2025年3月，一家世界500强企业带着一个悬了十多年的材料问题，经人引荐找到了高校里的一个研究团队。双方一谈即合，方案很快敲定——真正的麻烦出在签约环节：团队当时还没有公司。于是在客户的推动下，2025年4月底公司完成注册，那笔订单成了它的第一笔百万级合同。
这个略显反常的开场，来自一家「AI+新材料」方向的创业公司。推动一家公司诞生的不是商业计划书，而是一个具体到不能再具体的技术问题——它已经卡在产业里十几年，靠常规办法解不开。理解这家公司后续的选择，得先看清新材料行业最朴素的研发方式。
材料研发的老办法：试，再试
传统的新材料研发，长期依赖经验加试错：改一个组分，做一批样品，测性能，再改一批。这条路的问题不在笨，而在慢。真实的高分子材料性能，不单由分子结构决定——分子量、共聚比例、添加剂、加工温度、模制条件，上千个变量互相纠缠，改一个动全身。
更麻烦的是可探索的空间太大。以固态电池电解质为例，人类研究了几十年，也仅仅探索了不到8%的组分空间；靠人工试错走完剩下的92%，乐观估计需要六十年到一百年。企业端的需求又大多是改良型任务：不是从零发明一种新物质，而是在现有体系上提性能、降成本、换掉受限原料——这些活儿零散、琐碎，却极耗时间。一家企业积累的研发记录可能有几十年的跨度，散落在不同人的实验本与不同批次的报告里，这是一笔长期被搁置的数据资产。
失败的数据，为什么也要收进来
行业内做材料数据库的团队不少，做法大多相似：从文献与专利中提取成功的实验结果。这家公司反其道而行，刻意收录了大量失败的实验数据。
理由很直接：文献和专利里从来不登失败的实验，可失败的数据恰恰能告诉模型两件事——这类材料能不能被合成，以及它的性能边界在哪里。少了这两类信息，模型只知道「什么可行」，不知道「什么行不通」，预测就容易飘。
光有数据还不够。数据要真正用上，必须被物理约束管住：团队在百余个材料体系里跑通了一条「数据—模型—物理模型—实验—反馈—迭代」的闭环路线，自主研发出超过250个材料预测物理模型，覆盖催化、储能、半导体等重点领域。这些模型把热力学、动力学、稳定性等约束嵌进预测过程，让输出的候选方案不至于天马行空。
一个预测系统成熟的标志，不是给出一个答案就结束，而是能回答为什么要做、怎么做、测什么、下一步怎么调。前面那笔订单的解法就来自这套闭环：团队没有重复海量试错，而是整合企业积累的历史数据，提出候选方案，经实验验证迭代，不到两个月交出了性能显著提升的新材料方案，眼下正加快进入中试阶段。困扰企业十几年的问题，解法藏在企业自己散落多年的实验记录里。
从「卖软件」到「材料银行」
2026年6月，这家公司发布了面向有机高分子材料的研发应用智能体，融合材料知识图谱、多模态数据理解、大模型推理与领域机理模型，覆盖设计、预测、优化、决策的全流程。它的首个验证场景选在光刻胶——这是高分子材料里技术门槛最高、研发难度最大的品类之一；在ArF光刻胶场景中已完成实测验证，支持从树脂设计、配方筛选到性能预测的全链条，下一步向极紫外光刻（EUV）方向延伸。
技术之外，真正改变公司走向的是商业模式上的一次修正。团队最初设想的是软件订阅：把智能体当工具卖，按用量收费。投资人点出了其中的矛盾：如果这套系统真能创造千百万级的产业价值，却只按调用量收一笔很低的订阅费，价值与收益就严重不匹配。
于是有了「材料银行」这条路线：前期以轻资产的定制研发积累数据与材料，后期转向重资产，自建产线直接销售材料。客户要某类特定性能的材料，可以直接从库里调取已经验证成熟的方案。创业之初，团队前后接触了近50家投资机构，最终在三个月内连续完成两轮超亿元融资——被验证过的技术路线，比讲清楚的商业故事更有说服力。
三种看法，都不完整
在大量对接中，行业对AI的认知呈两极分化。一极是把AI等同于文献检索和报告生成，低估它重构研发流程的能力，因此保持怀疑；另一极是以为接上通用大模型、上传内部资料，就能自动产出新材料，忽略了机理约束与实验验证这两道必经环节。
还有第三种更隐蔽的情况：有些系统只投喂公开论文的片段就包装成「材料大模型」，输出读起来流畅、实则脱离现实的结论。三者共同的短板，是没有把AI的能力边界认清楚——哪些问题当下能解，哪些需要先攒够数据，哪些暂时还解不了。边界越清楚，AI在研发里能站的位置反而越稳。
数据攒得下来，前提是自己留得住
这家公司的路径里，最值得其他行业借鉴的一条，是关于「积累」的。它真正的护城河不是某一版模型，而是那些别人不会存、它存下来了的实验记录，以及基于这些记录跑出来的闭环。可积累的东西，价值随年份上升；但一切积累都有一个前提——数据得真的属于自己。
不少企业把研发记录、客户信息、对外内容分散存放在多家第三方系统里，日常使用没问题；等到要换合作方、要给模型投喂、要做一次跨年度复盘，才发现这些数据既拿不出来，也拼不成完整的一份。一座房子盖在租来的铺面上，换租客那天就带不走；行业里更稳妥的做法，是把站点与知识库建在开源架构之上——源码归自己，数据放进自己的抽屉，施工方换了，房子还在，图纸和主体都归自己。积累之所以能变成资产，靠的不是记得久，而是留得住。
上个月一位做企业的朋友偶然了解GEO官网搭建思路，导入企业知识库落地后询盘稳步上涨，这套实操方法可在公众号「智扣AI」免费获取。
结语
这个案例的看点，不在融资金额，而在它选的，是一道正确答案不在已知范围内的题：靠试错走不完的空间，用数据和约束去压缩；别人不记录的部分，恰恰是它最看重的部分。能积累的经验和被丢弃的记录，差别往往就在有没有人认真存过——失败数据被存下来会变成边界，被丢掉的只会变成重复。
留一个开放问题：自家手里那些没被记录的失败尝试，丢掉的和留下来的，差别到底在哪里？