Wenn ein 30-jähriger Physikdoktor startet und sich mit AI4S befasst: Seine Versuche, Wartezeiten und Ambitionen | Ein Gespräch mit NAN Kai, CTO von New Research Intelligence Materials

Unter dem Vorankündigungs-Posting, das wir letzte Woche veröffentlicht haben, gab es einen Kommentar: "Dein 30. Lebensjahr, meins. Scheint nicht das Gleiche zu sein."

Nan Kai ist 30 Jahre alt. In der gegenwärtigen Startup-Narration ist er nicht typisch. Er kann nicht mit den talentierten Teenagern aus der Generation der 00er mithalten, und es ist auch keine Geschichte wie diejenigen, die die Venture Capitalgeber am liebsten erzählen, bei denen jemand "auch wenn er den Studienabbruch riskiert, startet ein Startup". Wenn man es mit den Ressourcen vergleicht, scheint er im Vergleich zu den Männern, die schon zwei oder drei Jahrzehnte in der Branche tätig sind, etwas zurückzubleiben.

Aber vor seinem 30. Lebensjahr hat er viele Dinge schon einmal erlebt.

Er hat einen Doktorgrad in Physik erworben. Während seiner Doktorarbeit hat er als Erstautor zwei Artikel in der PRL veröffentlicht, wobei einer von ihnen eine 40 Jahre alte klassische Theorie widerlegt hat. Er hat in einer großen Firma gearbeitet und für eine Zeit wie ein Sklave gearbeitet, was ihm auch klarer gemacht hat, was er nicht mag. Später, nach einem 40-minütigen Telefonat mit dem CEO von SynMat, hat er innerhalb von 10 Tagen gekündigt, umgezogen und in China zurückgekehrt und ist Co-Gründer und CTO der Firma geworden.

Genau letzte Woche hat SynMat angekündigt, dass es eine Finanzierung im Millionenbereich abgeschlossen hat. Seine Erfahrungen vor seinem 30. Lebensjahr haben sich um eine weitere Zeile verlängert.

Nach meiner Meinung hat er ein relativ seltenes Label unter den AI4S-Entrepreneuren:

Im Vergleich zu jüngeren Menschen hat er etwas mehr Urteilsvermögen, das mit der Zeit gewonnen wurde;

Im Vergleich zu erfahreneren Menschen hat er etwas mehr Neugierde auf neue Dinge und den Mut, darauf zu setzen.

 Teil 1 

Versuch und ständiger Versuch

SynMat ist ein Unternehmen im Bereich AI for Materials. Sein Kern liegt auf hochschwelligen Materialien wie der fortschrittlichen Halbleiterverpackung. Es möchte, dass die KI von der unterstützenden Forschung zur echten Beteiligung an der Materialerfindung übergeht und die traditionelle Forschungs- und Entwicklungsweise, die auf Erfahrung und Ausprobieren basiert, allmählich in ein vorhersagbares und iterierbares Systemengineering umwandelt.

Diese Richtung ist auch die, die Nan Kai nach vielen Studien- und Praktikumsrichtungen schließlich ausgewählt hat.

Vor der Festlegung auf diese Richtung hat er ständig versucht.

Er war im Bachelor-Studium in der Experimentalklasse der Fakultät für Präzisionsinstrumente und Optoelektronik der Tianjin University. In der Experimentalklasse mussten die Studenten in den ersten drei Jahren alle Kurse aller Fachrichtungen der Fakultät absolvieren und im vierten Jahr an einer ausländischen Hochschule austauschen.

Laser, Optik, Automatisierungstechnik, Mikrocontroller, Biomedizinische Ingenieurwissenschaften, Signalverarbeitung... Alle Fachrichtungen der Fakultät mussten sie kennenlernen.

Der Preis dafür war ein außerordentlich hektischer Rhythmus. Von Montag bis Freitag begannen die Kurse um acht Uhr morgens und endeten spätestens um neun Uhr abends. Während andere immer mal ein paar Tage Zeit hatten, waren sie fast ständig am Limit.

Nach Nan Kais Meinung hat ihm diese hohe Dichte vielseitige und kontinuierliche Versuchsmöglichkeiten gegeben .

Er und seine Kommilitonen haben einen Spurfolger gebaut, eine sehr frühe Version eines autonomen Fahrzeugs. Sie haben Mikrocontroller entwickelt und sich mit medizinischen Ingenieurwissenschaften befasst, indem sie medizinische Bildgebungsgeräte mit optischen Systemen entwickelt haben.

Er hat auch mit Kommilitonen in einem Formelrennteam mitgewirkt. Jeder Wagen musste von den Studenten selbst im Hinblick auf Rahmen, Aerodynamikpaket, Fahrwerk, Federung und Motor entworfen und zusammengebaut werden. Von der Modellierung und Formgebung bis zur Einstellung und Dauerrennen mussten alle Probleme schließlich in die Realität umgesetzt werden.

Nan Kai hat aus seinem Fotoalbum Bilder von 2015 gefunden, als er und seine Kommilitonen im Namen der Tianjin University an einem Formelrennen teilnahmen.

Im vierten Jahr ging er an die University of Maryland in den USA und beteiligte sich an der Forschung auf dem Gebiet medizinischer Instrumente, indem er an der Entwicklung von OCT (Optische Kohärenztomographie) und FLOT-Systemen arbeitete, um mithilfe optischer Methoden nicht-invasive Tiefenscans von menschlichem Gewebe durchzuführen.

Es war auch dort, wo er ein konkretes und echtes Gefühl für "Forschung" gewann: Die menschliche Wissenschaft ist wie ein Kreis, und die Forschung ist es, diesen Kreis in einer bestimmten Richtung ein wenig nach außen zu schieben. Von weit weg ist dieser kleine Fortschritt fast unsichtbar, aber er existiert wirklich und wird in die Geschichte eingehen.

Nach einer kurzen Forschung auf dem Gebiet medizinischer Instrumente entschied er sich schließlich für theoretische Physik und konzentrierte sich auf ein relativ unbesuchtes und schwierigeres Gebiet der kondensierten Materie, Weiche Materie (Soft Matter).

Dies ist ein Gebiet, das sich mit der Bewegung, Verformung und Bruch komplexer Materialien befasst. Warum bricht Glas? Warum kann Gummibärchen gedehnt werden? Hinter vielen scheinbar alltäglichen Fragen verbirgt sich ein komplexer physikalischer Mechanismus.

Später hat Nan Kai auch schon bereut. Vor allem, wenn die Experimente nicht voranschritten, fragte er sich, warum er nicht einen Bereich gewählt hatte, in dem es leichter war, Ergebnisse zu erzielen?

Die Folge war, dass es zu seinem größten Label wurde, die von der Wissenschaft gemeinhin anerkannte 40 Jahre alte klassische Physiktheorie, die von den amerikanischen Physikern E. J. Kramer und anderen entwickelt wurde, zu hinterfragen.

Ich habe ihn gefragt, warum er sich entschieden hat, eine so alte Theorie zu widerlegen.

Seine Antwort war ehrlich, ohne Prahlerei. Er sagte, dass es am Anfang nur daran lag, dass er einen Parameter falsch eingegeben hatte und das Ergebnis nicht mit den Erwartungen übereinstimmte. Bei der Überprüfung stellte er fest, dass es tatsächlich eine neue Richtung gab, und so hielt er durch.

"Eine Notwendigkeit im Zufall." So hat er es zusammengefasst.

Nan Kais Arbeitsgruppe während seiner Promotion an der University of South Florida

Die Schwierigkeiten während der Forschung brauchen nicht näher erläutert zu werden. Ich bin sicher, dass der Weg zur Veröffentlichung eines Artikels in einer Top-Konferenz voller Hindernisse ist.

Jedenfalls hat er schließlich in seiner Doktorarbeit als Erstautor zwei Artikel in der PRL (Physical Review Letters) veröffentlicht. Dies ist eine der wichtigsten Fachzeitschriften in der Physik, und viele preisgekrönte Ergebnisse wurden zuerst dort veröffentlicht.

Einer von ihnen war der Artikel, der die klassische Theorie der Silberrisse hinterfragt. Nan Kai hat einen neuen Mechanismus und neue Formeln entwickelt und bewiesen, dass Materialien, die ursprünglich als spröde angesehen wurden, tatsächlich eine gewisse Dehnfähigkeit haben können, was neue Möglichkeiten für hochflexible Elektronikmaterialien eröffnet.

 Teil 2 

Zielsetzung auf die Probleme der Branche

Als Nan Kai erfuhr, dass der zweite Artikel in der PRL, der ihm viele negative Rückmeldungen eingebracht hatte, endlich veröffentlicht wurde, befand er sich am Flughafen auf dem Weg von den USA zurück nach China.

Er beschrieb, dass er in diesem Moment unglaublich entspannt war. "Es war mir immer schwer, im Flugzeug einzuschlafen. Die Economy-Class ist klein und kalt, aber damals habe ich im Flugzeug friedlich geschlafen."

Er hat Forschungsergebnisse, die viele Menschen ihr ganzes Leben lang nicht erreichen. Warum hat er nicht den Forschungsweg fortgesetzt?

"In meinen Lebenszielen gibt es keine Karriere als Professor." So sagte er.

Einerseits ist die theoretische Physik zu weit von der Industrie entfernt. Es kann 5 - 10 Jahre dauern, bis eine Theorie in der Industrie umgesetzt wird. Andererseits würde die Forschung ihn in einer kleinen Stadt fesseln, und er würde jeden Tag nur zwischen Universität und Labor pendeln. Er möchte lieber die Möglichkeit haben, an der Entwicklung teilzunehmen.

Im späteren Verlauf seiner Promotion hat Nan Kai dem AI4S-Team von ByteDance beigetreten. Das Modell ähnelt dem von Google X oder dem amerikanischen Biotechnologieunternehmen Flagship - es wird sowohl an der Spitzenforschung gearbeitet als auch versucht, interne Projekte zu initiieren.

Das Thema seiner Gruppe war die Entwicklung von mRNA-Medikamenten. Genauer gesagt, wurde KI eingesetzt, um mRNA-Sequenzen mit Zielgerichtetheit und Stabilität zu finden und deren Sekundär- und Tertiärstruktur vorherzusagen, bevor sie an das Experimentierteam zur Überprüfung weitergeleitet wurden.

Dies hat wenig mit seiner vorherigen Arbeit in der Materialphysik zu tun. Selbst er sagte: "Mein biologisches Wissen habe ich schon lange an meinen Mittelstufenschullehrer zurückgegeben."

Alles musste von vorne beginnen. Er musste sich neues biologisches Wissen aneignen, neue Literatur lesen und die Strukturen von RNA, Proteinen und Nukleinsäuren neu verstehen.

Im ersten Monat beschrieb Nan Kai die Zeit als "Qual", aber er genoss diesen Zustand auch.

Weil in diesem Team Mitglieder mit verschiedenen Hintergründen wie KI, Biologie, Medizin und Computermodellierung zusammenkamen und ständig von verschiedenen Perspektiven über dasselbe Problem diskutierten.

Er wurde sich deutlicher bewusst, dass bei den komplexen Problemen der Industrie oft nur ein interdisziplinärer Ansatz helfen kann. Später, als er sein Startup gründete, hat er diesen interdisziplinären Ansatz bewusst fortgesetzt - er ließ Menschen mit verschiedenen Hintergründen um dasselbe Problem herum kollidieren.

Wir wissen alle, dass auf dem Gebiet des "AI4S" die Kombination von KI und Biologie schon sehr fortgeschritten ist. Von der Vorhersage von Proteinstrukturen über die Entdeckung von Medikamenten bis hin zur generativen biologischen Gestaltung hat sich ein vollständiges Ökosystem entwickelt.

Aber in dem von Nan Kai am besten bekannten Bereich der Materialwissenschaften wird KI fast gar nicht diskutiert. Auf einer internationalen Konferenz hat er sogar einen Mitglied der National Academy of Sciences der USA, Andrew Liu, gefragt: Warum gibt es so wenige Menschen, die KI in der Materialwissenschaft einsetzen?

Weil die Materialbranche KI nur sehr wenig akzeptiert.

Einerseits entwickelt sich die Kombination von KI und Biologie rasant, andererseits ist die Kombination von KI und Materialwissenschaften fast noch nicht existent. Das hat ihn veranlasst, sich ernsthaft damit zu beschäftigen, wie KI in die Materialbranche eindringen kann.

SynMat ist seine Antwort.

Ende 2024, nach einem 40-minütigen Telefonat mit dem CEO von SynMat, hat er erkannt, dass dies die Richtung ist, die er immer gesucht hat. Am Tag nach dem Telefonat hat er seine Kündigung bei seiner damaligen Firma abgegeben, binnen zehn Tagen seine Sachen gepackt, seine Möbel in den USA verkauft und nach Shenzhen zurückgekehrt. In einem kleinen Zimmer hat er mit der ersten Forschung begonnen.

In einem kleinen Zimmer in Shenzhen hat Nan Kai mit der Gründung von SynMat begonnen.

 Teil 3 

Von NVIDIA und SK Hynix gesprochen...

Im Büro von Ivy Capital in Shanghai habe ich Nan Kai und ihren Investoren Zhang Jian aus dieser Runde getroffen. Zhang Jian hat mir erzählt, dass sie bemerkt haben, dass es im Bereich AI for materials viele Chancen gibt, und deshalb ständig nach einem Team gesucht haben, das die Schwierigkeiten in der Entwicklung neuer Materialien lösen kann.

Die Branchentrends, die er beobachtet hat, sind folgende: Einerseits bleibt die Entwicklung neuer Materialien auf einem Stadium, das stark von Erfahrung und wiederholtem Ausprobieren abhängt, während immer mehr Branchen von KI umgestaltet werden. Bei einer neuen Materialrichtung kann es Jahre dauern, bis man etwas erreicht. Die wichtigsten Erfahrungen liegen in den Köpfen einiger weniger Ingenieure, und die wirklich wertvollen Rezepturen und Technologien sind von Natur aus sehr geschlossen.

Andererseits wurde die Materialforschung in der Öffentlichkeit bisher selten diskutiert. Mit dem Anstieg des Wettbewerbs um KI-Rechenleistung rücken diese Themen jedoch in den Vordergrund.

SK Hynix, das die für die KI-Trainings- und Inferenz erforderlichen HBM (High Bandwidth Memory) liefert, ist eines der größten Benefizienzen der KI-Welle. Dies ist das beste Beispiel.

GPU ist die Grundlage für große KI-Modelle. Aber die Grenzen der GPU hängen immer mehr von HBM, fortschrittlicher Verpackung und Wärmemanagementsystemen ab. Wenn man diese Fähigkeiten weiter aufteilt, kommt man schließlich zu den Materialien.

Zhang Jian hat festgestellt, dass SynMat auf ein sehr wesentliches Ziel abzielt - es konzentriert sich auf hochschwellige Materialien für die fortschrittliche Halbleiterverpackung, die langfristig von Beschränkungen bedroht sind, wie z. B. die optischen Klebstoffe für CPO (Co-Packaged Optics), die Wärmeleitmaterialien für Hochleistungsrechner wie GPU/HBM sowie die neuesten Fotolacke und Vorläuferstoffe für hochschwell