客户催着注册公司，“90后”教授3个月融资超亿元
■本报记者 高雅丽
今年8月，苏州材科源图科技有限公司（以下简称材科源图）宣布，近三个月内连续完成两轮超亿元融资。此时，距离这家公司注册成立，刚过去一年多时间。
一家创业公司，为何频获资本的青睐？材科源图交出了一份已经落地的“成绩单”：发布全球首个有机高分子材料研发应用智能体，拿到行业龙头百万级订单，解决困扰产业十余年的技术难题……这家扎根苏州工业园区的公司，正在“人工智能（AI）+新材料”这一前沿交叉赛道跑出加速度。
材科源图创始人、首席科学家李昊是一名“90后”，他既是日本东北大学终身卓越教授，也是一名创业者。如今，他正带领团队试图打破新材料行业“靠经验试错、靠运气突破”的传统研发范式，用闭环智能研发体系重构材料创新的底层逻辑。
被客户“催”出来的公司
令人想不到的是，材科源图的第一笔订单在公司注册前就已经谈成。
2024年底，李昊萌生创业想法。此前，他一直从事“AI+新材料”的研究，深刻感受到高校擅长拓展知识边界、完成“从0到1”的基础创新，但大量产业端亟待解决的现实难题需要把研究成果推进到“从10到100，甚至1000”的产业化阶段。
2025年3月，一家世界500强龙头企业带着困扰多年的材料研发需求，经引荐对方找到了李昊团队。双方一谈便高度契合，很快敲定合作方案。
不过，问题很快随之而来。李昊的团队当时还没有注册公司，难以完成正式签约。
“某种意义上，是客户催着我们把公司注册落地。”李昊回忆道。2025年4月底，材科源图正式注册成立。这笔来自行业龙头企业的订单，也成为公司第一笔百万级订单。
这家被客户“催”出来的公司，起点并不低。
公司创始人兼首席科学家李昊是日本高校史上最年轻的终身正教授之一，他致力于用人工智能赋能科学研究；首席执行官李利民是计算机相关方向的博士，曾有过一段成功的创业经历，具备丰富的产业运营与商业化经验；首席技术官马飘是李昊博士期间的室友，两人相识十多年，主攻计算化学与算法研发。
三人曾闭门长谈一整天，谈到了行业存在的一些乱象。例如，有些企业打着“AI+新材料”的旗号，仅仅投喂文献摘要就包装出“材料大模型”，输出看似流畅、实则脱离现实的结论，造成“AI一本正经地胡说八道”的现象。
“AI与新材料产业结合，不是靠单一技术或单一学科就能完成的事情。我们在学术赛道已经取得一些成绩，有责任把商业赛道也做起来。”李昊表示，这是创始团队共同的初心。
教授创业常常伴随着外界的质疑：能不能做好企业？在李昊看来，二者底层方法论是相通的，核心在于打造商业闭环。不过，他也清醒地意识到，教授创业容易陷入团队短板：全员都是技术背景，缺少商务运营人才。
因此，材科源图从一开始就搭建起互补的团队，补齐商业化、工程化短板，争取避开学者创业常见的陷阱。
为何要收录失败的实验数据
在“AI+新材料”这条赛道上，大家都在做数据库。但在材科源图的数据库里，刻意收录了大量失败实验数据。
“文献和专利中，收录的往往都是好的实验结果。大家从来不报道失败的实验。失败的数据能告诉AI两件事：一是这类材料能否被合成，二是它的性能边界在哪里。”这个判断来自李昊在实验室里的真实经历。
李昊告诉记者，真实高分子材料性能，不单单由分子结构决定，分子量、共聚比例、添加剂、加工温度、模制条件……上千个变量相互纠缠。企业研发需求也并非全部从零发明新材料，更多是在现有体系上改良性能、降低成本、替换受限原料，或是把分散的历史实验数据变成企业可复用的研发资产。
因此，李昊团队在百余个材料体系中实践了“数据—AI模型—物理模型—实验—反馈—迭代”的闭环路线，自主研发出超过250个材料预测物理模型，覆盖催化、储能、半导体等重点材料领域。这些物理模型将热力学、动力学、稳定性等物理化学约束嵌入AI预测过程，让AI的预测不再“天马行空”。
“预测模型不是给出候选材料就结束，而是回答为什么要做、怎么做、测什么，下一步如何调整。”李昊解释，这套体系有望为科研人员找到最值得动手操作的那一组实验。
这套体系的方法论已经过市场的检验。和龙头企业合作的百万级订单中，面对困扰企业十余年的催化难题，团队没有重复传统海量试错，而是依靠闭环研发思路，整合历史数据，提出候选方案。经过实验验证迭代，团队仅用不到两个月，便交出性能显著提升的新材料方案，目前正在加快进入中试阶段。
借助AI打造“材料银行”
今年6月，材科源图发布了全球首个有机高分子材料研发应用智能体。该系统融合材料知识图谱、多模态数据理解、大模型推理与领域机理模型，构建覆盖“设计—预测—优化—决策”的全流程智能研发体系。
该系统的首个验证场景选择了光刻胶，这是有机高分子材料中技术壁垒最高、研发难度最大的典型代表。据介绍，系统已完成在ArF光刻胶研发场景中的实测验证，实现从树脂设计、配方筛选到性能预测的全流程支持。
如今，李昊团队正加速推动智能体向更高难度的极紫外光刻（EUV）先进制程光刻胶体系延伸，同时将平台能力拓展至功能涂料、改性塑料、高性能树脂等更广泛的有机高分子领域。
创业之初，李昊团队前后接触近50家投资机构，也收到投资人不同的声音。李昊表示，最初团队设想以SaaS软件服务作为商业模式，但投资人点出其中矛盾：如果AI智能体能真正为客户创造千百万级产业价值，却仅收取低廉的词元（token）服务费，价值和收益将严重错配。
“在与产业方、资本方反复碰撞打磨后，我们确立打造‘材料银行’的路线。”李昊说。“材料银行”的思路是，通过轻资产的定制研发服务积累数据与材料，再转向重资产自建产线销售材料。如果有企业需要某类特定性能的材料，可以从材科源图的“材料银行”中寻找匹配的成熟方案。
即便技术实现突破，“AI+新材料”赛道依旧要面对现实课题：产业认知的两极分化。
在和大量企业对接的过程中，李昊观察到两种现象：一部分研发团队依旧把AI简单等同于文献检索、报告生成工具，低估AI重构研发流程的力量，对AI赋能持怀疑态度；另一部分企业陷入“AI新手膨胀期”，以为接入通用大模型，上传企业内部资料，就能自动产出新材料，忽略材料研发必须的机理约束与实验验证。
“这两种状态，都不利于AI技术真正落地。”李昊坦言，行业还需要认清AI的能力边界，比如哪些问题当下可以解决，哪些问题需要数据积累，哪些问题暂时还无法解决。
放眼未来3～5年，李昊认为，AI赋能新材料正处在爆发前夕。以固态电池电解质为例，人类几十年研究仅仅探索了不到8%的组分空间。依靠传统人工试错走完剩余92%，乐观估计需要五六十年，而AI有机会把这个周期大幅压缩。
李昊判断，在无机能源材料领域，已经接近甚至迎来属于材料研发的“AlphaGo时刻”：AI能够大规模筛选、发现一批经过实验验证的高性能新材料，给能源、半导体、化工产业带来革命性改变。
不过，这份变革不能靠概念与故事，必须一步一步踩实。站在科研与产业交界点，李昊希望科研人员和企业理性看待AI，既不盲目迷信，也不完全排斥，把AI、机理模型、真实实验结合在一起，共同推动中国新材料产业加速突围。