索格智算以 AI 與數學算法探索新材料研發

“你这个智能体，大概相当于几年的师傅？”一家精细化工上市企业，对上门推销AI研发工具的公司总爱抛出这样的疑问。他们对市面上林林总总的材料研发智能体已经相当熟悉，但工厂里的研发人员更相信自己积累多年的经验。

“你这个智能体，大概相当于几年的师傅？”

一家精细化工上市企业，对上门推销AI研发工具的公司总爱抛出这样的疑问。他们对市面上林林总总的材料研发智能体已经相当熟悉，但工厂里的研发人员更相信自己积累多年的经验。

AI可以回答许多行业、领域的通用知识，然而一旦涉及复杂的材料配方和生产工艺，也可能“一本正经”地给出错误答案。

2025年成立的索格智算（上海）科技有限公司，打算认真解决这个顽疾。

这家由上海交通大学数学科学学院教授徐振礼领衔的初创公司，汇集了数学、人工智能和材料等领域的顶尖人才和研发团队，希望利用自主研发的AI模型和数学算法，改变传统材料研发高度依赖经验、反复试错的方式，让新材料的设计与筛选变得更精准、更高效、成本更低。

上海交通大学数学科学学院特聘教授、人工智能新材料研究中心主任，索格智算（上海）科技有限公司创始人徐振礼

成立一年多，索格智算已推出材料垂域大模型、专用模拟器、器件和工艺仿真平台、材料研发自主智能体等系列产品，并与多家头部材料企业签署合作协议，在固态电池、精细化工领域形成了示范场景落地。

随着AI逐步参与材料设计、性能预测和实验筛选，徐振礼教授希望未来将索格智算发展为一家具有自主新材料发现能力的企业，利用原创算法和干湿协同的设计平台，探索传统研发方法难以触及的材料组合，推动更多新材料从计算预测走向实验室与产业应用。

在徐振礼看来，AI材料研发仍有大量尚待突破的技术问题，而数学算法的进步，有望从本质上解决材料发现中的精度、效率、成本等核心挑战，拓展新材料发现的边界。

材料试错成本高昂

核心研发人员稀缺

材料研发有一笔很难省下的钱：试错。

以阻燃剂高分子材料为例，一家企业想让产品具备更好的阻燃性，同时还需要满足对于力学、加工、成本等综合因素的严苛要求，需要反复调整原料比例，观察材料性能的变化。即使找到符合要求的配方，后续还要研究生产工艺、产品稳定性和成本。一种新材料从实验室走向商业化，可能经历数年甚至更长时间。

徐振礼教授带领的团队长期研究数学算法，对材料研发中的计算问题有自己的观察。

传统材料研究高度依赖实验和科研人员的经验，研究人员通常根据已有知识提出假设，再利用实验或计算寻找答案。面对越来越复杂的材料体系，这种工作方式需要投入大量时间，也很难穷尽所有可能的材料组合。

“工欲善其事，必先利其器。”徐振礼引用这句老话解释算法的价值。在实验室，科研人员需要先进仪器；利用计算机研究材料反应和化学性质，则需要足够先进的算法，才能提高计算效率，处理更复杂的问题。

2007年，徐振礼从中国科学技术大学获得博士学位，随后赴美国从事博士后研究。2010年加入上海交通大学，2012年入选首批中组部青年拔尖人才计划，2023年获得国家杰出青年基金。加入交大后，他组建了自己的科研团队，研究方向逐渐延伸到软物质材料、锂电池、半导体等领域。

这些研究都离不开计算数学。研究人员希望了解材料内部的变化，可以借助计算机模拟原子之间的相互作用，再判断哪些方案值得继续实验。但材料体系越复杂，需要处理的计算任务通常越多，传统高精度模拟往往需要消耗大量算力。

徐振礼团队攻关的快速算法，主要就是为了解决计算速度和成本问题。

2022年前后，徐振礼在重庆组建了一支工程师团队，尝试进行技术转化。2025年，上海交大科研团队在人工智能新材料设计的相关算法上取得进展，加上此前培养的交叉学科人才逐渐成熟，他决定正式成立索格智算。

在核心团队的配置上，公司沿用了交大的跨学科传统。作为应用数学博士后，COO赵腾还拥有化工博士背景，参与过早期产品化探索；CTO姬雅洁来自徐振礼的数学研究团队，此后赴耶鲁大学从事人工智能相关研究。应用技术总监孙哲韬博士是能源材料领域的专家。

团队试图通过AI与数学算法结合，让计算机提前完成更多材料筛选工作，减少传统研发中的重复实验。

然而，技术成果能否顺利变成产品，还取决于材料企业愿意为什么付费。

一些企业需要专业知识支持，一些希望降低计算成本，还有企业希望借助AI开发新材料。索格最初面向市场推出的产品，也围绕这些需求逐步展开。

客户想要的

是一个懂行的AI“老师傅”

最初向材料企业推广销售产品时，索格智算遇到的难题是信任。

当下，产业前沿的不少公司对材料研发智能体已经有所了解，客户对智能体的专业水平要求很高，一旦AI给出的建议存在明显错误，有经验的研发人员很容易识别出来。

“效果超不过他们的人工就没有用。”他说。

徐振礼观察到，材料企业对智能体的需求相当现实。例如，一家生产企业希望开发新配方，研发人员过去需要查阅大量论文和专利，再结合经验筛选原料。现在，可以让智能体先整理专业知识，推荐值得尝试的材料组合，再由研发人员决定后续实验方向。

“帮他配置一个智能体，就相当于拥有一个有多年经验的老师傅。”徐振礼说。

这类产品被公司命名为SOG Omni材料研发智能体，它能够结合专业文献、专利和客户内部数据，帮助研发人员梳理研究方向，并调用计算工具完成后续分析。

不过，开发智能体本身没有很高的技术壁垒。通用大模型公司同样能够开发类似产品，关键在于专业知识的积累，以及能否让材料专家参与预训练和纠错。

即使如此，让客户接受AI深度参与日常研发仍然需要适应时间。徐振礼估计，从首次接触一家新客户，到建立信任并争取订单，通常至少用时4至5个月。“研发部门其实对这种AI是很抗拒的。”他说，部分企业管理层希望提高研发效率，但研发人员对计算结果是否可靠仍有疑虑，要经过多次技术交流和方案验证。

而当企业希望进一步研究候选材料的性能时，仅靠智能体提供建议还不够。此时，索格的另一大核心产品——基于SOGNet构建的材料垂域大模型发挥了作用。

NanoTitan新材料专用模拟器

与主要处理文字和专业知识的智能体不同，SOGNet面向原子级材料计算。研究人员可以利用模型预测原子之间的相互作用，模拟材料内部的反应变化，进而判断某种材料组合是否值得继续研究。

索格智算目前针对不同材料体系开发三类垂域模型，包括面向锂电材料的SOGNET-Battery，面向稀土合金的SOGNET-Alloy，以及面向高分子材料的SOGNET-Polymer。

以锂电材料为例，研发人员需要了解锂离子如何在材料内部迁移，以及不同材料接触后会产生什么变化。这些微观过程会影响电池的性能和寿命。团队希望通过专用模型提高预测效率，减少部分依靠反复实验完成的筛选工作。

根据公司披露的测试结果，SOGNET-Battery在六类锂电材料上的预测精度优于部分参数规模更大的通用模型，推理速度提升超过80%。对于新的材料体系，模型还可以通过喂进少量数据进行快速适配。

这些垂域模型构成了索格材料计算能力的重要基础，但如果研发公司要开展大规模模拟，仍需要相应的软件和算力设备。

索格为此开发了NanoTitan材料专用模拟器，这款软硬件结合的产品能利用自研算法开展原子、分子层面的计算，支持本地部署，面向高校实验室和材料企业销售。

另一款模拟器产品R2DPack，则将研究对象延伸到完整电池。即使找到一种性能较好的电池材料，企业还需要判断它应用到电芯后能否达到预期效果。R2DPack主要用于模拟这一过程，帮助研发人员分析材料性能与电池设计之间的关系。

按照徐振礼的设计，这四类产品可以组成一套材料自动化研发流程：SOG Omni帮助研究人员寻找候选方案，SOGNet垂域模型预测材料的微观性质，NanoTitan承担大规模计算，R2DPack进一步分析材料应用到电池后的表现。各个模块既可以组合使用，也能够拆开独立销售。

目前，索格的客户主要集中在新能源和高分子化工领域，和头部精细化工上市企业的合作已经进入干湿实验迭代和验证。

徐振礼希望，这套工具未来能够承担更多新材料发现任务。不过，计算机即使能够提出候选方案，但距离真正发现一种具有商业价值的新材料，还有不少问题需要解决。

AI发现新材料

最难的一步还有待走通

2026年7月，谷歌DeepMind拆分了曾开发AlphaFold的专属研究团队，部分研究人员转向Gemini及其他科学研究项目。

这一调整背后，是其科研战略的深刻变化。

AlphaFold已经在蛋白质结构预测上取得重大突破，但预测结构只是药物研发的一个环节，后续还涉及分子相互作用、药物效果验证等大量复杂问题。相比继续围绕单一任务投入研发，DeepMind希望借助Gemini等通用AI模型，让人工智能参与更广泛的科学研究，逐步覆盖从提出假设到实验分析的多个环节。

聊到这个话题，徐振礼认为，AlphaFold为AI科学研究作出了重要贡献，但距离真正完成药物发现仍有很长的路要走。

而类似的挑战，也广泛存在于AI材料研发领域。

如今，AI已经能够利用大量已有材料数据，寻找元素、配方与性能之间的关系，再推荐新的材料组合。但徐振礼表示，目前不少研究成果主要集中在现有材料的配方优化上。

他将这种能力称为“插值型创新”，即利用已有的知识和数据，在已知的材料组合中寻找更好的方案。而新材料研发更重要的是“扩界型创新”，也即扩展和增加新知识的创新能力。“扩界型创新”需要有强推理能力。

例如，研究人员已经知道某些原料具有阻燃性，AI可以利用已有知识调整原料组合，寻找性能更好的配方。这类工作能够帮助企业提高研发效率，后续实验也相对容易开展。

但如果希望发现一种过去没有出现过、缺乏现成数据参考的新材料，譬如模型需要判断未知的原子组合是否可能存在，以及它们会表现出怎样的性质，这种难度就会大幅增加，需要结合复杂的分子动力学模拟做逆向设计。

这也是索格长期坚持投入底层数学算法研究，并服务于大规模计算模拟过程的原因。

其中，SOGNet侧重提高原子相互作用计算的准确性；随机分批算法用于加快模拟速度；多尺度建模技术则尝试将微观材料计算与更大尺度的性能分析联系起来。

徐振礼希望通过这些技术，让材料计算更准确、速度更快，同时处理过去难以计算的复杂体系。

“很多时候，数学在实际研发中的重要性是被低估的。”他说。

在一个高分子材料合作项目中，索格智算利用智能体寻找候选材料，再开展原子级模拟，相关模拟任务的计算效率较传统方法提高了数十倍。

他举例，如果一项计算原本需要100万元算力费用，计算效率提高20倍，在其他条件相近的情况下，相关费用理论上可能降至5万元。

不过，徐振礼认为，即使计算机能够提出有潜力的方案，真正发现具有商业价值的新材料，仍然需要长期的算法研究与实验积累。

技术得到产业验证后

他们还想亲自下场“挖矿”

近一年来，资本开始密集关注AI For Materials的潜力。

在海外，由前OpenAI和谷歌DeepMind高管创办的Periodic Labs于去年9月宣布完成3亿美元（约21亿元人民币）种子轮融资，投资方包括a16z、英伟达、DST和杰夫·贝索斯；英国AI材料公司CuspAI于今年7月完成4.5亿美元B轮融资，估值达到26亿美元，推出连接计算、数据和实验室资源的AI Materials Foundry。

而在国内，作为新近公开亮相的AI新材料研发公司中的佼佼者，索格智算同样获得了资本支持。

2026年3月，公司完成超千万元种子轮融资，由启高资本领投，交大母基金、紫竹科投、紫竹小苗跟投；9月又完成数千万元天使轮融资，由复星创富领投，南通产控思源人工智能先导基金、云启资本、中赢创投跟投，老股东继续追加投资，资金将主要用于算法研发、计算平台建设、实验室建设和团队扩充。

据了解，现阶段索格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，根据客户需求开发并交付，下一步深化战略合作，锚定高价值关键材料赛道，把部分研发能力转化为标准化产品，提高产品的可复制性。

徐振礼用一个形象的比喻解释AI材料公司的商业模式：“一类是卖软件，也就是卖铲子，另外一种是挖矿的。我把自己定位成挖矿的。”

所谓“卖铲子”，是向材料企业销售计算工具、模拟软件或研发服务，由客户使用这些工具开展研究。

“挖矿”则意味着AI公司利用自己的算法和计算平台，亲自寻找新材料，再通过实验验证。如果最终发现具有商业价值的新材料，还有机会进一步参与研发成果的商业化。

徐振礼希望索格最终走向这一方向。

在他的设想中，早期销售软件和承接项目，可以为公司带来收入，也能帮助团队积累真实的产业需求。随着技术和资源不断完善，索格智算能逐步开展更深入的新材料设计与发现。

然而，自主发现新材料需要更高的资金和人力投入。

算力方面，随着融资资金陆续到位，公司计划建设新的计算平台，并完善实验验证能力。

业务方向上，索格将重点放在新能源和高分子化工领域。这两个方向有团队多年积累的科研基础，也已经形成客户合作关系。至于正在探索的稀土合金、核材料等领域，徐振礼倾向于通过外部合作参与，避免早期投入过于分散。

他希望未来 3–5 年，索格跻身全球 AI 材料研发第一梯队：以顶尖技术为根基，构建规范而包容的管理机制，打造充满活力、勇于创新的团队；依托 AI 核心技术赋能行业，携手材料研发企业聚力共赢，践行使命担当，“既有领先的技术能力，也有规范的管理和充满活力的团队。”

本文为创业邦原创，未经授权不得转载，否则创业邦将保留向其追究法律责任的权利。如需转载或有任何疑问，请联系editor@cyzone.cn。