在中国新材料产业十万亿级的庞大赛道上，一个尴尬的错位已经持续多年。学术界产出大量具备潜在突破性能的候选分子，但在产业端，从一块巴掌大小的航空级复合材料到光刻机内部的一层光敏树脂，其研发模式仍然深陷在“试错-失败-再试错”的循环里。一位材料科学家的日常，常常不是在构思新分子，而是在重复称量、混合、加热和表征，试图从大量失败的实验中捞出一组可用的参数。这种极度依赖个人经验与运气的流程，让关键材料的研发周期漫长，成为下游高端制造最难以压缩的刚性成本。

当人工智能开始在蛋白质结构预测和数学证明领域碾压人类直觉时，一个问题自然浮现：AI能否像改写药物研发规则那样，颠覆新材料的发现逻辑？市场的回答是一波密集的资本下注。2026年8月，成立仅八个月的北京和光智成科技有限公司宣布完成数千万人民币天使轮融资，试图用一套“AI大脑指挥无人实验室”的方案，撞开这道横亘在实验室与工厂之间的铁门。与多数停留在仿真预测层面的AI材料公司不同，和光智成声称已在北京运营着超一千平方米的无人值守实验室，每天能跑通四百组以上的化学合成，并且已经向新能源、航空航天与光刻胶领域的客户交付了研发方案。

这一速度重新定义了材料研发企业建立技术信任的节奏，但也抛出了一个更锋利的问题：当行业充斥着“AI预测精度超越实验”的叙事时，一家初创公司押注的重资产实验闭环，究竟是在构建真正的量产护城河，还是在用高昂的实验室成本换取早期的商业化信号？

字段 内容
公司 和光智成（北京和光智成科技有限公司）
轮次 天使轮
金额 数千万元人民币
投资方 未披露
总部 北京
创始人 刘宇宙
官网 未披露

从硅基逻辑到原子世界：为什么材料研发的智能化迟到了十年

相较于AI在图像识别或自然语言处理领域的渗透速度，材料研发的智能化堪称步履蹒跚。核心瓶颈不在于算法，而在于数据的性质。互联网公司训练的模型依赖的是人类在数字世界留下的行为痕迹，这些数据天然可数字化、可标注、可清洗。但材料科学面对的是原子级别的相互作用，其有效数据必须来自真实的物理实验——温度、压力、催化剂活性、杂质浓度，每一个变量都可能让一次完美的仿真预测在实验室里变成一团无法分离的副产物。这意味着材料领域的AI无法像消费互联网那样，依靠用户点击和文本语料快速迭代。

这就导致了材料科学领域一个残酷的分裂：干实验（计算仿真）与湿实验（实际合成）长期脱节。第一性原理计算如密度泛函理论虽能模拟电子结构，但在面对包含数百个原子的复杂体系时，算力消耗呈指数级增长，且精度严重依赖简化假设。更深层的缺陷在于，公开文献中的合成数据充满了不可复现的结果与选择性报告——学术期刊不会发表失败的反应条件，但恰恰是这些负样本才是训练AI模型最关键的暗数据。行业内公开数据真伪混杂、仿真数据与实际实验偏差过大的问题，导致多数AI模型仅能停留在理论预测阶段，无法落地量产。和光智成首席科学家刘宇宙在谈及行业现状时直言：“纯理论仿真预测存在天然精度缺陷，难以落地量产，无法为客户创造实质价值。”

这一判断精准地刺中了上一代AI材料公司的软肋。过去五年，国内外涌现出大量以量子化学计算或图神经网络预测分子性质为卖点的创业公司，它们构建了令人眼花缭乱的云端模拟器，但在面对产业客户一个直白的提问——“能给我一公斤符合规格的样品吗？”——时，大部分公司只能退回实验室重新调配。和光智成选择的路径是从第一天起就将湿实验作为数据引擎的核心，这种重资产模式在天使轮阶段极其罕见，但逻辑自洽：在材料领域，脱离实验反馈的AI只是另一种形式的猜测，而真实数据的持续自产可能是唯一的破局点。

蕴算与玄基：400组日通量实验室背后的合成智能体逻辑

和光智成的技术架构由两个相互啮合的齿轮组成：算法平台“蕴算™”扮演材料设计与合成智能体的角色，而“玄基™”自主实验室则是对应的执行终端。根据公司披露的信息，这套系统已在位于北京的逾千平方米实验室落地，能够执行7×24小时无人值守高通量合成，日均完成四百组以上全流程化学合成实验——公司声称这一通量等效于百人规模的研发团队。

深入拆解这个数字，才能理解其在产业语境下的真实分量。一个训练有素的合成化学研究人员，单日能精心操作的反应数量有限，其中称量、投料、淬灭、分离纯化每一个环节都可能引入人为偏差。而自动化实验室的价值不仅在于通量，更在于数据质量：每一组反应的全维度参数——从搅拌速率、温控曲线到中间体光谱——被实时捕获并以结构化的方式存入数据库。公司透露目前已积累PB级链式、多模态、全样本化学数据，通过干、湿实验数据双向校正迭代，这个数据资产的长期价值可能超过当前阶段的任何单笔研发合同。

但这里存在一个容易被忽视的工程挑战：高通量实验平台并非新鲜事物，制药行业在过去二十年已将组合化学与自动化筛选发展得相对成熟。真正卡住新材料领域自动化的是固体投料的精度、无水无氧条件下的机械稳定性，以及对高粘度、高腐蚀性反应体系的兼容能力。和光智成称其已攻克毫克级与公斤级双级别自动化实验平台的关键难题，包括高精度固体加料与危险反应自动化，但未披露这些模块的具体技术参数与长期运行稳定性数据。从编辑视角看，一套全天候运行、涉及数百种高危化学品投料的自动化系统，其故障率、维护周期与安全冗余设计，比单日通量数字更能反映真实的运营能力。这部分信息的缺失使得当前的技术壁垒描述更多停留在声明层面，其可靠性仍需在连续运行数月甚至数年的实际表现中验证。

原子世界模型：跨材料体系的通用迁移是引擎还是画饼

支撑和光智成跨领域服务能力的技术宣言，是团队自研的“原子世界模型”。根据公司的表述，该模型能让AI理解原子作用与化学键重组的底层规律，实现从高分子到催化、医药到光电材料的多领域通用迁移——用一句话说，不需要针对每个细分赛道重新训练模型。

这是一个极其宏大的目标。在科学机器学习的前沿，构建物性预测的通用基础模型正在成为全球顶尖实验室的竞赛焦点。DeepMind的GNoME项目探索了无机晶体的稳定结构预测，微软研究院的MatterGen瞄准材料的逆向设计，但这些模型目前要么局限于特定材料类别，要么在从预测到合成的跨越中依赖大量人工干预。所谓“通用迁移”的挑战在于，高分子材料的流变学行为、催化剂的表面吸附能与半导体材料的能带结构，在物理层面由截然不同的主导作用力支配，一个模型吃透所有这些规律而不发生灾难性遗忘，需要极其精巧的架构设计与跨尺度的训练策略。这意味着和光智成宣称的能力在本质上是前沿科研问题，而非工程整合问题。

和光智成尚未公开其原子世界模型的技术细节、基准测试结果或与开源模型的对比数据。公司提到在光电材料上市企业的合作案例中，在不改动客户原有产线的前提下通过AI调优大幅提升材料反应转化率，这一成果若属实，说明模型至少在特定的工艺优化场景中展现了迁移能力。但从编辑推断的角度，对于一家成立不足一年、人员规模仍在扩张初期的公司，宣称其模型具备跨领域通用性，更大概率指的是框架层面的可扩展性而非当前阶段的全面覆盖。这一点需要观察后续是否会有第三方验证或学术论文作为支撑，否则“通用迁移”可能仅是一种市场沟通策略。

学术引擎驱动的商业化：北航与清华的科研积淀如何转化为可交付方案

和光智成的创始团队配置，在当前硬科技创业中属于典型的“院士级背书+产业高管操盘”模式。首席科学家刘宇宙是北京航空航天大学教授、博士生导师，据披露拥有海外头部材料企业研发经历与四十余项国际专利，研究成果曾发表于Science与Nature子刊。中国科学院院士、清华大学教授杨万泰出任首席科学顾问，为核心技术路线提供顶层学术支撑。同时，团队还引入了清华与北航的核心技术人才以及陶氏化学前高管，试图缝合学术前沿与工业化落地的裂缝。

这种组合的潜在优势在于，刘宇宙本人的学术积累可以直接转化为分子设计的起点，避免从零开始在化学空间里盲搜。公司方面称，刘宇宙自2014年起持续对接工业端真实需求，这意味着其课题组在创业前已有多年产业合作积淀，而非实验室技术的仓促转化。陶氏化学背景的高管引入则指向了团队意识到材料产业客户决策链条长、认证周期久、对供应链稳定性要求极高的现实——这些都不是科学家擅长处理的领域，引入工业界经验可能有助于缩短从样品到产品的周期。

但一个不容忽视的观察是：教授直接兼任公司首席科学家的双重角色，在技术路线选择上可能产生潜在的利益冲突与时间分配问题。刘宇宙的表态——“和光智成是材料化学领域的具身智能平台”——显示出创始人对公司定位有着超出一般技术服务的宏大构想。具身智能这个概念从机器人领域借用到材料研发，强调的是AI大脑与物理执行终端的耦合，这种定义的传播价值大于学术价值，在市场沟通中有效，但在技术评估中需要剥离修辞，回归实验产出的可重复性本身。毕竟，客户最终关心的不是概念的新颖度，而是能否稳定拿到符合规格的公斤级样品。

竞争版图的空缺：和光智成的独特定位与潜在角力者

在公开资料中，和光智成未将任何具体公司列为竞争对手，行业叙事被设定为“传统新材料企业依赖人工试错”。但这并不意味着赛道缺乏角力者。从全球视角看，以英矽智能为代表的AI制药公司已将类似的闭环研发逻辑在药物分子发现领域推进到临床阶段，其搭建的自动化实验室与和光智成的玄基实验室存在基础设施层面的相似性，只是行业靶心不同。制药领域的自动化经验表明，高通量筛选能够加速先导化合物的发现，但材料领域的固体投料和苛刻反应条件往往带来更棘手的工程难题，直接类比可能存在陷阱。

在国内，上海、深圳亦有初创团队开始布局AI辅助材料逆向设计，但多数仍以软件服务为主要商业模式，尚未大规模投入自建实验室。和光智成的重资产路径使其定位独特，却也意味着更高的资本消耗速度。此外，传统材料巨头的内部数字化部门和CRO赛道跨界而来的自动化平台供应商可能构成长期威胁，它们拥有现成的客户关系和工艺放大经验，一旦决定内部开发或收购同类技术，初创公司的先发优势窗口可能收窄。不过，目前这些潜在竞争者尚未推出直接对标的产品，赛道仍处于早期定义阶段。

未来两年的验证节点：数据壁垒、模型泛化与重资产生存斜率

资金用途的分配提供了观察公司优先级的一扇窗。本轮数千万元天使轮融资将投入三个方向：核心团队扩招、自主实验室扩建、算法算力升级。实验室扩建被单独列出，表明公司在商业化早期就选择了继续加大固定资产投入，而非轻资产地仅输出软件方案。刘宇宙的另一个表述——“新材料产业的核心刚需，是可落地、可量产的合成工艺与材料产品”——为这一选择提供了注解：在客户眼中，能交付真实样品才是价值的最终载体，仿真报告只是中间产物。

然而，这也是天使轮阶段最需要警惕的风险点。一座容纳数百个反应单元、配备高精度分析仪器的无人实验室，其建设成本与日常运营成本可能远超软件开发的人员工资。当融资窗口一旦收紧，重资产是否能在短期内产生足够的商业回报来覆盖折旧与维护，将直接决定公司的生存斜率。公司披露已与新能源、航空航天、药用高分子、光电材料、光刻胶等多个领域的客户实现商业化交付，但未说明交付的具体规模、合同金额与复购率。这些指标将在下一轮融资中成为投资人审视的核心，因为它们直接反映了客户对AI驱动方案的信任深度和付费意愿。

另一重待验证的假设，是PB级自产数据的真实壁垒厚度。理论上，封闭环境下持续产生的全维度实验数据会形成滚雪球效应——数据越多，模型越准，实验效率越高，客户越多，数据更加丰富。但这个飞轮的前提是模型泛化能力足够强，不至于每进入一个新领域就需要从零积累数据。如果原子世界模型的跨领域迁移能力不及预期，和光智成本质上将变成一家拥有自动化实验室的CRO（合同研发组织），其估值逻辑也将从AI平台回归到服务交付的效率竞争。此时，重资产就不再是壁垒，而是负担。

从外部产业环境的宏观角度看，全球供应链重构正在推高下游企业对材料自主可控的迫切性，尤其在高性能聚合物、特种树脂、电子化学品等长期被日美欧企业把持的细分品类上，国内采购方对国产替代方案的容忍度与合作意愿显著提高。这对和光智成意味着需求端的顺风，但同时也吸引了更多资源雄厚的玩家入局。和光智成站在一个正确的交叉点上：AI能力、自动化硬件成本下降、产业倒逼的材料研发提速需求，三者确实正在碰撞出一个结构性机会。但天使轮融资只是漫长验证之路的起点。接下来的十八到二十四个月，外界需要看到的不是另一组创纪录的实验通量数据，而是一个经得起产业客户反复挑剔的真实案例——在一条具体的产线上，AI设计出的分子不仅合成了出来，而且通过了中试放大，最终变成了可量产的配方。在那一天到来之前，所有的通量数字、数据规模和模型宣言，都仍然是悬在实验室上空的漂亮叙事。

RecodeX 极客视：和光智成的天使轮融资，最值得关注的反而不是金额。一家成立八个月的公司敢于自建逾1000平方米的无人实验室，并把每日400组合成实验作为常态，这个决策本身就是对“AI材料公司该不该重资产”这一行业分歧的直接表态。当同行还在用云端仿真报告争取客户时，和光智成赌的是产业端最终只会为真实样品买单。但赌注的代价同样沉重：自动化实验室的运维成本、跨领域模型泛化的技术不确定性，以及从实验室合成到中试放大的漫长间隙，每一项都能轻易拖垮一家早期公司。创始人刘宇宙说新材料产业的刚需是“可落地、可量产的合成工艺”，这句话反过来也是对他自己的拷问——当资本的热度退去，实验室里的瓶瓶罐罐能否真正扛住工厂产线的检验，才是判断这家公司价值的唯一准绳。

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。