黄仁勋口中的“AI终极方向”，正变为现实创业邦

近日，AI for Materials（AI4M）科技公司深度原理（DeepPrinciple）官宣完成A系列融资，累计融资金额近10亿元人民币，创下了国内AI4M领域迄今最大规模的融资纪录。

本轮融资最引人注目的看点，在于上海、北京两地国资平台的联手押注。

领投方孚腾资本是由上海国投公司作为主要发起人，联合临港集团、上汽集团、宁德时代、哔哩哔哩等产业集团和投资机构共同设立的市场化股权基金管理人；顺禧基金则是北京国管旗下市场化运作的创投基金投资平台。

与此同时，康龙化成旗下康君资本等产业资本的加入，意味着下游产业开始为AI材料研发的商业价值投票。

“国资+产业资本+市场化VC”的集体押注组合，在当下仍属“非共识”的AI for Science领域尤为罕见。

当英伟达、谷歌、Meta等全球科技巨头正不惜重金重新定价AI4S（AI forScience）赛道时，黄仁勋口中的“AI终极方向”，正在被两个中国95后学霸变为现实。凭借自研的“AIScientist（AI科学家）”与“AI MaterialsFactory（AI材料自动驾驶工厂）”，深度原理正在彻底终结传统材料研发“试错如沙里淘金”的历史，重塑万亿级材料产业的底层范式。

01从MIT实验室到产业最前沿：两位95后学霸的“创业搭子”

深度原理的故事，始于麻省理工学院（MIT）的实验室。

创始人兼CEO贾皓钧在本科学习物理期间便埋下了一颗种子——他大量研究二维材料、电池、超导、合金的第一性原理计算模拟，意识到材料筛选的重要性。带着“做出的成果既能上得了书架，也能上得了货架”的信念，他进入MIT化学系和化工系攻读博士，师从AI助力化学设计领军人物HeatherKulik教授。

联合创始人兼CTO 段辰儒段辰儒本科毕业于浙江大学竺可桢学院，后在MIT攻读化学博士学位，同样师从HeatherKulik教授。

2017年，当他刚刚开始探索人工智能与化学结合的课题时，整个AI生态尚不完善，“大家只能手写一些模型，导致整体效率不高，也有很多专家教授质疑AI是否真正有用”。

但段辰儒认定，AI forChemistry是一片广阔的蓝海。读博期间，段辰儒共发表50多篇论文，其中有20篇是一作，是MIT的学术明星。

二人也是很好的“学术搭子”，曾合作发表文章十余篇。

图片来源：深度原理

博士毕业后，两人分别走入产业与科技巨头。

贾皓钧加入陶氏化学全球研发总部核心研发部门，专注于用AI研发催化剂配方及预测化学反应路径；段辰儒则加入微软担任研究科学家，为多家化学材料公司部署计算化学和AI解决方案。

2023年，二人正式成为“创业搭子”，准备成立一家AI for Chemistry领域的创业公司。

对商业更感兴趣且善于和人打交道的贾皓钧出任CEO，学术成果丰厚且拥有独特技术洞察力的段辰儒出任CTO。

CEO贾皓钧（左），CTO段辰儒（右），图源：深度原理

2023年底，他们在美国波士顿创立了深度原理。

但创始团队很快做出了一个关键决策——回国。他们看中的是中国市场完备的新材料和精细化学品产业链、庞大的材料研发需求以及高效的产业应用环境。

2024年，团队正式回国，在深圳创办了深圳深度原理科技有限公司。

在成立短短两年多的时间里，深度原理已如旋风般完成了七轮融资。

2024年9月，张露阳加入担任首席运营官，他此前在JimKeller创立的Tenstorrent负责AI与RISC-V异构芯粒平台战略规划，拥有MITMBA及材料与微电子相关学术背景。

公司早期提出的扩散生成模型研究成果，先后以封面论文形式发表于《Nature ComputationalScience》和《Nature Machine Intelligence》。

此外，公司2025年主导开发 LLM-EO（Large Language Model for EvolutionaryOptimization）工作流程，利用大语言模型的内在知识与推理能力开展过渡金属配合物的生成式设计，并以封面论文形式发表于化学顶尖期刊《Journalof the American Chemical Society》。

深度原理研发的扩散生成模型与大语言模型分别作为封面论文在顶尖期刊发表

2023年，公司发布首个3D化学反应扩散生成模型OA-ReactDiff。2025年初推出迭代模型React-OT。

同年，公司在大语言模型在科学的应用方向取得阶段性进展，主导开发LLM-EO工作流程，利用大语言模型的内在知识与推理能力开展过渡金属配合物的生成式设计，并以封面论文形式发表于化学顶尖期刊。

02重塑材料研发范式

深度原理的核心技术路径，在于将生成式AI与第一性原理计算深度融合。公司在多个技术维度实现了全面SOTA（State-of-the-Art）。

物性预测领域，推出材料基座模型MPA（Materials PropertyAxiom），将大语言模型中已被验证有效的多阶段训练思想引入材料性质预测，通过物理对齐训练和面向实验任务的模型结构设计，在近40项实验物性预测任务中取得SOTA水平。

材料生成领域，研发了SAGA模型，使智能体能够在复杂的材料生成任务中自主调整，较全球大型科技公司研发的各类模型展现出更强的多目标优化能力。

化学反应生成领域，推出OA-ReactDiff、React-OT等系列模型，打开了静态预测的黑箱，将过渡态生成从传统的数天乃至数月缩短至0.4秒。