索格智算：AI造“老师傅”，帮工厂少走材料试错弯路

“你做的这个智能体，能顶得上干了多少年的老师傅？”

精细化工领域的上市企业，碰到上门推介AI研发工具的公司，总爱先问上这么一句。市面上各类材料研发智能体，他们早就见得多，可厂里搞研发的人，还是更认自己攒了多年的那点经验。

通用知识问AI，行业、领域层面的问题它答得挺顺。可一碰到复杂的材料配方和生产工艺，它照样可能煞有介事地给出错答案。

2025年成立的索格智算（上海）科技有限公司，就想把这个老毛病认真治一治。

这家初创公司由上海交通大学数学科学学院教授徐振礼领衔，数学、人工智能、材料等领域的顶尖人才和研发团队都聚到了这里。公司想靠自主研发的AI模型和数学算法，改掉传统材料研发那种高度依赖经验、反复试错的路子，让新材料的设计和筛选更准、更快、成本更低。

成立一年多，索格智算已推出材料

眼下AI正逐步参与材料设计、性能预测和实验筛选。徐振礼教授希望，索格智算未来能长成一家自己有新材料发现能力的企业——用原创算法和干湿协同的设计平台，去摸索传统研发方法够不着的材料组合，让更多新材料从计算预测走进实验室，再落到产业应用里。

在徐振礼看来，AI材料研发还有成堆的技术难题没突破。数学算法往前进一步，有望从根子上解决材料发现里精度、效率、成本这些核心难题，把新材料发现的边界往外推。

材料研发里有一笔钱很难省掉：试错。

拿阻燃剂高分子材料来说，企业想让产品阻燃性更好，力学、加工、成本等综合因素又卡得很严，只能一遍遍调原料比例，盯着材料性能变化。就算配方找到了符合要求的，后面还得研究生产工艺、产品稳定性和成本。一种新材料从实验室走到商业化，几年甚至更久都很常见。

徐振礼教授带的团队长期钻研数学算法，对材料研发里的计算问题有自己的观察。

传统材料研究很吃实验和科研人员的经验。研究人员一般先凭已有知识提出假设，再用实验或计算去找答案。材料体系越来越复杂，这种干法要砸进去大量时间，想把所有可能的材料组合都试一遍，也几乎做不到。

“工欲善其事，必先利其器。”徐振礼用这句老话解释算法值钱在哪。实验室里，科研人员要先进仪器；用计算机研究材料反应和化学性质，就得有足够先进的算法，计算效率才上得去，更复杂的问题才处理得了。

2007年，徐振礼从

这些研究都绕不开计算数学。研究人员想弄清材料内部的变化，可以用计算机模拟原子之间的相互作用，再判断哪些方案值得接着做实验。可材料体系越复杂，要处理的计算任务通常越多，传统高精度模拟往往要吃掉大量算力。

徐振礼团队攻关的快速算法，瞄准的主要就是计算速度和成本这两件事。

2022年前后，徐振礼在重庆拉了一支工程师团队，试着做技术转化。到了2025年，上海交大科研团队在人工智能新材料设计的相关算法上有了进展，加上此前培养的交叉学科人才慢慢成熟，他决定正式成立索格智算。

核心团队的配置上，公司延续了交大的跨学科传统。COO赵腾是应用数学博士后，还有化工博士背景，参与过早期产品化探索；CTO姬雅洁出自徐振礼的数学研究团队，后来去耶鲁大学做人工智能相关研究。应用技术总监孙哲韬博士，则是能源材料领域的专家。

团队想用AI加数学算法，让计算机提前把更多材料筛选工作做完，减少传统研发里那些重复实验。

不过，技术成果能不能顺顺当当变成产品，还得看材料企业肯为什么掏钱。

有的企业要专业知识支持，有的想压低计算成本，还有的想借AI开发新材料。索格最初推向市场的产品，就是围着这些需求一点点铺开的。

最早向材料企业推产品那会儿，索格智算碰上的难题是信任。

如今，不少站在产业前沿的公司已经听说过材料研发智能体这回事，可他们对这类智能体的专业水准卡得很严。AI只要给出明显离谱的建议，有经验的研发人员一眼就能挑出来。

徐振礼的说法很直接：“效果超不过他们的人工就没有用。”

在徐振礼看来，材料企业对智能体的需求很实际。比如一家生产企业想开发新配方，过去研发人员得翻大量论文和专利，再凭经验挑原料。现在可以先让智能体把专业知识整理出来，推荐一些值得试的材料组合，后续实验方向仍由研发人员拍板。

“帮他配置一个智能体，就相当于拥有一个有多年经验的老师傅。”徐振礼说。

公司给这类产品起名SOG Omni材料研发智能体。它能把专业文献、专利和客户内部数据结合起来，帮研发人员理清研究方向，再调用计算工具做后续分析。

可开发智能体这件事本身，技术门槛并不高。通用大模型公司照样能做类似产品，真正拉开差距的是专业知识攒得够不够，以及能不能让材料专家参与预训练和纠错。

即便如此，要让客户接受AI深度介入日常研发，还是得给适应的时间。徐振礼估算，从第一次接触新客户，到建立信任、争取订单，一般至少要4至5个月。“研发部门其实对这种AI是很抗拒的。”他说，有些企业管理层想提高研发效率，可研发人员对计算结果靠不靠谱心里打鼓，得经过多轮技术交流和方案验证。

企业若想进一步研究候选材料的性能，光靠智能体给建议就不够了。这时候上场的是索格另一大核心产品——基于SOGNet构建的材料垂域大模型。

SOGNet跟主要处理文字和专业知识的智能体不一样，它面向原子级材料计算。研究人员能用模型预测原子之间怎么相互作用，模拟材料内部的反应变化，据此判断某种材料组合值不值得继续研究。

目前索格智算针对不同材料体系开发了三类垂域模型：面向锂电材料的SOGNET-Battery，面向稀土合金的SOGNET-Alloy，以及面向高分子材料的SOGNET-Polymer。

拿锂电材料来说，研发人员得搞清楚锂离子在材料内部如何迁移，不同材料接触后又会产生什么变化。这些微观过程直接关系到电池的性能和寿命。团队想用专用模型把预测效率提上去，减少一部分靠反复实验做的筛选工作。

公司披露的测试结果显示，SOGNET-Battery在六类锂电材料上的预测精度优于部分参数规模更大的通用模型，推理速度提升超过80%。碰上新的材料体系，模型喂进少量数据就能快速适配。

这些垂域模型是索格材料计算能力的重要底子。不过研发公司真要跑大规模模拟，还得有对应的软件和算力设备。

为此索格开发了NanoTitan材料专用模拟器。这款软硬件结合的产品用自研算法做原子、分子层面的计算，支持本地部署，面向高校实验室和材料企业销售。

另一款模拟器R2DPack把研究对象延伸到完整电池。就算找到一种性能不错的电池材料，企业还得判断它用到电芯上能不能达到预期效果。R2DPack主要就是模拟这个过程，帮研发人员分析材料性能和电池设计之间的关系。

按徐振礼的设想，这四类产品能串成一套材料自动化研发流程：SOG Omni帮研究人员找候选方案，SOGNet垂域模型预测材料的微观性质，NanoTitan承担大规模计算，R2DPack再分析材料用到电池后的表现。各模块既能组合使用，也能拆开单独卖。

眼下索格的客户集中在新能源和高分子化工领域，与头部精细化工上市企业的合作已经进入干湿实验迭代和验证阶段。

徐振礼希望这套工具将来能承担更多新材料发现任务。不过计算机就算能提出候选方案，离真正发现一种有商业价值的新材料，还有不少问题要解决。

2026年7月，谷歌DeepMind拆分了曾开发AlphaFold的专属研究团队，部分研究人员转向Gemini及其他科学研究项目。

这次调整背后，是科研战略上的深刻变化。

AlphaFold在蛋白质结构预测上已经取得重大突破，可预测结构只是药物研发的一个环节，后面还牵扯分子相互作用、药物效果验证等一大堆复杂问题。与其继续围着单一任务投研发，DeepMind更想借Gemini等通用AI模型，让人工智能参与更广泛的科学研究，逐步覆盖从提出假设到实验分析的多个环节。

聊到这个话题，徐振礼认为，AlphaFold为AI科学研究作出了重要贡献，但距离真正完成药物发现仍有很长的路要走。

类似的挑战，在AI材料研发领域也普遍存在。

眼下，AI已经能借助海量已有材料数据，梳理元素、配方和性能之间的关联，进而给出新的材料组合建议。不过徐振礼提到，现有不少成果其实集中在已有配方的优化上。

他把这类能力叫作“插值型创新”——依靠已有知识和数据，在已知的材料组合里挑出更优方案。相比之下，新材料研发更看重“扩界型创新”，也就是拓展、增加新知识的能力。这种创新离不开强推理能力。

打个比方，研究人员已知某些原料具备阻燃性，AI便能基于这些知识调整原料配比，去找性能更佳的配方。这类工作能帮企业提升研发效率，后续实验做起来也相对容易。

可要是想找到一种过去从未出现、没有现成数据可参考的新材料，难度就大得多。比如模型得判断未知的原子组合能不能存在、会呈现什么性质，这就得结合复杂的分子动力学模拟做逆向设计。

正因如此，索格长期把投入放在底层数学算法研究上，并让其服务于大规模计算模拟过程。

具体来看，SOGNet侧重提升原子相互作用计算的准确性；随机分批算法用来给模拟提速；多尺度建模技术则试图把微观材料计算与更大尺度的性能分析对接起来。

徐振礼想借这些技术，让材料计算更准、更快，同时啃下过去难以计算的复杂体系。

“很多时候，数学在实际研发中的重要性是被低估的。”他说。

在一个高分子材料合作项目里，索格智算先用智能体筛选候选材料，再做原子级模拟，相关模拟任务的计算效率比传统方法高出数十倍。

他举了个例子：一项计算原本要花100万元算力费用，效率提高20倍，在其他条件相近时，这笔费用理论上可降到5万元。

不过徐振礼也认为，就算计算机能给出有潜力的方案，真要发现具备商业价值的新材料，还是得靠长期的算法研究与实验积累。

最近一年，资本对AI For Materials的潜力开始密集关注。

海外方面，由前OpenAI和谷歌DeepMind高管创办的Periodic Labs去年9月宣布完成3亿美元（约21亿元人民币）种子轮融资，投资方包括a16z、英伟达、DST和杰夫·贝索斯；英国AI材料公司CuspAI今年7月完成4.5亿美元B轮融资，估值达到26亿美元，推出连接计算、数据和实验室资源的AI Materials Foundry。

国内这边，索格智算算是新近公开亮相的AI新材料研发公司里较突出的一家，同样拿到了资本支持。

融资节奏上，公司在2026年3月先拿到超千万元种子轮，启高资本领投，交大母基金、紫竹科投、紫竹小苗跟投；到9月，数千万元天使轮落地，复星创富领投，南通产控思源人工智能先导基金、云启资本、中赢创投跟投，老股东也继续加码。这笔钱主要投向算法研发、计算平台建设、实验室建设和团队扩充。

索格现阶段的合作从概念验证阶段的联合研发切入，先在高价值材料方向验证技术可行性，再按客户需求开发交付。接下来双方会深化战略合作，锁定高价值关键材料赛道，把一部分研发能力做成标准化产品，让产品更容易复制。

徐振礼用个形象的比喻说明AI材料公司的商业模式：“一类是卖软件，也就是卖铲子，另外一种是挖矿的。我把自己定位成挖矿的。”

所谓“卖铲子”，就是向材料企业出售计算工具、模拟软件或研发服务，让客户拿这些工具自己做研究。

“挖矿”则是指AI公司靠自己的算法和计算平台，亲自去找新材料，再通过实验验证。一旦找到有商业价值的新材料，还有机会进一步参与研发成果的商业化。

徐振礼希望索格最终朝这个方向走。

按他的设想，前期卖软件、接项目能给公司带来收入，也能让团队摸清真实的产业需求。等技术和资源逐步完善，索格智算就能慢慢开展更深层的新材料设计与发现。

问题是，自主发现新材料对资金和人力的要求更高。

算力上，随着融资资金陆续到位，公司计划建设新的计算平台，并完善实验验证能力。

索格把业务重心压在了新能源和高分子化工两条线上。团队在这两个方向攒了多年的科研底子，客户合作也已经跑起来了。稀土合金、核材料这些还在摸索的领域，徐振礼更想借外部合作的方式参与，理由很直接：早期摊子铺太大，投入容易散。

他给索格定的时间表是3–5年，目标是挤进全球AI材料研发第一梯队。路径说起来就三条：技术得顶尖，管理机制要规范又不失包容，团队得年轻有冲劲。AI核心技术拿来给行业做事，跟材料研发企业抱团往前走，使命担当也落在里面。徐振礼的原话是：“既有领先的技术能力，也有规范的管理和充满活力的团队。”