律动造物谢童：从Token到实体材料，AI重构物质科学研发范式

当算力在70年间暴涨15个数量级，材料研发却仍停留在爱迪生时期的试错模式中，研发周期动辄十年、成功率不足10%。但伴随AI技术的引入，材料研发也正在发生范式革命。

在日前由澎湃新闻和上海国投未来产业基金联合举办的《逐浪·未来科技演讲》中，律动造物创始人谢童以一根钨丝为切入点，分享了其多年深耕AI与材料交叉领域的完整探索路径：从自研物质科学基础大模型到落地自驱动实验室，推出AI CTO体系，为材料产业智能化升级提供全新落地范式。

一根灯丝引发的范式思考

今天我的分享，从一根灯丝开始。

灯丝是人类近代最伟大的发明之一，也是爱迪生两千余项专利中影响力最深远的成果，它为人类点亮了稳定光源。为找到耐高温、不易熔断的发光材料，爱迪生带领团队长期扎根实验室，遍历成百上千种候选物质，耗时三四年才敲定钨丝方案。

这个故事，是我年少时对材料、化工产生浓厚兴趣的起点。我一直向往像爱迪生一样，通过材料研发创造能够改变世界的成果。而爱迪生穷尽样本反复试错的模式，正是传统材料研发的经典范式 —— 逐一试错、逐个排除。

在材料、分子结构相对简单的年代，这套方法尚且高效。但从上世纪80年代起，复合材料时代到来，碳纤维、各类新型电池材料陆续问世，材料设计空间呈指数级扩张。时至今日，如果依旧沿用爱迪生式纯试错研发模式，一款新材料平均研发周期超十年，整体成功率不足10%。

这里就抛出核心问题：当材料体系复杂度呈指数级增长，我们还能单纯依靠人工反复试错吗？

为解答这个问题，我们切换一条计算能力的增长曲线对比。2023年我去美国参观全球顶尖超算Aurora时，实验室负责人向我介绍：70年前，计算机每秒仅能完成千次运算；而彼时Aurora超算峰值算力可达每秒10的18次方次运算。70年间，算力整整提升15个数量级。这台超算被命名为“Aurora”（极光），即寓意算力与理论的突破，将为人工智能开辟全新道路。

反观材料被发现的速度或者说整个科学被发现的速度，其实从来没有真正快起来过。我们还没有找到一种能够真正放大科学家发现力的方法。所以我们给自己定了一个非常简单、也非常朴素的使命——We Scale Science，就是让科学无限地去扩展。

我从小对材料、化学非常着迷，读博之后我始终反复思考一个核心问题：人类科学家可以研读文献、吃透理论、开展实验、总结规律，最终发明全新材料，为什么机器做不到？

我认为人类科研的核心优势，不在于单次能试几百上千种材料样本，而在于能从海量知识里，预判下一代新材料的突破方向。所以我们第一步要解决的，是让机器读懂知识。

AI重塑材料研发范式

所以从2021年开始，我投入做这件事情。当时的判断是，关键并不是把多少论文、多少理论喂给这些模型，而是我们要找到材料自己的"世界语言"。我们需要正确的token化方式以及正确的模型框架。token化的方式，比如说材料可能不是一句话，它可能是一个结构、一个工艺、一个成分，甚至最后是一个性能表征。

我们认为，只有让机器先学会材料的语法，就像大语言模型学会语言的语法一样，它才最终有机会去理解整个材料世界。我作为最早参与用自然语言处理技术去重塑材料体系的科学家之一，其实我们刚开始在做的就是一件非常简单的事情——搭建一套体系，能让机器在这个世界上第一次能够读懂材料的知识。

我们在尝试告诉模型的是什么？就是一个材料是什么样的东西，它有什么样的性质，怎么做出来的，怎么去分析表征，最后用在哪里、有什么应用场景。我们把这些散落在上百年论文里的信息，第一次系统地分成了8类基本的科学元素。那段时间，说实话真的非常煎熬，因为今天回头看，当时的模型非常小，准确率也算不上完美。但是这些工作让我第一次看到，科学知识不仅仅是一页冰冷的文字或者一篇论文，它可以被机器变成可以规模化学习、处理和连接的知识体系。

ChatGPT问世后，整个行业迎来颠覆性变革。2022年我在参加美国AI顶会时第一次试用GPT系列模型，当即判断这项技术将重塑整个AI赛道。会议结束我返回澳大利亚后，立刻带领团队将Transformer这套大模型架构落地材料、化学领域，落地效果十分显著。

以往需要大量人工标注的科研任务，开始只要少量样本、更短时间即可完成。更关键的突破是：传统模型仅能单向提取信息，而全新架构支持模型自主发现误差、迭代修正，也就是如今行业熟知的 “自修正（Self-Correcting）” 机制。

当时我们联合相关机构推出了一套全新的面向基础科学的自修正模型框架，搭建出当时全球规模最大的高质量科学问答数据集，囊括18万组物理、化学、材料、能源领域专业问答。这套数据集在2023年之前几乎无法实现。

后续我们这套基于自修正的科学智能范式，也成为AI推理能力发展的重要路线。

从感知到行动

以上内容，是科学智能发展的上半场，也就是感知能力，包括如今行业所说的AI阅读文献、解析图谱、解答科研问题，全部归属于感知层能力。

2023年我提出，完整的科学智能还应该包含另一半核心能力——行动能力（Action）。放到材料研发场景中，行动能力指自主提出全新科研假设、设计实验方案、调用仿真模拟工具，最终合成出实体新材料、新化工产品。

由此我们开启全新课题：如何让AI跳出屏幕，走进实体实验室、落地产业工厂，创造产业价值。

我们将完整技术路线拆解为三大核心模块：大脑：基础大模型（Foundation Model），负责材料理解、跨文献知识推理；神经：智能体（Agent），拆解复杂研发目标，生成分步执行方案，明确下一步实验动作；双手：物理 AI / 自驱动实验室，操控实体设备，完成真实实验，形成研发闭环。

当大脑、神经、硬件执行端三者打通，AI Scientist的上限就不再只是科学家辅助工具，而是具备企业CTO级别的综合决策能力。它不止于判断科研想法是否新颖，更能综合评估材料可制造性、量产成本、终端客户需求，这也是我们提出 “AI CTO” 的核心概念。

实现 AI CTO 的第一步，打磨 “大脑”，我们做的第一步是推出DARWIN，这是全球首款面向物质科学的通用基础大模型。我们不希望模型只是机械背诵材料教科书，而是实现文本、分子结构、性能预测多任务联合建模：只需输入目标需求，模型就能预判材料理化性能；给定性能指标，就能批量生成候选分子结构。

该模型刷新多项材料领域权威评测基准，我们同步建立了一套从数据处理、模型训练到标准化评估的全新范式，这套路线至今被全球大量科研团队落地验证。

但掌握海量知识，不代表模型具备真正的科研推理能力。举个通俗例子：背熟全部数学公式，不代表能解从未见过的新题型。为激活模型深度推理能力，我们启动CheMiST的工作，提出两大核心训练框架。

一是中期预训练。在模型掌握通用文本知识后，输入海量专业科研数据完成 “科学专业教育”。我们采集39亿组专业科研语料，帮助模型建立完整化学底层认知。

正品配资平台

二是科学强化学习，业内首次在自然科学规律约束下完成强化训练。效果提升幅度十分可观：例如有机化学反应分类任务，模型准确率从10%提升至60%，性能实现数倍跨越。

解决单模态文本建模后，我们又面临新问题：材料世界不只有文字，还包含原子坐标、三维晶体结构、显微成像等海量多模态信息，此前行业没有配套标准化评测体系。

我始终认同一个观点：一流企业落地技术，顶尖企业建立行业评测标准，中国必须拥有自主可控的评测体系。

为此我们设计具象化评测任务：测试模型能否像拼乐高一样拆解、组合原子结构；能否整合分散在不同文献里的碎片化知识，生成全新的研究方向。

基于这套多模态、推理增强框架，我们研发出整套MOOSE-Chem智能体。我们首次将科研背景、创新灵感拆解建模，让模型模仿科学家思维，通过类比、排除、组合等手段推演生成全新科研假设。

我们做过一组验证实验：仅投喂2023年之前全部公开科研数据，让模型预测2024、2025年潜在新材料与化学突破方向。模型生成了50余项科研猜想，其中30余项是真的在2024年被验证。

这个数据印证了我一直坚持的判断：高性能大模型绝非只会复述已有文献，依托合理架构与科学训练方式，完全能够产出可落地、可验证的原创科研思路。

从实验室到工厂

有了大脑（基础模型）、神经（智能体），最后还要赋予AI一双手，实现实体材料合成。

早在2022年，我们就在墨尔本搭建全球首套纳米薄膜材料自驱动实验室，整个框架就是由模型提出实验方案，机器人完成合成与验证，然后再回到模型，由模型决定下一步该做什么材料。我第一次在这个实验室看到，在没有人逐步下指令的情况下完成整个实验闭环的时候，我的感受非常特别。因为过去我们谈论AI for Science，很多时候都在电脑上，在那一刻我发现，AI的判断真的变成了看得见、摸得着的材料。

但实验室小试成功，不等于产业落地。能在实验室合成一克样品，和万吨产线稳定量产之间，存在巨大工程鸿沟。博士毕业后，我选择创业，今年从澳大利亚回国，在上海成立律动造物。

深入国内产业一线后我发现，新材料研发绝非单纯设计分子结构，企业需要同步兼顾配方、生产工艺、配套设备，最终还要满足客户商业化需求。科研想要创造社会价值，必须扎根真实产业市场。

目前我们的AI CTO 体系已经落地万吨级量产产线。单款新材料产品迭代次数从平均 52次压缩至3.6次；帮助合作企业产品毛利率从5%提升至30%。

同时我们在上海推进 L4.5 级全自主实验室建设，目标实现单人全天候运维整套自动化研发系统。我们并非追求完全无人化研发，而是把科研人员从重复性试错、机械操作中解放，聚焦高价值前沿材料创新，助力中国从材料大国迈向材料强国。

最后我想分享一下我脑子里面对于材料研发的一个终极场景——一个材料的世界模型。

在过去，从设计到最后的量产，往往是一个割裂的系统，数据格式不同、团队不同，信息非常难以流动。在未来，我们希望把结构、工艺、表征等多模态的信息统一打通，不是说把它变成同一种数据，而是让同一个AI能够理解它们之间的因果关系，并且在真实的反馈中持续进化。

材料研发的终极形态

最后和大家分享我心中对于材料研发的终极形态——物质世界统一大模型。

传统研发链路，从分子设计到量产完全割裂，不同环节数据格式不统一、团队信息断层，数据难以流转互通。未来我们希望统一结构、工艺、表征全链路多模态信息表征，让单一AI模型读懂各类数据间的内在因果关联，并依托真实产线反馈持续迭代进化。

大家可以想象这套完整闭环场景：企业提出材料性能需求 → AI CTO 拆解需求、批量生成候选分子方案 → 自主实验室小试合成验证 → 成熟方案自动进入中试产线，模型同步迭代优化配方与工艺 → 最终落地稳定量产。

整套材料迭代流程不再存在反复人工交接、信息损耗，形成持续自我学习、自我优化的 AI 全链路闭环。这也是我们用 AI for Science 重构 “材料发现 — 工艺开发 — 规模化量产” 全链条的核心思路。AI不是在传统研发流程上附加对话窗口，这套全新范式，才能真正加速材料科学与产业文明发展。

再谈谈我们选择扎根上海的核心原因：科学智能既需要顶尖大模型技术，也需要庞大、复杂的实体产业场景。中国拥有全球最完整工业体系，海量材料研发与量产落地场景。在海外，模型很多时候仅服务一篇学术论文；在中国，我们的AI体系可以直接对接产线、工厂乃至整条产业链，这里是AI科学家成长为AI CTO 研发负责人最好的实践场。

回望从爱迪生灯丝到如今无穷无尽的材料分子组合空间，人类面临的研发难题复杂度早已今非昔比，但不变的是人类与生俱来的好奇心、想象力，以及持续追问、攻克难题的勇气。

我认为AI不会取代科学家，只会把科研人员从成百上千次无意义重复试错中释放，将宝贵时间留给真正具备突破性价值的创新工作。机器可以帮助我们看得更广、看得更快、走得更远，但决定我们往哪走的，永远是人。我希望AI能成为人类好奇心的一条更长的杠杆，从Token到一个材料，从一个实验室到一条产线，最终我们希望科学的发现能够造福每一个人。