“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

概览

本期对谈围绕“AI 如何发明新材料”展开，嘉宾陆子恒介绍了开物纪的目标：用 AI 发现、验证并推动新材料从实验室走向量产和商业化。团队刚完成大额早期融资，目前约 10 人，尚无收入和利润。

讨论的核心不是把 AI 当成单纯的筛选工具，而是把模型、材料科学、实验验证和商业化管线连在一起。陆子恒认为，AI 在材料行业最大的价值可能出现在“原始重磅化合物/IP”的发现环节，但真正做成还需要老法师经验、实验反馈、放量能力和商业判断。

后半段转向组织、人才和教育。陆子恒强调硬核专长、宽视野、主动性、审美和愿景的重要性，也谈到 PhD、AI 时代的学习方式，以及自己从科研、产业化、大厂研究院到创业的“折腾”路径。

分段落总结

[00:00] 开场与公司背景

[事实] 嘉宾是开物纪创始人陆子恒，开物纪做 AI for Science 中的 AI for Material，即用 AI 发现和验证新材料，并推动其走向量产和应用。
[事实] 公司刚完成数亿元天使加轮融资，投资方包括多家基金；目前团队约 10 人，收入和利润为 0。
[事实] 陆子恒本科毕业于南京理工大学，博士毕业于香港科技大学，创业前在微软研究院做 AI for Science，也参与北京中关村学院物质方向建设。

[02:07] 投资人为什么投 AI 新材料

[事实] 陆子恒认为投资逻辑在于模型能力近几年显著提升，使未来几年有机会发现能推动产业跃迁甚至改变文明的新材料。
[事实] 他也认可投资人是在投团队，但更底层的判断是材料发现可能进入新的时间节点。
[推测] 这类融资更像押注“AI 能否打开材料发现的新范式”，而不是押注一家已有商业收入的成熟公司。

[02:54] 用 AI 发明材料到底是在做什么

[事实] 陆子恒用“往白纸上放原子”解释材料发现：材料本质上是一组原子结构，但它必须能量不高、可合成、有目标性质，并能进一步制造和商业化。
[事实] 他举了单晶硅、固态电池材料等例子，说明一个材料 IP 可能带动整个产业。
[事实] 目前已有 AI 发现材料的案例，但他认为多数还偏科学意义，尚未产生足够大的行业变革和商业价值。

[06:42] 材料研发的两段式与开物纪的定位

[事实] 陆子恒把材料研发分为两段：第一段是原始化合物或原始 IP 的发现，第二段是工艺放量和销售变现。
[事实] 他认为商业化公司通常更强在第二段，而特别聚焦原始重磅 IP 发现的商业组织相对少。
[事实] 他提到重磅材料 IP 往往集中在少数特别强的人身上，开物纪希望用 AI 培养出“一堆 Goodenough”式能力。

[08:10] 重点方向：赚钱与证明能力

[事实] 开物纪关注两类目标：一类是能赚钱、能导入产业的材料，另一类是短期未必赚钱但可能代表人类文明前沿的材料。
[事实] 陆子恒提到能源方向、超导、核聚变第一壁材料，以及高附加值、被卡脖子的化工材料都在关注范围内。
[事实] 他强调真正能赚钱的具体方向不能直接透露。

[10:40] 大材料公司往往从单品起步

[事实] 陆子恒认为很多大型材料公司最初都是靠一个单品或一个品类起家，之后才扩展成多品类公司。
[事实] 主持人提到杜邦材料案例，陆子恒将其归入“大单品突然爆发”的类型。
[推测] 开物纪的商业想象更接近先找到一个足够大的材料单品，再由此延展平台能力。

[12:07] 类比 Flagship Pioneering：材料管线公司

[事实] 陆子恒提到 Flagship Pioneering 通过孵化药物管线形成公司，Moderna 是其中知名案例。
[事实] 他希望在材料领域也可能形成类似模式：多个材料管线最终长成顶天立地的公司。
[事实] 对于交付形式，他认为还在边走边看，但目前更倾向于从头走到尾，必要时自己去卖材料。

[13:21] 为什么不先卖工具和模型

[事实] 陆子恒用“能挖出金子的铲子”比喻 AI 模型：如果这把铲子真能挖金子，他不会先把铲子给别人用，而会先自己挖。
[事实] 他认为行业需要有人从头打到尾，证明 AI 材料发现真的有用，之后才可能做平台型企业。
[推测] 开物纪当前更像重资产验证型路线，而不是纯 SaaS、纯模型或纯工具公司。

[14:10] 创业触发点与模型能力跃迁

[事实] 陆子恒说，过去两三年团队主要研发模型，同时也用模型做材料设计，并真的拿到了两三个可触摸的材料结果。
[事实] MatterSim 的一次测试让团队看到模型在未针对特定性质训练的情况下，能预测如 phonon、比热容等物理性质，并超过很多专门模型。
[事实] 这让团队相信通过 scaling 模型和数据，材料领域也可能获得很强的泛化能力。

[17:48] MatterGen、Diffusion 与可扩展模型

[事实] 陆子恒澄清，Nature 相关工作更多是在用生成模型做材料生成，而不只是直接讨论材料模型的 scaling law。
[事实] 他认为早期 VAE 等架构也能工作，但不够 scalable；Diffusion 模型受到 DALL·E 等进展启发，更适合吃进大量数据并获得更好效果。
[推测] 在开物纪的技术判断中，能否 scale 是决定材料生成模型上限的关键因素之一。

[19:33] 差异化来自模型认知和跨学科文化

[事实] 陆子恒认为现在行业还不到激烈竞争阶段，最重要的是有人先用 AI 做出突破性材料并商业化，让整个行业受益。
[事实] 差异化来自两层认知：什么模型能真正驱动重磅材料发现，以及模型能力边界在具体材料领域中意味着什么商业价值。
[事实] 他强调做模型、做统计物理 simulation、做实验的“老法师”必须天天在一起，而不是靠两个团队远程协作。

[21:57] 一个材料管线从需求到验证的流程

[事实] 陆子恒用锂电池负极材料作虚构案例：先从商业需求出发，定义容量、功率密度、电压等目标，再用模型生成或筛选候选化合物。
[事实] 候选结果不会只靠 AI 自动决定，还要由实验经验丰富的人逐个判断哪些可以马上下实验室。
[事实] 如果克级验证效果好，再做到公斤级，交给潜在使用方在线上试用，根据反馈决定自己放量或让别人放量。

[23:51] AI 最关键的作用在前端发现

[事实] 陆子恒认为 AI 在最前端发现颠覆性重磅 IP 的环节价值最大。
[事实] 实际做法不是一次命中，而是生成模型、数据库搜索和预测模型并行，形成候选队列并快速筛选。
[事实] 当前生成路线更多基于 graph diffusion，而不是文本式 sequence；训练数据来自人类已合成和团队认为可能被合成的材料结构。

[26:12] 里程碑：自由能工具与商业管线

[事实] 陆子恒把里程碑分为两类：一类是推动材料科学的工具进展，另一类是管线中真正改变世界或商业生态的材料。
[事实] 他希望未来一两年打穿“物质自由能”，即在较广材料空间内准确推断材料热力学上能否合成，从而替代很大一部分实验。
[事实] 对于什么时候做出改变世界的材料，他表示团队自己也不确定。

[27:47] 研究驱动公司如何承受商业目标

[事实] 陆子恒认为世界级 research 很有意思，探索新的商业模式也极其令人兴奋，关键是能否用 fundamental 技术突破驱动商业。
[事实] 他认为商业反馈会反过来更好地推动技术，类似 AI、核聚变、超导量子计算等领域受到资本和商业诉求推动后进展加快。
[事实] 但他也承认这会带来巨大压力。

[29:46] 融资主要花在哪里

[事实] 陆子恒说当前最贵的是算力和 AI 人才，算力一年可能要烧几千万，AI 人才也明显更贵。
[事实] 材料实验室在公斤级以前相对没那么贵，大几百万可以做很多事；真正贵的是后端上产能，可能上亿。
[事实] 算力贵不是因为使用模型，而是因为要持续训练模型，工具能力还没达到他们希望的里程碑。

[31:37] 组织文化与人才画像

[事实] 陆子恒希望组织中成员有共同 belief，愿意一起做技术上伟大、同时能创造巨大商业价值的事情。
[事实] 公司希望吸引对底层技术有信仰、相信未来几年会有大变化的人，包括化学实验经验丰富的人。
[事实] 他并不追求每个领域都懂一点的人，而是希望人在一个 domain 里特别硬核，同时视野很广。

[33:43] 新型 AI 学院与学习方式变化

[事实] 陆子恒认为北京中关村学院等新型机构有可能培养出有价值的人才，他观察到博士生第一天就进入项目，在项目中成长。
[事实] 他提到自己学习生成式模型时主要通过不断向 GPT 和 DeepSeek 提问，逐步建立数学和模型框架。
[推测] 他认为 AI 正在改变学习路径，项目制和主动追问可能比传统按部就班读文献更适合部分前沿领域。

[35:30] AI 时代知识、能力与面试标准

[事实] 陆子恒说自己对未来该学什么没有明确答案，但在面试中会困惑：知识性问题 GPT 都能回答，是否还值得考。
[事实] 他目前仍会问硬核 domain 知识，因为过去几年能学会这些内容本身也说明学习能力。
[事实] 主持人提出主动性、企业家精神、韧性、领导力、愿景感染力和 taste 很重要，陆子恒认同 research 也有 taste。

[39:05] 给新 PhD 的建议与会贬值的能力

[事实] 陆子恒建议想进入 AI for Material 的 PhD 视野要广，最好第一天就参与重大课题，并在其中做最核心、最硬核的部分。
[事实] 他认为模型开发和材料合成都可以，只要足够深入、能解决不可拆解的核心难题。
[事实] 他判断未来五年 coding 和模型 design 可能会变得不值钱，因为 AI 的设计方式可能被新系统快速改变。

[41:14] 前沿 AI 对公司生产方式的影响

[事实] 陆子恒说最近半年更大的影响来自 Claude、Opus 等 frontier 模型和 agentic system，而不是单独的材料 domain 模型。
[事实] 开物纪给每个员工配备 Claude，并且目前不设 token 上限，以改变生产方式。
[事实] 即使基础模型停在当前水平，他认为开物纪的事情仍可能成立，但模型越强，“抽奖抽到”的概率越高。

[43:03] 行业还远未形成共识

[事实] 陆子恒认为 AI 材料行业只有高层共识：这个方向重要，AI 一定会帮助材料和化学行业。
[事实] 但具体商业价值来自前端重磅化合物发现，还是后端工艺放大优化，并没有形成共识。
[事实] 模型应该重点获得什么能力、技术战怎么打，也还没有收敛。

[44:46] 海外同行与行业压力

[事实] 陆子恒提到 Periodic Labs、Prometheus、Cusp AI、Orbital Materials 等海外公司，并认为它们路线并未完全 converged。
[事实] 他观察到美国有一批高人才密度团队在思考做什么、如何实现技术突破和商业价值。
[事实] 融了大钱后，他感到焦虑，认为如果做不成，是对行业不负责任，因为大家对这个行业期望很高。

[46:36] PhD、十年后的自己与个人折腾史

[事实] 陆子恒会建议年轻人读 PhD，因为 PhD 是有人发工资让你探索自己觉得有意思的事。
[事实] 他给十年后的自己留下的问题是：“开心吗？还折腾得动吗？”
[事实] 他回顾自己从本科时只想月薪三千，到想当教授、做产业化、去深圳、剑桥、微软，再到创业，认为折腾能扩大“运气的面积”。

[51:00] 安全感与家庭影响

[事实] 陆子恒说自己也不知道为什么变得爱折腾，但非常感谢父母给了他很强的安全感。
[事实] 他提到自己多年在英国、美国、香港、深圳等地漂泊，很少想家，后来认为是小时候被保护得很好。
[事实] 他的父母是化学老师。

播客点评/总结

这期的价值在于把“AI 发明新材料”从口号拆成了可理解的链条：模型能力、候选生成、专家判断、实验验证、公斤级放大、客户试用和产能建设。它尤其适合想理解 AI for Science 商业化难点的人。

亮点是嘉宾没有把 AI 描述成万能工具，而是反复强调材料行业的复杂性：模型只是前端发现的关键杠杆，后面仍需要实验、工艺、产业导入和商业判断。关于“先自己挖金子，而不是先卖铲子”的表述，也清楚解释了开物纪为什么不走纯工具平台路线。

局限在于很多真正可商业化的具体方向无法展开，核心管线也只能用虚构案例解释，因此听众很难评估开物纪当前实际项目的进度和成功概率。[推测] 这既是商业保密需要，也反映出 AI 新材料仍处在早期验证阶段。

[推测] 本期适合 AI 创业者、硬科技投资人、材料或化学背景学生，以及关心科研商业化的人；如果只想听已经落地的商业案例，可能会觉得讨论仍偏早期和方法论。