AI驱动科学新纪元：深度原理完成超亿元融资，加速化学材料智能化研发

“我们无需再追问AI能为科学带来什么，而是应该思考，当科学被AI赋能时，它将演化成何种全新的形态。”这一观点来自刚刚荣膺2025年诺贝尔化学奖的加州大学伯克利分校教授奥马尔·M·亚吉（Omar M. Yaghi），这也是他在获奖后首次公开演讲中阐述的核心思想。

这位从约旦难民家庭中走出的世界顶级科学家，被誉为“MOF之父”。他并未在演讲中过多回顾因发明金属有机框架（MOF）和共价有机框架（COF）而获得诺奖的科研历程，而是首次系统性地提出了一种全新的科研范式框架，旨在“让化学具备思考、推理和自我演化的能力”。

这种将科学从“人工试错”推向“自主智能”的思想，与近年来迅速崛起的AI for Science（科学智能，简称AI4S）的核心价值不谋而合。AI4S顾名思义，即运用人工智能技术加速科学研究进程。2024年诺贝尔化学奖就授予了这一领域的先驱。如今，AI4S已从实验室的尖端概念演变为产业界的热点，并开始受到资本市场的广泛关注。

总部位于杭州的深度原理（Deep Principle）公司，近日宣布完成超1亿元人民币融资。本轮融资由戈壁创投管理的阿里巴巴创业者基金大湾区基金与蚂蚁集团共同领投，这也是蚂蚁集团在AI for Science领域的首次出手布局。

麻省理工博士创业：用AI重塑化学材料发现

AI4S并非一个单一产品或传统学科，而是一种跨学科的新研究范式，正在数学、化学、材料科学、物理、生命科学乃至气候科学等领域引发深刻变革。

这类项目对创始团队的要求极高，需要同时具备深刻的科研洞察力、强大的工程化能力以及跨领域整合能力。因此，创业者大多来自顶尖科研机构，多为“科学家型创始人”，他们既精通学科前沿，又能将科研方法论工程化、规模化。

深度原理正是这类创业者的典型代表。公司名称本身就蕴含着技术愿景：将深度学习（Deep Learning）与第一性原理（First Principles）相结合，重新理解和模拟微观粒子的运行规律。

公司由两位麻省理工学院（MIT）博士联合创立：创始人兼CEO贾皓钧与联创兼CTO段辰儒均毕业于MIT化学相关领域。核心团队成员来自MIT、斯坦福、浙江大学、上海交通大学、复旦大学等顶尖高校，并拥有微软、Meta、陶氏化学、巴斯夫、京东、腾讯等头部机构的科研与产业经验。

创始人兼CEO贾皓钧拥有MIT物理化学博士学位，曾在化工巨头陶氏化学的核心研发部门从事新材料与催化剂研究。他从传统科研转向创业，致力于将人工智能与量子化学、高通量实验技术相结合，从根本上变革化学材料的研发流程。

创始人兼CTO段辰儒同样毕业于MIT化学博士项目，论文引用量超过3000次，曾担任Azure Quantum研究科学家，主导开发用于化学设计的人工智能生成算法。他在量子计算、分子生成模型等方向的研究积累，使深度原理在算法底层形成了稀缺的技术壁垒。

在这样的背景下，成立于2024年的深度原理，聚焦材料科学方向，定位为一家AI for Chemistry/Materials的科技创新公司。它将人工智能、量子化学与高通量实验深度融合，致力于加速材料创新的全流程。

成立不足一年，深度原理已凭借自研算法体系和产品化能力快速完成从0到1的落地。针对当前AI在材料领域面临的算法精度不足、效率低下、难以计算真实化学反应等瓶颈，深度原理自研了Reactive AI平台，试图突破现有算法在材料化学模拟上的能力边界。

成立一年即获超千万元商单：技术实力驱动商业价值

在材料化学领域，反应路径、过渡态结构、能量变化等底层要素往往是研究的核心卡点，它们直接决定了反应的速率和产物选择性。研究人员不仅需要精确观测物质的结构变化，还要准确计算各种环境数据。

以往科研界的尝试通常是“一步到位”，直接给出一个分子结构。但这种方式的问题在于，模型往往无法判断生成结果是否符合化学规律，更难以描述真实反应中连续而微妙的变化。

扩散生成模型（diffusion）最初用于图像处理，每个图像可视为由大量像素组成的矩阵，数学结构清晰，因此在理解科学结构、模拟实验数据方面具有独特优势。

深度原理首创的扩散生成模型系列——OA-ReactDiff、React-OT，正面切入这一痛点。它们不是直接生成最终结果，而是逐步还原结构，渐进逼近真实分布，更贴合化学和材料的演化路径。

这套模型被应用于材料的过渡态预测。传统软件往往需要数天甚至数周才能给出一个过渡态，而OA-ReactDiff首次实现在单个GPU上6秒完成过渡态结构预测，迭代版React-OT进一步将时间压缩至0.4秒，误差降低超过25%。这意味着实验室中最耗时的步骤被AI以“数千倍”的规模加速，科学家可以将更多时间投入理解和创新，而非等待计算完成。

深度原理开发的ReactiveAI平台及其六大模块

科学研究除了实验，还需要提出假设、设计研究方法，这一环节则通过大语言模型来强化。

深度原理主导研发的语言模型LLM-EO（Large Language Model for Evolutionary Optimization），科研人员可以直接用自然语言提出需求，比如“我想设计一种耐高温的材料”“我需要一种能提高导电率的结构”，模型便能基于这些目标生成新的分子候选，并筛选出高潜力结构。相关成果以封面论文形式发表于化学顶刊《Journal of the American Chemical Society》。

科研过程中使用的工具往往复杂，许多工程师或科研人员没有编程背景，习惯在Excel表格中操作。这时需要一个“中介”来调动一系列复杂工具、完成虚拟实验、给出结果甚至下一步建议。

基于这一需求，深度原理构建了“一横一纵”的产品体系：横向是打通整个研发链路的Agent Mira，纵向是贯通模型与物理实验室、让预测走向现实的AI Materials Factory。工程师只需明确需求，系统便能自动规划步骤、调用算法，并在自动化实验平台中完成验证，实现从模型到材料的完整闭环。

有了这套体系，过去一个团队一年可能只能完成几十个重要反应，现在则可以做到几万甚至几十万。

目前深度原理的客户覆盖营养日化、新材料、新能源等核心领域，已落地的头部客户包括杉海创新、欧莱雅、晶泰科技等；成立约一年已获超千万元人民币商业订单。

把主战场放在中国：产业与市场的双重优势

2024年，因蛋白质结构预测领域的突破，谷歌DeepMind CEO德米斯·哈萨比斯（Demis Hassabis）荣获诺贝尔化学奖。最近，他又抛出一句震撼言论：“通过AI，我们在一年内完成了10亿年的博士研究时间。”

图为谷歌DeepMind CEO 德米斯·哈萨比斯（Demis Hassabis）

这绝非夸张。以助他拿下诺奖的AlphaFold为例，根据诺贝尔奖官网介绍，其杰出贡献在于“解决了存在50年之久的难题，能够预测大约两亿种已知蛋白质的复杂结构，并被全球200多万人使用”。

官方科普文章还提到，在AlphaFold出现之前，研究人员在国际蛋白质结构预测竞赛（CASP）中最多只能达到40%的准确率，而借助AlphaFold，哈萨比斯的团队实现了60%的准确率。

AI介入科学研发最早的赛道是AIDD（AI药物研发），而材料领域更是创新的蓝海，美国资本市场已开始兑现这一判断。

2025年9月，一家致力于开发化学领域人工智能模型的初创公司CuspAI完成了约1亿美元的A轮融资，由NEA和新加坡主权基金淡马锡（Temasek）共同领投，英伟达旗下风险投资部门NVentures、三星风投（Samsung Ventures）、现代汽车集团等产业与科技巨头悉数入局。

此外，由前OpenAI和DeepMind研究人员联合创立的Periodic Labs也在相近时间宣布获得3亿美元融资，致力于用人工智能加速材料发现和设计。本轮融资由a16z主导，据称OpenAI也有望参与。目前公司估值已达到约15亿美元。

在中国，自成立以来，深度原理已完成数亿元人民币融资，投资阵容几乎覆盖国内外顶尖机构：线性资本、祥峰投资、高瓴创投、联想创投、联想之星、百度风投、真知创投、锦秋基金、启高资本、Taihill Venture等。在最近一轮融资中，蚂蚁集团更是首次下场投资AI4S赛道。

回顾深度原理的发展历程，贾皓钧曾在公开访谈中介绍，该项目最初从MIT孵化出来，早在2022年便萌生想法，得到了MIT社区的诸多支持与资源。但最终，团队决定将主战场放在中国。

他认为，中国制造是全球最强的，且将越来越强。如果能在前端做好科学发现和技术转化，那么后端的工业能力，叠加十几亿人口的市场——不仅是中国自身，还有周边东南亚、中东、非洲等地区——这个市场的体量是巨大的。

当下正在推进的AI for Science，本质上是用AI进行新的科学发现。这些发现最终都将走向工业应用，如材料、能源、化工等领域，最终都要落实到“怎么生产、怎么投产、怎么用”上。因此，将主战场放在国内，是一个很自然的决定。