AI 驱动材料发现（计算） 行业研究报告

一、研究摘要 / 核心观点

1. 范式转移已发生：Google DeepMind 的 GNoME（2023.11，Nature）一次性预测 220 万种新晶体结构、其中约 38 万种被判定为稳定；微软 MatterGen（2025.1，Nature）进一步实现"按性能生成材料"。材料发现从"数据库筛选"迈向"生成式探索"。
2. 市场高速但口径割裂：AI 材料发现赛道 2025 年规模在各机构预估间从 0.74 亿美元到 165 亿美元不等（见【口径差异】），核心差异在于是否计入计算化学、仿真平台与自动化实验室；但一致判断是 2025–2034 年 CAGR 普遍 20%–30%。
3. "合成鸿沟"是行业真问题：AI 可大规模生成候选结构，但热力学稳定性 ≠ 可合成性。截至 2026 年初，尚无一款 AI 原创材料进入商业化量产；伯克利 A-Lab 的"41 种新化合物"已在 2026 年 1 月被 Nature 更正，核心新颖性主张被推翻。
4. 资本与地缘同步升温：2025 年 CuspAI 完成 1 亿美元 A 轮（估值 5.2 亿美元）、中国开物纪完成亿元级天使轮（IDG、蓝驰领投）、Lila Sciences 获 3.5 亿美元 A 轮（估值超 13 亿美元），中美欧围绕半导体与电池材料的"材料主权"竞赛加速。
5. 窄众机会在"干湿闭环 + 垂直材料 IP"：纯算法壁垒低、易被大模型稀释；真正护城河是"AI 模型 + 自动化实验 + 专有数据"的闭环能力，以及面向电池、催化、稀土替代等具体场景的材料 IP 孵化。

二、研究背景与定义（含研究边界）

AI 驱动材料发现（计算）指利用机器学习、图神经网络、生成式扩散模型、大模型等方法，预测材料结构/性能、生成新化合物、加速第一性原理（DFT）计算与实验筛选的研发范式，是 AI for Science（AI4S）在材料学的落地。

研究边界：本报告聚焦"计算/算法层 + 计算化学软件 + 自主实验闭环系统"，包括：

• 机器学习势能（如 DeePMD-kit、MACE、NequIP）、大原子模型（DPA 系列）；
• 晶体结构预测与生成模型（GNoME、MatterGen、MatterSim）；
• 材料信息学与基础模型平台（CuspAI、Citrine、Schrödinger）；
• 开源社区与国产软件（DeepModeling 体系：ABACUS、DeepFlame、Uni-Lab-OS）。

排除项：传统实验试错研发、纯 DFT 商业软件（VASP 等）的常规使用、以及 AI 制药中不涉及材料属性的部分，除非其方法直接迁移至材料筛选。

国际锚点：美国材料基因组计划（Materials Genome Initiative）自启动已投入超 6 亿美元（Research Intelo 估算）；2026 年 2 月劳伦斯伯克利国家实验室启动 FORUM-AI（四年 1,000 万美元 DOE 资助）开源自主材料发现平台。

三、研究方法与数据来源（Methodology）

本报告采用案头研究 + 学术/产业交叉验证。科学突破以 Nature/Science 及实验室官方披露为准；市场规模并列多家商业机构；融资以企业公告与一线科技媒体为准。核心来源清单如下：

说明：市场规模各机构抽样边界差异极大，表中数据仅作量级参考，付费全本将统一折算为"算法+软件+平台"可比口径。