人工智能驱动的新材料研发：发展现状、全球格局及未来展望

材料是人类认识自然、改造自然的物质媒介，是推动人类文明演进的物质密码。从石器时代迈向青铜器时代，再到铁器时代、工业时代，人类文明历史的每一次关键性跃升、都与“新材料”的发现、发明及应用密不可分。材料的创新从物质根基上推动生产力实现跨越式爆发，进而推动生产关系的变革与社会结构的深层重塑。如今，从信息处理与传递，到能源转换与存储，再到医疗健康、交通运输、国防军事和绿色可持续发展等方面，新材料技术几乎支撑着人类社会几乎所有领域的科技进步，新材料产业已经成为国家战略性、基础性产业，也成为全球技术竞争的关键领域之一。

“一代材料、一代技术、一代产业”，新材料的突破往往引领一整个产业的变革与发展，但一种新材料从概念提出到真正量产应用往往需要十年乃至二十年的时间。在全球科技竞争日趋激烈的今天，这种低效率模式已经难以为继。进入21世纪，随着高通量计算、材料基因组等技术的快速发展，新材料研发已经从传统“经验试错（实验驱动）”的研究范式，逐渐过渡到“计算模拟（计算驱动）” “大数据/基因组（数据驱动）”的研究范式，新材料的研发速度已经实现了大幅提升。然而，材料大数据具有空间多尺度（微观一介观一宏观）、时间多维度（制备-服役-失效）、高维数据关联非线性等特点，随着材料大数据的持续爆发增长、材料体系的复杂度日益提高，采用上述研发范式开发新材料面临着效率和质量逐渐不足的困境。

近年来，人工智能（AI）技术持续实现突破性演进，其在高维数据空间解析、非线性关联挖掘上展现出突出优势，为新材料研发注入革命性动力。随着计算能力的指数增长、多源材料数据（实验 模拟）、先进机器学习（Machine Learning，ML）算法的发展，Al与材料学（Materials Science and Engineering，MSE）不断融合。

当前，AI已从“辅助工具”升级为“核心引擎”，推动材料研发向智能驱动转型，最典型案例为2023年DeepMind发布的GNoME模型，在极短时间内预测出220万种新晶体结构，其中38万种具备热力学稳定性，相当于人类材料学家近800年的实验产出规模。

一、“人工智能 新材料”发展几何？

自2011年美国推出“材料基因组计划”（Materials Genome Initiative，MGI）以来，材料数据资源建设从零散探索转向系统性推进，全球范围内的新材料数据库建设驶入快车道。

“人工智能 新材料”，即人工智能驱动的新材料研发（Al for Materials Science and Engineering，Al4MSE），其核心技术体系由三大关键要素构成：其一为高质量数据资源，涵盖计算模拟、实验测试、文献知识等多元数据；其二为适配材料数据特性的机器学习算法，需针对材料数据高维、非线性、多尺度的特点定制；其三为贯穿材料全生命周期的ML赋能应用，覆盖设计、合成、表征和服役全链条。

高质量数据资源是AI4MSE的核心基础设施。尽管机器学习算法的选型对模型性能至关重要，但在Al4MSE研发场景中，更核心的挑战在于如何将零散的原始数据转化为适配模型的有效特征—这一步往往决定了模型能否真正挖掘材料的“结构-性能”关联。在实际机器学习项目中，研发团队通常会将60%～80%的时间与精力投入到数据准备中，而用于算法选型与调优的精力仅占整体研发精力的20%左右。

自2011年美国推出“材料基因组计划”（Materials Genome Initiative，MGI）以来，材料数据资源建设从零散探索转向系统性推进，全球范围内的新材料数据库建设驶入快车道。一是数据规模快速增长，例如国际知名计算材料数据库Materials Project于2023年新增15万种材料数据，计算精度提升40%；中国科学院物理所和松山湖材料实验室开发的Atomly数据库，数据规模从2020年的18万种材料扩展至2025年的35万种材料。二是实验数据与计算数据的融合与交叉验证，例如2024年无机晶体结构数据库（ICSD）与Materials Project数据库合作，实现数据双向同步与交叉验证；晶体结构数据库Paulingfile于2022年完成数据架构升级，支持高通量计算数据与实验数据的无缝融合。三是数据库建设与机器学习深度融合，例如2025年松山湖材料实验室MATCHAT平台基于大语言模型（LLM）与检索增强技术（RAG），融合28万余篇材料科学文献与35万种材料结构数据，构建“文献-数据-工具”三位一体的知识网络。四是数据标准与平台的统一，例如OPTIMADE（Open Databases Integration for Materials Design）成为材料数据库间数据交换的标准API，2024年V1.2.4版本已支持超过20家数据提供商，覆盖3000多万种材料结构。

机器学习算法是AI4MSE的智能驱动核心引擎。结合材料数据特性（高维、多尺度、强非线性）与应用场景（性能预测、结构设计、工艺优化），AI4MSE机器学习算法具体可分为三大体系。一是传统机器学习方法，适用于数据量中等、需物理可解释性的场景，主要包括决策树、随机森林、支持向量机、贝叶斯推理等。二是深度学习方法，其通过多层网络自动提取特征，适配材料的非欧几里得数据（晶体结构）、空间数据（微观图像）、时序数据（合成过程），主要包括卷积神经网络、图神经网络、循环神经网络和Transformer模型。三是新型的人工智能技术，包括生成式对抗网络、大语言模型、迁移学习和可解释AI等。

ML赋能应用是AI4MSE的价值落地载体。贯穿材料全生命周期的ML赋能应用并非简单覆盖“设计、合成、表征、服役”链条，而是以“数据-算法-实验”闭环为核心，赋能材料研发全流程：在“设计端”实现逆向设计；在“合成端”驱动自主实验；在“表征端”实现自动化分析；在“服役端”动态评估性能衰减，并将各环节反馈数据反哺数据资源池，形成“数据积累一算法迭代-应用优化”的持续进化闭环，最终缩短研发周期、降低试错成本。

机器学习正日益成为新材料研发的关键工具，其应用落地的速度非常迅猛。在加速材料筛选方面，2024年美国西北大学研究团队展示了如何利用机器学习加速计算材料的发现，通过高通量计算筛选，有效识别出具有潜力的新材料，解决了传统方法耗时过长的问题；在预测材料性能方面，2025年微软研究院联合清华大学发布一个名为BatLiNet的深度学习框架，能够跨越不同的老化条件准确预测电池寿命，为储能材料的评估提供了高效工具；在自主实验方面，2024年伊利诺伊大学厄巴纳-香槟分校研究人员开发出一个用于探索性合成化学的自主移动机器人平台，该平台能够自主进行实验操作和决策，极大地加速了化学反应的探索过程；在新材料逆设计方面，2025年微软研究院发布一款名为MatterGen的生成式Al工具，它突破了传统材料筛选方法的局限，能够在广阔的材料空间中高效探索，并根据特定应用需求设计出全新的稳定材料结构。

二、全球竞速，AI 新材料谁家将执牛耳？

随着AI4MSE展现出颠覆性潜力，全球主要科技强国纷纷将其提升至国家战略高度，通过出台专项政策、设立研发计划等方式，抢占这一未来科技与产业竞争的制高点。

美国通过持续的战略规划和资金投入，巩固其在AI与先进材料领域的领导地位。2024年10月，美国商务部发布一份意向通知，公开竞标利用人工智能开发新的可持续半导体材料和工艺，满足半导体行业的技术、经济和可持续目标，并能在5年内落实设计和被采用。为实现这一目标，美国商务部将提供1亿美元的资金，资助“基于人工智能的自主实验”（AI/AE）的产学合作项目。2025年7月，美国白宫发布《赢得竞争：美国人工智能行动计划》，拟通过国家科学基金会（NSF）、能源部（DOE）、商务部下属NIST及其他联邦合作伙伴，投资建设材料科学等领域的自动化、云端实验室，并通过国家科学技术委员会（NSTC）下属机器学习和人工智能小组委员会，针对AI模型训练中材料科学、化学和其他科学数据类型，提出最低数据质量标准的建议。

中国以“应用牵引 体系化突破”为导向，构建Al 新材料创新生态。2024年10月，工信部、财政部、国家数据局联合发布《新材料大数据中心总体建设方案》，构建“1 N”材料数据体系（1个主平台 N个资源节点），形成30个以上数据资源节点、30项以上材料大数据算法软件和工具、20种以上典型关键材料和产品的数据赋能应用示范。2025年8月，国务院正式印发《关于深入实施“人工智能 ”行动的意见》将“人工智能 科学技术”列为六大重点行动之首，明确提出要加速科学发现进程，率先建立基于AI的新型科研范式。此前，科技部已于2023年3月联合自然科学基金委启动“AlforScience”专项部署，系统性地支持AI在材料、化学等基础科学领域的应用。

欧盟政策聚焦“技术主权”，通过算力基建、数据共享与绿色材料导向，推动AI与新材料融合。2023年12月，欧盟委员会发布《科学中的人工智能》报告，主张量身定制欧洲研究区的人工智能政策，利用人工智能加速科学发现和促进创新。2025年4月，欧盟委员会发布《人工智能大陆行动计划》，致力于成为全球AI领导者。该计划通过五大核心领域推动AI发展：扩大AI计算基础设施、提升高质量数据获取、加速战略行业AI应用、强化AI人才培养、简化监管合规。此外，为加速推进AI应用、提高产业竞争力，欧盟计划出台《AI应用战略》，加强欧盟在先进制造、先进材料设计等关键工业部门的优势领导地位。

日韩聚焦优势产业突围，旨在巩固和扩大其在特定材料领域的全球优势地位。2025年3月，日本国会通过2025财年预算案，其中人工智能相关预算为1969亿日元，创下历史新高。其中，涉及AI 新材料的国家预算项目包括：“应用先进计算科学的新型功能材料合成及制造工艺开发项目”，“节能AI半导体及系统相关技术开发项目”，“为促进使用革新性零部件及材料的产品尽早实现商用提供创新支持”。早在2020年10月，为实现人工智能强国，韩国政府发布了《人工智能半导体产业发展战略》，围绕AI半导体产业提出了技术、人才、工业生态系统相关的创新战略。该战略提出2030年之前在AI半导体领域拥有20%全球市场份额、20家创新公司、3000名顶级工程师，发布50种满足特定需求的AI芯片，投入700亿韩元资助本土芯片制造商达成相关目标。

相比之下，美国在原创算法、基础模型和研发新范式上领先；中国在政策执行力、产业化速度和特定应用领域展现出强大竞争力；欧洲在数据基础设施标准化和区域合作上独具特色；而日本和韩国则在其优势产业关联材料方面深耕细作，力求在关键细分领域保持领先优势。全球围绕AI 新材料的战略博弈，正呈现竞争强度持续升级、博弈格局日趋复杂的方向演进。未来，围绕AI4MSE数据资源的争夺、算法算力的比拼和产业链控制力的博弈，将成为各国科技竞争的着力点。

三、AI4MSE商业落地加速，重塑产业格局

随着材料大数据的积累和机器学习算法的创新，AI4MSE正从实验室走向产业化，其商业落地显著加速，并开始深刻重塑新材料产业的研发模式、商业模式和竞争格局。

AI驱动的新材料创新，直接催生出一批新兴产业和商业模式。首先，一批专业化的AI4MSE初创公司涌现出来，这些公司通常由材料科学家、计算机专家联合创立，其商业模式是直接向终端用户（如化工、医药、能源企业）提供新材料设计方案或授权特定材料知识产权。例如，美国的Citrinelnformatics、Kebotix等公司已建立起成熟的材料信息学平台，与多家世界500强企业合作。在中国，同样涌现出一批极具创新活力的AI4MSE初创企业，它们在不同细分领域推动着产业变革：

例如，我国首个材料基因组高通量计算平台MatCloud 集成了材料计算、数据管理、高通量筛选和AI技术，构建了“计算、数据、AI、实验”四位一体的数字化解决方案，使用户无编程基础即可开展材料结构设计、性能预测和配方筛选，大幅降低材料计算门槛。深势科技（DPTechnology）的微尺度工业设计与仿真平台能够将分子动力学模拟效率提升数个数量级，大幅缩短了新材料（如电池电解液）和药物分子的研发周期等。AI辅助研发方面，一些AI4MSE平台利用大模型进行文献解析与知识探索，能够在极少的实验采样下快速找到多目标的最优解，如幻量科技(DeepVerse）的MatCopilot智能研发平台等。特定材料方面，AI4MSE正在变革传统开发具有特定性能（如高强、耐腐蚀）的新型铝合金、高温合金等金属材料，以及新分子和化学反应的模式，其中创材深造（Deepmaterial）的金属材料全流程AI驱动平台、深度原理(DeepPrinciple）的ReactiveA化学材料平台等成果显著，为高端制造、新能源和医药等领域提供了强大的研发引擎。

其次，传统材料巨头积极转型，纷纷设立数字化研发部门或引入A技术，以优化产品性能、缩短开发周期。例如，美国的杜邦（DuPont）利用AI加速其在先进电路材料、Kevlar等领域的创新，通过Al优化高频高速材料配方，以满足AI服务器和5G通信的严苛要求；3M公司则推出了“数字材料中心”（Digital Materials Hub），为工程师提供经过验证的材料数据和仿真模型，加速胶带、粘合剂等产品的设计与迭代。在中国，宝武集团发布了钢铁行业大模型xInPlat，覆盖研发、生产、运营等关键环节，将研发效率提升了30%；万华化学推出了“万华材料智能助手”，该系统基于材料大模型，不仅能为客户提供产品咨询和技术支持，还能通过AI算法推荐催化剂分子结构，赋能内部研发；中国石化则计划利用AI优化从地震数据处理、油藏开发到化学产品研发与客户服务的全链条。这些举措旨在应对来自创新型初创公司的挑战。

最后，CRO模式向材料领域延伸，类似于医药研发外包（Contract Research Organization,CRO），出现了“材料研发即服务”（R&D as a Service）的新模式。这类服务商通过提供集成了AI算法、数据管理和自动化实验能力的平台，使缺乏自建AI团队能力的企业也能以较低成本享受AI带来的效率提升。例如，美国的Uncountable和NobleAI等公司提供基于AI的材料研发SaaS平台，帮助客户加速配方优化和产品开发。在中国，幻量科技等企业也提供类似的AI驱动研发服务，通过其MatCopilot平台帮助客户在电池、化工等领域显著减少实验次数、降低研发成本。

更引人注目的是，AI4MSE有望重塑产业格局，改变新材料企业的未来竞争态势。

一是价值链将会重构，产业的价值链正从“生产制造”向“设计服务”延伸。未来，最具价值的可能不是大规模生产材料的工厂，而是拥有高效材料设计算法、核心材料数据库和强大知识产权组合的“材料设计公司”“算法 数据”将成为新的核心资产。

二是竞争范式将会发生转变，竞争从单一的材料产品竞争转向材料研发体系效率的竞争。一个集成了高质量数据、先进算法和自动化实验能力的“智能研发平台”，其本身就成为企业最深的护城河。能够最快实现“设计-合成-表征”闭环迭代的企业，将在市场竞争中占据绝对主动。

三是研发门槛与速度将发生重大变化，AI将大幅降低在庞大材料结构中大海捞针式筛选的成本，使得小型团队也有可能发现具有巨大潜力的新材料，挑战了传统上由大型企业依靠庞大实验室和试错投入建立的壁垒。但在部分新材料领域，材料数据往往被科技巨头所掌握并垄断，未来科技巨头与初创企业的实力差距反而会更加显著。

四、未来展望：挑战与机遇共存

新材料的突破往往带动下游产业的升级，例如新型半导体材料可催生新一代电子产业，新型生物材料可推动医疗健康产业创新。可以预见的是，AI驱动的新材料革命有望成为未来经济繁荣的重要引擎。

AI4MSE的发展无疑将孕育众多新兴产业和商业模式，成为未来经济的新增长点。一方面，新材料本身就是战略性产业，AI将使其市场规模进一步扩大。另一方面，围绕AI 材料将诞生一批服务型产业，如材料数据服务、AI仿真软件、材料基因组咨询等。这些产业具有高附加值和知识密集型的特点，将创造大量高端就业机会。更重要的是，新材料的突破往往带动下游产业的升级突破，例如新型半导体材料可催生新一代电子产业，新型生物材料可推动医疗健康产业创新。可以预见的是，AI驱动的新材料革命有望成为未来经济繁荣的重要引擎。

尽管前景广阔，AI4MSE的发展仍面临诸多挑战：

首先是数据瓶颈，高质量、标准化的材料数据是Al模型的“燃料”，但目前数据仍存在获取成本高、多源异构、分布零散等问题，尤其是在特定工艺和服役性能数据方面缺口巨大。

其次是模型的可解释性，当前的深度学习模型多为“黑箱”，其预测结果难以与物理化学原理直接关联，这限制了其在高可靠性和安全性领域的应用。

再次是跨尺度建模的复杂性，材料性能由从原子到宏观的多个尺度共同决定，如何构建能够有效融合多尺度信息的AI模型仍是前沿难题。

最后是成本因素，虽然AI能降低试错成本，但构建和维护大规模算力设施、自动化实验平台以及专业人才团队的前期投入依然高昂。

人工智能驱动的新材料研发正引领材料科学进入一个前所未有的“智能设计”时代。全球格局呈现出中美领跑、多强竞逐的态势，商业落地已进入加速期，并开始深刻重塑产业的价值链与竞争范式。尽管前路仍有数据孤岛、模型黑箱、多尺度融合等重大挑战，但通过学术界、产业界和政府的协同创新，持续推动“数据-算法-算力-实验的深度融合与闭环迭代，AI4MSE必将极大释放材料创新的潜力，为新一轮科技革命和产业变革奠定坚实的物质根基，最终深刻影响人类社会的未来图景。

此文刊载于《环球财经》2025年10月号（总第299期）

李云哲上海埃米三江新材料科技有限公司 宫学源北京镓创科技有限公司