Koji
本周十字路口的嘉宾是开物纪的创始人陆子恒。开物纪做的是 AI for Science 领域里的 AI for Materials，简单来说，就是用 AI 发现并验证新材料，同时让新材料从实验室走向可量产、可商用。
他们刚完成了一轮数亿元的天使加轮融资，背后的基金阵容也非常厉害，包括 Monolith、光合创投、极富亚洲、高瓴、IDG、蓝驰、BVL、Twelve、光源等。子恒，欢迎来到十字路口。
陆子恒
你好，小吉。
我们还是从十字路口的老传统——快问快答开始，帮大家更快地了解你。子恒，你的年龄？
陆子恒
34 岁。
毕业院校？
陆子恒
本科是南京理工大学，博士是香港科技大学。
你的 MBTI 和星座呢？
陆子恒
MBTI 我知道我是艺人，星座是摩羯座。
一句话介绍一下开物纪和你们在做的事情。
陆子恒
开物纪希望用 AI 发现那些能够改变人类命运的新材料。我们在做 AI 模型的规模化，以及材料的发现、量产和商业化。
目前有收入和利润了吗？
陆子恒
没有，0。
目前团队规模呢？
陆子恒
10 个人左右。
成立多久了？
陆子恒
去年 9 月注册的。
创业之前在做什么？
陆子恒
创业之前，我在微软研究院，也就是 MSR，做 AI for Science 这个方向。同时，国家人工智能学院成立了几所，我也深度参与了其中北京中关村学院的建设，尤其是材料方向的建设。
现在我还有一个身份，是北京中关村学院的首席材料科学家，以及材料方向的负责人。
还带学生？
陆子恒
对，也带学生。
1. 投资人押注材料革命
子恒，你们这一轮融资的金额非常大。消息一放出来，很多人都觉得很厉害。你觉得大家在投你们的时候，投的到底是什么？
陆子恒
这是特别好的一个问题。其实我觉得，大家投这个领域，更多是看到可能到了这样一个时间节点：过去几年，模型能力有了比较大的提升，以至于未来几年有可能真的会诞生出改变人类文明的材料。
这是我们的理想。更现实一点，可能会发现能够把一个行业往前拉一大步、把一个产业往前推进一大步的材料。我觉得这可能是很多人投资的底层逻辑。
当然，也有人说是在投团队，这一点我也认同。
说到这里，可不可以稍微展开一下？当我们说用 AI 去发明材料的时候，到底是在发明什么？尤其是给完全不了解材料行业的人介绍一下。
陆子恒
2. 材料就是原子游戏
这也是一个非常好的问题。Fundamentally 来说，材料是什么？大家回归到第一性原理，材料就是一堆原子：在一张白纸上放原子。
那我们在干什么？最本质上，我有一张白纸，往上面放原子，放完以后就是一个材料。但要求很高：放出来的这个结构，第一，能量不能太高，它要能够被合成，否则都是假的；第二，它还要有我想要的那些基础性质；最后，做出来以后还要能够商业化。
所以 fundamentally 来说，这就是一个放原子的游戏。
3. 材料IP创造产业价值
我们知道，材料做出来以后，会成为某种材料 IP。历史上最赚钱的材料 IP 是什么？它是大众知道的吗？
陆子恒
我举几个例子。早一点的，比如硅，单晶硅。现在整个 AI、电脑以及很多东西，都是基于这种单晶材料做出来的。你说这个材料值多少钱？晶圆本身是很值钱的，甚至“硅谷”这个名字也跟硅有关。
更近一点的，2011 年，几个日本科学家发现了一种由锂、锗、磷、硫 4 个元素组成的材料。这个材料有一个特别独特的性质：它是一个粉末，但如果把它压成一个片，质地跟桌子有点像，是比较硬的东西。
但你很难想象，锂离子在里面穿梭的速度，和在水里面穿梭的速度差不多。什么意思呢？你要穿过一堵固体的墙很难，但在水里游泳就很简单。所以这个性质非常独特。
就这一个材料，把现在整个固态电池产业带起来了。
在这个过程中，它能够吃到多少商业价值？
陆子恒
目前固态电池本身还没有走到商业化的终点，但可能在 BOM 物料里，它占的比例相对还是比较大的。如果说到去年的这个时间节点，它一吨可能卖 70 万到 80 万元，还是比较贵的。
发明这个材料的科学家，要怎么从里面分成呢？
陆子恒
这是一个商业问题，也是我们特别关心的。在那个时间节点上，这几个科学家当时应该是在东京工业大学，基本上是被丰田养起来的。最早也是丰田做了一些资助，所以至少他们的研究是自由的。至于个人，我想应该也是自由的。
我们现在要用 AI 去找类似这样的新材料。历史上，大家可能都是用别的方法找到的。到目前为止，有没有一些成功案例，已经发生了 AI 找到某种新材料？
陆子恒
4. AI材料尚未商业爆发
AI 找到的材料是有的。过去几年里，因为我在微软，也做了一些 fundamental research，我们找到了一些材料。其中有一些被别人验证过，比如在散热领域的一些晶体材料；也有一些是我们自己验证的。
但是目前看到的是，这类用 AI 发现的新材料，科学意义很重，但可能还没有到能够引起行业变革的商业价值。
反而在开物纪，这件事有意思的地方在于两个点。第一个，我们做的是非常前沿的大规模 AI research，以及材料 fundamental science research，两个方向都很前沿。第二个是，这种商业模式其实没有人做过，所以我们也在摸索。
我们在寻找能够带来巨大商业价值的原始 IP。
我蛮意外的。原来过去发现新材料的人，其实都来自某种科研机构，是吗？没有一个专门的商业组织，把“发现新材料”作为自己的使命？
陆子恒
据我所知，如果是单纯把这个作为使命，可能我不是那么 aware。你如果看材料研发，其实可以分成两段。
第一段，是我们经常讲的原创化合物，或者原始 IP 的发现，也就是那个物质本身。第二段，是这个物质的工艺放量，后面把它卖钱。
你会发现，过去绝大部分商业化公司在第二段其实非常强。第一段，像陶氏、巴斯夫，也会做一些有机材料，但完全聚焦于特别新的原始 IP 的公司好像比较少，绝大部分还是发生在高校和研究所。
而且你会发现一个特别有意思的现象：那些重磅 IP 往往集中在少数几个人身上。一个人能做好几个，别人却做不出来。
比如古迪纳夫？
陆子恒
对。锂电里面的主材没有多少种，但古迪纳夫一个人应该做了 4 个还是 5 个，而且都非常不一样。我也不知道他为什么这么聪明，这也是我们试图改变的事情。
我没有那么聪明，但我要让 AI 这么聪明，培养出一批“足够好”的人。
这句话有点僭越了。你们开始做开物纪之后，有一些主攻方向吗？比如，你有没有押注未来 10 年最有可能改变人类生活的材料会出现在哪个方向？电池、散热、PCB，还是其他东西？
陆子恒
5. 开物纪押注两类机会
这是特别好的一个问题，也涉及两个维度：一个是商业化上什么东西能挣钱，以及什么东西能够导入进去，让别人真的愿意买我的材料，而不单纯是一个科学问题。
第二，有一些材料可能短时间内不挣钱，但可能会改变整个人类文明。这两类都是我们的目标。
简单来说，一类是我要发财，另一类是我要展示实力，向世界证明这件事我们能做，以及世界要发生变化了。
这两类我们都会看。第一类我稍微说得虚一点，因为真能挣钱的东西肯定不能告诉你。实话说，我们自己看得也没有那么细。
第一，整个能源方向。AI 的 fundamental 驱动其实就是能源，最后拼的也是能源。这里面一定有机会，比如理想型、梦想型的材料——超导，exactly 和这个相关；还有核聚变的第一壁材料，这一类都非常相关。
它们一方面可能有一点商业价值，另一方面更多代表着人类最先进、最高端文明的材料，我们都会去看。
刚才你讲到能源。第二类呢？
陆子恒
第二类，比如苏锡常附近有很多化工产业，很多胶水听起来很普通，但其实不是。
远洋货轮里面，有那种球形的、装甲烷和天然气的高压储罐，里面温度特别低、压力特别高，要刷一层胶水。那种材料附加值极高，也是被“卡脖子”的。
我只是举例，不是说我要做这一类。这种附加值比较高，同时存在比较大技术瓶颈的东西，也是我们关注的类别。
原来这样的材料，因为商业价值很大，肯定会吸引很多人去创业或研究。过去这些人，是一个材料公司做很多跨品类，还是专门做胶水，或者专门做能源中的某一种材料？是专项公司，还是平台型公司？
陆子恒
如果你追溯每一家材料公司，不管是现在的巨无霸，还是后来赚钱的新公司，它第一天成立的时候，基本上都是一个单品。
比如聚酰亚胺，也就是 polyimide，杜邦等几家公司就是做这个。还有尼龙 66，我不太记得是巴斯夫、陶氏还是哪一家，反正当年都是靠一个品类做起来的。
之后它可能慢慢演进成：我有资本优势了，可以拥有很多个品类。
我之前做糖导的时候，因为我们是一个睡眠环境品牌，要做床垫、枕头和被子，所以开始了解一些材料。
那时候我才发现，小时候经常听大人说的“的确良”，其实叫 Dacron，是杜邦的一种材料。它属于聚酯纤维，也就是涤纶。这个材料也帮杜邦赚了很多钱。
陆子恒
对，这类就是当年一个大单品突然爆发。我们想做的也正是这样的单品，当然希望能够做成。
你会用一种什么方式来比喻自己的公司吗？比如，材料界的药厂、材料界的台积电、材料界的 AWS，或者材料界的字节跳动？你会用这样的类比来帮助市场和员工了解你们吗？
陆子恒
我们出来的时候，就一直对一家基金特别感兴趣，叫 Flagship Pioneering。
它是做什么的？
陆子恒
主要是孵化药物管线。药物管线就是做一个药，从最前面的 lead compound 开始，一直做到临床，最后把这个药卖出去。
最后做成的管线，大部分都会失败；但做成的那些管线，最后其实不再只是一个药，而是变成一家公司，而且是顶天立地的公司。大家一定知道其中一个，Moderna。
Flagship 能在药物领域做这件事，那我们在材料领域，有没有可能也做成这样？下面孵化出几个顶天立地的公司？
陆子恒
当然，这是理想。也只有这样的东西，才真正能够回应大家对这个行业这么高的期待。
我觉得有难度，但确实值得做。
如果要成为这样的公司，你们最终交付的到底是什么？是材料专利、一套研发管线，还是其他东西？现在有设想吗，还是一边走一边看？
陆子恒
一边走一边看，这句话是对的，应该更能描述我们的状态。
目前我们的认知是，更多时候希望自己能够从头走到尾，至少完整做成一个。做工具、做模型，就像你有一把能够挖出金子的铲子。
第一，如果这把铲子真的能挖出金子，我肯定不会先把铲子给别人用，我要自己先挖。第二，这个行业特别需要一个从头做到尾、打穿全流程的范例，让大家认识到这件事有用，之后才有可能做所谓的平台企业，去轻资产运营。
所以在这个阶段，我们可能会倾向于在某个节点，由我或者一部分人去当厂长。这件事可能是需要的。
也就是自己卖材料。
那我们再说回来。你发现这个创业机会的时候，看到了什么样的信号？
陆子恒
6. 模型突破促成创业
过去两三年，我们大部分时间都在研发模型。但在这个过程中，也尝试用模型做一些材料设计。
我自己本身不是特别相信只做虚拟筛选。我必须拿到那个东西，才会相信。所以我们有两三个材料，真的做到了能够拿到手里的状态。
正是这些东西触发了我们。我们感受到模型能力变好了，似乎真的出现了一个大的变化，于是决定出来做这件事。
现在全世界范围内，有多少人在做类似的事情？
陆子恒
最近几个月，开始慢慢多起来了。海外大家可能也看到了 Periodic Labs，还有 Project Prometheus，就是贝佐斯做的那家公司；还有 Max Welling 做的 CuspAI，以及 Orbital Materials，这几家都是海外的。
国内有深度原理，另外还有更早一点的深势科技。
你刚才提到，看到了模型的一种可能性。你还记得当时具体看到了什么吗？
陆子恒
有一个非常好玩的 trigger。当时有一位同事，是做凝聚态物理的，我非常尊重他。
那时我们有一个模型叫 MatterSim。这个信息现在已经公开了，最早做它的时候，我们想做什么？想做一个普适模型，能够在基本上所有材料品类里，根据原子结构，把材料的物化性质，主要是一些热力学性质，zero-shot 推断出来。
这件事有点像“预测万物”。当时这位同事在我们还没开始做之前说了一句话：“别说什么预测万物了，你先把最简单的一个物理性质预测出来。”
这个性质叫 phonon，也就是声子，指原子在晶体里的振动模式。换到高中物理或者物理化学里，它对应的是什么？就是比热容。
你把一个材料的比热容用模型预测得很准，他都不相信。其实我自己心里也打鼓，也不知道能不能行：用一个模型 zero-shot 地预测任意一种材料，而且还要做得不错。
这要求模型有非常强的泛化性。我们一开始都不相信，但大家还是闷着头先做。做的时候，你指责我，我指责你，都在争论这东西到底 work 不 work，值不值得花这么多功夫去 scale 这个模型。
有一天，我们随手测了一下，就像吃饭时随便测一测。测完以后，大家的状态就不一样了。
那是哪一年、哪一个月？
陆子恒
2023 年、2024 年那个时候。我们把结果调出来重新看，发现确实不太一样。
它的能力超过了当时针对这个 phonon 专门训练的模型？
陆子恒
对。它的能力真的超过了当时基本上所有专门针对 phonon 训练的模型。
我们没有针对这个性质训练过模型，也没有针对某一类材料体系使用过这个模型。之前也有人做各种各样的模型去捕捉这件事，但它好像有一天突然就具备了这种能力，跨过了一个坎。
这对我们是一个比较大的 trigger。GPT-3.5 给我们的 hint 是，通过 scaling，确实可以把模型的泛化性做得很好。
材料领域其实同样需要泛化性。那我们能不能通过类似 scale 模型和数据的方法，把泛化性做得很好？当时大家都在纠结这一点，不知道行不行。
那个时间节点，大家没有明面上说，但心里还是觉得比较震撼。
为什么没有明面上说？
陆子恒
都是一帮非常低调、比较闷骚的科学家。
你们在 2025 年发了一篇 Nature，对吧？是不是也在讲 scaling law 对材料模型的影响？
陆子恒
这个可能有一些误传。Anyway，那篇文章其实是我们比较早地使用生成模型去做材料、化学物质生成的工作。
生成模型并不是新鲜事，我们之前已经做了很多年。比如谢天同学做的 CVAE，做得比较早，包括药物生成领域也有人做。
但早期的模型更多使用 VAE 这类相对老一点的架构。你会发现它们也 work，但效果没有那么好。
本质上，为什么会这样？现在看不一定完全正确，但一个原因是这类模型架构不 scalable。
大概一两年前，DALL-E 2、DALL-E 3 这样的模型出来以后，给我们的 hint 是 diffusion 可以 scalable，可以吃进大量数据。
我觉得 MatterGen 的特色，就是通过使用 diffusion 这样的 model 去 scale 模型，产生了比较好的效果。你可以看到，它的能力大幅超过之前那些模型。
文章里没有直接写 scaling 这件事，但底层真正的驱动力就是这个。
7. 材料模型如何形成壁垒
我在想一个问题。因为我们非常依赖基模的智能，理论上是不是可以用基模去研发新材料，然后再来几个团队，大家也都可以用基模去研发新材料？
在这个过程中，如果大家都依赖基模，差异化和优势要怎么做出来？
陆子恒
这个问题特别好。一个前置条件是，今天大家不应该把用 AI 做出一个好材料当成竞争，现在还没有到竞争的程度。
这个行业目前急需的是：任何一个人，不一定是我，可以是任何人；他用任何一个模型，只要能够验证并做出一个突破性材料，然后把它商业化，整个行业的人都会非常好过。
这是一个前提。在此之外，还没有形成竞争，而是大家共同创造蛋糕的过程。
再往后，可能就是你说的：你能做，我也能做。那就看大家是否相信自己造的铲子。
对我们来说，我们觉得可能需要持续 scale 模型，不管是使用 synthetic data，还是尝试创造一些可规模化的实验环境。更多的，是要做出非常好的建模。
在这一点上，我觉得各家的认知可能还是有一些区别。
认知上的区别，最后会形成什么样的差异，带来什么样的优势？
陆子恒
这个认知可以分两层。
第一层是模型层面：大家认为什么样的模型，真正能够驱动材料行业发现特别贵、特别值钱、特别能带来变化的材料。
另一方面，是我们对模型能力边界的认知。比如我做了一个模型，它在每个领域到底能产生什么商业价值，能不能找到那个东西。
这也正好回到你刚才的问题。我觉得这甚至可能在某些时候形成壁垒：一个团队到底是做材料的人和做 AI 的人天天在一起，对两边的边界都有非常清晰的认知；还是两边各有一个团队，再互相交流。
这一定会形成不同的文化和认知能力，也会直接影响最后能不能找到这样的材料。
至少在我的认知中，做模型的、做统计物理 simulation 的，和实验室里的老法师，必须天天在一起。这非常重要。
我们来聊点具体的，帮大家更好地理解你们到底在做什么。
有没有可能选一个你们现在正在跑的材料任务，讲一讲从开始到最后，如果真的成功把它做出来，中间是一个什么样的过程？
陆子恒
我可以用一个虚构的案例来讲。
假设我在锂电池里寻找负极材料，希望它的容量比原来更大，功率密度比原来更高，电压比原来更低。
在商业上，我可能已经认知到，某些行业背景，比如大型储能要起来了，所以有一些 specific requirement。这个材料可能目前不存在，或者做得不好，于是我就反过来做这样一件事。
首先，通过模型生成或者筛选出在认知层面上看起来比较好的、符合要求的化合物，把这些 IP 放到面前。
然后干什么？并不是让 AI 过度优化这些 IP 或化合物。我们也有自己的老法师，大家坐下来开会，列一个单子，可能总共几百个，再一个一个看：哪些东西我明天可以下实验室，赶紧做出来，做完以后赶紧反馈。
比如做到克级，把它装进电池里，发现反馈还不错。下面干什么？在自己的实验室里把它做到公斤级。
公斤级其实没有那么大，不用特别惊讶。做到公斤级以后，真正使用这个材料的人就可以尝试使用，在他们的生产线上去试。
试的过程中，他们会给出反馈。一旦有好的反馈，就代表要么我们放量，要么别人放量，这个东西就有机会了。大概是这样一个流程。
所以 AI 在这里面扮演的最关键角色，是哪一步？
陆子恒
我们认知到的，是在最前端发现颠覆性的重磅 IP。AI 在这一步能发挥最大的作用。
这个“发现”可以再稍微展开讲一讲吗？找材料是不是不需要把整个空间都搜完，搜出 1 万种？只要有一个能卖钱就行，对吧？
陆子恒
对。在最好的情况下，我希望一击即中，让 AI 推荐出一个它认为可行的材料，推一把就成了。
但目前看，这比较难。所以真正做的时候，是生成模型、数据库搜索等各种方式并行运行。生成模型不断生成 candidate，同时我也会把网络上、人类已知的材料数据库全部调出来。
然后用我的预测模型——可能是基于基模改的，也可能使用基模本身的能力——把可能的材料排成一个队列，一个一个快速看。看完以后，好的就拎出来，拎出来以后就进入刚才说的流程。
速度取决于不同材料的性质。一般来说，筛选快的几十秒，慢的几十分钟，单卡就可以完成。
你们现在的生成模型是 Transformer，还是其他架构？
陆子恒
目前更多是使用 diffusion 的过程，而且是基于 graph，也就是图结构的模型。
它不是像语言模型那样的 sequence-to-sequence。那种东西也可以做，但我目前觉得数据还没有那么多，不够训练。
这样的数据是什么数据？
陆子恒
就是人类合成过的、能够收集到的所有材料，以及我们认知上有可能被合成的那些材料结构。
最后，模型要学的就是在高维空间里找到那些可以被合成的材料 manifold，然后在里面采样。
我听起来觉得，这个事情还挺有暴力美学的，就是大力出奇迹。
陆子恒
大力出奇迹。到今天，所有 AI 发生变革的领域，基本上都走的是暴力、大力出奇迹，从 AlphaFold 到大语言模型，再到现在的 Gemini。
我们今天录播的时候，早上醒来看到一个新闻，不知道你有没有看到：Gemini 这个新的巨型模型，又把事情往前推了一大步。
你预测你们的第一个里程碑会在什么时候发生？还是现在没有设定这样的里程碑预期？
陆子恒
8. 技术里程碑仍在路上
我觉得里程碑对我来说可能分两类。
第一类，是 fundamental 地驱动整个人类材料科学的工具类进展。我们希望在未来 1 到 2 年，把材料自由能这个东西打穿。
一旦做出来，我们就可以在比较广的材料空间里，给定任何一个材料，不管是 hypothetical 的还是现实中存在的，都能非常准确地推断它在热力学上能不能合成。这样就能替代很大一部分实验，固相实验基本上可以被替代。
这对人类材料科学来说，是往前走了一大步。这是工具上的一类里程碑。
第二类，是管线上什么时候能做出改变世界、甚至改变商业生态的材料。说实话，我们自己不太确定。
这好像是把正确的事情，用正确的方法论做了，然后在这个过程中慢慢相信，美好的事情会浮现出来。
陆子恒
对。我觉得这也是过去几年我们一直有的体会：感觉大的路是对的，但大家都是非常优秀的 researcher，所以也非常 skeptical。
不过每次大模型有进展的时候，总会给我们一些 trigger，让我们觉得：“这个事情好像有一点对。”再有一点对，信念感就慢慢提升。当然也会有挫折。
你之前在微软研究院做了很多年。微软研究院是一个相对没有商业目标或压力的研究组织，现在你办了自己的公司，它也是非常研究驱动的。
所以我也想和你探讨一下：一个有商业目标压在身上的研究驱动型公司，最好拥有什么样的文化，才能做好、做大、做强？
陆子恒
这件事我们还在探索。但整体上我还是觉得很有意思。
你会发现，做 research、做世界上最好的 research，是一件极端有意思的事情，这不用说，做 research 的人都有这种感觉。
但我觉得，摸索一种新的商业模式，也是 extremely exciting 的事情。这个事情有没有可能和 research 有机地结合在一起，真的用 fundamental 的重大技术突破去驱动商业，这是最值得追求的。
当然，在这个过程中我们也有相当的敬畏心。管理上的事情肯定要做，因为最终一旦有了商业反馈，反而真的能把技术驱动得更好。
我们可以看到，最近几年发生的技术革命里，有很多都是商业反过来强力驱动技术的案例。DeepSeek，包括 Gemini，都是这样。
现在核聚变不知道什么时候能做出来，超导、量子计算也是一样。正是因为大家对这些东西有非常强的商业诉求，第一，资本特别集中；第二，大家的诉求特别重，所以技术推进得比原来快很多。
这是件好事，但压力也非常大。
刚才提到商业会加速一些东西，也会激发一些东西。你们融了这么多钱，我蛮想问：钱会贵在哪里？准备花在什么地方？
陆子恒
最贵的是两个东西，大家可能会觉得，做管线能有多贵？我拆开给大家看。
在现在这个时间节点，最贵的是算力和 AI 人才。今年我开了 3 张 offer，开的时候手都在抖。
算力一年要烧几千万元。反而做材料管线，一个实验室没有多少钱，大几百万元；很多东西做到公斤级，也没有那么贵。
在公斤级以及之前，AI 和人占大头。但一旦要放产能，后端上产能就特别贵，可能要上亿元，这部分才是真正贵的。
所以目前是算力贵、人贵，尤其是 AI 人才贵。AI 的人比其他行业的人要贵一大截。
算力贵，是因为你们要用 SOTA 模型吗？我理解，也许可以用开源方法来降成本。还是说你认为必须使用 SOTA，算力就一定会烧得多？
陆子恒
其实不是因为我们用模型，而是因为我们训练模型。
这个模型在某些能力上，还没有到我们认为的那个拐点。刚才不是提到里程碑吗？第一类是工具上的，第二类是管线上的。
工具上还没有到那个里程碑，所以我们要持续不断地迭代模型，这会花很多钱。Inference 反而还好。
如果哪天我们只做 inference，成本马上就会降下来。
但前面要花多少钱，目前是未知的，对吗？
陆子恒
大概有个数，但确实挺贵的。
刚才提到，现在 AI 人才非常贵。你也说到，要做好一个商业化、科研驱动的公司，需要把很多不同类型的优秀角色揉在一起。
除了很贵的 AI 研究员，在这样一个需要把很多交叉人才放在一起的组织里，你希望它是什么样的文化？
陆子恒
我觉得更多的是，大家要有共同的 belief，觉得应该一起做一件特别伟大的事情。
这个伟大，一定层面上是技术，另一个层面上是通过技术驱动巨大的商业价值。
到今天，公司大部分人都有底层技术信仰，觉得未来几年可能会发生大的变化。比如我们有一些做化学的老法师，之前一直有自己的理想：在没有做实验的条件下，能把某些实验结果猜个七七八八。
这件事在他们过去的认知里是不太可能的，但和我们聊过以后，他们认为未来 1 到 2 年，甚至现在某些技术上，可能已经能够实现。
对他们来说，这是整个技术生涯的转折点。这样的人可能会聚集在一起，一起推动彼此迈向下一个技术锚点。
这就是我们觉得这个行业，包括我们这样的公司，能够吸引人的原因。
你们应该还需要找很多交叉型人才。这种人在市场上多吗？还是说今天必须自己培养？
陆子恒
我们要的人，并不是每个领域都懂一点，而是希望找到这样的人：在一个领域里特别硬核、超级专业，同时视野很广。
也就是说，在一个领域是专才，但知识面又很广。我们特别看重“硬核”这个词。
这两年中国出现了很多 AI 人才培养的新学校和组织。比如你深度参与的北京中关村学院，上海也有创智学院，还有核桃，以及面向更年轻孩子的知春学院。
你怎么看这些新型学校和机构？它们在扮演什么样的角色？你们未来需要的人才，从这样的机构里能出来吗？
陆子恒
我觉得很有可能。其他机构我可能没有那么深度参与，但我在中关村学院也有这样的职位，参与组建团队和培养学生。
我看到的是，博士生第一天进来就进入项目，在做项目的过程中不断成长。有一点像 startup，最终朝着一个目标走，在这个过程中不断学习。
到今天这个时间节点，AI 是一个特别特殊的工具。举个例子，我最早做生成式模型的时候，怎么学的？一篇文献都没看过，一直在问 GPT 和 DeepSeek，不断追问：什么是 cross-entropy loss，什么是 Bayesian inference，各种各样的东西，原来我都不懂。
后来通过不断追问，把自己的一整套数理框架建立起来了。当然底层数学还是要自己掌握。
我觉得这可能就是一个新的时代，学习的方式也许会不一样。
9. AI时代重估人的能力
刚才我们也提到，今天模型已经拥有了那么多知识和智能，大家学习的方式、方法，甚至学习的目标都会发生变化。
你最近有没有一些思考？比如知识和能力。过去我们常说“学好数理化，走遍天下都不怕”，好像意味着我有了数理化知识，就等于拥有了非常强的能力。
但今天知识和能力正在解耦，那今天要怎么学、要学什么？
陆子恒
这个问题我真的没有答案，也特别迷茫。
之所以会提到这个问题，是因为我们之前聊天时也谈到过。过去在面试企业候选人，以及在中关村学院帮学院面试年轻老师的过程中，我们一直在想：我到底要面什么？应该问什么问题？
知识性问题，GPT 全都能答，而且知识面比我广。那问这些问题还有意义吗？能不能考出他过去的能力？
于是我们想到，还是要面试他解决某个新问题的能力。这个问题就是这样 emerge 出来的。
其实我们自己也不是特别清楚。但到今天，我们还是会问一些特别硬核领域里的知识性问题。为什么？因为至少在过去几年里，如果他能问出这些问题、答出这些问题，说明他还是学得会，这也是某种能力。
但未来的边界感确实会不一样。我也不知道，因为 AI 的辅助性特别强。以后每个人是不是都要学习做产品经理？这也取决于你怎么看这个事情。
首先，我觉得主动性还是很重要。当知识都在那里时，你是不是主动去用好它们，或者主动寻求模型的帮助？
历史上我们也有很多图书馆，也有百度和 Google。但历史上也不是每个人都能把这些资料、资源和智能用好。所以有主动性的人，肯定还是很强。
第二，我们可能看得更多的是创业者，所以我会觉得一个人身上的企业家精神很重要。这是非常软性的东西，比如有没有韧性、有没有领导力，是不是有很强的愿景，以及这个愿景带来的感染力。
还有大家都在讲的 taste，也就是审美。
陆子恒
对，taste 特别重要。不只是抽象意义上的美，做学术、做科研，其实背后也有审美。
还真是。你这一点让我觉得特别有意思。这样讲，taste，特别是做 research 的 taste，好像会变成最重要的东西。
陆子恒
还真是 taste。Taste 是一种选择，会折射在方方面面。
其实我之前面试所有人的时候，会提一个问题：假设给你无穷多的资源、一个非常大的团队，比如 10 亿元人民币的资金，随你怎么花，没有限制、没有审查，再给你 100 个人的团队，你想干什么？
我为什么问这个？因为这个问题能筛选出一个人有没有想过自己要做什么，有没有 vision。
这确实可能在这个时代比知识更重要一点。你自己已经有答案了吗？
陆子恒
我们肯定有这样的愿景，否则不可能跑出来创业。创业的压力还是很大的。
如果今天有一个新的 PhD，听完这期播客，觉得 AI for Materials 是一个特别好的方向，想投入这股浪潮，你会建议他从现在开始花比较多的时间学什么？
陆子恒
好问题。至少到今天为止，我觉得视野一定要广。
第一天就参与一个特别重大的课题，然后在课题里做最核心技术的最核心部分，也就是最硬核的部分。你可以做模型、做模型开发，但要做得很深，细节都要懂。
你也可以做合成。比如给我一个新的物质，我硬搓几个月，就是能把它搓出来。特别难合成的东西，我也能合出来，这也可以。
到今天还是这样的状态。至于读哪个专业，我觉得现在看来，每个专业只要足够硬核，都是可以的。
所以你看重的是挑战最难的事情，以及在挑战的过程中积累下来的东西。
陆子恒
对，其实这也是对人的能力的一种反馈。
我做的不是在每个地方都踏实一点，然后把它们组合优化；而是在一个点上锚定以后，把那个最核心、不可拆解的难题解决掉。
我们再聊一个问题。你会不会觉得，未来 5 年里，大家今天学到的某些能力，会变得非常不值钱？
陆子恒
Coding。
Coding？
陆子恒
Coding 会非常不值钱，以及模型设计。
这可能有点口出狂言，但我目前感觉，以后整个 AI 的设计范式也有可能发生变化。特别是现在 Agentic AI 出来以后，发展非常快。
Coding 以及设计 AI 的能力，可能都会慢慢被淘汰。
你之前提到，2023、2024 年的时候，GPT-3.5 或者同一阶段的模型，给了你们很大的信念感。
最近半年有没有什么新变化，让你觉得你们正在做的事情变得更有可能，或者会被加速？
陆子恒
这半年看到的，可能不只是我们这个领域 AI 模型的进化。我们自己也在做，确实越来越强，能力增加也不止一点。
但更多的是，整个 frontier AI 模型的发展。比如 Claude，尤其是 Opus 这样的模型，它的能力似乎对我们的影响非常大；还有 Open Cloud 这样的 Agentic system，对我们的影响也非常大。
现在我们公司给每个员工都配了 Claude，而且目前不设 token 上限。这会改变整个生产方式。
原来需要人去驱动的工作，以及由人驱动的搜索过程，很多都可以固化下来，交给这些系统去做。这对我们的影响蛮大的。
它可能不是专门针对材料的，而是对每一家公司、每一个人都会产生很大的影响。
假如今天我们的基础模型就停在这里了——当然不太可能，我们只是做一个假设——假设它停在这里，你觉得你们现在做的事情仍然可能成立吗？仍然有可能把想象中改变人类的材料做出来吗？
陆子恒
有可能。只是具体在什么时间节点做出来，确实不知道。
如果模型越强，我抽奖抽中的概率就越高。
我听下来，开物纪正在做的事情其实蛮明朗的，不管是目标还是路径，都比较清晰。
但这会不会带来另一个问题：它太共识了？太共识的事情做起来，最后反而可能没有那么一帆风顺。你怎么看？还是说这里面其实有一些我没有感知到的非共识？
陆子恒
其实我觉得这个行业还没有形成特别强的共识。
举个例子，AI for Materials 最终商业化的兑现，到底是在寻找原始的重磅化合物上实现商业价值，还是在后端工艺放大和优化上实现？后者同样可以加速很多事情，帮助大厂解决问题，也能挣很多钱。
这件事可能还不是完全的共识。
另外，在模型开发时，到底应该把主要精力放在哪种模型、获得什么样的能力上，好像也不是特别共识。这个行业还远远没有到形成共识的阶段。
听起来可能是我们的逻辑相对比较顺畅，所以最大的共识只是非常 high level 的共识：AI 对材料行业、化学行业一定会有巨大的帮助。
但具体是什么样的帮助、怎么样的商业模式、怎么样的技术路线，好像还没有特别明朗。
陆子恒
对。
刚才你也说了，有些非共识都在执行层面。你觉得这些非共识会收敛吗？
陆子恒
说实话，我也没有特别想清楚。
就像现在的语言模型，至少过去某一段时间基本收敛下来了，但现在可能又稍微有一点发散。材料行业什么时候会收束，我真的不知道。
材料这个行业太广了。材料是整个工业生产的底座，范围太宽，每一个方向都是巨大的市场，以及对应的巨大技术鸿沟。
所以大家 focus 的方向确实不确定。
据你所知，刚才提到的几家在美国做类似事情的创业公司，做法和你们有哪些相同、哪些不同？
陆子恒
美国这几家公司其实就那么几家：Periodic Labs、Project Prometheus、CuspAI、Orbital Materials。
它们有一些相似点。比如 Periodic Labs，可能更多是在使用语言模型类的 inference 能力，加上一些 mid-training，去做偏推理的模型研发，以及下游材料发现。
这和我们目前追求的路线不完全一致。
再比如 Project Prometheus，这个细节我不敢说完全准确，但他们团队的背景里有很多做流体、做控制的人，也有像我们这样做材料的人。他们具体在做什么，好像也还没有完全 converge。听说是要造火箭，但这件事我也不确定。
整体技术路线还是回到刚才说的：没有完全 converge。
美国现在形成了一个什么状态呢？一帮人才密度特别高、特别天才的人坐在一起，天天想我们要做什么、怎么样能挣钱、怎么样能有大的技术突破。可能挣钱对他们来说反而是后者。
刚才你提到，融了很大一笔钱之后，反而感到有些焦虑，觉得必须很努力把这件事做成，否则就是对行业不负责任。
陆子恒
对，因为大家对这个行业有极高的期许。我们做这家公司，也得承担起大家的期许，把这件事做好。
这确实是它带来的一些压力。
10. 折腾扩大运气面积
最后几个问题。刚才聊到了教育，假如今天你的弟弟告诉你，他要申请 PhD，你会建议他去读吗？还是建议他直接到工业界？
陆子恒
我会让他去读 PhD。
PhD 至少对个人发展来说，是一件特别好的事情。PhD 相当于有一个人给你一笔钱，不用还，让你去探索自己觉得有意思的事情。
天下除了 PhD，还有这么好的事情吗？这可能是人生中最好的一段时间：去探索各个领域，发现自己想做什么。
之前也有人问我，要不要读 PhD，是不是读完以后年纪太大、就业有困难。我说不要这么想。
PhD 是给你发工资，让你做自己觉得厉害的事情。没有那么好的事情了。你去大厂打工，那是需要回报的。
最后一个问题。现在是创业第一年，对吧？我们都知道，可能一眨眼就 10 年了，时间过得很快。
假如有机会对 10 年后的自己说一句话，不管是祝福、许愿，或者什么都可以，你想说什么？
这事儿开心吗？
陆子恒
嗯。
呀，还折腾得动吗？
陆子恒
这个问题我是真的觉得，那个时间节点，只要还能折腾，就会开心。肯定折腾得动，对吧？
过去几年里，我感受到自己其实挺能折腾的。本科时，我的目标是挣 3000 元月薪，娶个老婆，生个小孩，真的。
这 3000 元是怎么来的？
陆子恒
因为我算过。我爸妈在我读本科的时候，我的认知是，两三千块钱就能过得挺爽。那就是当时的目标。
后来快读博士的时候，又有机会出国，整个人又开始变化。到快读完博士时，我说不行，我要去当教授。学者这个事情能够为世界做贡献，整个人的状态又不一样了。
读完博士、当老师以后，又觉得不行，我要做产业化。那样的事情才真的能改变行业，才能真正落地，也能挣点钱。
再往后，我去了深圳。深圳对我的影响非常大，它把我从一个特别 research-oriented 的人，变成开始接触市场的人。市场力量真的很大。
我在 2018 年到 2020 年左右住了 3 年深圳。当时在中国科学院深圳先进技术研究院，有自己的 research 团队，做电池方向的研究以及一部分产业化工作。
深圳为什么会对你影响这么大？
陆子恒
深圳很有意思。整个深圳都非常有热情，它的运行逻辑是建立在一个经济 ecosystem 上的。
比如在中国科学院深圳先进技术研究院，你要过得好，就要自己去外面拿到经费。不管用什么方式都可以：你可以孵化一家企业，把企业做得很有钱，每年反哺研究院；也可以拿国家经费，或者拿横向经费，但必须能够反哺。
这个逻辑特别好，压力很大，但只有满足这个逻辑的，才是真正特别有意义的 research。
这件事对我的影响非常大。深圳当年有大量的人创业。
再往后，我得到一个机会去了剑桥。那时候明显也是在折腾。2021 年，我逆着疫情去了剑桥做 research。做完以后回来，拿了一圈教职 offer，最后都没去，而是去了微软研究院。
因为那个时候感觉，AI 来了，必须在大厂才能做事。
Turn out，折腾是没错的。现在又折腾到这里，折腾就还有希望。
包括现在看，很多大厂也在瞎折腾。但回过头来，瞎折腾也是好事。
我觉得瞎折腾是好事，因为只有折腾，才会扩大所谓运气的面积。
陆子恒
对，真的就是这样。
但你自己这么爱折腾的精神，或者说这种状态，有没有什么原点？比如来自教育，或者来自某种环境影响？你曾经总结过吗？
陆子恒
我也不知道自己怎么就变成现在这样了。
我觉得有一部分要感谢我的父母。他们对我特别好，我有一个特别好的家庭环境。小时候父母特别爱我，甚至有一点溺爱。
我跟我老婆讲的时候，她问：“你没有想过家吗？”我说，我这一辈子到处跑，英国、美国、香港、深圳，这么多年可能都没怎么想过家。
我原来以为是不是自己有什么问题，后来发现，是因为小时候被保护得很好，所以安全感非常强。
这个好有意思。安全感强的人不会想家，这个结论很有意思。
陆子恒
我真的不想家。有时候刚创业那两天可能还有一点点想家，但这么多年在海外、在各个地方漂，甚至睡过一些很奇怪的房子，也没有想过家，挺好的。
所以你觉得这其实来自安全感？
陆子恒
这是我的感觉。父母是我非常、非常强的后盾。
他们是做什么工作的？
陆子恒
大学老师。
谢谢子恒来到十字路口，也希望开物纪尽快做出牛逼的材料。
陆子恒
谢谢。
拜拜。
陆子恒
拜拜。