4月9-12日，首屆中國"AI+新材料"大會在廣州舉行，匯聚超過50位院士及近4000名代表。會上，創材深造（Deep Material）創始人兼CEO王軒澤發表題為《構建能自主執行物理實驗的"AI材料學家"》的專題報告，并正式發布"One-Person Lab"（OPL）——一套讓AI首次真正具備自主實驗能力的完整科學發現系統。

首屆AI+新材料大會在廣州舉行

創材深造創始人兼CEO王軒澤做主題報告

一位科研人員依托One-Person Lab，利用AI Agent和高通量自動化實驗室，不需要5-10年的試錯周期，就能完成過去一個團隊的研發產出。它標志著AI for Science從"數字智能"邁入"物理智能"里程碑式轉折點。

十萬億級新材料市場：一場正在發生的生產力革命

新材料是航空航天、新能源、半導體、機器人等戰略性產業的"底盤"，是十萬億級別的巨大市場。然而，中國在高端合金、特種復合材料等領域長期面臨"卡脖子"困境——國產化率低、依賴進口、迭代緩慢。

傳統材料研發模式，一款新材料從實驗室到產業化需要5-10年、數十人團隊、數千次試錯，這一模式已然無法滿足快速增長的市場需求。核心瓶頸在于：研發是"正向試錯"——做出樣品、測試性能、再調整配方，循環往復，每一步都依賴人工操作和經驗判斷。

材料科學的演進史，本質上是研發范式的迭代史。從經驗試錯（第一范式）、理論模型（第二范式）、計算模擬（第三范式）到數據驅動（第四范式），每一次范式躍遷都帶來了研發效率的量級提升。而今天，我們正站在第五范式——AI for Science的門檻上。

AI for Science的核心，不是用AI"輔助"人類做實驗，而是讓AI成為科學發現的主體。它不再被動地分析數據，而是主動提出假設、設計實驗、執行驗證、修正理論——形成完整的自主科學發現閉環。

傳統AI for Science的困局：AI只"讀"不"做"

過去幾年，AI for Science在材料領域的聲音很大，但落地很輕。

這主要是目前市面上絕大多數"AI+材料"解決方案，本質上是文獻閱讀器+數據擬合器。它們從海量論文中學習已知知識，用機器學習模型預測材料性能，然后輸出一個"推薦配方"。但最終仍需人工實驗驗證，閉環速度受限于物理實驗環節。這條路存在三個無法繞過的硬傷：

數據來源的致命缺陷：訓練數據僅來自已發表的論文，而論文中缺失了90%以上的失敗實驗、負向結果、工藝細節等關鍵"暗知識"。AI從未見過真實世界的失敗，也就無法理解物理邊界。

缺乏物理反饋機制：模型輸出基于概率統計，無法通過真實的物理實驗進行驗證和糾偏。當模型產生"幻覺"——比如推薦一種熱力學上不可能存在的合金成分——系統毫無感知。

沒有科學方法論閉環：真正的科學發現，需要"提出可證偽假設 → 設計嚴謹實驗 → 根據結果修正理論"的完整循環。當前AI只完成了第一步（而且做得并不好），后兩步完全缺失。

王軒澤在報告中直言："科學發現的本質，不是閱讀文獻，而是親手做實驗并從結果中學習。 當前的大語言模型，是一個讀過萬卷書、卻從未動手的學生。"

這正是"One-Person Lab"要解決的核心問題。

One-Person Lab：讓AI親手做實驗

"One-Person Lab"的核心理念：一位研發人員（頂層設計）+ AI Agent（智能中樞）+ 高通量自動化實驗室（執行終端）= 傳統一個團隊的研發產出。

它是一個具備自主科學發現能力的完整系統。其技術架構分為三層：

頂層是材料設計引擎：傳統研發是"正向試錯"——做出樣品、測試性能、再調整配方，周期漫長。逆向設計則直接反了過來，輸入目標性能（如"屈服強度>1000MPa，延伸率>10%"），從目標性能直接反推材料配方，顛覆"試錯-測試"的傳統范式，實現研發效率的指數級躍遷。

中層是DM Agent+智慧圖譜：融合大語言模型與材料科學知識圖譜，構建具備物理常識的推理引擎。在通用大模型上疊加物理法則校驗層。模型推理強制走"成分→工藝→組織→性能"的因果鏈，而不是純統計關聯。內置的物理常識過濾器會主動攔截違背熱力學或冶金學原理的輸出——比如用FDM工藝打印鎳基高溫合金，Agent會直接報錯。

M-lab材料實驗室自動化與智能大腦系統

底層是M-LAB 7×24h"黑燈實驗室"：基于自研的HMPT-3000高通量力學性能測試平臺，實現從材料制備、熱處理、力學測試到數據上傳的全流程無人化運行。室溫測試效率達到600樣/天，較傳統人工提升10倍以上；協作機器人與AGV小車協同實現全流程自動化，消除人工操作偏差；而負向數據完整記錄，確保每一次失敗實驗都被捕獲、歸檔、用于模型修正，構成AI理解物理邊界的核心資產。

AI+高通量驅動材料研發飛輪

三層形成一個閉環：DM Agent提出假設 → M-LAB自動執行 → 物理數據回流 → 模型修正迭代。每完成一圈，智能體對物理規律的理解就加深一層。這不是一次性的軟件交付，而是一個自我加速的研發飛輪。

已跑通商業閉環，半年13款合金已量產落地

One-Person Lab不是PPT上的概念，而是已經跑通的技術-商業閉環。

以M-LAB高通量實驗室為例，它配備了完整的自動化材料制備與表征硬件系統：包括4通道LPBF增材制造單元、全自動線切割與數控加工單元、8通道獨立溫控熱處理單元，用于高效制備成分與工藝可控的微小試樣；在測試端，集成了三工位全自動室溫拉伸單元（日測600樣）、全自動小沖桿高溫蠕變測試單元以及形貌檢測設備，并輔以機械臂（10秒/樣取放）、非接觸式引伸計、柔性樣品臺、散斑自動噴涂與視覺糾偏等自動化與檢測。

此外，M-LAB還可開展室溫拉伸、高溫拉伸、高溫蠕變、全場應變分布、表面形貌檢測等批量力學性能表征實驗，一次性處理多達140個小微試樣，返回全流程應力-應變曲線、彈性模量、屈服強度、抗拉強度、斷裂延伸率、硬化曲線及二維全場變形演化細節等高質量數據，從而快速、經濟、精準地構建材料性能大數據集，實現材料性能預測與AI模型研發。

創材深造研發的新材料已在終端廣泛應用

依托One-Person Lab平臺，創材深造半年內完成13款合金材料的研發，覆蓋鎳基高溫合金、超高強鈦合金、無稀土高強鋁合金、高熵合金模具鋼等，多個產品已在航空航天、新能源汽車、消費電子等領域實現對進口材料的實質性替代，訂單金額超千萬元。

構建能自主執行物理實驗的"AI材料學家"

2025年9月，成立僅四個月的Periodic Labs宣布完成3億美元種子輪融資，a16z領投，NVIDIA、Jeff Bezos、Eric Schmidt跟投。2026年3月，新一輪融資談判將其估值推至約70億美元。其創始人包括ChatGPT共同創造者Liam Fedus和前DeepMind材料科學負責人Ekin Cubuk。

Periodic Labs要做的是一個"AI物理學家"：能夠自主提出科學假設、設計實驗、驅動機器人執行、根據實驗結果修正認知。其核心包括兩樣東西：一個注入物理、化學、量子力學知識的科學推理模型，以及一個由機器人驅動的自主實驗室，最終構成一套"大腦+手腳+物理反饋"的架構。這一方向正在重新定義AI for Science從"數字智能"向"物理智能"的范式躍遷。

創材深造的目標同樣是構建能自主執行物理實驗的"AI材料學家"。目前，其One-Person Lab已實現"大腦"（AI Agent）與"手腳"（機器人、AGV、高通量設備）的無縫連接，數據閉環完整，迭代速度達到小時級，打通了"計算→實驗→驗證→迭代"的完整閉環，讓AI真正"親手觸摸"物理世界。在此基礎上，公司已在半年內完成13款合金材料的研發與量產。

維度傳統模式同類AI材料公司One-Person Lab

人力需求5-10人團隊需協調外部實驗資源1人即可驅動

實驗閉環人工操作，碎片化依賴外部實驗室，周期周級7×24h全自動，小時級迭代

數據利用僅正向結果正向+部分公開數據正向+負向全記錄，閉環進化

物理AI能力無實驗環節外包直接調度機器人、AGV、高通量設備

產業化進度5-10年未公布大規模量產半年13款合金量產

One-Person Lab的優勢

創材深造（Deep Material）是唯一打通"AI設計→自動化實驗→數據回流→模型迭代"全閉環并實現規模化量產的中國公司。One-Person Lab在多個維度上展現了中國對美國在該領域的代際超越。

一人抵一團隊，按需付費

在One-Person Lab平臺，一位科研人員只需做好頂層設計，AI Agent即可自主生成實驗方案、調度設備、迭代優化，7×24小時不間斷執行，幾個月內完成一款新材料的研發。

One-Person Lab采用訂閱制收費，客戶無需一次性投入數千萬元自建實驗室，也無需組建數十人團隊。按年訂閱，收費靈活：按設備使用時長、樣品通量、數據產出量均可定制。這樣極大地降低了材料研發的起步門檻，同時也確保了產出效能。

專家認為：本質上看，One-Person Lab是研發能力即服務"（R&D as a Service）在材料科學領域的規模化落地。而對創材深造來說，訂閱制意味著持續的收入流、極高的客戶粘性以及邊際成本遞減。每新增一個客戶，M-LAB的硬件利用率提高，AI模型因更多數據而更精準，形成典型的"數據網絡效應"。

從OPC到One-Person Lab：AI時代的組織形態變革

近年來，一個名為OPC（One-Person Company） 的概念正在全球興起。它描述的是這樣一種未來：一個人，借助AI工具鏈，能夠完成過去需要一家公司才能完成的工作——從產品設計、代碼開發、市場營銷到客戶服務，全部由AI賦能的一人團隊獨立完成。

在研發領域，OPC的理念同樣適用。材料科學作為最傳統、最"重資產"的學科之一，長期以來被認為是"團隊作戰"的典型——需要實驗員、數據分析師、工藝工程師、設備工程師等多角色協同。而"One-Person Lab"正是將OPC理念落地到材料研發的具體形態：

一個人（專注于頂層創新）、一套系統（AI Agent+自動化實驗室承擔執行性工作）、一個閉環（從目標設定到配方輸出自主完成）。

一個人無需高昂的投資和時間周期，也能探索物理世界的無限可能。這不僅是效率的提升，更是科學發現權力的民主化。這一模式天然適合材料研發的"終極形態"：不是某一家公司擁有最先進的實驗室，而是任何一位科研人員、任何一家有材料需求的企業，都能以極低的邊際成本，獲得頂級的AI+材料研發能力。研發不再是重資產的代名詞，而是一種可隨時調用的云服務。One-Person Lab正在將這一圖景變為現實。

急速增長的萬億級賽道，前景廣闊

Periodic Labs以70億美金估值獲得全球資本認可，印證了AI驅動材料研發賽道的巨大潛力。中國作為全球最大制造業國家，高端材料自給率不足，進口替代需求迫切。航空航天、新能源、半導體、機器人等戰略性產業每年對新材料需求達數萬億元，全球新材料市場規模超10萬億美元，其中AI可滲透的研發服務與新材料價值創造部分達萬億級。

目前，創材深造已率先跑通產業化閉環，其稀缺性和成長空間遠超市場預期，在AI for Science 2.0時代，One-Person Lab不僅是工具提供商，更是下一代材料科學基礎設施的構建者。

王軒澤說："我們不是在用AI輔助研發，而是在教會AI如何像物理學家一樣思考、行動與發現。One-Person Lab不是一款產品，而是一個理念——讓每一位科研人員都擁有一支‘AI團隊'。"

在AI for Science的浪潮中，誰先構建起"物理世界AI"的閉環能力，誰就將占據下一代科學基礎設施的制高點。創材深造的One-Person Lab，已經邁出了決定性的一步。

關鍵詞： 創材 深造 發布 One-Person Lab 帶來 親手 實驗 AI 材料