主播
节目简介
来源：小宇宙
蹭个热点，其实更直白地蹭是“从刚过会的长鑫存储和暴涨的SK海力士聊起”。
但内容确实是这个行业更底层、更本质的技术——材料研发。这次采访对我本身理解存储市场的火热也帮助很多。
一方面当越来越多行业开始被 AI 改写时，新材料研发依然停留在一个高度依赖经验、反复试错的阶段。一个新材料方向，可能试几年；关键经验装在少数工程师脑子里；真正值钱的配方与工艺，又天然高度封闭。
另一方面，过去，材料研发很少进入公众讨论，但随着 AI 算力竞争升级，它们开始被推到更前台。
能提供AI训练和推理所必需的HBM（高带宽存储）SK海力士，几乎成为 AI 浪潮最大的受益者之一，就是最典型的例子。
GPU是AI大模型的基础；但GPU的上限，越来越取决于HBM、先进封装与热管理系统；这些能力再往下拆，会回到材料。
所以，本次播客对话邀请了新研智材联创兼CTO南凯。
新研智材锚定的方足够本质——聚焦技术壁垒高、长期面临卡脖子风险的半导体先进封装材料，如CPO（共封装光学）关键光学粘接材料、GPU/HBM等高性能计算所需的导热界面材料，以及最前沿的光刻胶、前驱体等高壁垒电子化学品。
南凯告诉我，他们的能力有两个，一个是面向材料研发的 Agent，一个是自己下场做材料。
当然，他们刚刚融了数千万人民币，并且估计又涨了好几倍……可见AI材料的重要性。
分享了AI+材料领域创业的行业现状、业务路径、个人职业经历与创业选择，核心讨论了材料领域AI落地的难点、路径以及实际落地效果。
文字版：当一个30岁的物理博士创业做AI4S，他的尝试、等待和野心 | 对话新研智材CTO南凯
本期音频由视频版直接扒下来的，所以如果要看视频版：https://weixin.qq.com/sph/AuQZIMrlM
https://www.youtube.com/watch?v=rUlVTYakYLM&t=1874s
00:01:49 同样是AI4S，AI+材料为什么不如AI+生物医药受关注
00:03:06 AI主导研发，工程师做辅助，同时可以把工程师积累的经验提取到AI体系中，反而能帮助企业更好地保护知识资产。
00:04:41 AI+材料行业的路径争议
当前行业没有达成共识的问题包括：短时间内不会出现类似AlphaFold的通用大模型，也没有确定先做平台还是先做垂直领域。新研智材的判断是：现阶段从算力、数据、行业发展来看，必须先打通垂直细分材料形成闭环，才能逐步拓展成平台。如果一上来就做通用平台，变量太多，公开数据不足，不同细分领域需求差异大，很难落地。生物医药行业的发展也验证了这个路径，头部玩家最后都聚焦到细分赛道。
00:07:02 公司业务与产品定义
00:07:50 借用自动驾驶分级概念划分了三个AI与人的配合模式
00:08:51 Synmat agent的工作流程，将1000次的实验降低到20次。
00:12:42 数据隐私信任问题的解决策略
00:16:34 废弃数据的利用与软硬件布局
00:17:55 学术界和工业界导向不同
00:19:22 新研智材的落地规避方案：聚焦，关注工业
00:22:04 AI能研发出材料，但人类无法解释其原理的情况，最终变成既具备解释性又不具备解释性的状态。
00:24:56 选择半导体材料作为切入点的原因
00:27:43 AI研发新材料的定义与传统模式对比
00:28:22 ※材料对算力发展的作用
00:31:04 创业公司资源有限，怎么做两个业务？公司团队由AI、材料、science三类背景的人员构成。
00:37:38 推动整个行业开放数据，新研智材这类初创商业化AI公司是最合适的定位
00:40:26 10天辞职回国创业的故事
00:41:11 AI对自身工作流的优化
00:42:13 博士阶段PRL论文研究经历
南凯博士阶段发表了两篇PRL论文，PRL是物理学顶刊，很多诺奖得主都在此发论文。
00:53:22 从材料研究转向AI创业的路径
00:57:37 AI可解释性的挑战
00:59:02 天大精仪实验班经历对现在的影响
01:05:45 个人长期目标
南凯提到，自己的目标是：5年后公司上市，10年后推动整个AI+材料行业发生大的变化，20年后让公司的AI技术影响更多领域，不仅仅局限在材料领域。
AI+材料领域的行业现状与落地难点
* 行业整体状态：AI+材料是刚起步的新兴行业，目前没有明确的行业定式与成熟商业逻辑，全行业都在摸索阶段。
* 材料企业对AI的接纳难点：材料行业是结果导向，材料企业的配方、工艺是核心护城河，对数据泄露的接受度为零，完全不接受SaaS云端部署，要求所有数据存储在本地服务器。
* 行业数据积累现状：材料领域公开数据源远少于生物医药领域，企业不愿意共享任何配方相关数据，失败的无效数据也被留在企业内部，无法被AI训练利用。
AI+材料行业的发展路径共识
* 不支持现阶段做通用平台：由于当前算力、数据、行业发展条件都不支持，材料领域变量多、需求分散，需要先打通垂直细分领域形成闭环，再逐步拓展成平台。
* AI落地的正确分工：提出以AI为研发主体，人类工程师做辅助的L3阶段分工，AI主导研发管线规划，工程师将实验数据返回给AI迭代，最终实现降本提速。
* 数据隐私问题的解决策略：采用本地部署或混合部署方式，提前做好合规认证，先做POC验证逐步获取信任，明确划分自身业务与客户业务边界，打消客户疑虑。
为什么选择半导体材料作为切入点
* 长远逻辑符合发展趋势：当前AI产业革命对芯片材料提出了更高要求，半导体材料领域有充足的市场需求和发展空间。
* 团队基因匹配：团队本身半导体相关的材料背景积累更深，更容易在垂直领域快速打通形成闭环。
* 场景扩展性好：半导体材料已经覆盖了有机、无机、复合材料三大类，为后续拓展其他材料领域打下了基础。
同时做AI工具和自研新材料的商业逻辑
* 两者本质是同一件事：AI agent是研发新材料的工具，自研新材料相当于用自身产品验证工具效果，给客户做示范。
* 分阶段推进符合初创公司需求：软件层面可以快速变现，解决初创公司活下去的问题；自研新材料可以打开公司成长天花板，目标是成长为AI主导的材料巨头。
* 不同阶段匹配不同业务：在公司规模较小时先聚焦做AI agent，当前具备能力后再衔接自研新材料业务，后续再逐步打通工厂和销售环节。
学术研究与工业落地的差异
* 核心导向不同：学术界偏向成果导向，追求技术突破；工业界偏向结果导向，要求解决实际问题。
* 学界成果的落地痛点：类似MetAI这类学界成果，只给出材料结构不提供合成落地指导，对工业界而言没有完整解决问题，因此引发争议。
* 新研智材的规避方式：聚焦垂直细分领域减少变量，团队有大量材料背景员工，更懂工业界实际需求，只做能落地产生实际价值的产品，不做技术先进但离应用遥远的研究。
非标玩家UnDefined是一档商业人物访谈播客，致力于让世界看到中国商业和科技力量，只影响1%的商业决策者。
欢迎有认知的商业决策者联系、合作~
但内容确实是这个行业更底层、更本质的技术——材料研发。这次采访对我本身理解存储市场的火热也帮助很多。
一方面当越来越多行业开始被 AI 改写时，新材料研发依然停留在一个高度依赖经验、反复试错的阶段。一个新材料方向，可能试几年；关键经验装在少数工程师脑子里；真正值钱的配方与工艺，又天然高度封闭。
另一方面，过去，材料研发很少进入公众讨论，但随着 AI 算力竞争升级，它们开始被推到更前台。
能提供AI训练和推理所必需的HBM（高带宽存储）SK海力士，几乎成为 AI 浪潮最大的受益者之一，就是最典型的例子。
GPU是AI大模型的基础；但GPU的上限，越来越取决于HBM、先进封装与热管理系统；这些能力再往下拆，会回到材料。
所以，本次播客对话邀请了新研智材联创兼CTO南凯。
新研智材锚定的方足够本质——聚焦技术壁垒高、长期面临卡脖子风险的半导体先进封装材料，如CPO（共封装光学）关键光学粘接材料、GPU/HBM等高性能计算所需的导热界面材料，以及最前沿的光刻胶、前驱体等高壁垒电子化学品。
南凯告诉我，他们的能力有两个，一个是面向材料研发的 Agent，一个是自己下场做材料。
当然，他们刚刚融了数千万人民币，并且估计又涨了好几倍……可见AI材料的重要性。
分享了AI+材料领域创业的行业现状、业务路径、个人职业经历与创业选择，核心讨论了材料领域AI落地的难点、路径以及实际落地效果。
文字版：当一个30岁的物理博士创业做AI4S，他的尝试、等待和野心 | 对话新研智材CTO南凯
本期音频由视频版直接扒下来的，所以如果要看视频版：https://weixin.qq.com/sph/AuQZIMrlM
https://www.youtube.com/watch?v=rUlVTYakYLM&t=1874s
00:01:49 同样是AI4S，AI+材料为什么不如AI+生物医药受关注
00:03:06 AI主导研发，工程师做辅助，同时可以把工程师积累的经验提取到AI体系中，反而能帮助企业更好地保护知识资产。
00:04:41 AI+材料行业的路径争议
当前行业没有达成共识的问题包括：短时间内不会出现类似AlphaFold的通用大模型，也没有确定先做平台还是先做垂直领域。新研智材的判断是：现阶段从算力、数据、行业发展来看，必须先打通垂直细分材料形成闭环，才能逐步拓展成平台。如果一上来就做通用平台，变量太多，公开数据不足，不同细分领域需求差异大，很难落地。生物医药行业的发展也验证了这个路径，头部玩家最后都聚焦到细分赛道。
00:07:02 公司业务与产品定义
00:07:50 借用自动驾驶分级概念划分了三个AI与人的配合模式
00:08:51 Synmat agent的工作流程，将1000次的实验降低到20次。
00:12:42 数据隐私信任问题的解决策略
00:16:34 废弃数据的利用与软硬件布局
00:17:55 学术界和工业界导向不同
00:19:22 新研智材的落地规避方案：聚焦，关注工业
00:22:04 AI能研发出材料，但人类无法解释其原理的情况，最终变成既具备解释性又不具备解释性的状态。
00:24:56 选择半导体材料作为切入点的原因
00:27:43 AI研发新材料的定义与传统模式对比
00:28:22 ※材料对算力发展的作用
00:31:04 创业公司资源有限，怎么做两个业务？公司团队由AI、材料、science三类背景的人员构成。
00:37:38 推动整个行业开放数据，新研智材这类初创商业化AI公司是最合适的定位
00:40:26 10天辞职回国创业的故事
00:41:11 AI对自身工作流的优化
00:42:13 博士阶段PRL论文研究经历
南凯博士阶段发表了两篇PRL论文，PRL是物理学顶刊，很多诺奖得主都在此发论文。
00:53:22 从材料研究转向AI创业的路径
00:57:37 AI可解释性的挑战
00:59:02 天大精仪实验班经历对现在的影响
01:05:45 个人长期目标
南凯提到，自己的目标是：5年后公司上市，10年后推动整个AI+材料行业发生大的变化，20年后让公司的AI技术影响更多领域，不仅仅局限在材料领域。
AI+材料领域的行业现状与落地难点
* 行业整体状态：AI+材料是刚起步的新兴行业，目前没有明确的行业定式与成熟商业逻辑，全行业都在摸索阶段。
* 材料企业对AI的接纳难点：材料行业是结果导向，材料企业的配方、工艺是核心护城河，对数据泄露的接受度为零，完全不接受SaaS云端部署，要求所有数据存储在本地服务器。
* 行业数据积累现状：材料领域公开数据源远少于生物医药领域，企业不愿意共享任何配方相关数据，失败的无效数据也被留在企业内部，无法被AI训练利用。
AI+材料行业的发展路径共识
* 不支持现阶段做通用平台：由于当前算力、数据、行业发展条件都不支持，材料领域变量多、需求分散，需要先打通垂直细分领域形成闭环，再逐步拓展成平台。
* AI落地的正确分工：提出以AI为研发主体，人类工程师做辅助的L3阶段分工，AI主导研发管线规划，工程师将实验数据返回给AI迭代，最终实现降本提速。
* 数据隐私问题的解决策略：采用本地部署或混合部署方式，提前做好合规认证，先做POC验证逐步获取信任，明确划分自身业务与客户业务边界，打消客户疑虑。
为什么选择半导体材料作为切入点
* 长远逻辑符合发展趋势：当前AI产业革命对芯片材料提出了更高要求，半导体材料领域有充足的市场需求和发展空间。
* 团队基因匹配：团队本身半导体相关的材料背景积累更深，更容易在垂直领域快速打通形成闭环。
* 场景扩展性好：半导体材料已经覆盖了有机、无机、复合材料三大类，为后续拓展其他材料领域打下了基础。
同时做AI工具和自研新材料的商业逻辑
* 两者本质是同一件事：AI agent是研发新材料的工具，自研新材料相当于用自身产品验证工具效果，给客户做示范。
* 分阶段推进符合初创公司需求：软件层面可以快速变现，解决初创公司活下去的问题；自研新材料可以打开公司成长天花板，目标是成长为AI主导的材料巨头。
* 不同阶段匹配不同业务：在公司规模较小时先聚焦做AI agent，当前具备能力后再衔接自研新材料业务，后续再逐步打通工厂和销售环节。
学术研究与工业落地的差异
* 核心导向不同：学术界偏向成果导向，追求技术突破；工业界偏向结果导向，要求解决实际问题。
* 学界成果的落地痛点：类似MetAI这类学界成果，只给出材料结构不提供合成落地指导，对工业界而言没有完整解决问题，因此引发争议。
* 新研智材的规避方式：聚焦垂直细分领域减少变量，团队有大量材料背景员工，更懂工业界实际需求，只做能落地产生实际价值的产品，不做技术先进但离应用遥远的研究。
非标玩家UnDefined是一档商业人物访谈播客，致力于让世界看到中国商业和科技力量，只影响1%的商业决策者。
欢迎有认知的商业决策者联系、合作~
外观
