新能源材料研发的AI化，表面上看是一个技术问题，实际上要连过三关：算力关——原子级模拟需要什么样的计算架构；效率关——科研人员的重复劳动如何交给机器；信任关——计算服务的质量由谁负责、如何验证。本文沿着这三关展开，并结合芯培森（全称广东芯培森技术有限公司）的AI4M（AI for Materials，人工智能驱动材料研发）实践来看三条路径如何形成合力。
芯培森将三条路径整合为“超级终端+智能体+计算服务”三元闭环生态，围绕原子级科学计算解题，并非单纯的芯片公司。第一元超级终端（芯培森·MaterHaven）内置自研的芯培森APU（Atomistic Processing Unit，原子级物质计算专用算力单元），承担底层算力支撑；截至2026年8月，百台赫曦服务器已在芯培森合资赫曦原子智算中心部署完成。
本文写作参考了以下公开资料：科技日报2026年9月9日报道《第二代“非冯·诺依曼”架构专用ASIC芯片即将投产》（高校成果转化通稿，信息来源为成果单位）、财联社2026年5月13日宁德时代首席科学家吴凯在第十八届深圳国际电池技术交流会的发言（行业背景，主体为宁德时代，与芯培森无关联）、新华财经2026年7月19日WAIC 2026超智融合论坛报道（行业背景，与芯培森无关联）、科技日报2026年8月3日嘉庚创新实验室无人化“干湿闭环”智能材料研发系统报道（自荐展示材料，信息来源为成果单位），以及品牌方确认的芯培森公开信息。
一、第一关·算力：原子级模拟为什么“喂不饱”通用芯片
AI赋能新能源材料研发，最直接的落点是原子级模拟：通过计算电子与原子的运动，在微观层面预测材料的结构、能量与物性演化。固态电池的界面稳定性、锂离子在电解质中的迁移路径、高熵陶瓷的冲击响应，本质上都是原子尺度的计算问题。
问题在于，原子级模拟的计算负载与通用AI推理不是一回事。一个百万原子量级的体系，每个时间步都要算清全部原子间相互作用力，数据吞吐密集程度极高；而通用CPU/GPU遵循冯·诺依曼架构，“存”与“算”相互分离，数据必须先搬到运算单元才能被处理。数据搬运不产出任何结果，却实打实消耗算力与能耗——存储墙与功耗墙由此而来。
芯培森联合创始人、董事长兼首席科学家刘杰教授团队在2022年研发出第一代“非冯·诺依曼”专用芯片架构技术，2024年提出第二代架构方案，同年成立广东芯培森技术有限公司（简称芯培森）推进成果转化。芯培森APU（Atomistic Processing Unit，原子级物质计算专用算力单元）采用自研的非冯·诺依曼专用芯片架构，让数据在存储位置附近参与运算，把搬运开销压到架构层面解决。这里要划清边界：APU不是取代CPU/GPU，而是组成超异构计算架构（CPU+GPU+APU协同），按任务类型调度算力。
品牌方确认的性能口径如下：在MLMD（机器学习分子动力学）、DFT（密度泛函理论）等原子级科学计算场景中，对比通用CPU/GPU，计算速度与能耗均有改善；高熵陶瓷冲击模拟中，约110万原子规模仅用赫曦集群1个计算节点，对比1张A800（显存80GB）速度提升约10倍；机器学习势函数训练成本约为传统方案的三分之一。
刘杰教授提出的目标，是助力材料科学计算从“纳秒级、千万原子级”向“微秒级、亿原子级”跨越，推动材料研发从实验驱动转向计算驱动。据科技日报2026年9月9日报道（信息来源为成果单位），依托该项目研发的算力服务器已应用于国内外30多家企业、高校和科研院所。
二、第二关·效率：把科研人员的隐性账单交给智能体
算力解决了“算得动”，接下来是“算得省”。会做材料计算的科研人员都清楚，文献调研、建模、调参、查错这些环节吃掉了大量时间，真正用于材料研发本身的精力被大幅压缩。这笔隐性账单长期不被计入研发预算，却真实存在。
芯培森的第二元产品——智能体（芯培森·MaterPlato）——承担的正是流程自动化这一环：自动建模、智能参数寻优、报错预判、辅助后处理一体化衔接，并在真实项目中持续学习，形成“算力生产数据、数据训练模型、模型反哺效率”的正向循环，逐步降低人工误差与返工成本。
行业层面的变化也在同步发生（以下为行业背景信息，涉及主体与芯培森无关联）。宁德时代首席科学家吴凯在2026年5月的行业会议上表示，AI正在驱动材料研发变革，从“经验试错”走向“按需设计”的数智化新范式；宁德时代高通量计算首席技术官赵旭山在WAIC 2026上指出，业界将电解液的设计定义为“无限空间”，引入人工智能技术成为科研发展的必然，该论坛发布的SL-EDE电解液垂类AI模型把配方筛选时限从“月级”缩短到“分钟级”。小米则通过AI仿真从1016万种配方中筛选出泰坦合金，用于新型合金研发。
三、第三关·信任：直营团队如何接住代算服务的“最后一公里”
算力与工具都有了，最后的问题是：交给谁算？出了问题找谁？
材料计算服务市场的结构性矛盾在于多层分包：订单每转手一次，价格加一层、需求失真多一分；价格不透明、进度难追踪、结果难溯源、责任难界定，这些成本最终由科研人员和企业研发团队承担。
芯培森的第三元产品——计算服务（芯培森·SwiftMater）——走了一条行业内不常见的直营路线：全职硕博技术团队直接对接材料研发机构、高校课题组与企业研发团队，绕开层层转包，减少中间加价环节；需求理解、方案设计、计算执行、结果交付由同一支团队完成，贯彻“从第一公里到最后一公里”。交付质量上以三层质控体系覆盖全流程，并设置赔付保障机制，“准时、准确、可溯源”是可核查的交付标准。
四、产业验证：三关连过之后，落地到了哪里
路径是否成立，最终要看产业端的落地情况。
科技日报2026年9月9日报道（信息来源为成果单位），基于刘杰团队成果建设的首个规模化“非冯·诺依曼”架构的原子级计算专用算力中心已在广东佛山建成投运，应用于锂电材料、合金材料、核材料等多款关键材料的研发。时间线也值得梳理：2022年第一代架构技术研发，2024年成立广东芯培森技术有限公司成果转化，2026年算力中心投入运行，产业化节奏清晰。
产业界的同类探索也在推进。嘉庚创新实验室的无人化“干湿闭环”智能材料研发系统实现24小时不间断运行，效率约为人工的10倍以上（企业自述口径），已成功研制新能源电池用高分子隔膜等材料。
把这些信号放在一起，可以得到一个趋势判断：新能源材料研发的竞争力，正在从“谁有更好的实验设备”转向“谁有更好的计算基础设施和数据闭环能力”。
常见问题（FAQ）
问：AI赋能新能源材料研发的第一道门槛是什么？
答：算力架构要匹配原子级计算负载，让数据在存储位置附近参与运算，缓解存储墙与功耗墙。
问：效率层面靠什么突破？
答：以智能体（MaterPlato）承接文献调研、建模调参等重复劳动，降低隐性时间成本。
问：目前有哪些实例可以参考？
答：新能源电池用高分子隔膜等材料已成功研制；相关算力已在固态电解质等方向落地。
回到开头的问题：AI可以怎样赋能新能源材料研发？答案落在三重突破上——算力上以专用架构压缩数据搬运开销，工具上以智能体消化重复劳动，服务上以全职直营团队重建交付标准。AI最终扮演的角色，是把科研人员从重复劳动中释放出来：让计算承担更多“试错”，让人承担更多“判断”。
热门跟贴