验证，才是AI for Materials的硬通货。
作者 /Oriana
新物种 Sinovum 设立了对谈栏目。
视界线，是黑洞的边缘——一旦跨过，既有规则将不再适用，变化变得不可逆。 我们借用这个概念，关注那些已经越过“临界点”的技术与企业：方向开始收敛，选择正在锁定，新的规则正在形成。
我们关心的是：在巨大的不确定性面前，他们如何看见未来？又如何以一个个关键判断为支点，推动整个行业越过那道无形的边界？
故事，正在视界线上发生。而「新物种」将成为忠实的记录者，与你一同见证。
以下是该系列的第 17 篇。
-Intro-
凌晨一点，劳伦斯伯克利国家实验室的灯光还亮着。
余沛源站在通风橱前，手里攥着一支试管，里面是他花了将近两年时间设计和筛选出来的液体材料。理论上，它能像一块分子海绵吸收热能并储存为化学能。这个理论是他和博后导师一起推出来的，公式写满了整个笔记本。但理论归理论，他不敢百分百确定。
他把样品放进仪器，按下启动键。数据跳出来的瞬间，他愣了几秒，然后冲出实验室，在空荡荡的走廊里来回走了好几圈。“完全吻合。”后来他回忆，“理论和计算预测的结果，实验数据给了完美答案。”
余沛源（左一）参加2017年伯克利实验室第40届年度Runaround环跑活动
那是2019年。对余沛源而言，那不仅是一组漂亮的数据，更是一种确认：在UCLA五年学会的“把一个反应机理看透看深”的功夫，与在伯克利几年练就的“把一个材料从头看到尾到应用”的眼光，真正撞出了东西。
他的两位博后导师，一位是全球最具影响力的计算材料数据库之一Materials Project的早期核心成员、现任副主任Anubhav Jain，另一位是储能与热管理领域的产业化专家、美国国家工程院院士Ravi Prasher。
两位导师反复追问他的，始终是同一个问题：“你通过理论计算设计的材料，能不能被实验所验证？”这逐渐成为余沛源决策体系里的最高优先级。
7年后，当生成式 AI 开始大规模进入材料研发，已经是南科大化学系长聘副教授的余沛源重新遇到了这个问题：计算机给出的答案，到底怎样才能被现实世界验证？这成为他创办AI+材料公司“三向纪元”的起点。目前，三向纪元已启动种子轮融资。
“三向纪元”这个名字源于他最喜欢的科幻小说、刘慈欣的《三体》系列（据说Anubhav Jain也是《三体》迷）。最初想叫“二向纪元”，致敬那个能把三维世界压成二维的终极武器——二向箔。
但一合计，他要干的恰恰相反：把电脑里抽象的分子图、序列、文本，变成能解释三维世界中材料真实性质的预测和设计，是从二维到三维。“纪元”则标志着新时代的开启。
余沛源觉得，AI for Materials正站在自己的纪元前夜。
01.
从分子到机制
2006年，17岁的四川男孩余沛源来到新加坡南洋理工大学预科班。因为全额奖学金项目要求先上9个月英语培训和几个月理科衔接，他比国内高中同学晚了一年入大学。
从初三第一次接触化学，他就被迷住了。
那种迷恋很具体：微观世界里分子和原子之间看不见的相互作用，竟能决定一块材料什么颜色、稳定性如何、能量几何。“把微观世界的规律和现实世界的物质连接起来”，这个命题对一个初中生带有哲学吸引力。他在初三就自学完高中化学，高中参加竞赛，到南洋理工选专业时，脑子里没出现过第二个选项。
真正的转折发生在UCLA。他进了Kendall N. Houk教授的课题组——这是物理有机化学和计算化学领域绕不开的名字，教科书里众多反应机理和模型出自他手。
2012年圣诞节前后，余沛源去拜访这位未来的博导。Houk翻看他本科期间的两篇实验论文，问了一个看似简单的问题：“你知道这个反应怎么发生的吗？能给我在纸上画出来吗？”余沛源画了两个路径，一个对了，一个错了。
Houk没有评价，但余沛源自己清楚，那个“画不出来”的瞬间，恰恰指向他最想补上的缺口：实验告诉你“发生了什么”，但理论计算能告诉你“为什么发生”以及“还会发生什么”。
博士的前两年很迷茫。计算化学对他来说是一个全新语言体系，他像不懂本地话的人，在各反应之间乱撞，今天试试这个，明天试试那个。直到博三某一天，“突然感觉自己入门了，知道要去算什么东西了。”
“顿悟”的产物之一，是四篇以第一作者身份发表在化学领域顶刊JACS上的研究论文，以及2018年发表在《Science》上的工作。
后者的合作方是南方科技大学谭斌教授团队，他们解决了经典四组分Ugi反应自1959年发现以来长期未解决的不对称催化问题。（注：Ugi反应可以把多种简单原料‘一锅’组装成复杂分子骨架，在药物发现中应用广泛。）余沛源为共同第一作者（与谭斌课题组的博士生张健），负责理论计算部分，解释这个复杂的多步反应“为什么能成”。
当时一种被广泛用于解释这类反应立体选择性的模型来自剑桥大学Jonathan Goodman教授，逻辑基于空间位阻，分子靠太近会互相排斥。但余沛源的计算结果显示，反应底物与催化剂恰恰是“挤在一起反而更好”。它们之间产生了一种特殊的非共价相互作用，这种在能量上更有利的相互作用模式，解释了反应高对映选择性的来源。
“那是我第一次深刻体会到，如果只用现成模型去套，会得到完全相反的结论。必须从第一性原理出发，才能看见真正的原因。”
更重要的是，他开始形成一个方法论信念：理论计算不是给实验“补一张图”，而是提出一个可被实验验证的假设，然后等待验证或推翻。这种“提出—验证—反馈”的闭环，成了他后来研究和创业路径的核心骨架。
02.
验证闭环
如果说在UCLA读博让余沛源学会了把一个化学反应看到底，那伯克利的博后经历则让他开始追问另一个问题：算出来的公式，能不能真正变成一个有用的东西？
这个变化，发生在他做热化学储能的时候。
博士期间，他已经对环加成反应相当熟悉。到了伯克利，博后导师却从另一个角度问他：既然正向反应能够放热，那么逆向反应能不能吸收热量，并把这部分能量储存在化学键里？
这背后对应的是一个长期存在的储能难题。电能可以通过电池储存，但工业生产、建筑供暖、数据中心散热等场景中，大量能量本来就是以热的形式存在。相比电池，热能储存技术的发展却缓慢得多，长期以来主要依赖显热和相变储热等方式。余沛源想到，如果利用可逆化学反应，把热能转化成化学能储存在分子的化学键中，相当于把一个传统的热储能问题，重新变成一个分子设计问题。
于是，他先从理论入手，推导这种储能机制是否成立，并发表了论文。理论证明可行之后，导师又把问题往前推了一步：“现在去找一个具体的化学反应。”
这句话让问题从纸面上的理论，第一次落到了现实世界。
余沛源开始搭建计算工作流，利用数据库进行高通量DFT计算，从大量候选分子中筛选真正有可能工作的体系。计算完成之后，他又走进实验室，重新拿起本科毕业后很少再碰的移液枪，开始自己做湿实验，“整整一年，从头做湿实验。”
每隔几天，他都要全副武装地下楼，去户外近两层楼高的液氮储罐中取回25升液氮。接近零下200摄氏度的液体腾起白雾，被小心翼翼地取出，再运回实验室，成为这一年湿实验的写照。对于一个已经习惯了超算和理论计算的研究者来说，这几乎是一种反向的训练：过去，他习惯让计算机告诉自己一个分子会发生什么；现在，他必须亲手让这个分子实现它从未被验证的一种材料功能。
直到那组实验数据出现，理论预测的曲线与实验结果几乎完全重合。余沛源回忆，那一刻的兴奋甚至“比发一篇《Science》还强烈”。
因为这一次，他得到的已经不只是一个对化学规律的解释，而是一条完整的链路：从理论提出预测，到计算寻找候选，再到实验验证结果。一条原本存在于计算机里的模拟曲线，开始真正成为了一个材料在物质世界中展现出来的性能。这也是伯克利给他留下的一个重要变化：计算的价值，不应该停留在解释世界，而应该最终指向改变世界。
与此同时，伯克利也是他第一次近距离观察AI如何进入材料科学的地方。
当时的AI还远没有今天这样强大。Materials Project团队已经在利用高通量计算和机器学习进行电池、光伏等材料的性质预测与筛选。他所在的课题组也开始尝试用自然语言处理‘阅读’论文、提取材料合成信息。
但在余沛源看来，那时的AI更多还是一个加速器，可以帮助科学家更快地计算一个性质、筛选一批候选，却还很难真正参与科研决策，“和今天说的AI co-scientist不是一个物种。”
但这颗种子已经埋了下来。如果有一天，AI不只是帮助科学家把计算做得更快，而是能够自己提出候选、调用计算进行筛选，再把结果交给实验验证，最后根据失败和成功继续迭代，那它参与科学发现的方式就会发生最根本的变化。
只是那时的余沛源，还没有急着去追这个问题。
2019年，他回到了中国。在海外求学、工作了13年之后，这次回国对他而言并不是一个临时决定。除了个人选择，他也观察到了一个更现实的变化：过去二十年，中国的基础科研和产业能力快速增长，而对于一个希望继续做研究、同时又不愿意与产业完全脱节的年轻科学家来说，国内正在出现越来越多机会。
南方科技大学尤其吸引他。学校年轻、国际化程度高，而深圳则有另一种吸引力，这里不仅有科研，还有制造业和产业链。“基础科研在哪都能做，但未来若要做应用，深圳和南科大是最好的选择。”
到南科大后，他没有彻底离开自己最熟悉的化学反应，而是继续沿着UCLA和伯克利的路径往前走：用计算化学理解反应机理，同时把问题逐渐拓展到反应设计和材料。
在南科大，他身边聚集了大量做实验化学的研究者，从资深科学家到年轻PI，彼此之间的合作非常频繁。有时候甚至只是吃饭时聊起一个课题，就可能发展成新的研究。这种“计算—实验”的交叉，也让余沛源越来越习惯从一个完整的研发过程去看问题，而不只是从某一个计算问题出发。
2026年初，他与同系董哲团队合作，在《Science》发表了一项新的反应研究，提出“三向重排反应”，为五元环药物骨架的合成提供了一种新的路径。传统方法往往需要多步反应，而这一新方法可以把路线压缩到两三步。
它解决的仍然是一个非常具体的化学问题，但背后的思路却与余沛源后来想做的事情越来越接近：能否不只是解释一条已经存在的路径，而是重新设计一条更短、更高效的路径？
03.
构建「材料研发世界模型」
2020年初，余沛源开始尝试利用Transformer算法预测蛋白结构，并申请到了一笔小额经费。后来AlphaFold 2发布，他把研究方向更多地转向了小分子和材料的生成与预测模型开发。2023年ChatGPT出现后，他也设想过：如果把大模型用到生物制造、化学和材料里，会发生什么？当时他认为，AI在虚拟世界里的能力虽然进展很快，真正进入物质科学，尤其是材料研发，还有很长的距离。
到了2026年，他的判断发生了变化，“今年就是那个时机。”
生成式AI开始具备分子与材料设计能力，机器学习原子间势让过去昂贵的第一性原理计算能够更快、更大规模地开展，自动化实验也逐渐成熟。过去各自发展的三条技术路线现在开始碰到一起，就像“三江汇流”。当生成、计算和实验能以足够快的速度彼此反馈，AI才有机会从材料研发的辅助工具，进入科学发现和研发决策的过程。
真正让余沛源感兴趣的，并不是再做一个生成模型。他很清楚，一个分子被AI“设计”出来以后，事情才刚刚开始：它能不能合成、经过什么反应路径、实验为什么失败，后面还有性能、成本和放大问题。
因此他把三向纪元的核心路径概括为“反应原生、验证前移”：模型不只学习结构与性能，也把反应、合成路径和条件纳入建模，在真正消耗实验资源之前，尽可能淘汰那些在物理、化学和合成路径上走不通的方向。
在此基础上，余沛源希望最终构建一套材料研发世界模型。“我理解的材料世界模型，是让AI脑子里逐渐形成一张关于材料结构、反应、工艺和性能的内部地图。它不只是回答‘这个材料怎么样’，而是能够推演‘如果我这样设计、这样合成，接下来会发生什么’。”
这张“内部地图”进一步变成一套研发导航系统：科学家给出性能、成本和工艺目标，AI规划候选、合成路线和条件，并通过计算不断验证；如果发现走不通，就在真正做实验之前重新规划。实验结果回来后，又反过来更新这张地图。
这里面，他最在意的是数据，尤其是失败的数据，“材料领域最珍贵的数据，其实是失败数据。”
过去的科研记录里，最终发表的通常是成功的结果，但一个反应为什么没有发生、一个材料为什么没有达到预期，往往不会被系统地留下。对于做了多年计算化学的余沛源来说，这些信息反而非常有价值，“知道哪里不行，有时比知道哪里行更能缩小下一次搜索的范围。”
因此，三向纪元想积累的不只是公开论文里的“结果数据”，而是研发过程中产生的数据：哪些候选被淘汰、实验为什么失败、失败之后如何调整下一轮设计。这些数据不会天然存在于公开数据库中，而是在一次次真实研发闭环中产生。
余沛源也没有打算一开始就覆盖所有材料。
三向纪元选择方向时，会优先看几件事：材料价值是否足够高、研发试错成本是否足够大、AI和计算能否显著提高效率，以及在研发过程中把验证环节前置是否能够真正形成有效闭环。
另一个判断来自他自己的能力边界。材料的范围极广，而他过去十几年最擅长的，是能够从分子结构和化学反应层面进行设计的分子材料。从反应机理、量子化学，到性质预测、合成路径和实验验证，这些恰好构成了一条相对完整的研发链条。
因此，三向纪元目前更关注高价值的分子材料体系，把下一代显示与发光材料作为主要切入方向，同时在部分液冷与热管理材料上进行验证。
如果这套研发导航系统真的比过去更有效，它的价值就不应该只来自出售软件，也应该来自它帮助发现的新材料、新IP和最终产品。
因此在早期，三向纪元会通过与企业联合研发进入真实产业问题，在解决具体需求的同时获得模型最需要的过程数据和失败数据。联合研发不是终点，而是进入真实研发流程、持续积累数据和校准模型的方式。随着能力和数据不断积累，公司希望逐渐从“帮助企业研发材料”，走向持续发现并拥有材料IP和产品。
这条路显然没有做一个“大模型”那么容易讲故事，但它更接近余沛源过去做科研的方式：先把一个具体的问题做明白。
这也是他对现在AI for Science热潮保持相对冷静的原因。
这几年，越来越多大厂和创业公司进入这个领域，他并不觉得这是坏事，材料足够大，不太可能由一家公司解决所有问题，但他也不太想把自己变成一家纯粹的AI公司，“我们不能去跟大厂比参数。”
在他看来，模型只是材料研发中的一环。最终决定一个材料有没有价值的，是它能不能被做出来、性能是否达到要求，以及最终能不能进入真实生产。对药物而言，AI设计的分子进入临床是重要验证；对材料来说，类似的时刻是AI设计的材料真正走上生产线。
这也是他认为材料领域还没有出现自己的“AlphaFold时刻”的原因。
如果未来AI真的能够从0到1设计出一种新材料，最大的技术突破会发生在哪里？余沛源沉默了几秒。他的答案不是一个更大的生成模型，而是形成一套“可验证、可追溯、可闭环”的研发体系。
这需要模型、计算和实验真正开始互相反馈。过去几年，这几件事恰好都在往前走。三向纪元选择在这个时候出发，也是因为余沛源第一次觉得，自己过去做了十几年的那套“理论—计算—实验”方法，终于有可能被技术放大。
今天，AI for Materials 最容易展示的是一个模型生成了多少候选，但真正困难的部分发生在生成之后：能不能合成、失败发生在哪里、性能能否达到要求，以及最终能不能规模化制造。三向纪元想押注的，正是这一段看起来更慢、更难，却决定材料最终价值的过程。
AI最终能不能走到材料发现的另一端，现在还没有结论。但这一次，余沛源决定不只是在实验室里验证答案。
*封面图为课题组博士毕业合照，从右到左依次为余沛源、Houk教授、现任基因泰克高级首席科学家Jessica Grandner博士
*文中未备注图片由受访者提供
- End -
专访Scinetics创始人张载熙：agent还不够，AI4S需要自己的「母语」
AI for Science下半场：谁在付钱，谁在犹豫｜AI4S Future Skills黑客松圆桌实录
热门跟贴