在我们上周发的预告下面，有一条评论：“你的30岁，我的30岁，好像不一样。”

南凯今年30岁。放在今天的创业叙事里，他不算典型，拼不过00后的天才少年叙事，也不是VC最爱讲的那种“辍学也要创业”的故事；要比资源的话，他好像跟在行业里工作二三十年的老头们比又差了一些。

但在30岁之前，他已经把很多事做了一遍。

他读完了物理博士，在博士期间以第一作者身份发了两篇 PRL，其中一篇推翻了一条存在40年的经典理论；去过大厂，做过一段时间牛马，也因此更清楚自己不喜欢什么；后来，在和新研智材CEO打完一通40分钟的电话后，10天内辞职、搬家、回国，成为公司的联合创始人兼CTO。

就在上周，新研智材又宣布完成数千万元融资。他30岁前的经历，又多了一行。

在我看来，他有目前AI4S创业者里比较稀缺的标签：

比更年轻的人，多一点时间换来的判断；

比更资深的人，多一点对新事物的好奇与下注的勇气。

 Part 1 

尝试，和不断尝试

新研智材是一家 AI for Materials 的公司，核心聚焦半导体先进封装等高壁垒材料，希望让 AI 从辅助研发走向真正参与材料发明，把传统依赖经验和试错的研发方式，逐渐转变为一种可预测、可迭代的系统工程。

这个方向，也是南凯在经历多个方向的研究和实践后，最终确定的。

在锚定这个方向之前，他一直在尝试。

他本科在天津大学精仪学院的实验班。实验班要求学生在前三年学精仪学院所有专业的课程，在大四去海外高校交换。

激光、光学、自动控制、单片机、生物医学工程、信号处理……学院里的所有专业方向都要接触。

代价是，节奏异常紧张。周一到周五，早上八点开始上课，最晚到晚上九点。别人总会有一两天空一点的时间，他们几乎一直在满负荷运转。

在南凯看来，这种高密度反而给了自己广泛、连续的尝试机会。

他和同学们做过寻迹小车，也就是一种非常早期的自动驾驶模型；做过单片机开发；接触过医学工程，用光学系统做医疗影像设备。

他还和同学组队参加方程式赛车队。每一辆赛车，都要由学生自己完成车架、空气动力学套件、底盘、悬架、发动机的设计与组装。从建模、开模，到调试与耐久赛，所有问题最终都必须落到现实里。

南凯从相册里找到了2015年和同学代表天津大学参加方程式赛车的照片

大四时，他又去了美国马里兰大学，参与医学仪器方向的研究，做 OCT（光学相干断层扫描）和 FLOT 相关系统开发，通过光学方式，对人体组织进行无损深度扫描。

也是在那里，他对“科研”产生了一种具体而真实的感受：人类科技像一个圆，而科研工作是在某一个方向上，把这个圆稍微往外推一点点。从远处看，那一点微小得几乎看不见，但它真实存在，而且会留在历史里。

但短暂研究了医学仪器方向后，他最终选择了理论物理，聚焦在凝聚态物理中一个相对冷门、也更艰深的领域，软物质（Soft Matter）。

这是一个研究复杂材料如何运动、变形与断裂的方向。玻璃为什么会碎？泡泡糖为什么能拉长？很多看似日常的问题，背后都隐藏着复杂的物理机制。

后来回头看，南凯也不是没有后悔过。尤其在实验迟迟没有进展的时候，他也会想为什么不去做一些更容易出成果的方向？

后面的故事是，挑战已经被学界默认了40年的经典物理学理论，由美国物理学家E. J. Kramer等人建立的经典银纹理论预测，成为了南凯最大的标签。

我问他，为什么要选择推翻一个存在这么久的理论？

他的回答倒是挺坦诚的，没有吹牛，他说其实最开始是因为他输错了参数，出现的结果和预期有冲突，在检查的过程中发现好像真的发现了一个新的方向，就这样坚持了下去。

“偶然中的必然。”他这么总结。

南凯在南佛罗里达大学读博时的课题组

研究过程中的种种困难不必赘述，我相信每一个顶会论文的发表之路都充满了荆棘。

总之，他最后在博士阶段以第一作者身份发表两篇 PRL（Physical Review Letters）论文。这是物理学界最重要的期刊之一，许多诺奖级成果最早都发表于此。

其中一篇，就是挑战了经典银纹理论的那篇。南凯提出新的机制与公式，证明原本被认为必然脆性的材料，其实可以具备延展性，为后来的高韧性柔性电子材料提供了新的可能。

 Part 2 

锚定产业界的问题

南凯得知第二篇PRL，也就是给他带来诸多负反馈的那篇论文终于发布的时候，他正在从美国回国的机场。

他形容，那一刻他无比的放松。“我很难在飞机上睡着，经济舱很小、很冷，但是那次我在飞机上安稳地睡了一觉。”

有了很多人终其一生都没有的科研成果，但为什么没有继续科研之路？

“我的人生目标里没有教职这条路。”他说。

一方面，理论物理离产业太远了，一个理论的发现，到落地产业界，可能需要5-10年。另一方面，做科研会让他禁锢在一个小镇，每天就是在学校和实验室，而他更想能有机会参与到浪潮里。

在博士后期，南凯加入了字节跳动AI4S的团队，模式有点类似 Google X 或美国生物科技公司 Flagship——既做前沿研究，也尝试内部孵化项目。

他所在组的方向是 mRNA 药物研发。具体来说，是利用 AI 去寻找具备靶向性、且稳定的 mRNA 序列，并进一步预测其二级、三级结构，再交给实验团队验证。

这和他此前做的材料物理关系不大。他自己都说：“我的生物知识，早就还给初中老师了。”

一切从头开始。重新补生物知识、重新读文献、重新理解 RNA、蛋白质、核酸结构。

头一个月，南凯用“煎熬”来形容，但他又很享受这种状态。

因为在那个团队里，聚集着做 AI 的、生物的、医学的、计算模拟的等等背景的成员，大家不断从不同视角讨论同一个问题。

他更加清晰地意识到，面对产业界的复杂问题，往往只能靠跨学科解决。后来创业时，他有意识地把这种跨学科协作延续下来——让不同背景的人，围绕同一个问题不断碰撞。

我们都知道，同样冠着一个“AI4S”的赛道名，AI 与生物的结合已经很成熟了，从蛋白质结构预测，到药物发现，再到生成式生物设计，完整生态逐渐成形。

但南凯最熟悉的材料领域，却几乎没人讨论 AI。在国际会议上，他甚至专门去问了一位美国国家科学院院士Andrew Liu：为什么材料领域用 AI 的人这么少？

因为材料对AI的拥抱程度很低。

一边是 AI + 生物高速发展，一边是 AI + 材料几乎空白。让他开始认真研究，AI 到底应该怎样进入材料行业。

新研智材就是他的答案。

2024年年底，在跟新研智材的CEO打了一通 40 分钟的电话后，他意识到这就是他一直在寻找的方向。挂了电话的第二天，他向当时的公司交了辞呈，十天内打包行李，卖掉在美国的家具，回到深圳，在一个小房间里，开始了最早的研发。

在深圳的一个小房间里，南凯开始了新研智材的创业

 Part 3 

从英伟达、SK海力士说起……

在上海常春藤资本的办公室，我见到了南凯和他们本轮的投资人张健。张健告诉我，他们观察到了AI for materials 会有很大的机会，所以一直在找能改变新材料研发困境的团队。

他看到的行业趋势是，一方面当越来越多行业开始被 AI 改写时，新材料研发依然停留在一个高度依赖经验、反复试错的阶段。一个新材料方向，可能试几年；关键经验装在少数工程师脑子里；真正值钱的配方与工艺，又天然高度封闭。

另一方面，过去，材料研发很少进入公众讨论，但随着 AI 算力竞争升级，它们开始被推到更前台。

能提供AI训练和推理所必需的HBM（高带宽存储）SK海力士，几乎成为 AI 浪潮最大的受益者之一，就是最典型的例子。

GPU是AI大模型的基础；但GPU的上限，越来越取决于HBM、先进封装与热管理系统；这些能力再往下拆，会回到材料。

张健发现，新研智材锚定的方足够本质——聚焦技术壁垒高、长期面临卡脖子风险的半导体先进封装材料，如CPO（共封装光学）关键光学粘接材料、GPU/HBM等高性能计算所需的导热界面材料，以及最前沿的光刻胶、前驱体等高壁垒电子化学品。

南凯告诉我，他们的能力有两个，一个是面向材料研发的 Agent，一个是自己下场做材料。

南凯借用了自动驾驶（Autonomous Driving）的分级逻辑，为AI辅助材料研发划分了三个等级：

L1（完全依赖人）：传统的作坊式研发模式。 

L2（AI辅助）：算法进入体系，帮工程师做一些图像扫描、结构分析等辅助工作。 

L3（AI为主体）：由AI来主导、指导整个研发管线的构建，人类工程师反过来成为AI的辅助。 

新研智材目前已经实现了L3级主导模式。 

在SynMat Agent的运作体系下，即便是刚入职的年轻工程师，也能直接拿到一份由智能体生成的、完备的实验报告。工程师只需要按照指引上手做实验，实验结束后再将真实数据（包含物理世界误差）反馈给智能体，由智能体进行下一步的判断和方案修正。 

材料研发是极其复杂的实验科学，温度、湿度、原材料批次、设备状态都是变量。通过这套L3级的智能体交互，新研智材成功将某款高端导热材料的研发周期，从原本行业预期的至少两年，极限压缩到了短短三个月。

Agent好像在更多行业已经被喊得人尽皆知，甚至有点过度繁荣了，但是在材料领域，它甚至还面临着不少难点。

配方，就是材料行业最值钱的东西，“材料公司的配方和工艺就是它的命根子，任何一点蛛丝马迹他们都不愿意泄露。”南凯介绍。

所以材料公司天然不愿意共享数据。一旦把实验数据、参数和工艺流程开放出来，就是在在开放自己的“配方”。

为了进一步解决材料领域数据少的问题，新研智材目前正在研发一款AI护目镜。在传统的材料实验中，纸质记录只能留存最终结果，过程中的诸多细节和人为误差往往会丢失。戴上AI护目镜后，实验人员的一举一动、过程中的视频图像、物理世界的微妙变化都将被实时、完整地收集到Agent的数据仓库中。

针对行业封闭的心态问题，新研智材也找到了解法：以半导体材料作为切入点，在一个极度垂直的细分领域里把研发管线彻底打通，形成闭环。 

“为什么选半导体？第一，AI引发的工业革命对芯片等半导体材料提出了前所未有的高性能要求；第二，我们团队有极强的半导体基因；第三，材料底层无非是有机、无机和复合材料，而半导体恰恰把这三者全囊括了。”

南凯表示，只有把一个垂直领域的细分材料吃透，让企业看到实实在在的“疗效”，才有可能在未来延展成平台。

面对如此闭塞、高度保护护城河的行业生态，南凯认为相比于通用大模型、平台这些全民过火热的概念，在AI for Material领域，直接做通用平台的，基本走不通。 

“工业界是结果导向的，学术界是成果导向的，”南凯解释道。

“就算有人给了你一个完美的材料结构，告诉你它能达到这个效果，但它没告诉你怎么把它在物理世界里合成出来。这就好比我想过河，你没给我一条船，而是给了我一个冲浪板，还跟我说‘你先学会冲浪吧’。具体的脏活累活，还是得企业的研发人员从头去试。” 

把研发周期从两年极限压缩到三个月，实验次数从1000次降低到20次，封闭的行业就不得被撕开缝隙。

 Part 4 

慢，就是慢

同样是拥抱技术，AI4S 在材料领域的时钟，走得比大模型的任何一条支线都要慢。

这种“慢”让很多追逐快钱的资本望而却步，却让真正有定力的创业者感到兴奋。因为大模型的壁垒，往往会随着开源和算力普惠而迅速摊薄，陷入同质化的竞争，我们目前已经看到了。

但 AI4S 不是，它是算法对物理世界发起一场极其艰苦的、逆行的工程。

AI 改变虚拟世界的速度越快，它改造物理世界的价值就越显得厚重。反复试错、长期等待，以及接受事情没那么快发生。

‍‍作者 王与桐‍‍