一场从“试错十年”到“算力换时间”的隐秘竞赛
固态电池企业的电芯设计师面对一个老问题：界面阻抗、应力积累、离子传输不均，任何一个参数失配，都意味着下一轮实验要重新排队、重新烧钱。传统电化学仿真不是不能算，而是算得太慢、太粗，均质假设把材料内部的不均匀性抹平，等仿真结果出来，实验窗口已经错过。更上游的材料筛选更残酷，一个配方从实验室发现到产品化落地往往需要数十年，研发成本高昂且机理不透明。
索格智算（上海）科技有限公司想把这个循环拆开。它给出的方案不是再建一个更贵的实验室，而是从原子尺度的算法层切入：让模型在傅里叶空间直接学习远距离原子关联，让万核并行效率从20%—30%提升到95%以上，再把计算结果推到电芯级多物理场仿真。据公司披露，在某固态电池企业的电芯设计过程中，团队利用R2DPack开展电芯级多物理场仿真，将材料参数、界面特性与电芯结构进行耦合，实现对电芯性能的快速预测与设计优化，并在主流车载芯片同等算力条件下实现毫秒级响应。这一说法目前来自公司单方面披露，未见独立第三方测试报告公开。
这家成立仅一年的公司近期完成了数千万元人民币天使轮融资。领投方为复星创富，南通产控思源人工智能先导基金、云启资本、中赢创投跟投，紫竹科投等老股东追加投资。对一家把“原创算法”当作核心壁垒的AI for Materials公司来说，这笔钱的第一任务不是扩张，而是把算法优势压进一条可复用的材料设计自动化管线。
| 字段 | 内容 |
|---|---|
| 公司 | 索格智算（上海）科技有限公司 |
| 轮次 | 天使轮 |
| 金额 | 数千万元人民币（具体金额未披露） |
| 投资方 | 复星创富领投；南通产控思源人工智能先导基金、云启资本、中赢创投跟投；紫竹科投等老股东追加投资 |
| 总部 | 上海 |
| 创始人 | 徐振礼 |
| 官网 | https://www.sog-aitech.com/ |
三个算法，撑起一个“数据—模型—仿真—实验”闭环
索格智算的产品矩阵围绕三个算法展开：SOGNet原子大模型、随机分批算法、R2D多场耦合模型。创始人、首席科学家徐振礼对36氪表示：“我们的核心壁垒是原创算法。SOGNet解决长程相互作用势函数瓶颈，随机分批算法突破微尺度计算扩展性瓶颈，R2D多场耦合模型实现高保真计算。”他又补充：“这三个算法不是简单的工程优化，而是从底层数学出发的原创突破。”
SOGNet的切入点是原子间长程相互作用。传统机器学习势函数依赖“消息传递”机制，一层层传递近邻信息，算得慢、成本高，而且换一个材料体系往往需要重新训练。据公司披露，SOGNet能在傅里叶空间直接学习远距离原子关联，自适应学习不同距离的衰减特征。相关研究发表于Phys. Rev. Lett.（2025），并获编辑推荐。这是目前公开材料中唯一有独立学术发表背书的算法成果，但论文发表与工业级软件产品之间仍有相当距离。
随机分批算法解决的是并行效率问题。据公司披露，传统算法万核并行效率只有20%—30%，随机分批算法能做到95%以上，计算速度提升数十至百倍。该工作获上海市自然科学一等奖。云启资本在投资声明中给出了一个更具体的参照：过去需要国家级超算才能完成的材料模拟，现在在十几张通用GPU的集群上就能高效运行。这一说法来自投资方，尚未有第三方基准测试公开验证。
R2D多场耦合模型则瞄准电化学仿真的“失真”问题。传统电化学建模依赖均质假设，R2D模型据公司披露突破了这一框架，能够捕捉电池材料在充放电循环中的多物理场耦合演化过程，包括离子传输、界面反应、应力演化与失效机制。从已披露的固态电池电芯设计案例看，这意味着模型输出可以从材料参数一路贯通到电芯结构层面；但该案例中的具体误差范围、与实验数据的对标结果均未披露，因此结论边界是：技术路径清晰，量化验证不足。
锂电垂域模型用359个构型微调，但“超过通用模型”仍需独立复现
SOGNET-Battery是索格智算面向锂电领域的核心产品。据公司披露，在六类锂电材料上，SOGNET-Battery用更小的参数规模，精度超过了参数更大的通用势函数模型。以Li-Li₆PS₅Cl体系为例，只用359个构型微调，原子力误差降低约68%，能量误差降低约83%；推理速度比通用模型提升超过80%。
这些数字来自公司单方面披露，未见独立第三方基准测试或同行复现报告。从技术逻辑看，359个构型属于小样本微调，误差降低幅度若可复现，确实意味着较强的迁移能力；但“通用势函数模型”具体指哪一个模型、测试集如何划分、误差统计口径是否一致，均未披露。因此，这些数据目前只能视为公司内部实测结果，不能直接等同于行业基准。
更值得关注的是推理速度提升超过80%这一指标。在AI for Materials赛道，算力利用率正成为竞争焦点。徐振礼的判断是：“未来大家都在竞争算力利用率，投入同样的算力，算法效率更高、精确度更高，预测能力就更强。”这一判断与行业趋势一致，但索格智算能否在真实工业数据上持续保持这一效率优势，仍取决于后续客户验证的深度与广度。
从固态电池到化工配方：两个案例背后的商业化路径
索格智算目前披露了两个产业合作案例，均未公开客户名称。第一个是某固态电池企业的电芯设计，团队利用R2DPack开展电芯级多物理场仿真，据公司披露实现了毫秒级响应，为在十万级新能源汽车主流车载芯片上的轻量化部署与实时预测奠定基础。第二个是某化工上市企业的高分子材料智能发现与快速筛选，团队利用SOG Omni推荐候选配方，再由多尺度计算引擎进行精准预测和筛选，相关结果已经进入湿实验验证。
这两个案例分别对应索格智算的两条商业化路径：一是以概念验证阶段的联合研发作为合作起点，在高价值材料方向率先跑通技术可行性；二是深化战略合作，锚定光刻胶、半导体封装胶粘材料等细分领域。徐振礼对36氪表示：“我们分两个层面。一是以概念验证阶段的联合研发作为合作起点，在高价值材料方向率先跑通技术可行性，再向纵深布局；二是深化战略合作，锚定高价值关键材料赛道。”
从已披露信息看，化工案例的“进入湿实验验证”是一个关键节点。这意味着索格智算的推荐结果已经离开纯计算环境，进入真实实验环节。但湿实验验证的结果尚未披露，候选配方是否最终通过、是否进入中试或量产，仍是未知数。固态电池案例中的“毫秒级响应”同样需要区分：这是仿真计算本身的响应时间，还是包含数据预处理、模型调用、后处理在内的端到端时间，公司未作说明。
索格智算还披露了软硬件一体化产品策略。徐振礼表示：“我们提供软硬件一体化产品，进一步发挥算法和硬件协同加速的效果，并且充分适配材料企业对于本地部署的需求。”这一策略在材料行业有现实基础：许多材料企业对数据出域高度敏感，本地部署是进入产线的必要条件。但软硬件一体化也意味着更高的交付成本与更复杂的运维责任，对一家30余人规模的天使轮公司而言，如何在多个行业同时推进软硬件交付，是一个需要观察的运营挑战。
投资方押注“底层算法—算力平台—产业应用”，但竞争格局远未定型
本轮融资的资本结构带有明显的产业与学术转化色彩。复星创富领投，南通产控思源人工智能先导基金、云启资本、中赢创投跟投，紫竹科投作为老股东追加投资。其中紫竹科投与上海交大紫竹产研院的关系，使索格智算的“上海交大成果转化”标签更加清晰。云启资本通过云启-交大AI天使基金参与投资，进一步强化了这一学术转化属性。
投资方的公开声明集中在两点：一是徐振礼作为国家杰青、上海交通大学特聘教授的学术背景与交叉团队能力；二是索格智算在“底层算法—算力平台—产业应用”上的完整技术栈。复星创富方面在声明中称，公司围绕材料长程界面精准模拟等核心难题形成了SOG-Net高斯和神经网络、RBMD随机分批分子模拟等原创技术，并探索出软硬件协同的产品化路线。云启资本则强调，索格智算已在头部电池企业研发体系中落地应用。
这些投资判断需要与公开事实区分。投资方声明中的“落地应用”与公司披露的“概念验证阶段联合研发”存在程度差异。从已披露信息看，索格智算的两个产业案例均处于早期验证阶段：一个进入湿实验验证，一个用于电芯设计仿真，均未形成可确认的规模化收入或长期合同。投资方看好的是技术路径与团队背景，而非已经兑现的商业回报。
AI for Materials赛道的竞争格局同样远未定型。徐振礼承认：“材料领域细分方向非常多，也存在不同技术路线，商业机会很多。”这一判断的另一面是：每个细分方向都可能出现专门的竞争者，通用算法优势未必能直接转化为特定材料的研发优势。索格智算选择锂电、化工高分子、光刻胶、半导体封装胶粘材料、稀土永磁、辐射屏蔽材料等多个方向同时布局，覆盖面广，但每个方向都需要独立的验证周期与客户关系积累。
数千万元天使轮能买到什么：实验室、管线与一场待验证的规模化实验
据公司披露，本轮资金将主要用于新材料自动化研发管线持续研发与迭代、实验室建设、研发团队扩充及产业人才引进，推动国产高端材料自主可控。这一资金用途与公司当前阶段匹配：30余人的研发团队需要扩充，干湿实验闭环中的“湿实验”能力需要自建或合作实验室支撑，自动化研发管线需要从案例级能力沉淀为可复用平台。
但数千万元人民币的天使轮资金，对于“实验室建设+团队扩充+管线迭代”三线并进而言并不宽裕。索格智算需要做出选择：是优先把锂电垂域模型打磨到可对外规模化交付，还是同时在光刻胶、半导体封装胶粘材料等战略方向铺开。从徐振礼的表述看，公司倾向于后者——“锚定高价值关键材料赛道，重点布局光刻胶、半导体封装胶粘材料等细分领域”。这意味着资金将被分散到多个高价值方向，每个方向的技术验证与客户导入都需要时间。
另一个待验证假设是“自动化研发管线”的可复制性。索格智算描述了一条从智能体出发、经生成式人工智能推荐材料、大规模计算仿真筛选、最后在器件层面仿真的完整流程。这条流程在化工案例中已经跑通到湿实验验证环节，但能否在不同材料体系中保持同样的效率与精度，能否从联合研发项目转化为标准化软件产品或SaaS收入，仍是未知数。公司未披露任何收入数据、合同金额或客户付费意愿的量化信息。
风险不在算法，在于从“能算”到“算得被信任”的跨越
索格智算面对的最大风险不是技术路线被证伪，而是工业客户对AI仿真结果的信任建立速度。材料企业的研发决策往往涉及巨额实验投入与产线调整，仅凭算法层面的精度提升，不足以让客户放弃传统试错法。索格智算的化工案例进入湿实验验证，是建立信任的第一步；但湿实验验证通过后，还需要中试、量产验证、长期稳定性数据，每一步都可能暴露模型在真实工况下的偏差。
从已披露的固态电池案例看，毫秒级响应是一个有吸引力的指标，但“在主流车载芯片同等算力条件下”这一限定条件需要拆解。车载芯片的算力远低于数据中心GPU，毫秒级响应若能在车规级芯片上实现，意味着模型已经过高度优化；但这是仿真模型的推理速度，还是代理模型R2DPack-ONet的推理速度，公司未作明确区分。如果是代理模型，那么精度损失是否在可接受范围内，同样需要独立验证。
竞争层面的风险同样不可忽视。AI for Materials赛道正在吸引越来越多的学术团队与创业公司进入，材料领域细分方向多、技术路线多，意味着索格智算的“原创算法”优势可能在某些细分方向被更专注的对手超越。徐振礼的回应是：“我们的优势在于算法效率与精度。”这一优势能否持续，取决于公司能否在算力利用率竞争中保持领先，以及能否把算法优势转化为客户愿意付费的产品形态。
索格智算的成立时间、团队规模与融资阶段，决定了它仍处于从技术突破向产业规模化落地的早期跨越期。投资方在声明中使用了“正处于从技术突破向产业规模化落地的关键跨越期”这一表述，这既是对公司潜力的判断，也隐含了对当前阶段尚未完成规模化落地的承认。从已披露事实看，索格智算拥有原创算法、学术背书、产业合作案例与多元投资方组合，但缺乏公开的独立验证数据、规模化收入与可复制的交付模式。这些缺口不构成否定，却划定了当前叙事的边界。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：索格智算的故事，本质上是把材料研发的“试错成本”从实验室转移到算力集群。三个原创算法构成了一个逻辑自洽的技术闭环，但闭环的每一段都需要独立验证：SOGNet有论文背书，随机分批算法有奖项背书，R2D多场耦合模型却只有客户案例的口径。真正的考验不在算法层，而在工业客户是否愿意把材料研发的关键决策托付给一个成立一年的团队。数千万元天使轮能买到实验室和管线，但买不到产业信任——那需要一次一次湿实验验证的积累，而湿实验的时间，恰恰是AI最难以压缩的部分。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。