恒先拒绝把当下定义成竞争期——行业急需任何一家公司用任何模型做出并商业化突破性材料，“大家共同创造蛋糕”比争夺份额更重要。
真正的认知差异有两层：什么模型能力能找到昂贵、可变革的材料；以及同一个模型在不同domain里究竟能兑现多少商业价值。错误判断能力边界，会让团队把资源投入错误品类或错误研发阶段。
他坚持做模型、统计物理simulation和实验的“老法师”必须天天在一起。材料团队与AI团队仅靠项目式沟通，会形成不同文化；能否同时理解两边边界，可能直接决定是否找得到重磅IP。
行业也远未收敛：商业价值可能集中在原始化合物，也可能集中在后端工艺优化；技术路线也未定。Periodic Labs可能更多使用语言模型类的inference能力和mid-training做偏推理的模型研发；Project Prometheus的具体方向陆子恒不敢说完全准确，听说要造火箭也不确定。CuspAI、Orbital Materials等团队的路线同样仍在探索。
9. 自由能是一两年的工具里程碑，重磅材料的时间表仍然未知
开物纪希望未来一两年“把物质自由能打穿”：对广泛材料空间中的真实或hypothetical结构，准确infer其热力学上能否合成。陆子恒判断，若做到这一点，可以替代相当大一部分实验，固相实验基本可以被替代。
第二种里程碑是做出真正改变世界或商业生态的材料，但他的回答没有包装：“说实话，我们自己不太确定。”团队只能确认大方向和方法论逐渐获得更多证据，无法给管线成功设定可靠日期。
Koji进一步设定基础模型从此停止进步的反事实。陆子恒认为开物纪仍可能做成，只是不知道何时命中；基础模型继续增强，则“我抽奖抽到的概率越高”。这是概率提升逻辑，不是确定兑现承诺。
10. 早期最贵的是训练和AI人才，后期最贵的是产能
陆子恒把融资用途拆得很具体：现阶段算力一年需要数千万元，AI人才也比其他岗位贵“一大截”。他今年发出3张offer时“手都在抖”，因为模型能力尚未到预期拐点，必须持续训练迭代，而不是购买外部模型做inference。
材料实验本身在早期没有想象中昂贵：一个实验室约大几百万元，推进到公斤级也不算大规模；在公斤级以前，人和AI占主要成本。若反馈好，自己或别人开始放量，后端产能投入可能进入上亿元级别。
训练昂贵、inference相对便宜，因此商业模型存在阶段性变化：如果有一天团队主要做inference，成本会马上下降；但达到那个节点之前究竟还要烧多少钱，陆子恒只说“大概有个数，但是也挺贵”。
他希望商业反馈反过来推动fundamental research：DeepSeek、Gemini等案例让他看到，资本集中和强商业诉求会加速技术；核聚变、超导、量子计算也可能受同一机制推动。好处是技术走得更快，代价是研究组织承受更直接的兑现压力。
11. AI时代仍奖励硬核深度、taste与持续折腾
开物纪寻找的不是每个领域都懂一点的通才，而是“在一个domain里面特别特别硬核、超级专业，同时视野很广”的人。模型、simulation和实验可以是不同专长，但每个人都要在一个点上锚定，解决最核心、不可拆解的难题。
陆子恒观察中关村学院的博士生第一天便进入项目，像startup一样围绕目标成长。他自己最早做生成模型时“一篇文献都没有看过”，主要靠持续追问GPT和DeepSeek，从cross-entropy loss到Bayesian inference逐步重建数理框架；AI改变了学习路径，却没有自动提供主动性。
面试中的知识题越来越难以衡量候选人，因为GPT的知识面可能比面试官更广。他仍会问硬核知识，以确认过去的学习能力，同时用“10亿元人民币、100人团队、没有限制和审查，你想做什么”检验vision与taste——选择什么问题，本身就是能力。
陆子恒甚至承认这是“口出狂言”，判断coding以及模型design未来可能越来越不值钱，甚至逐渐被淘汰；Claude、Opus等模型和Open Cloud这样的Agentic system已经影响公司生产方式，开物纪给每名员工配Claude且暂不设token上限。但他仍建议年轻人读PhD：“有人给你一笔钱，不用还，让你去探索你觉得有意思的事儿。”
他自己的目标从本科时“月薪3000元、娶个老婆、生个小孩”，一路变成当教授、做产业化、进入AI研究再创业：2018至2020年前后在深圳的中科院深圳先进技术研究院做电池研究和部分产业化，2021年逆疫情去剑桥，随后放弃一圈教职offer进入微软研究院。每次转向都在扩大所谓“运气的面积”，“折腾就还有希望”。
对十年后的自己，他只想问：“这事儿开心吗？还折腾得动吗？”陆子恒把敢于流动的一部分原因归于父母提供的强安全感；父母是大学老师，他多年辗转香港、深圳、英国、美国却很少想家，因为父母始终是非常强的后盾。