押注下一个科技风口，蚂蚁投了两个MIT博士

lameihua

　　这也是蚂蚁集团在AI for Science领域第一次出手。

　　作者丨韦香惠

　　“我们不再需要问AI能为科学做些什么，我们现在要问的是，当科学由AI驱动时，它能变成什么样子。”这番话，出自刚荣获 2025年诺贝尔化学奖的加州大学伯克利分校教授奥马尔·M·亚吉（Omar M. Yaghi），也是他在获奖后的首次公开演讲。

　　这位从约旦裔难民棚中走出来，被称为“MOF之父”的世界级科学家，并未在演讲中回顾他因发明金属有机框架（MOF）和共价有机框架（COF）获得诺奖的科研历程，而是第一次系统阐述了一个全新的科研思想框架，“让化学具备思考、推理和自我演化的能力”。

　　这种将科学从“人工设计”推向“自主智能”的思想，与近年来迅速崛起的 AI for Science（科学智能，简称 AI4S）指向的核心价值高度契合。所谓AI for Science，从字面意思理解，就是把人工智能用于科学研究，以加速全过程。2024 年，诺贝尔化学奖也授予了该领域的代表人物。如今，AI4S 已从实验室概念发展为产业热点，开始走入资本市场。

　　来自杭州的深度原理，近日宣布完成了超1亿元人民币的融资，由戈壁创投管理的阿里巴巴创业者基金大湾区基金与蚂蚁集团共同领投。这也是蚂蚁集团在AI for Science领域第一次出手。

　　麻省理工博士创业

　　AI4S 本身不是一个产品，也不是传统意义上的学科，而是一种跨领域的新范式，在数学、化学、材料科学、物理、生命科学乃至气候科学中都在发生。

　　这样的项目要求团队同时具备科研洞察力、工程化能力与跨领域整合能力，因此对创始团队提出的门槛极高。创业者大多来自顶尖科研体系，多为“科学家型创始人”，既深谙学科前沿，也具备将科研方法工程化、规模化的能力。

　　深度原理正是这类创业者的代表案例。公司名称本身就体现了技术抱负：用深度学习（Deep Learning）与第一性原理（First Principles）相结合的方式，重新理解和解构微观粒子的运行规律。

　　公司由两位麻省理工学院（MIT）博士领衔创办：创始人兼 CEO 贾皓钧与联创兼 CTO 段辰儒均毕业于 MIT 化学相关领域。团队核心成员来自 MIT、斯坦福、浙江大学、上海交通大学、复旦大学等顶尖高校，并拥有微软、Meta、陶氏化学、巴斯夫、京东、腾讯等头部机构的科研和产业经验。

　　图片

　　图左：创始人&CEO贾皓钧  图右：创始人&CTO段辰儒

　　公司创始人及 CEO 贾皓钧拥有 MIT 物理化学博士学位，曾在化工巨头陶氏化学的核心研发部门从事新材料与催化剂研究。他从传统科研走向创业，将人工智能与量子化学、高通量实验技术相结合，试图从根本上重塑化学材料的研发流程。

　　创始人兼 CTO 段辰儒同样毕业于 MIT 化学博士项目，论文引用量超过 3000 次，曾担任 Azure Quantum 研究科学家，牵头开发用于化学设计的人工智能生成算法。他在量子计算、分子生成模型等方向的研究经验，使深度原理在算法底层具备稀缺的技术壁垒。

　　在这样的背景下，成立于2024年的深度原理，选择聚焦材料科学方向，定位为一家 AI for Chemistry / Materials 的科技创新公司。它将人工智能、量子化学与高通量实验相结合，致力于加速材料创新的全流程。

　　成立不到一年，深度原理已经凭借自研算法体系和产品化能力迅速完成从 0 到 1 的落地。针对当前 AI 在材料领域面临的瓶颈，包括算法精度不足、效率低、难以计算真实化学反应等，深度原理自研了 Reactive AI 平台，试图突破现有算法在材料化学模拟上的能力边界。

　　成立一年已获超千万元商单

　　在材料化学里，反应路径怎么走、过渡态长什么样、能量如何变化，这些底层要素通常是研究的卡点，它们决定了反应的速率和产物选择性。不仅要精确观测到物质的结构变化，还要能够准确计算一些环境数据。

　　以前科研界的尝试通常是“一步到位”，直接给出一个分子结构。这样做的问题是，模型往往不知道自己生成的结果是否符合化学规律，更无法描述真实反应中连续且微妙的变化。

　　扩散生成模型diffusion最初是处理图像的，每个图像可以看作由大量图像元素组成的矩阵，数学结构清晰，因此在理解科学结构、模拟实验数据方面更有优势。

　　深度原理首创扩散生成模型系列OA-ReactDiff、React-OT正面切入这一痛点，不是直接生成结果，而是一步步还原结构，逐步逼近真实分布，更贴近化学和材料的演化路径。

　　这套模型被用在材料的过渡态预测上，传统软件往往要跑几天甚至几周才能给出一个过渡态，而OA-ReactDiff 首次实现单个 GPU 上 6 秒完成过渡态结构预测，迭代版 React-OT 进一步将时间压缩至 0.4 秒，误差降低超 25%。这意味着实验室里最耗时的步骤被 AI 以“数千倍”的量级加速，科学家可以把更多时间花在理解和创新上，而不是等待计算完成。

　　图片

　　深度原理开发的ReactiveAI平台及其六大模块

　　科学研究除了实验以外，还需要提出假设，设计研究方法，这块则通过大语言模型发挥作用。

　　深度原理主导研发的语言模型LLM-EO（Large Language Model for Evolutionary Optimization），科研人员直接用自然语言，比如“我想设计一种耐高温的材料”“我需要一种能提高导电率的结构”，模型就能够基于这些目标产生新的分子候选，并筛选出高潜力结构。相关成果以封面论文形式发表于化学顶刊《Journal of the American Chemical Society》。

　　科研过程使用的工具往往很复杂，一些工程师或科研人员没有编程背景，习惯于在 Excel 表里操作，而不是写代码。这时候，需要一个“中介”，调动一系列复杂工具、完成虚拟实验、给出结果甚至下一步建议。

　　基于这一需求和逻辑，深度原理构建了“一横一纵”的产品体系：横向是打通整个研发链路的 Agent Mira，纵向是贯通模型与物理实验室、让预测走向现实的 AI Materials Factory。工程师只需明确需求，系统就能自动规划步骤、调用算法，并在自动化实验平台中完成验证，实现从模型到材料的完整闭环。

　　有了这种整套体系，过去一个团队一年可能做几十个重要反应，现在可能可以做几万，甚至几十万。

　　目前深度原理的客户覆盖营养日化、新材料、新能源等核心领域，已落地的头部客户包括：杉海创新、欧莱雅、晶泰科技等；成立约一年已获超千万元人民币商业订单。

　　把主战场放在中国

　　2024年，因为蛋白质结构预测，谷歌DeepMind CEO 德米斯·哈萨比斯（Demis Hassabis）获得诺贝尔化学奖。最近，他又曝出了一段惊人言论：“通过AI，我们在一年内完成了10亿年的博士研究时间。”

　　图片

　　图为谷歌DeepMind CEO 德米斯·哈萨比斯（Demis Hassabis）

　　这绝非夸张。以帮助他拿下诺奖的 AlphaFold 为例，根据诺贝尔奖官网的介绍，主要原因在于其在蛋白质预测上的杰出贡献，“这种模型解决了一个已有50年历史的难题，能够预测大约两亿种已知蛋白质的复杂结构，并且已被全球200多万人使用。”

　　官方科普文章还提到，在AlphaFold出现之前，研究人员在国际蛋白质结构预测竞赛（CASP）中最多只能达到40%的准确率，但借助AlphaFold，哈萨比斯的团队实现了60%准确率。

　　AI 介入科学研发最早的赛道是AIDD（AI 药物研发），而材料领域更是创新的蓝海，美国的资本市场已经开始兑现这一判断。

　　2025 年 9 月，一家致力于开发化学领域人工智能模型的初创公司CuspAI 完成了约 1 亿美元级别的 A 轮融资，由 NEA 和新加坡主权基金淡马锡（Temasek ）共同领投，英伟达旗下风险投资部门NVentures、三星风投（Samsung Ventures）、现代汽车集团等产业与科技巨头悉数入局。

　　此外，由前 OpenAI 和 DeepMind 研究人员联合创立的Periodic Labs 也在差不多时间宣布获得了 3 亿美元的融资。这家公司也是致力于人工智能加速材料发现和设计。融资由 a16z 主导，据称 OpenAI 也有望参与。目前，公司估值已经达到约 15 亿美元。

　　在中国，自成立以来，深度原理已完成数亿元人民币融资，投资阵容几乎覆盖国内外顶尖机构：线性资本、祥峰投资、高瓴创投、联想创投、联想之星、百度风投、真知创投、锦秋基金、启高资本、Taihill Venture 等。最近一轮融资中，蚂蚁更是第一次下场投资AI4S赛道。

　　回顾深度原理的发展历程，贾皓钧曾在公开访谈中介绍，最初这个项目是从 MIT 孵化出来的，早在 2022 年就萌生了这个想法，之后也得到了很多来自 MIT 社区的支持和资源。但最终还是决定把主战场放在中国。

　　他认为，中国制造是全球最强的，而且还会越来越强。所以，如果在前端能做好科学发现和技术转化，那后端的工业能力，再叠加十几亿人口的市场——不光是中国自己，周边还有东南亚、中东、非洲这些国家——这个市场的体量是巨大的。

　　现在在做的 AI for Science，本质上是用 AI 去做一些新的 scientific discovery。这些 discovery 最终都得走向工业应用，比如说材料、能源、化工，这些领域最终都要落到“怎么生产、怎么投产、怎么用”上。所以，把主战场放在国内，是一个很自然的决定。