如果一家材料企业希望提高铝合金的导电率，那么它需要的并不是关于人工智能的宏大叙事，而是能够帮助其研发团队改进配方的具体结果。

在接受OFweek维科网专访时，芯培森联合创始人、CEO樊正伟用这个例子说明，企业的需求往往相当明确，难的是如何组织技术与资源，高效地满足它。

围绕这样的研发需求，芯培森从原子级科学计算的底层入手，开发APU（Atomistic Processing Unit，原子级科学计算专用算力单元），希望通过专用计算架构，提高材料模拟的效率，降低研究者探索微观世界的成本。

“我们最早只想做芯片、做卡。”樊正伟回忆。随着产品进入市场，团队开始面对一系列具体问题：加速卡需要服务器承载，复杂的计算流程需要更便捷的操作工具，还有一些客户希望直接提出需求、获得结果。芯培森的业务也由此逐步延伸到服务器、材料研发智能体以及计算服务。

从芯片、硬件到服务，这家公司正在打通专用算力与材料研发之间的连接。一颗芯片的性能优势，如何转化成研发团队能够持续使用的能力，也成为贯穿这次专访的核心问题。

 01 

为什么要为原子世界造专用芯片

理解材料的结构与性质，常常需要把视线深入到原子之间。在分子动力学模拟中，研究者需要不断计算原子之间的相互作用，更新它们的能量、受力，观察体系如何随时间演化。计算精度、体系规模以及模拟时长，共同决定研究者能够看见什么，也决定完成研究需要付出多大的代价。

相关研究长期面对精度与效率的取舍。基于密度泛函理论（DFT）的第一性原理分子动力学，能够提供较高精度，但计算成本限制了它能够处理的体系规模与时长；经典分子动力学借助经验势函数提高效率，但其精度和适用范围取决于所采用的模型。机器学习分子动力学尝试连接两者，通过高精度数据训练神经网络势函数，再用模型预测能量与受力，在经过验证的适用范围内，以较低成本接近参考计算的精度，解决了精度和效率难以兼顾的难题。

芯培森选择沿着机器学习分子动力学的方向继续推进。在樊正伟看来，这条路线已经显著降低了计算负担，算法与硬件还有进一步协同优化的空间。他希望达到的目标，是让计算精度接近第一性原理分子动力学，同时让速度向经典分子动力学靠近、甚至超越。采访中，他将其寄望于下一代专用芯片。

这一选择与团队的经历密切相关。樊正伟介绍，芯培森联合创始人、首席科学家刘杰博士曾在全球最大的半导体EDA厂商新思科技（Synopsys）从事研发工作，对芯片设计与计算机架构有深厚积累。在接触原子级计算问题的过程中，他发现，计算速度已经成为模拟研究的重要瓶颈。回国后，刘杰博士开始研究如何从芯片和架构层面解决这一问题。

樊正伟则在国内最大的公募机构易方达基金管理公司长期从事行业研究与投资工作，与刘杰相识二十多年，一直关注将这项技术做产业转化的可能。2024年，两人推动在广东成立公司，希望借助珠三角成熟的电子产业链，把科研成果从学校里的产品做成有市场竞争力的商品。

在此之前，相关技术已经积累了多年的研究基础。2022年，刘杰团队发表的NVNMD研究，将机器学习势函数与非冯·诺依曼专用架构结合，通过专用硬件设计，减少限制计算效率的数据搬运，并在FPGA平台上完成验证。2025年的NVNMD-v2研究进一步扩展了大体系模拟能力，论文报告了最高2000万原子的模拟规模。

樊正伟尤其重视大体系计算的意义。在他看来，真实材料包含大量原子，扩大模拟体系，有助于研究者把更多接近实际研究对象的结构与相互作用纳入计算。专用架构希望打开的，正是过去受计算成本约束的研究空间。

 02 

从专用架构到异构计算系统

为了支撑更大规模的原子级计算，芯培森将算法与硬件放在一起设计。机器学习势函数采用怎样的计算方式，运行时需要调用多少硬件资源，以及芯片如何执行这些运算，都需要在开发过程中相互配合。

在樊正伟看来，算法与芯片设计是“完全一体的东西”。他直言，“你要把这件事情做成的话，这两件你都要干。”

这种协同具体体现在对神经网络的轻量化处理上。据樊正伟介绍，团队通过调整激活函数、采用量化神经网络以及简化相关运算，极大的降低了计算对硬件资源的消耗。计算方法的优化与芯片实现紧密结合，共同服务于原子级计算的效率提升。

沿着这条路线，芯培森逐步把经过验证的架构做成专用计算产品。按照樊正伟的介绍，早期产品通过FPGA实现架构，进一步走向专用ASIC，需要团队完成芯片前端、后端设计，将论文中的设计方案落实到具体器件中。从架构验证到产品开发，芯片工程能力成为这项技术走向产业的重要支撑。

APU的任务定位也由此更加清晰。樊正伟将其重点应用范围落在大体系机器学习分子动力学上，希望在这类任务中实现计算速度的显著提升，以及计算功耗明显下降。对于性能比较，他强调需要交代具体的计算环境与比较条件，让指标与实际任务相对应。

这一定位延续到了赫曦服务器的系统设计中。按照他的介绍，APU负责计算负载最重、计算模式规则且存在通信瓶颈的部分，比如MD计算中的势能面推理环节，DFT计算中的哈密顿算符的非局域势能作用于波函数环节；CPU负责计算负载小但逻辑复杂的工作，如初始化、后处理等环节以及整体计算任务调度；GPU负责其他可并行的通用计算，比如三维傅里叶变换、正交化、模型训练等。不同处理单元分别承担适合自己的工作，共同组成面向材料计算的异构系统。

从这个角度看，APU进入服务器，也是在既有计算体系中增加一种新的专业分工。任务调度、模型训练以及原子级模拟有着不同的计算需求，芯培森需要把这些能力组织起来，让专用架构的效率优势进入完整的计算过程。

樊正伟认为，随着计算需求持续增长、任务类型进一步丰富，未来还会出现更多专用芯片，不同架构之间将形成更紧密的协作关系。“不是说你要替代我、我要替代你的问题。”他对APU的期待，正是在这样的系统中持续提高特定任务的处理效率，为更大规模、更复杂的材料研究提供计算支持。

 03 

从“算得更快”到“材料研发真的更快”

单壁碳纳米管的生长，是樊正伟在采访中介绍的一个具体应用。催化剂的选择与颗粒大小、碳源、气流速度以及温度，都可能影响碳纳米管的生长形态、速度与质量。随着输入条件增多，研究者需要探索的组合也不断增加，每一轮实验都意味着时间与资源的投入。

按照樊正伟的介绍，团队通过建立模型模拟生长过程，让研究者在模型中调整参数、比较不同条件下的结果，为后续实验提供参考。他表示，通过这样的方式，相关研发工作的时间和成本有望减少一至两个数量级，研发提效还将为企业争取更早推出产品的机会。

这一案例呈现了计算进入研发流程的具体方式。研究者可以先在模型中比较不同条件，再据此安排后续实验，把资源集中到更值得验证的方向。樊正伟介绍，芯培森当前主要聚焦小试、中试之前的配方优化与前期验证等环节，后续还希望继续拓展计算在研发和生产中的进一步应用。

要让这样的能力进入客户的日常工作，产品需要逐步完善。樊正伟坦言，公司正处于从“1到10”发展的阶段，市场和配套生态仍在形成。现阶段，很难期待服务器厂商主动围绕一种新加速卡完成适配，芯培森因此自己做服务器，把专用计算能力组织成可以交付的产品。他透露，公司服务器目前已销售100多台。

设备交付之后，使用门槛成为另一个需要解决的问题。预训练、微调、蒸馏以及推理，对许多材料研究者而言都是新的工具与方法。把一个材料问题转化为能够正确运行的计算任务，需要投入相应的学习和操作成本。芯培森由此开发MaterPlato材料研发智能体，希望通过自然语言交互，让研究者更便捷地使用这些计算能力。

这项工具的打磨紧贴实际工作展开。按照樊正伟的介绍，团队已按每周一版的节奏迭代，由计算人员反馈问题，开发人员修改，再交回实际场景测试。专业人员积累的经验与日常操作中遇到的障碍，持续成为产品改进的依据。

“知道一个方向，这个不是最难的。”樊正伟更看重谁能迅速把方向变成可用的产品，并在持续迭代中提高交付能力。

对于希望直接获得计算结果的客户，芯培森进一步提供科研服务。樊正伟用一句话概括这个方向：“你给我提一个需求，然后我给你个结果。”目前，这一交付过程仍需要专业人员投入，团队正在继续提高智能体的自动化水平，让需求理解、计算执行以及结果交付之间的衔接更加高效。

9月10日，芯培森正式发布材料计算服务品牌SwiftMater，首个服务产品聚焦固态电池电解质，由全职硕博团队直接对接高校、科研机构以及企业研发团队。专用算力、智能工具与专业服务开始围绕具体研究对象组合，覆盖从需求理解、方案设计到计算执行、结果交付的过程。

在这条商业化路径上，樊正伟也逐渐形成了对未来材料研发的判断。他认为，数字计算与实物实验将共同构成研发过程，越来越多的探索可以先通过数字实验展开，随后再进行合成与验证。随着数字实验比重提高，数据和算力会成为材料企业需要持续建设的研发能力。

芯培森希望参与这一变化，并通过开放合作扩展服务范围。“我们不是什么都想自己干。”在樊正伟的构想中，未来的平台可以连接不同团队开发的智能体，以及高通量、自动化实验室等资源，围绕一个材料研发需求组织协作。计算得到候选配方后，平台还可以衔接实验资源，继续验证材料能否合成、表现是否符合预期。

这也回到了他在采访中举出的铝合金例子：企业知道自己希望提高什么性能，平台需要提供的是满足需求的能力。参与计算和实验的工具可以来自不同团队，芯培森希望把这些资源连接起来，让客户更高效地获得结果。

从APU的架构设计，到服务器、智能体以及计算服务，芯培森正把底层技术沿着研发流程逐步展开。更大的计算空间，意味着材料企业有机会以更低的探索成本、更快的验证速度，找到下一种值得投入的配方。