一句话看懂：材料科技初创公司材科源图在三个月内完成两轮超亿元天使轮融资，资金将投向“AI预测+自动化实验”的闭环研发体系。这标志着AI for Materials赛道的竞争重心，正从算法模型转向实验验证与产业交付能力。
事件核心：发生了什么
苏州材科源图科技有限公司（MatSource）宣布，近三个月内连续完成两轮超亿元天使轮系列融资。最新一轮由经纬创投领投，苏创投及老股东中科创星、硅港资本跟投；前一轮投资方则包括苏高新、硅港资本、合肥原初陆号和上海远鼓。
公开信息显示，材科源图于2025年11月刚完成数千万元天使轮融资，由中科创星领投。半年左右连续获得多轮融资，资金将主要用于完善“数据—物理模型—智能体—自动化实验”研发链条，加速智能高通量实验平台搭建，并推动能源、催化等方向材料进入中试和产业化阶段。
公司技术体系包括材料数据库、物理预测模型、材料智能体和高通量实验平台。目前累计拥有百万级真实材料数据库，自研物理预测模型超200个，并计划年内扩充至千万级数据和250个以上模型。其智能体覆盖固态电解质、氢能电催化、离子液体、光刻胶、热催化等方向，并已推出全球首台AI Agent驱动的无机固相/固液相合成高通量自动化实验平台，单日样品处理能力达150个。
为什么重要
AI材料研发的瓶颈长期存在于“计算快、实验慢”的断层。过去机器学习多用于材料性质预测和候选配方筛选，但模型输出的候选方案必须经过合成、测试和反复验证才能变成可用工艺。材科源图的定位在于打通这一闭环：模型不只输出预测结果，还能通过真实实验数据不断校正，将依赖研究员经验的配方调整和重复实验转化为可复用的数据资产。
这与依赖统计相关性的通用大模型路线形成差异——材科源图走的是基于真实实验数据与物理模型的垂直专家系统路线。资本在半年内的连续加注，也反映出市场对AI for Materials的判断逻辑正在转变：单纯提供算法或科研平台已不够，能否完成“筛选—验证—迭代”的闭环，并交付可量产的催化剂或电解质材料，才是决定商业价值的关键。
对用户/开发者/创作者的影响
对于有材料研发需求的企业，尤其是能源、催化、固态电池领域的制造商，这类服务意味着“材料外包研发”的效率可能显著提升。参考材科源图披露的案例：某世界500强企业多年未解决的热催化反应催化剂效率问题，合同约定一年交付，实际不到两个月就找到性能高出30%的替代催化剂，目前已通过小试进入中试阶段。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对于AI开发者和科研人员，这套模式展示了一个不同于图像生成或大语言模型的应用方向：专用智能体与自动化硬件结合，通过真实实验数据训练，形成行业壁垒。其商业化路径也值得关注——技术服务、材料银行（配方与知识产权授权）和自研材料生产三条线并行，正在从卖软件走向卖配方、卖材料产品。
值得关注的后续
一是“材料银行”模式能否跑通，即研发过程中积累的配方和工艺能否作为数字资产持续授权变现；二是千万级数据库和250个物理模型的目标是否如期落地，这将直接影响智能体的预测覆盖范围；三是绿色有机电合成和固态电解质方向的中试进展，能否在一年内出现进入量产阶段的具体产品。
来源：InfoQ CN
