🧪 AI for Materials · 融资速递

三个月连获两轮超亿元融资，AI 材料研发从「预测」走向「交付」

苏州材科源图（MatSource）近三个月连续完成两轮天使系列融资，总额超亿元，最新一轮由经纬创投领投。这家公司的核心命题只有一个：让 AI 不仅筛出候选材料，更要把候选变成经过实验验证、可以交付的配方与工艺。

来源：综合公开信息• 事件：材科源图连续两轮融资• 全文约 3 分钟读完
#AI for Materials #材科源图 #天使融资 #高通量实验 #材料智能体
2 轮 · 3 个月 近三个月连续完成两轮天使系列融资
超 1 亿元 两轮融资总额 · 新一轮经纬创投领投
+30% 案例中最优催化剂性能提升 · 已过小试

注：融资数据按公开信息口径整理，「两轮超亿元」指近三个月内完成的两轮天使系列融资。

⚡ 30 秒速览

  • 钱去哪了：完善「数据—物理模型—智能体—自动化实验」研发链，推动能源、催化材料进入中试与产业化，并引进交叉领域人才。
  • 谁在投：新一轮由经纬创投领投，苏创投及老股东中科创星、硅港资本跟投；前一轮进入者包括苏高新、硅港资本、合肥原初陆号、上海远鼓，老股东持续追投。
  • 技术底座：已积累百万级真实材料数据库、自研物理预测模型超 200 个，计划年内扩至千万级、250 个以上。
  • 关键证据：服务某世界 500 强企业，困扰多年的热催化难题不到两个月找到更优催化剂，最优性能提升 30%，已通过小试、进入中试。
  • 商业设计：技术服务、材料银行、自研材料生产三条路径并行，从卖服务延伸到交付材料产品——但更重的投入也在路上。

01融资时间线 半年内多轮资本加注

先看钱的结构。

近三个月内，材科源图连续完成两轮天使系列融资，总额超亿元；再往前，2025 年 11 月，公司刚完成一轮数千万元天使轮。半年左右先后获得多轮融资，节奏不寻常。

2025 年 11 月数千万元

天使轮

中科创星领投，元禾控股、亿合资本参与。公开信息显示此为最早一轮天使融资。

近三个月内轮次一

天使+ 前一轮

苏高新、硅港资本、合肥原初陆号、上海远鼓进入；老股东亿合资本、清新资本追投。

近三个月内两轮合计超亿元

天使+ 新一轮

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。

注：时间轴按公开信息整理；「轮次一」与「新一轮」均发生在近三个月内，两轮合计超亿元。

本轮资金的三条去处
🧬 补全研发链 完善「数据—物理模型—智能体—自动化实验」链条，加速智能高通量实验平台搭建与迭代。
⚗️ 推向产业化 推动能源、催化方向的材料进入中试和产业化阶段，往产线走。
👥 引进人才 招募 AI 与材料科学交叉领域人才，补齐跨学科团队。

02AI 预测之后，还有一道实验关 行业级难题

AI 进入材料研发并不是新概念。过去几年，机器学习已被用于性质预测、候选配方筛选与分子结构设计。但材料研发与文本、图像生成有本质区别：模型输出的只是一组候选方案，能否成立，必须经过合成、测试与反复验证。

计算端可以秒级筛选，实验端却未必跟得上。

预测与实验不形成闭环，模型结果就很难变成可用的配方和工艺。材科源图要解决的，正是这个剪刀差。

多数通用方案

  • 主要依赖统计相关性，输出候选结果
  • 实验验证速度跟不上计算筛选
  • 预测结果难转化为可用配方与工艺

材科源图的闭环设计

  • 专用智能体：基于真实实验数据与物理模型训练，是垂直领域专家系统
  • 全球首台 AI Agent 驱动的无机固相/固液相合成高通量实验平台
  • 「规划—设计—工艺—执行—反馈」全流程闭环，单日处理 150 个样品

闭环的直接意义在于：模型不再只输出预测结果，还能通过真实实验不断校正自己；研究人员靠经验完成的配方调整与参数组合，也有机会沉淀为可记录、可复用的数据。

03闭环体系的硬资产 四组关键数字

这套体系到底有多厚？材科源图给出了直接的数字。

百万级已积累真实材料数据库
200+自研材料预测物理模型
150 个/天实验平台单日样品处理能力
8 个智能体覆盖材料方向

注：前三组为当前存量；公司计划年内将数据库扩至千万级、物理模型增至 250 个以上。

与通用大模型不同，其智能体属于垂直领域专家系统。目前已覆盖以下方向：

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 费托合成

注：八个方向横跨能源、电子与化工场景，标签按公开披露整理。

04一个案例，胜过一百页白皮书 世界 500 强的热催化难题

数字是抽象的。一个已经交付的项目，比任何技术描述都更有说服力。

🔥 困扰多年的催化效率难题性能 +30%

  • 难题：某世界 500 强企业一个热催化反应的催化剂转化效率低下，困扰多年；此前外包给多个高校与头部材料研发公司，均未解决。
  • 交付：合同约定一年交付，实际不到两个月，就找到一系列性能更优的催化剂。
  • 结果：最优催化剂比企业原有材料性能高出 30%，已通过小试，正在走中试和量产阶段。
编辑注：这个案例的分量不在「30%」本身，而在于它把「模型预测 → 自动化实验 → 工程放大」整条链路跑通了一次——这正是多数 AI 材料公司尚未证明的部分。

05三条路，把技术做成生意 商业化路径设计

技术之外，材科源图对「怎么赚钱」也有明确设计，覆盖从研发服务到材料产品的完整链条。

PATH 01

技术服务

面向企业定制研发需求，通过项目开发、专利买断与 Token 计费等方式收费。

PATH 02

材料银行

把研发中积累的配方、工艺与知识产权沉淀为可复用的数字资产，以授权与收益分成变现。

PATH 03

自研材料生产

自建或合资工厂，直接推动材料量产。当前重点布局绿色有机电合成与固态电解质。

一个诚实的注脚：与单纯卖软件、卖算法相比，这条路覆盖更长链条，也意味着更重的实验设施、工程放大与产业运营投入。目前公司重点布局的两个方向，部分项目刚进入中试阶段——规模化的收入与验证，还在路上。

06资本为什么在此时入场 关注点正在转移

AI for Materials 正在从技术验证，向实际研发流程渗透。半年左右连续多轮融资，就是资本对这个趋势的投票。

模型预测→实验验证→稳定工艺→材料产品

注：这是从模型输出到商业交付的价值链路；对应到材科源图，研发底座是「数据—物理模型—智能体—自动化实验」。

链条上的每一步都在变贵，也都在变硬。谁先跑通，谁就拿到下一阶段的入场券。

编辑核心判断

AI for Materials 的分水岭已经出现：模型能筛出多少候选材料，只是入场券；真正决定商业价值的，是候选方案能否通过实验验证、形成稳定工艺，并最终变成客户愿意采购的材料产品。下一个值得跟踪的信号，不是模型参数，而是「两个月交付、性能提升 30%」这件事，能否在第二个、第三个客户身上被复制。

07把它放进观察清单 三个值得跟踪的信号

  • 数据库能否如期从百万级扩至千万级，物理模型突破 250 个
  • 绿色有机电合成、固态电解质能否走出中试、进入量产
  • 「不到两个月交付、性能 +30%」能否复制到更多产业客户