“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

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。

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？

34 岁。

毕业院校？

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？

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。

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？

没有，0。

目前团队规模呢？

10 个人左右。

成立多久了？

去年 9 月注册的。

创业之前在做什么？

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？

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？

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。

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？

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？

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？

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？

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？

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？

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？

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？

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？

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。

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？

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？

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？

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？

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？

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？

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？

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？

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？

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？

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？

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？

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？

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？

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？

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？

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？

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？

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。

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？

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。

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？

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？

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？

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？

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？

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？

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？

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？

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。

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。

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？

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？

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。

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？

Coding。

Coding？

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？

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？

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？

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。

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？

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？

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。

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？

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？

嗯。

呀，还折腾得动吗？

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？

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？

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。

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？

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。

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？

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？

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。

谢谢。

拜拜。

拜拜。