材科源图三个月完成两轮融资，AI全链路闭环加速材料产业化

AI摘要 材科源图半年内完成三轮超亿元融资，聚焦构建“数据—物理模型—智能体—自动化实验”闭环研发链，推动AI预测结果向中试与产业化落地。

强调实验闭环是AI for Materials从科研走向产业的关键瓶颈；高通量自动化实验平台是弥合计算与实验速度差的核心基础设施；资本关注焦点正从纯算法层转向验证与交付能力。

适合材料科学家、AI工程化负责人、硬科技领域CTO及产业投资人阅读。

近日，苏州材科源图科技有限公司（MatSource）宣布，近三个月内连续完成两轮超亿元天使轮系列融资。

其中，前一轮投资方包括苏高新、硅港资本、合肥原初陆号和上海远鼓，老股东亿合资本、清新资本追投；新一轮由经纬创投领投，苏创投及老股东中科创星、硅港资本继续跟投。

本轮资金将主要用于完善“数据—物理模型—智能体—自动化实验”研发链条，加速智能高通量实验平台的搭建与迭代；推动能源、催化等方向的材料进入中试和产业化阶段；同时引进 AI 与材料科学交叉领域人才。

公开信息显示，材科源图于 2025 年 11 月完成数千万元天使轮融资，由中科创星领投，元禾控股与亿合资本参与。

半年左右先后获得多轮融资，也反映出资本市场对 AI for Materials 的关注，正在从算法和科研平台转向实验闭环与产业交付。

AI 进入材料研发并不是新概念。过去几年，机器学习已经被用于材料性质预测、候选配方筛选和分子结构设计。但材料研发与文本、图像生成存在明显区别：模型给出的结果只是一组候选方案，最终能否成立，还要经过合成、测试和反复验证。

这使 AI 材料研发面临一个现实问题：计算端可以快速筛选大量候选材料，实验端的合成、表征和验证速度却未必能够同步提升。如果两者没有形成闭环，模型预测就很难直接转化为可以使用的配方和工艺。

材科源图试图连接这两部分。其技术体系包括材料数据库、物理预测模型、材料智能体和高通量实验平台。公司披露，目前已积累百万级真实材料数据库，自研材料预测物理模型超过 200 个，并计划在年内将数据库扩充至千万级、物理模型增加至 250 个以上。

与主要依赖统计相关性的通用大模型不同，材科源图的专用 AI 智能体基于真实实验数据与物理模型训练，属于垂直领域专家系统。其智能体目前覆盖固态电解质、氢能电催化、离子液体、光刻胶、热催化、分子筛、有机电合成和费托合成等方向。

在高通量自动化实验层面，材科源图推出了全球首台 AI Agent 驱动的无机固相/固液相合成高通量自动化实验平台。该平台单日样品处理能力达 150 个，实现了“规划—设计—工艺—执行—反馈”全流程闭环。

这一闭环的意义在于，模型不再只输出预测结果，还能通过真实实验不断校正。材料研发中大量依靠研究人员经验完成的配方调整、参数组合和重复实验，也有机会转化为可以记录和复用的数据。

这套“数据—物理模型—智能体—自动化实验”的闭环研发体系，已经在产业项目中得到验证。以公司服务某世界 500 强企业的案例来看，这家企业的一个热催化反应催化剂转化效率低下，困扰了他们多年，期间曾外包给多个高校和头部材料研发公司均未解决。材科源图承接项目后，合同约定一年交付，实际不到两个月就找到了一系列性能更优的催化剂，其中最优者比企业原有材料性能高出 30%，目前已通过小试、正在走中试和量产阶段。

在商业化方面，材科源图目前规划了技术服务、材料银行和自研材料生产三条路径。

技术服务主要面向企业的定制研发需求，通过项目开发、专利买断和 Token 计费等方式收费；“材料银行”则将研发过程中积累的材料配方、工艺和知识产权作为可持续复用的数字资产，通过授权及收益分成实现变现；自研材料生产进一步向下游延伸，通过自建或合资工厂推动材料量产。

公司当前重点布局绿色有机电合成和固态电解质等方向，部分项目已经进入中试阶段。与单纯销售软件或算法服务相比，这种模式试图覆盖从材料预测、实验验证到配方授权和产品生产的更长链条，但也意味着公司需要承担更重的实验设施、工程放大和产业运营投入。

AI for Materials 正在从技术验证向实际研发流程渗透。

对这一赛道而言，模型能筛选出多少候选材料只是起点，真正决定商业价值的，是候选方案能否通过实验验证，能否形成稳定工艺，并最终转化为客户可以采购的材料产品。