半导体材料的独特价值，也在于其“卡点”属性。材料性能直接影响工艺良率、产品可靠性与供应链韧性。尤其在先进制程和先进封装并行推进的当下，一个材料体系的微小改进，例如热膨胀系数匹配、介电损耗降低、批次稳定性提升，都可能成为某类芯片能否量产导入的关键变量。

在这一背景下，AI for Materials开始受到关注。

与通用大模型不同，AI半导体材料研发面对的是一个更加“硬”的世界：数据不完整、规律不显性、实验周期长、验证成本高，每一个材料方案都必须经受真实产线和客户体系的检验。

近日，维科网半导体专访了AI驱动半导体材料研发企业新研智材的联合创始人、CTO南凯博士。南凯在公司负责AI、物理建模、智能体系统等技术体系。他是应用物理博士，曾发表PRL论文，也曾任职于字节跳动AI for Science相关部门。

新研智材的联合创始人、CTO南凯博士

在南凯看来，AI不是材料科学的替代者，而是材料科学的“放大镜”。它的价值不在于让企业跳过科学规律，也不在于替代资深材料专家，而是在复杂变量中缩小搜索空间、减少无效试错，并最终支撑材料研发走向产业闭环。

AI算力爆发，倒逼半导体材料研发告别低效试错

南凯并不是一开始就规划好要投身半导体材料领域。

他的成长路径横跨光学、物理、AI应用、AI制药，再到AI for Materials。在他看来，这些经历最终都指向同一个问题：如何让AI真正理解物理世界，并在具体产业中产生价值。

“材料是一个非常大的领域，跟制药很像。AI制药不能泛泛地做药，而是要找到一个切入点。材料也一样，有能源材料、可降解材料、半导体材料等很多方向。切入点非常关键。”南凯表示。

新研智材选择半导体材料，并不是因为这个概念足够热门，而是因为它足够复杂，也足够接近产业需求。

半导体材料不同于很多单一性能材料。它既包含有机体系，也包含无机体系，很多场景还涉及复合材料。更重要的是，半导体材料评价的不是单点性能，而是多指标平衡：导热、介电、可靠性、应力、湿热稳定性、工艺兼容性、批次一致性，任何一个指标失衡，都可能导致材料无法进入客户体系。

这决定了半导体材料研发天然适合AI介入。

从产业端看，AI算力需求正在推动硬件体系持续升级。GPU、HBM、Chiplet、先进封装、CPO等方向快速发展，对上游材料提出了更高要求。过去依赖经验和试错的研发方式，已经越来越难匹配下游迭代速度。

新研智材成立于2024年12月底。公司成立之初，就锚定半导体材料方向。南凯解释，这背后有两层逻辑。

第一，从技术底层看，不同材料虽然应用场景不同，但材料结构、性能和机理之间存在共通规律。如果能在半导体这一高复杂度领域打通底层逻辑，未来向其他材料方向拓展会更容易。

第二，从产业落地看，新研智材团队本身具有材料和半导体产业积累。AI for Science不能只停留在算法先进性上，最终要落到真实产业问题里。

这也是新研智材与泛AI材料平台的区别之一：它不是先做一个通用模型，再寻找应用场景，而是从半导体材料的产业痛点出发，反向构建AI系统。

在南凯看来，AI for Materials的核心不是“AI大还是Science大”，而是必须基于Science使用AI。

“AI是放大镜，它可以把人的能力、已有基础和边界效应放大。但基本点还是Science本身，或者材料本身。”南凯表示。

这背后是一个重要判断：半导体材料不是靠通用大模型就能直接解决的问题。材料数据不是冷冰冰的数字，每一个数据背后都有实验条件、工艺约束和物理含义。如果不理解这些含义，模型指标再好，也可能无法服务真实研发。

南凯举例说，一个模型在大数据集上的平均误差可能表现不错，但材料工程师真正关心的是关键单点。如果某个关键材料方案预测错误，那么在工程师眼里，这个模型就是不可靠的。

这也是AI进入产业时经常遇到的错位：算法团队关注整体指标，产业团队关注具体结果；算法团队认为模型已经足够好，工程师却认为关键点不能错。

因此，对新研智材而言，真正的技术壁垒不是单纯做一个模型，而是让AI理解半导体材料问题的真实约束。

半导体材料研发最贵的不是计算，而是走错方向后的产业代价

材料研发长期具有高投入、长周期、高失败率的特征。在半导体材料领域，这一问题更加突出。

“找到候选方案只是第一步，后面还有实验验证、中试放大、客户导入、工艺适配、可靠性测试和量产一致性。任何一个环节出问题，前期研发投入都可能被推倒重来。”南凯认为，半导体材料研发最难的地方不是某一个单点，而是整个链条都难。

但在当前产业环境下，比难度更紧迫的是速度。

AI算力产业链需求快速变化，下游客户对材料性能和交付周期的要求同步提高。材料企业不仅要做出更高性能的产品，还要更快完成迭代。哪怕只提前一个月，也可能形成竞争优势。

这使得传统研发模式的局限越来越明显。

过去，一个材料项目可能需要几名资深工程师花费接近一年时间完成基础demo。新研智材希望通过AI系统，把大量低概率、低价值实验提前筛掉，从而缩短研发周期。南凯提到，在一个案例中，原本需要一年左右、依赖多名资深工程师完成的工作，通过新研智材的软件，可以在约三个月内解决。

这并不意味着AI取代了专家，而是减少专家在无效路径上的消耗。这也是半导体材料AI最重要的商业价值之一：降低高成本试错。

对材料企业而言，真正昂贵的并不是计算本身，而是走错方向之后付出的实验成本、验证成本、设备资源、客户窗口期和机会成本。尤其当材料已经进入中试甚至客户验证阶段，再发现方向错误，代价会远高于前端研发阶段。

因此，AI的价值不是给出一个看起来完美的答案，而是在研发早期排除错误方向，重新排序实验优先级，把有限资源集中到更可能成功的路径上。

这也是为什么新研智材强调“AI计算+物理模型”，而不是纯数据驱动。

南凯认为，材料领域的数据基础并不像通用互联网场景那样充足。很多企业的实验数据并未结构化沉淀，甚至没有电子化；不同实验室、仪器、操作员和环境条件下得到的数据也可能存在差异。如果简单依赖历史数据，模型容易过拟合，失去物理合理性。

更关键的是，半导体材料研发不是单指标优化，而是多目标权衡。

一个配方中0.1%的变化，可能提升某项性能，却同时损害另一项性能。先进封装材料、电子化学品、高导热材料等方向尤其如此。材料最终能否产业化，不只取决于某个指标突出，更取决于它能否在综合性能、成本、工艺和可靠性之间取得平衡。

“产业应用本质上是取舍的艺术，不是完美主义。”南凯说。

这句话也概括了AI在半导体材料中的角色。AI不是寻找某个理论最优点，而是帮助企业在复杂约束中找到可交付、可验证、可量产的版本最优解。

在先进封装和电子化学品方向，这种能力尤其重要。

随着先进制程推进难度加大，先进封装成为提升系统性能的重要路径，也对材料提出了更复杂的要求。材料既要满足更高性能，也要适配更复杂工艺，还要经受长期可靠性测试。

南凯认为，AI主要解决两类问题：

第一类，是人类短时间内能解决、但效率低的问题。AI可以通过筛选、预测和优化，减少实验次数，提升研发速度；

第二类，是人类可能发现不了的问题。AI可以在更高维空间中搜索潜在材料组合，发现超出个人经验范围的新方案。

这也是他所说的AI“放大镜”效应：它一方面提升平均效率，另一方面也会放大优秀团队和普通团队之间的差距。

“AI会让平均值提高，入门门槛降低，但也会带来更大的能力差距。越有经验的人，越能通过AI体现更高效率。”南凯表示。

从商业角度看，AI并不会让所有材料企业获得同样提升。真正受益最大的，可能是那些本身拥有产业know-how、客户场景和研发积累的企业。AI带来的不是对差距的抹平，而是放大。

从实验室走向量产，才是AI材料公司的真正考验

近年，AI for Science在资本市场和产业界都获得了很高关注。但对半导体材料行业来说，南凯认为，走到稳定量产阶段，AI系统仍有大量问题需要解决。

“比如，即使完成导入，量产阶段还要面对批次稳定性和成本控制。”南凯说。

这里的成本不只是算力成本，还包括时间成本、电力成本、硬件部署成本、人员协作成本和场景迁移成本。一个AI系统如果只能在特定实验室或特定场景中表现良好，但换一个客户、换一条产线、换一个地点就需要重新适配，其产业化价值将受到限制。

另一个问题是人机协作。AI进入材料研发后，人到底扮演什么角色？是指挥者、执行者、审核者，还是协作者？不同企业、不同研发环节的答案并不一样。AI系统要真正落地，必须找到人与AI之间稳定的协作方式。

第三是安全性。材料研发高度依赖边界条件，AI必须避免幻觉，对数值变化足够敏感，也必须保障数据安全。一个小数点、一个温度条件、一个配比误差，都可能导致完全不同的实验结果。

这也是为什么新研智材在本轮融资后，除了继续投入算法和人才，还将重点建设无人实验室、世界模型和数据采集生态。

在南凯看来，材料AI要走向产业闭环，必须打通虚拟世界和真实物理世界之间的障壁。

其中，无人实验室不是展示性设施，而是模型、实验、反馈之间形成闭环的基础设施。AI可以在软件层面24小时寻找新方案，但这些方案最终仍要回到真实实验中验证。如果实验数据不能及时、高质量地反馈给模型，AI系统就难以持续进化。

新研智材还在规划AI护目镜等硬件产品，用于记录实验过程细节。南凯解释，很多实验失败并不一定是配方问题，也可能来自人为操作误差。但传统实验记录很难完整捕捉这些细节。

AI护目镜可以记录实验操作过程，帮助系统识别某个步骤、动作或环境因素是否影响结果，再与软件系统结合，给出建议或改进方案。

这背后是一个更深的逻辑：降低人的变量。

材料行业有大量隐性经验掌握在少数资深专家手中。很多经验之所以被称为经验，是因为专家知道“这样做有效”，但未必清楚背后的完整机理。AI如果能通过实验记录、数据反馈和物理模型，把经验背后的规律提炼出来，就有机会把个人经验转化为系统能力。

世界模型则是新研智材更长期的技术规划。

以老化实验为例，半导体材料往往需要长期可靠性验证。南凯认为，如果能够建立从微观机理到宏观表现的材料世界模型，就可以通过模拟和预测减少部分长期实验负担，提高验证效率。

不同于传统仿真软件只解决某个尺度或某类物理问题，新研智材希望构建多物理场、多尺度模型体系：既理解原子、分子层面的机理，也关联宏观材料表现和产业应用条件。

在商业模式上，新研智材更倾向于平台化。

南凯把公司比作“卖铲子”的人，也像一家“五金店”。平台提供工具、模型和系统能力，客户使用这些能力开发材料。不同客户可以选择不同配置，但底层框架是稳定的。

因此，新研智材一方面提供平台化能力，另一方面也会与部分客户进行深度联合研发。在数据和知识产权问题上，公司不会主动要求客户提供机密数据，但客户可以选择共享非机密、脱敏数据或使用反馈，以换取更好的系统体验。

南凯认为，客户贡献越多，AI越能理解其企业上下文，反馈也越精准。但这种贡献不一定是核心数据，也可以是功能反馈、流程反馈和使用体验反馈。

从更长周期看，这有助于形成材料AI生态。

但南凯也指出，半导体材料行业目前还缺少成熟benchmark。很多公开评测偏理论，与真实产业问题存在距离。而真正困扰企业的材料需求，又往往不能公开，因为这会暴露产品方向和研发战略。

因此，短期内，AI材料公司的验证不会完全来自公开榜单，而会来自真实客户、真实项目和真实材料成果。

这也是新研智材所处赛道的复杂性：它既是AI公司，也是材料公司；既要讲模型效率，也要讲材料性能；既要服务研发端，也要进入产业端；既要面对科学问题，也要面对商业交付问题。

南凯对AI的态度并不激进。他反复强调，AI不是魔法棒，材料行业也不会在一夜之间被改变。这个行业过去几十年形成的研发方式、经验体系和产业协作模式，都需要时间被重构。

这将不只是新研智材一家公司要完成的事情，而是整个材料产业链、半导体产业链和AI for Science生态共同推动的方向。