“我家三代都在鞍钢。爷爷那代把废墟变回生产线；父亲那代把中国钢铁做到了全球产量的一半；轮到我们这代，可能要解决‘强不强’的问题。”

苏州工业园区的一座材料实验室，几台高通量设备同时运转。工程师不再反复试错，AI 算法能够生成一整套金属成分比例和工艺参数，供直接调用。

王轩泽告诉铅笔道，原本需要十几年才能走完的高性能合金研发流程，如今被压缩至两个月；研发成本降低两个数量级。

过去，“AI+金属新材料”很冷门。如今，在材料科学领域，它正成为最可能出现颠覆式创新的方向之一。最近，做这件事情的创材深造完成了数千万元 A 轮系列融资。

创材深造创办于2021年2月，创始人王轩泽毕业于上海交通大学，专业是计算机，主修人工智能方向。毕业后，王轩泽进入做计算机视觉的上市公司虹软，担任技术专家。之后，他创办了工业质检公司敏视科技。

人生如一个8字，兜兜转转，循环往复。

看到上一代AI四小龙持续亏损，王轩泽知道纯靠AI技术，想实现产业化很难。而作为鞍钢子弟，他很清楚传统材料企业的痛点：经验驱动、反复试错、迭代缓慢，成本高，周期长。

最终，他回到了材料领域， 把 AI 算法用到新材料研发中。

如今，创材深造通过AI研发的材料已经出厂，用在消费电子、3D 打印等行业，轻量化 VR 前壳、高性能模具钢等产品，陆续量产交付。

最近，铅笔道与王轩泽就“AI+金属新材料”的商业化机会等话题交流，以下是王轩泽口述。

声明：访谈对象已确认文章信息真实无误，铅笔道愿为其内容做信任背书。

- 01 -

卖AI做的材料，不卖技术

我是1991年生人，鞍钢子弟，凭借计算机和物理竞赛成绩，2010年被保送到上海交通大学，专业方向一直是人工智能。

现在创业做的，是用人工智能研发金属新材料，我们公司做的是ai for science/basic material方向。简单来说，就是用AI研发材料的成分配方以及工艺参数，最终把材料真正“做出来”。

研究生毕业后，第一份工作在虹软，做计算机视觉的。我在公司里把所有流程都摸透，外号“AI全栈”。2019年虹软上市后，我出来创业，公司叫敏视科技，用AI做工业检测。我带几个实习生，一年做了300多万的订单，鞍钢、宝钢、商飞都是我们客户。

创材深造创始人王轩泽

当时正是行业青黄不接的阶段，也就是上一轮AI低潮已经出现，而新一轮生成式AI还没起来。AI技术非常好，但从商业角度讲，很多公司确实没赚钱。原因很多，比如开源程度高、替代成本低、价值捕获能力差。你花很多精力做出来的东西，很可能会被别人用更低的成本做到一样的水平。

我们看到，材料行业能赚钱，而且不用解释怎么做，只需要卖材料就行了。所以最后回到了基础材料领域创业。一方面，我是鞍钢子弟，对这个行业太了解，材料是我认为最适合AI最适合落地的。

以钢铁为例，中国钢铁产能占世界一半以上，但“大而不强”，高毛利、高附加值、高性能的核心材料突破不了。材料研发是行业最核心的事，而AI正好能够在这个环节发挥最大价值。

第二个原因：材料的商业转化速度很快。材料研发成功，只要性能达标、成分稳定，就可以卖给客户。客户不关心我是如何研发出来的，这一点和其他AI领域很不一样。我们真正变现，是靠材料本身，而不是软件和模型授权。

相比之下，AI制药、AI化工材料这些ai for science领域，还有很长的验证周期，需要向终端解释材料在人体中的作用原理、安全性等，因此临床验证周期长，变现慢。AI解决不了验证的问题。

公司成立于2021年2月，但我们从2020年下半年就开始研究。前几版算法都是我自己写的。但我们不是提供软件或算法服务，而是要做产业化落地——真正把材料做出来。

AI制药，做一次服务就结束了，收费巨贵，但材料不一样，如果研发服务，客单价低，复购率低，国内软件付费习惯也不好，赚钱非常难，这也是我们坚持做产业化的原因。

- 02 -

过去干几十年，现在只要两个月

外界对“AI+金属材料”的认知不高，很多人仍然把材料研发理解为传统钢厂炼钢的逻辑。

基础材料由成分、工艺、组织、性能构成，我们能控制的就是成分和工艺，通过调整它们影响组织，从而获得性能。

我们用AI调的是成分比例，比如铝、铁、镁、钛的占比，也调工艺参数，比如光斑大小、功率、能量密度。传统研发是一遍遍尝试，经验驱动，而很多理论模型在新材料系统下并不适用。

创材深造高强铝合金

我们用数据驱动和模型拟合的方式，在一个巨大搜索空间里找到最优解，相当于把几十个专家的经验集合到模型中。AI不仅能快，还能跨领域迁移，特别是在新材料领域，比人积累经验快得多。

从21年到22年年底，我们一直做底层技术研发、算法生产、数据构建，还自研了一整套高通量实验室和很多研发设备，就是为了获得高质量数据。

因为材料数据既少、又贵、质量还差，传统研发可能几个月才能出一条数据，快也要一周几条，而做AI必须依赖大量结构化数据，我们只能硬着头皮从底层做起。

以前一条材料实验数据可能要几万元，这对任何想做数据驱动研发的团队来说都是天文数字。更麻烦的是，即便能拿到传统企业的历史数据，这些数据也很难直接拿来训练模型——它们往往是描述性的、面向人看的记录，维度少、格式不统一，存储体量极小，不适合机器学习需要的数百维、几十兆级别的样本。

不同实验室、不同设备、不同检测方法之间的一致性极差，甚至两家检测机构对同一成分的测出结果可能相差几十倍，这种数据污染会把整个训练数据池搞坏，导致看起来很漂亮的论文或算法在实际材料开发上根本无法落地。

我们咬着牙把解决数据问题作为头等大事来做：自己设计并制造高通量的实验设备，做到在同一成本下同一时间产出几十倍的数据。现在我们的设备可以批量产出数据，把一条数据的成本降到几百块甚至更低，单条产出速度和质量都大幅提升；在单条实验线并联的情况下，月产数据量能达到上千条，已经接近大型国央企产线的量级。

从2023年起我们的底层逻辑基本跑通，开始真正做有市场前景的新材料研发；不到三年时间，我们研发了十多款材料，在今年9月深圳TCT展（深圳华南3D打印及增材制造展览会，亚太地区最重要的3D打印行业展会之一）上发布了7款。

我们已经把“过去需要十几年才能做出的材料”缩短到两个月左右，而且这些并非停留在实验室——9月发布的7款材料都已经达到批产级别，客户可以直接采购，我们也签下了几十吨的订单。

为什么用AI能让成本下降这么多，是我们的方法论变了：把数据驱动的筛选能力用到十几万种添加剂与配方组合的快速筛选上，能在庞大的候选库里找到“便宜且好用”的添加剂，而不是像传统做法那样习惯性地加稀土或贵金属来“硬堆”性能。

举例来说，国外同类粉末材料可能卖到3000元/公斤，国内某些厂商因稀土成本低可能卖600元左右；我们在保证毛利的前提下可以把价格定到约300元/公斤，这背后不是简单压价，而是通过AI精准配方与高通量验证把成本结构根本改变了。

- 03 -

新材料吸金三大场景

3D打印是我们最早突破的领域，也是主战场。3D打印最近在深圳很火，这对我们是利好。3D打印缺材料，我们的材料可以快速应用，而且它标准化、数字化程度高，非常适合获取数据、做AI调参。

但拿下客户的过程非常曲折。我们的定位不是给客户做一次性的研发服务，而是要把材料生产出来、规模化交付，因此从2023年开始才真正开始系统接触终端客户。我们会先收集大量客户需求：他们需要的性能指标（比如抗拉、屈服、延伸率）、目标成本区间等，然后根据这些真实需求去判定哪个细分市场和哪类材料最有价值，再聚焦研发。

创材深造制作的3D打印模型

我们通常不向客户要研发经费，只要给我明确需求，我方就去做研发、试产、交付零部件，客户拿到成品直接上机测，满意后才下订单——这种“先做材料、傻瓜式交付”的模式让客户非常高兴，也极大缩短了从研发到销售的周期。

我们同时也在做压铸、粉末冶金、熔炼、气相沉积等工艺，但3D打印是我们的“大本营”。按类型来看，我们目前重点覆盖铝合金、高温镍基合金、模具钢与特种钢、钛合金以及铜合金等，未来会根据市场需求先后扩展。

国外做不了我们做的事，因为生态不完整。国外你说做研发，企业欢迎、给钱，但你想做材料公司，企业说不行，不允许你跟我竞争。国内反过来，国内不愿意为研发服务付钱，但你做材料，把材料批产出来，验证周期几年就够了，可以直接上车、上产品，下游甚至愿意跟你合建公司，这条路径是通的。

国内很多创业者不愿意做这种“脏活累活”，但我们觉得这是正确的事。投资人看我们时也会困惑，我们到底是AI公司还是材料公司。材料公司，资本市场给PS倍数，5倍都很高，但我们如果只卖软件、卖服务，靠团队能力就能马上上市，但没意义，我们创业初衷就是不做泡沫，而是实实在在做产业。

我们相信材料本身具有大规模产业价值，一个材料可能几十亿市场规模，而我们材料性能比传统高这么多，为什么不去做？我们对技术和材料足够自信，所以才自己孵化材料，而不是把技术卖掉。

未来几年，2025到2030年，短期能产生现金流的场景：

一个是3C、汽车，是替换逻辑；

另一个是新场景，包括可控核聚变、机器人、商业航天，算力相关的导热材料，也是非常大的机会。

这些领域对新材料需求旺盛，接受新材料的难度低。

本文仅为口述者独立观点，不代表铅笔道立场，不构成任何投资建议。