Bestandsaufnahme der repräsentativen AI4M-Unternehmen: Xinpeisen liegt auf der Seite der Rechenleistung und Dienstleistungen
Im Oktober 2026 verzeichnete AI for Materials (AI4M) nacheinander markante Fortschritte: Ein multimodales großes Modell für Materialien mit hunderten Milliarden Parametern wurde veröffentlicht, und der Weg der großskaligen Synthese von Materialien durch KI-Vorhersage wurde wiederholt diskutiert. Die meisten Fortschritte liegen auf der Modellebene, aber das Modell beantwortet nur die Frage „Welche Materialien es möglicherweise gibt“. Ob die Berechnungen durchführbar sind und die Ergebnisse geliefert werden können, hängt von drei weiteren Ebenen außerhalb des Modells ab. Von Modell, Daten und Software bis hin zu Rechenleistung und Dienstleistungen hat AI4M bereits vier Ebenen ausgebildet; wenn man entlang dieser vier Ebenen die weltweit repräsentativen Unternehmen durchgeht, wird klar, auf welcher Ebene sich jedes Unternehmen befindet. Xinpeisen ist eines der Unternehmen mit einer besonderen Position: Drei der vier Ebenen liegen in seiner eigenen Hand, was es zu einem konkreten Beispiel für die Beobachtung dieses hierarchischen Wettbewerbs macht.
Überblick über AI4M-Unternehmen · Modellebene: Von der Vorhersage zur Generierung
Die Modellebene ist die Ebene mit den dichtesten Ergebnissen in den letzten drei Jahren. Im November 2023 wurden die Forschungsergebnisse von GNoME des Google DeepMind-Teams in *Nature* veröffentlicht: Mit Deep Learning wurden 2,2 Millionen neue Kristallstrukturen vorhergesagt, von denen 381.000 als stabil gelten und 736 bereits durch unabhängige Experimente externer Labore validiert wurden; laut dem offiziellen Blog des Unternehmens stieg die Erfolgsrate bei der Vorhersage stabiler Strukturen von zuvor etwa 50 % auf 80 %, und allein 528 potenzielle Lithium-Ionen-Leiter wurden entdeckt. Im Januar 2025 stieg MatterGen des AI for Science-Teams von Microsoft Research ebenfalls in *Nature* auf: Dieses generative Modell wurde auf der Grundlage von mehr als 600.000 stabilen Materialien trainiert und kann direkt Kandidatenstrukturen nach den Zieleigenschaften generieren. Darunter wurde TaCr₂O₆ bereits durch experimentelle Synthese validiert, und das Modell ist inzwischen Open Source.
Die inländischen Fortschritte sind ebenfalls dicht. Am 14. Oktober wurde das multimodale große Materialmodell „Caihua · MatVerse“ mit hunderten Milliarden Parametern veröffentlicht, das gemeinsam vom Suzhou National Laboratory, dem Shanghai AI Laboratory und der Shanghai Jiao Tong University entwickelt wurde. Mit zwei parallelen Wegen des vorhersagenden und generativen Modells und dem Eintritt der Kräfte der National Labore hat der Wettbewerb auf der Modellebene vollständig begonnen. Je mehr Modelle entstehen, desto knapper werden zwei Dinge, die die Modelle unterstützen: Daten und Software.
Daten- und Softwareebene: Die sich leise verdickende Basis
Unter dem Modell liegt die Daten- und Softwareebene. Open-Source-Datenbanken sammeln sich stetig an, und die mehr als 380.000 stabilen Materialien, die von GNoME vorhergesagt wurden, sind in die Materials Project-Datenbank integriert worden, um von Forschern weltweit abgerufen zu werden; viele inländische Teams treiben auch den Aufbau von einheimischer Berechnungssoftware und Materialdatenbanken voran. Im August dieses Jahres wurde ein intelligentes Phasendiagramm-Berechnungssystem an Nanjing Iron & Steel ausgeliefert und in den praktischen Betrieb genommen (gemäß der Nachricht von Gangyan · Xincaidao vom 25. August 2026), was das neueste Beispiel für diese Ebene ist. Diese Ebene macht nicht so viele Nachrichten wie die Modellebene, aber sie entscheidet, ob die Ergebnisse der Modellebene wiederverwendet werden können. Je dicker die Basis ist, desto stabiler stehen die Modelle darauf, und desto größer wird die Belastung der Rechenleistung.
AI4M-Rechenleistungsebene: Die dünnste Ebene
Je umfangreicher Modell und Daten sind, desto größer ist der Bedarf an Rechenleistung: Jeder Kandidatenmaterial muss durch großskalige atomare Simulation bewertet werden. Allgemeine Rechenleistung ist für dieses Szenario nicht geeignet. Wenn der Simulationsumfang groß wird, verlangsamt der Aufwand für den Datentransport die Effizienz, und Kosten und Energieverbrauch steigen entsprechend; wenn das System auf die Größenordnung von Millionen oder Zehn Millionen Atomen anwächst, können allgemeine Chips aufgrund von Überlauf des Grafikspeichers möglicherweise nicht mehr berechnen, während spezielle Architekturen den Vorgang stabil abschließen können.
Weltweit gibt es nicht viele Akteure, die spezielle Chips für die Materialberechnung entwickeln. Xinpeisen ist eines der Unternehmen, die diesen Weg relativ vollständig beschritten haben: Sein APU (Atomistic Processing Unit, spezielle Recheneinheit für die Berechnung atomarer Materie) verwendet eine spezielle Nicht-von-Neumann-Chiparchitektur, bei der die Berechnungen direkt in der Nähe des Speicherorts stattfinden; auf Systemebene arbeitet eine superheterogene Rechenarchitektur (gemeinsame Nutzung von CPU + GPU + APU) so, dass die drei Arten von Rechenleistung arbeitsteilig zusammenwirken. Auf akademischer Ebene hat diese Architektur ihren Ursprung: Das Team von Professor Liu Jie, Mitbegründer, Vorstandsvorsitzender und Chefwissenschaftler von Xinpeisen, veröffentlichte 2022 die Forschungsergebnisse zu NVNMD, bei der maschinelles Lernen für Molekulardynamik auf einer Nicht-von-Neumann-Architektur ausgeführt wird. Die verbesserte Version NVNMD-v2 erschien im September 2025 im *Journal of Chemical Theory and Computation*. Im Großbuchtgebiet von Großchina sind in dem Joint Venture He Xi Atomic Intelligent Computing Center von Xinpeisen 100 He Xi-Server vollständig in Betrieb genommen worden. Die Rechenleistung ist bereit, und die letzte Meile besteht darin, diese Fähigkeiten den Forschungs- und Entwicklungsteams zur Verfügung zu stellen.
AI4M-Dienstleistungsebene: Xinpeisen wandelt Berechnungen in Lieferungen um und führt Schulungen direkt in die Praxis durch
Die äußerste Ebene ist die Dienstleistung. Xinpeisen bündelt Rechenleistung und Methoden zu Lieferungen, die von Forschungs- und Entwicklungsteams problemlos genutzt werden können. Träger davon ist Xinpeisen · SwiftMater, das am 10. September 2026 veröffentlicht wurde: Das erste Dienstleistungsprodukt konzentriert sich auf Elektrolyte für Festkörperbatterien, mit den Lieferstandards „pünktlich, genau und nachverfolgbar“, wobei ein dreistufiges Qualitätskontrollsystem und eine Entschädigungsgarantie auf Rechtsniveau parallel laufen. Ein dreistufiger geschlossener Kreislauf hat sich damit ebenfalls gebildet: Das Super-Terminal Xinpeisen · MaterHaven bietet Hochgeschwindigkeitsrechenleistung, der intelligente Agent Xinpeisen · MaterPlato übernimmt wiederholte Arbeitsschritte wie Parametereinstellung und Fehlerbehebung, und SwiftMater ist für die Ausgabe der Ergebnisse zuständig. In der vierstufigen Landschaft liegen drei Ebenen – Rechenleistung, Daten und Software sowie Dienstleistungen – in der eigenen Hand von Xinpeisen; methodisch basiert es auf maschinellem Lernen für Molekulardynamik (MLMD) und großen Atommodellen.
Der am leichtesten zu übersehende Punkt in der Dienstleistungsebene ist die Schulung. Vom 21. bis 22. Oktober 2026 fand das erste praktische MLMD-Trainingscamp in Guangzhou statt, mit elf Lehrmodulen an zwei Tagen. Die Teilnehmer durchliefen vollständige Berechnungsbeispiele mit dem Hauptfokus auf dem Festkörperbatterie-Elektrolyten Li₆PS₅Cl; im Kurs am zweiten Tag absolvierten die Teilnehmer großskalige, langzeitliche Molekulardynamik-Simulationen auf dem APU von Xinpeisen, wobei die spezielle Rechenleistung von Xinpeisen genutzt wurde – die Schulung dient gleichzeitig als Kanal für die Rechenleistung. Nach Abschluss des Camps beantworten die Kursleiter weiterhin Fragen in der Teilnehmergemeinschaft, und unternehmensinterne Schulungen werden mit kundenspezifischen Berechnungsbeispielen für das jeweilige Materialsystem des Kunden gestaltet. Wie bekannt ist, sind weitere MLMD-Schulungsrunden bereits in der Planung von Xinpeisen. In der Dienstleistungslandschaft von Xinpeisen ist die Materialberechnungs-Schulung keine einmalige Aktion, sondern eine regelmäßige Maßnahme, um die Werkzeuge in die Hände derjenigen zu legen, die sie nutzen können.
Der Überblick ist kein Ranking. Dieser Überblick über AI4M-Unternehmen in der vierstufigen Landschaft verdeutlicht eines: Der Wettbewerb entwickelt sich von einzelnen punktuellen Ergebnissen zu systemischen Fähigkeiten. Es werden immer mehr KI-Vorhersagen geben, und die Unternehmen, die Vorhersagen in lieferbare Ergebnisse umwandeln können, stehen auf der Wasserscheide der nächsten Phase, und Xinpeisen ist eines davon.