Der jüngste chinesische Tenured-Professor in Japan gründet ein Startup im Bereich KI + neue Materialien, entwickelt selbst über 200 physikalische Modelle und verkürzt den Forschungs- und Entwicklungszyklus auf zwei Monate | Erstveröffentlichung von 36Kr

Bildquelle / Unternehmen

Dieser Artikel umfasst etwa 2800 Wörter, eine Lesezeit von 7 Minuten wird empfohlen

Autor:in 丨 Ou Xue

Redakteur:in 丨 Yuan Silai

Nach Informationen von Hard Krypton hat Suzhou MatSource Technology Co., Ltd. (MatSource, im Folgenden als „MatSource“ bezeichnet), ein Technologieunternehmen für KI + neue Materialien, angekündigt, dass es innerhalb der letzten drei Monate nacheinander zwei Runden von Angel-Finanzierungen im Wert von über 100 Millionen Yuan abgeschlossen hat.

Die vorherige Finanzierungsrunde wurde von Su Gao Xin, Silicon Harbor Capital, Hefei Yuanchu No.6 und Shanghai Yuangu mitbeteiligt, die alten Aktionäre Yihe und Qingxin Capital haben nachinvestiert; die neue Finanzierungsrunde wurde von Matrix Partners China angeführt, Su Venture Capital und die alten Aktionäre CAS Star und Silicon Harbor Capital haben kontinuierlich nachinvestiert. Die Finanzierungsmittel werden vor allem dazu verwendet, den geschlossenen Forschungs- und Entwicklungszyklus der gesamten Kette „Daten – physikalisches Modell – KI-Agent – automatisiertes Experiment“ zu vertiefen, die Pilotproduktion und die industrielle Umsetzung von Schlüsselmaterialien wie Festelektrolyten zu beschleunigen sowie interdisziplinäre Fachkräfte für KI und Materialwissenschaft einzustellen.

MatSource wurde im April 2025 gegründet und ist ein Technologieunternehmen, das sich auf den Bereich „AI for Materials“ konzentriert. Der Gründer und leitende Wissenschaftler Li Hao ist derzeit ordentlicher Professor an der Tohoku-Universität in Japan, der einzige chinesische „herausragende Professor“ in ganz Japan (der höchste Titel im japanischen akademischen System) und einer der jüngsten ordentlichen Professoren auf Lebenszeit in der japanischen Geschichte (er wurde im Alter von 32 Jahren ernannt, das durchschnittliche Alter für ordentliche Professoren auf Lebenszeit in Japan beträgt 58 Jahre).

Aus der Sicht von Li Hao liegt das zentrale Hindernis, mit dem die aktuelle neue Materialindustrie konfrontiert ist, nicht an unzureichenden Investitionen, sondern an der Effizienzobergrenze des traditionellen F&E-Paradigmas selbst.

Am Beispiel von Festelektrolyten: Die Erforschung dieser Art von Materialien durch die Menschheit in den letzten Jahrzehnten beträgt weniger als 8 %, und es wird geschätzt, dass es 60 bis 100 Jahre dauern würde, um den verbleibenden 92 % des Raums mit der traditionellen Versuch-und-Irrtum-Methode zu durchlaufen. Das ist der grundlegende Grund, warum die Massenproduktion von Festkörperbatterien immer wieder verschoben wird: Bevor eine systematische Abtastung des Materialraums abgeschlossen ist, könnte jede Produktlinienkonstruktion aufgrund des Auftretens der nächsten Generation von Materialien dem Risiko von versunkenen Kosten ausgesetzt sein.

Das ist genau der Ankerpunkt des Werts von AI for Materials. Es ersetzt nicht die Wissenschaftler bei der Durchführung von Experimenten, sondern lässt die KI Zehntausende von „Vorversuchen“ in der virtuellen Welt durchführen, wodurch der Erforschungszyklus des Materialraums erheblich verkürzt wird.

Der Unterschied von MatSource besteht darin, dass es sich nicht damit begnügt, ein „Vorhersagewerkzeug“ zu sein, sondern versucht, einen vollständigen geschlossenen Kreislauf von den Daten bis zur industriellen Umsetzung aufzubauen.

Die technische Architektur von MatSource kann als kooperatives System aus „Gehirn + Gliedmaßen“ verstanden werden: KI-Agenten und physikalische Modelle bilden das „kluge Gehirn“, hochdurchsatzautomatisierte Experimente bilden die „kräftigen Gliedmaßen“ und die Datenbank ist das „Gedächtnis“, mit dem sich das gesamte System kontinuierlich weiterentwickelt.

Auf der Ebene der Datenbasis hat das Unternehmen die weltweit größte Datenbank mit Millionen von echten Materialien aufgebaut. Diese Datenbank wurde nicht durch automatisiertes Scraping mit KI generiert, sondern vom Team über sieben Jahre hinweg mit mehr als hundert Fachexperten durch systematische Ausgrabung, Markierung und Bereinigung von Literatur- und Patentdaten angesammelt.

„Die aktuell berichtete Genauigkeit der KI-gestützten Ausgrabung ist nicht hoch, die Halluzinationsrate kann über 95 % erreichen, man muss das Problem immer noch manuell lösen“, verriet Li Hao. Das Unternehmen hat hochpräzise Werkzeuge für die Datenausgrabung und einen systematischen Prüfprozess für die Einlagerung in die Datenbank entwickelt und plant, die Größe der Datenbank im laufenden Jahr auf 10 Millionen zu erweitern.

Auf der Ebene der physikalischen Modelle hat MatSource mehr als 200 physikalische Modelle für die Materialvorhersage selbst entwickelt, mit dem Ziel, im laufenden Jahr 250 zu durchbrechen. Die Funktion der physikalischen Modelle besteht nicht nur in der Vorhersage, sondern vor allem darin, „die Halluzinationen der KI einzudämmen“. Physikalische Gesetze wie „F=ma“ gelten in klassischen Szenarien immer, sodass die KI keine Materialphänomene vorhersagen kann, die gegen das zweite Newtonsche Gesetz verstoßen.

Darüber hinaus findet eine wechselseitige Überprüfung zwischen den physikalischen Modellen und den KI-Agenten statt: Die von der KI vorhergesagten Ergebnisse können durch die physikalischen Modelle gefiltert werden, und die physikalischen Modelle können auch in den Trainingsprozess der KI eingebettet werden.

Auf der Ebene der KI-Agenten hat MatSource mehr als ein Dutzend spezielle KI-Agenten (AI Agent) für spezifische F&E-Szenarien für Materialien entwickelt, die Bereiche wie Festelektrolyte, Wasserstoff-Elektrokatalyse, ionische Flüssigkeiten, Fotoresist, Thermokatalyse, Molekularsiebe, organische Elektrosynthese und Fischer-Tropsch-Synthese abdecken. Diese Agenten sind keine generellen großen Modelle, sondern vertikale Domänenexperten, die auf der Grundlage echter Experimentdaten und physikalischer Modelle trainiert werden. Das Unternehmen hat kürzlich gerade den KI-Agenten für die Fischer-Tropsch-Synthese veröffentlicht, der eine gezielte F&E-Unterstützung für diese wichtige industrielle Katalysereaktion bietet.

Auf der Ebene der hochdurchsatzautomatisierten Experimente hat MatSource die weltweit erste hochdurchsatzautomatisierte Experimentierplattform für die anorganische Festphasen-/Fest-Flüssigphasen-Synthese vorgestellt, die von KI-Agenten gesteuert wird. Die Plattform hat eine tägliche Verarbeitungskapazität von 150 Proben und realisiert den geschlossenen Kreislauf des gesamten Prozesses „Planung – Design – Verfahren – Ausführung – Rückkopplung“.

Diese vier Segmente sind miteinander verbunden und bilden einen sich selbst iterierenden positiven Zyklus: Daten → physikalisches Modell → KI-Agent → Materialauswahl → automatisiertes Experiment → experimentelle Validierung → Datenrückkopplung → Modelliteration.

Tatsächlich gibt es in der aktuellen Branche für AI for Materials ein weit verbreitetes Phänomen: Man legt Wert auf Vorhersage, vernachlässigt die Validierung und noch stärker die industrielle Umsetzung. Eine große Anzahl von Arbeiten zeigt, dass die KI erfolgreich ein neues Material vorhergesagt hat, aber nur wenige Fälle haben das Material tatsächlich hergestellt, durch Klein- und Pilotversuche gebracht und auf die Produktionslinie gebracht.

MatSource hat einen pragmatischeren Weg gewählt. Das Unternehmen baut ein dreigliedriges Geschäftsmodell aus „technischen Dienstleistungen + Materialbank + selbst entwickelte Materialproduktion“ auf, mit dem Ziel, die gesamte Kette von der KI-Vorhersage bis zur Materiallieferung zu durchbrechen.

Ein Beispiel für die Dienstleistung des Unternehmens für ein Fortune-500-Unternehmen: Die Umwandlungseffizienz des Katalysators für eine thermische Katalysereaktion dieses Unternehmens war niedrig, was es seit mehr als 20 Jahren belästigte. In dieser Zeit wurde das Problem an mehrere Universitäten und führende F&E-Unternehmen für Materialien ausgelagert, aber es wurde nicht gelöst. Nachdem MatSource den Auftrag angenommen hatte, war im Vertrag eine Lieferfrist von einem Jahr vereinbart, aber in weniger als zwei Monaten fand es eine Reihe von Katalysatoren mit besserer Leistung, von denen der beste eine um 30 % höhere Leistung als die ursprünglichen Materialien des Unternehmens aufweist. Derzeit hat er die Kleinserie abgeschlossen und befindet sich in der Phase der Pilotproduktion und Massenproduktion.

Im Bereich der selbst entwickelten Materialien konzentriert sich das Unternehmen vor allem auf Bereiche wie die grüne organische Elektrosynthese und Festelektrolyte, wobei die Kernprojekte bereits in die Pilotphase eingetreten sind. Darüber hinaus hat das Unternehmen kürzlich eine strategische Kooperationsvereinbarung mit einem Unternehmen für biomedizinische Materialien unterzeichnet, um seine Fähigkeiten in der KI-gestützten Materialforschung auf den Bereich der biomedizinischen Materialien auszuweiten.

Nach Abschluss dieser Finanzierungsrunde plant MatSource, die Erweiterung der Datenbank auf 10 Millionen Datensätze kontinuierlich voranzutreiben, mehr als 250 physikalische Modelle zu durchbrechen, die Matrix der KI-Agenten und den Aufbau des hochdurchsatzautomatisierten intelligenten Labors zu vervollständigen und die Umsetzung der gesamten Kette von der Forschung und Entwicklung bis zur Industrialisierung von Schlüsselmaterialien zu beschleunigen.

Im Folgenden finden Sie Auszüge aus dem Gespräch zwischen Hard Krypton und Li Hao, Gründer und leitender Wissenschaftler von MatSource (redaktionell bearbeitet):

Hard Krypton: Wo liegt der Unterschied zwischen dem „geschlossenen Kreislauf“ von MatSource und dem anderer Unternehmen?

Li Hao: Ein geschlossener Kreislauf bedeutet nicht, Dinge einfach aneinander zu reihen oder Durchbrüche an einem einzelnen Punktwerkzeug zu erzielen. Die Iteration des F&E-Paradigmas in den letzten zehn Jahren hat bereits bewiesen, dass dieser Weg nicht funktioniert. Unser geschlossener Kreislauf ist in jedem Glied extrem ausgereift und organisch integriert.

Die Datenbank ist der Grundstein. Millionen von echten Experimentdaten, keine theoretischen Simulationsdaten, das ist das größte bekannte weltweit. Auf der Grundlage der Datenbank haben wir mehr als 200 physikalische Modelle abgeleitet und gleichzeitig präzise KI-Agenten trainiert. Physikalische Modelle dämmen KI-Halluzinationen ein und bieten Erklärbarkeit; KI-Agenten sind für die hochdurchsatzige Vorhersage zuständig. Die Vorhersageergebnisse werden von der automatisierten Experimentierplattform validiert, und die Experimentdaten fließen zurück in die Datenbank.

Jedes Segment ist ein Wettbewerbsvorteil. Die Datenbank ist eine siebenjährige Akkumulation im Stil von „Yugong, der den Berge versetzt“, die physikalischen Modelle sind unsere theoretische Spezialität, andere Unternehmen in der Branche haben fast keine Akkumulation in diesem Bereich. Die KI-Agenten werden auf der Grundlage hochwertiger Daten trainiert, und die automatisierte Plattform beinhaltet interdisziplinäre Überschneidungen. Nachdem wir diese zu einem geschlossenen Kreislauf verbunden haben, haben wir in einigen Materialbereichen bereits erreicht, „das zu treffen, worauf wir zielen“.

Hard Krypton: Was ist eigentlich das Hindernis für die Industrialisierung von Festkörperbatterien? Was kann die KI lösen?

Li Hao: Warum sind Festkörperbatterien noch nicht in großem Maßstab in Produktion gegangen? Das Hindernis liegt beim Festelektrolyten. In den letzten drei bis vier Jahrzehnten hat die Menschheit weniger als 8 % des Materialsraums für Festelektrolyte erforscht, die verbleibenden über 92 % sind unbekannt. Es wird geschätzt, dass es 60 oder 100 Jahre dauern würde, um diese 92 % mit der traditionellen Versuch-und-Irrtum-Methode zu durchlaufen, und es ist nicht sicher, dass man das schafft.

Warum verschiebt jeder Hersteller von Festkörperbatterien den Massenproduktionszeitpunkt immer weiter nach hinten? Jedes Mal sagt man „nächstes Jahr“, und das wurde seit den 2010er Jahren bis heute verschoben. Denn wenn Sie heute eine Produktionslinie bauen, um eine Art von Sulfid-Elektrolyt herzustellen, und die Wissenschaftler nächstes Jahr mit traditionellen Methoden ein besseres Material finden, ist diese Produktionslinie nutzlos.

Was die KI tun soll, ist, den unbekannten 92 % vor dem Bau der Produktionslinie zu durchlaufen, oder zumindest den größten Teil davon, damit wir wissen, welches Material im aktuellen Szenario die optimale Lösung ist. Ohne diese Voraussetzung ist jede groß angelegte Industrialisierung wie ein Blinder, der einen Elefanten tastet.

Hard Krypton: Wie sieht der kommerzielle Weg aus, von KI-F&E-Werkzeugen zur Materialindustrialisierung zu gelangen?

Li Hao: Was im Bereich der KI-Materialien am meisten fehlt, ist die praktische Umsetzung. Unser Ziel ist es, das weltweit erste Unternehmen zu werden, das durch KI-Unterstützung die groß angelegte industrielle Umsetzung von Materialien realisiert.

Derzeit gibt es drei Modelle: Erstens technische Dienstleistungen, die Kunden maßgeschneiderte F&E anbieten. Das oben genannte Beispiel des Fortune-500-Unternehmens ist typisch: Wir haben ihr seit mehr als 20 Jahren bestehendes Problem in zwei Monaten gelöst. Zweitens die Materialbank, die neue Materialrezepturen und Verfahren, die während der F&E entstanden sind, sammelt und durch IP-Lizenzierung Einnahmen erzielt. Drittens die selbst entwickelte Materialproduktion, die sich auf Bereiche wie Festelektrolyte und grüne organische Elektrosynthese konzentriert und selbst Produktionslinien baut und die Skalierung durchführt.

Nur mit KI geht es nicht: Wenn man keine Materialien herstellt, keine Skalierung durchführt und keine Produktionslinien nutzt, kann man die Industrie nicht wirklich unterstützen. Wir wollen nicht nur Materialien vorhersagen, sondern die Materialien auch tatsächlich herstellen, sie durch Pilotversuche bringen und auf die Produktionslinie bringen. Das ist der endgültige Wert von AI for Materials.