凯发k8娱乐入口★ღ✿，凯发娱乐旗舰★ღ✿，凯发k8国际首页登录★ღ✿，凯发K8官网首页登录★ღ✿。凯发天生赢家一触即发首页★ღ✿！在美国的实验室里推翻了一条存在四十年的物理定律后★ღ✿，南凯并没有感到预想中的狂喜★ღ✿，反而被一种巨大的空白感笼罩★ღ✿。
那是他博士生涯的第四年★ღ✿，两篇登上了物理学顶刊PRL*的论文★ღ✿，耗尽了此前所有的踌躇满志★ღ✿。面对屏幕上的公式★ღ✿，他意识到★ღ✿，纯粹解释世界为何如此★ღ✿，似乎已不是故事的终点★ღ✿。一个念头变得清晰★ღ✿：他想知道如何让世界变得不同★ღ✿。
南凯的本科在天津大学一个实验班里★ღ✿，学校把精密仪器领域多个专业的核心课程全部打包★ღ✿。前三年★ღ✿，他在激光光学★ღ✿、硬件测控★ღ✿、固体物理和生物医学仪器之间来回穿梭★ღ✿。
“模式有点像美国那种通识教育★ღ✿，”他回忆道★ღ✿，“对于刚成年★ღ✿、对世界不了解的人来说★ღ✿，是个很好的窗口★ღ✿，你有机会自己去了解到底要学什么★ღ✿，而不是只听别人说★ღ✿。”于是★ღ✿，他怀着一种“比较崇高的想法”选择了生物医学工程★ღ✿，渴望做些有意义的事★ღ✿。
大四赴美交换★ღ✿，他沉浸于构建光学系统来无损伤探测人体组织★ღ✿。2016年正值人工智能的浪潮初涌★ღ✿，还没有现成的大数据集★ღ✿。他需要从几万张医学图像中★ღ✿，亲手构建数据集★ღ✿、为算法寻找规律★ღ✿。这段经历让他体验到了用新工具解决老问题的愉悦★ღ✿。
正是这种愉悦★ღ✿，让原本无意学术的他★ღ✿，在错过博士申请季后★ღ✿，毅然决定Gap一年★ღ✿，然后奔赴南佛罗里达大学攻读物理博士★ღ✿。“有自己的公寓★ღ✿，有奖学金★ღ✿，能安心做想做的事★ღ✿，”他笑着形容★ღ✿，“简直就是人间天堂★ღ✿。”
南凯选择了凝聚态物理中一个名为“软物质”的艰深角落★ღ✿，并直接瞄准了一个目标★ღ✿：挑战一项被学界默认了四十年的经典理论★ღ✿。
接下来的三年★ღ✿，是日复一日的不确定★ღ✿。早晨醒来先在房间里思索今天的方向★ღ✿，然后钻进实验室★ღ✿，直至夜色深沉★ღ✿。没有社交媒体的热闹分享★ღ✿，少有同行间的即时讨论★ღ✿，物理领域的探索常是寂静而孤独的★ღ✿。
终于在读博的最后一年厚积薄发★ღ✿，他以两篇论文★ღ✿、三个新公式完成了这场艰难的长跑——推翻了由美国物理学家E. J. Kramer等人建立的经典银纹理论预测★ღ✿，证明曾被认定必然脆性的半刚性聚合物玻璃可以具备延展性★ღ✿，为设计新型高韧性柔性电子材料打开了新思路★ღ✿。
然而★ღ✿，胜利的滋味是复杂的★ღ✿，长久的自我较劲让他感到“半条命没了”★ღ✿，也让他对这种纯粹的理论探索产生了些许倦意★ღ✿。
他需要新的坐标★ღ✿：先是在字节跳动一个类似“Google X”的前沿团队里实习★ღ✿，用AI模型解析基因序列★ღ✿；毕业后又加入一家初创公司★ღ✿，用图像和算法模拟药物在人体内的释放过程★ღ✿。这两段经历将他从理论的空中楼阁★ღ✿，拉进了产业的实际需求★ღ✿。
他看到了AI在生物医药领域已成体系的规则★ღ✿，也敏锐地察觉到一个巨大的反差★ღ✿：在他深耕的材料科学领域★ღ✿，AI的应用少得可怜★ღ✿。
在一次国际会议上★ღ✿，他直接向华裔院士Andrea Liu发问★ღ✿：“为什么我们这个领域用AI这么少？”对方的回答印证了他的观察★ღ✿：拥抱程度低★ღ✿，即便顶尖课题组★ღ✿，也只有零星尝试★ღ✿。
他想填上这块空白★ღ✿。但创业不是写论文★ღ✿，得找个能落地的口子★ღ✿。直到遇见后来的合伙人★ღ✿，一个在半导体材料里泡了十多年的人★ღ✿。一个懂算法★ღ✿，一个懂产线★ღ✿，模糊的想法终于有了形状★ღ✿：就从半导体封装材料切进去★ღ✿，用AI重写材料研发的老规矩★ღ✿。
如今★ღ✿，南凯创立的公司“SynMatAI（新研智材）”刚满一岁★ღ✿，团队只有十余人★ღ✿。他们一边搭建算法平台★ღ✿，目标是将传统需要上千次的实验★ღ✿，压缩到几十次内★ღ✿；另一边★ღ✿，他们亲自研发具体的半导体材料★ღ✿，最快将于明年送样★ღ✿。
就在今天★ღ✿，SynMatAI发布了最新的Agent“SynMatAgent”★ღ✿，它集成了全部算法工具与能力的智能研发中心★ღ✿，能直接生成可执行的详细实验方案以显著缩短研发周期★ღ✿，并通过持续反馈进行自我优化★ღ✿。
南凯还大方聊起外界对“AI+材料”领域是否足够原创★ღ✿、实用且精确的的质疑★ღ✿。他理解这种落差★ღ✿：工业界要的是一份能直接投产的配方★ღ✿，而前沿算法给出的往往还是一个遥远的答案★ღ✿。他清楚★ღ✿，这中间的鸿沟★ღ✿，正是他们这类公司的机会与价值所在★ღ✿。
至于商业模式★ღ✿，他想得很透★ღ✿：卖软件或专利在材料领域很难走通★ღ✿，真正的路径是亲自下场★ღ✿，成为一家用AI驱动研发的新材料公司★ღ✿。
以下是新物种与SynMatAI CTO南凯的对谈★ღ✿，欢迎进入一段从证明“为什么”到探索“怎么办”的故事★ღ✿。
南凯★ღ✿：我研究的领域偏机理★ღ✿，中文叫“软物质（Soft Matter）”★ღ✿，属于凝聚态物理下的一个分支★ღ✿，主要研究这类材料和物质背后的现象与原理★ღ✿。
博士五年★ღ✿，我在顶刊PRL（物理评论快报）上发表了两篇文章★ღ✿，印象很深★ღ✿。因为前三年几乎颗粒无收★ღ✿，只发了一篇二作★ღ✿，直到第三★ღ✿、四年才完成这两篇★ღ✿。整个过程非常漫长★ღ✿，也很折磨人★ღ✿。很多时候觉得做不出来了★ღ✿，不明白为什么理论和现象对不上★ღ✿。后来仿真成功了★ღ✿，又要去解释它背后的原因★ღ✿。
这两篇文章提出了三个新公式★ღ✿，像定理一样★ღ✿，推翻了之前的某些理解★ღ✿。那段时间挺难的★ღ✿，有过很多个心灰意冷的时刻★ღ✿。
南凯★ღ✿：确实选了个高难度的起点★ღ✿。其中一篇PRL论文★ღ✿，挑战的是一个存在了40年的定律——由美国物理学家Kramers提出的理论★ღ✿。一个被学界默认正确的理论★ღ✿，你要去推翻它★ღ✿，这本身就决定了项目的艰难★ღ✿。另一篇则完全是在黑暗中摸索★ღ✿，毫无方向可言★ღ✿。
这和个人追求也有关★ღ✿。有些同学可能会选择先在普通期刊上发表文章★ღ✿，把数量积累起来★ღ✿。但我更想做些有价值★ღ✿、有创新的研究★ღ✿。
那段时间★ღ✿，每天七八点自然醒来★ღ✿，先发呆思考今天要怎么办★ღ✿，然后去实验室一直工作到傍晚★ღ✿。晚上看文献到11点★ღ✿，打会儿游戏★ღ✿，12点睡觉★ღ✿，很折磨人族无敌3★ღ✿。最大的痛苦在于不确定自己探索的东西究竟有没有答案人族无敌3★ღ✿。尤其是第二篇PRL★ღ✿，导师也不太确定方向★ღ✿，基本靠我自己摸索★ღ✿。这种状态下★ღ✿，第一年踌躇满志★ღ✿，第二年信心满满★ღ✿，到了第三年★ღ✿，就有点心灰意冷了★ღ✿。
南凯★ღ✿：我所在的组类似Google X的跨学科小团队★ღ✿，隶属于战略部★ღ✿，当时成立不到一年★ღ✿，才十来个人★ღ✿，既要做前沿的生物项目孵化★ღ✿，也要做行业研究★ღ✿，可能还会参与投资评估★ღ✿。我觉得这种混合模式很有意思★ღ✿，能接触不同背景的人★ღ✿，就决定加入★ღ✿。
团队主要聚焦三个方向★ღ✿：大分子★ღ✿、小分子和核酸★ღ✿。我选了核酸★ღ✿，具体是用BERT模型预测mRNA的序列结构（也就是碱基排列）★ღ✿，然后再通过模拟来评估这些结构的稳定性★ღ✿。简单说★ღ✿，就是两步★ღ✿：生成序列★ღ✿，然后验证它稳不稳定★ღ✿。
南凯★ღ✿：我纠结了很久★ღ✿。其实我之前没想过做教授★ღ✿，因为对我而言这种生活有些一成不变★ღ✿。虽然发了文章后也拿到了博后邀请★ღ✿，但最终还是决定彻底换个环境★ღ✿。很大程度上是因为写那两篇PRL的过程太折磨了★ღ✿，我不想再重复那种压抑人族无敌3★ღ✿。
后来选择加入DigiM★ღ✿，是因为他们做的东西很特别★ღ✿。当时很多AI医药都集中在药物发现早期★ღ✿，比如找靶点或设计分子★ღ✿。但DigiM关注的是偏后期的问题★ღ✿：一个已经做出来的药★ღ✿，在人体内需要多久释放★ღ✿、多久吸收？他们用AI分析药物的微观图像★ღ✿，再结合流体力学等物理规律来模拟整个过程★ღ✿，这能大幅减少真实的生物实验★ღ✿。
我觉得这是一个被大多数人忽略★ღ✿、但又很有前景的方向★ღ✿。如果我要花十年时间做一件事★ღ✿，我希望它足够新颖★ღ✿，能让我在十年后回想起来依然觉得值得★ღ✿。这份工作给了我这种感觉★ღ✿。
南凯★ღ✿：其实从字节实习开始★ღ✿，我就一直想做“AI+”的交叉方向★ღ✿。我的学术背景是研究物质机理人族无敌3★ღ✿，本质上更贴近材料★ღ✿。但在参加学术会议时★ღ✿，我发现我们这个领域和AI的结合非常少★ღ✿。
有一次我和领域里的大牛★ღ✿、美国院士Andrea Liu交流★ღ✿，我直接问她为什么我们这里用AI这么少？她说★ღ✿，整个领域对这个的拥抱程度确实不高★ღ✿，她的实验室很大★ღ✿，但也只有一小部分人在做相关尝试★ღ✿。
这让我感触很深★ღ✿。在生物领域★ღ✿，AI已经发展了二十多年★ღ✿，形成了一套成熟的玩法★ღ✿。但在材料这里★ღ✿，几乎还是个空白★ღ✿。我一直想填补这个空白★ღ✿，但不知道从哪里切入★ღ✿。创业不是做学术课题★ღ✿，必须找到能落地的具体问题★ღ✿。如果只做研究★ღ✿，那我不如去当教授自己搞实验室★ღ✿。
转机出现在我遇到现在的合伙人★ღ✿、我们的CEO★ღ✿。我们是在一次会议上认识的★ღ✿。他在半导体材料产业有多年经验★ღ✿，而我偏算法背景人族无敌3★ღ✿。这样★ღ✿，一个懂产业和工艺★ღ✿，一个懂算法和模型★ღ✿，刚好互补★ღ✿。我们聊起这个想法★ღ✿，都觉得时机到了★ღ✿，找到了从半导体封装材料切入的具体路径★ღ✿，这才决定回来创业★ღ✿。
第一是算力★ღ✿，AI for Science 用的算法通常不是最前沿的★ღ✿，现有的算力已经足够★ღ✿。第二是算法本身★ღ✿，经过这些年的发展★ღ✿，AI的框架和开源工具已经很成熟了★ღ✿。第三是数据★ღ✿，材料领域发展多年★ღ✿，有了一定的积累★ღ✿。
这三者结合★ღ✿，到了比较好的切入点★ღ✿。虽然材料和生物很不一样★ღ✿，但我们可以参考 AI for Biotech 领域的发展路径★ღ✿，学习如何将AI应用到一个传统学科里★ღ✿。
南凯★ღ✿：我很认同的一个观点是★ღ✿，开公司最大的困难是管人★ღ✿，而不是技术★ღ✿。我现在还不擅长统筹管理或把握公司整体方向★ღ✿。
做To B的产业化落地★ღ✿，需要对行业有很深的积累★ღ✿，比如供应链★ღ✿、制造这些非常复杂的事情★ღ✿。如果没有相关背景或资源★ღ✿，一个人很难完成★ღ✿。作为CTO★ღ✿，我可以专注在技术上★ღ✿，同时也能在这个过程中学习★ღ✿。
南凯★ღ✿：我们希望通过AI来替代部分材料研发工作★ღ✿。具体来说★ღ✿，是让AI像工程师一样★ღ✿，完成从研发★ღ✿、生产到量产的整个流程★ღ✿。
南凯★ღ✿：目前各个环节都能辅助★ღ✿。我举个例子★ღ✿：假设研发一款材料需要做1000次实验★ღ✿，有经验的工程师可能要做200次★ღ✿，而我们的AI目标是将实验次数降到20次★ღ✿。这个辅助作用贯穿小试★ღ✿、中试和客户适配全阶段★ღ✿。
材料研发周期长★ღ✿，就是因为这三个阶段都得反复调整★ღ✿，就像做饭——在家做两人份和给食堂做一百人份★ღ✿，调料比例不是简单放大★ღ✿；菜馆开在广东还是四川★ღ✿，辣度也要调整★ღ✿。
我们的AI能在每个阶段★ღ✿，都把最有可能成功的方案筛选给工程师★ღ✿，省去大量试错★ღ✿。工程师每做一次实验★ღ✿，数据反馈给AI★ღ✿，AI的下次预测就会更准★ღ✿，形成一个不断优化的循环★ღ✿。
南凯★ღ✿：我们有很多模型★ღ✿，包括大模型和小模型★ღ✿。有些是基于通用模型用材料数据微调的★ღ✿，但更多是专门为不同任务自研的★ღ✿。材料研发变量太多★ღ✿，一个模型不够用★ღ✿，需要多个模型协同工作★ღ✿。
比如★ღ✿，我们有专注于结构和性能映射的“EvoNet”★ღ✿，也有基于物理机理的模拟仿真模型“EvoSim”凯发官网入口首页★ღ✿。机理模型给出理论理想值★ღ✿，AI模型给出预测值★ღ✿，两者相互参照★ღ✿，共同得出更接近实际的结果★ღ✿。
南凯★ღ✿：从长远愿景看★ღ✿，比如以50年为目标★ღ✿，我们当然希望做成一个通用的平台★ღ✿。但务实地说★ღ✿，必须先在半导体材料这个垂直领域做深★ღ✿、形成商业闭环★ღ✿，有了成功案例后才能向外扩展★ღ✿。这就像造机器人★ღ✿，不能一上来就让它什么都会★ღ✿，得从跳舞★ღ✿、抓取等具体技能一步步做起★ღ✿。
南凯★ღ✿：首先因为我们正在同时推进的商业模式有两块★ღ✿：一是提供软件去卖私有化部署和扮演CRO的角色去共同研发某个材料★ღ✿，二是自己下场研发材料★ღ✿。
真正对接产业时才发现两大困难★ღ✿。一是很多材料公司对AI的理解非常有限★ღ✿；二是整个产业链的复杂程度超乎想象★ღ✿，很多环节的电子化程度极低★ღ✿。
比如★ღ✿，很多公司至今仍靠手写记录实验过程和结果★ღ✿。好些的用Excel★ღ✿，但那只是个文件★ღ✿，不是结构化的数据库★ღ✿。这些是以前根本想不到的细节★ღ✿，都成了实实在在的障碍★ღ✿。
南凯★ღ✿：我们主要通过实际实验来验证算法的成功率★ღ✿，这是衡量技术是否work的核心★ღ✿。与此同时★ღ✿，我们投入的重点是自研新材料★ღ✿，用自己的算法平台推动实际研发★ღ✿。
一个最直接的案例就是我们自研的半导体材料进展很快★ღ✿。公司2024年底成立★ღ✿，预计明年就能送样测试★ღ✿，这个速度本身就是对技术有效性的一个证明★ღ✿。
参考AI+生物医药★ღ✿，目前有几条路★ღ✿：卖IP（卖专利）★ღ✿、卖软件★ღ✿、或者自己研发药物★ღ✿。其中自己研发的模式相对最成功★ღ✿。
但材料领域很不一样★ღ✿。第一★ღ✿，高质量公开数据很少★ღ✿；第二★ღ✿，材料缺乏像医药那样严格的专利保护和审批监管★ღ✿，一个配方被知道后★ღ✿，别人稍作调整就能做出中低端产品★ღ✿，所以“卖IP”很难成立★ღ✿。至于“卖软件”★ღ✿，因为缺乏数据★ღ✿，软件效果有限★ღ✿，而想用客户数据优化★ღ✿，客户又不可能提供自己的核心商业秘密★ღ✿。
所以走下来★ღ✿，可能只有一条路★ღ✿：自己下场做材料★ღ✿，成为AI驱动的新材料公司★ღ✿。目前整个行业还没有完全跑通的先例★ღ✿，但我们的商业逻辑就是以软件为辅★ღ✿，以自己研发材料为主★ღ✿，我们认为这条路是可行的★ღ✿。
南凯★ღ✿：我们现在是从几个方面获取数据★ღ✿：一是我们创始团队过去积累的私有实验数据★ღ✿；二是正在自建的无人实验室★ღ✿，用于验证并产生新数据★ღ✿；三是更关键的★ღ✿，我们从领域专家那里提取和结构化“Know-How”★ღ✿。
仅有实验数据往往只能解决特定问题★ღ✿，结合了Know-How的数据才能提升模型的泛化能力★ღ✿。我们也会使用仿真数据★ღ✿，但它主要提供理论或理想上的参考值★ღ✿。
新物种★ღ✿：作为初创公司CTO★ღ✿，你如何看待与DeepMind★ღ✿、微软等大厂以及传统材料公司的关系？
南凯★ღ✿：像DeepMind★ღ✿、微软★ღ✿，它们的研究偏向前沿探索人族无敌3★ღ✿，离实际应用比较远★ღ✿。而像3M★ღ✿、三星这样的大公司内部研究院★ღ✿，虽然也在做★ღ✿，但往往有“大公司病”★ღ✿，进展并不顺利★ღ✿。
对于初创公司来说★ღ✿，我们的优势在于灵活★ღ✿，没有大公司的管理包袱★ღ✿。同时★ღ✿，AI技术本身也给初创公司带来了弯道超车的机会★ღ✿。当你有深厚的行业知识（Know-How）时★ღ✿，AI能帮助你更快实现突破★ღ✿。
如果做软件★ღ✿，初创公司反而有优势★ღ✿。想象一下★ღ✿，如果3M推出一款材料研发软件★ღ✿，它的竞争对手杜邦★ღ✿、汉高肯定不会买★ღ✿。但作为独立的初创公司★ღ✿，就没有这个问题★ღ✿。
如果自己做材料★ღ✿，初创公司的优势在于专注和灵活★ღ✿。可以集中所有资源★ღ✿，专攻某一个高端材料品类★ღ✿。利用AI能力人族无敌3★ღ✿，一些用传统方法极难研发的材料★ღ✿，可能会被更快地做出来★ღ✿。
新物种★ღ✿：那对比中美呢？在大模型领域★ღ✿，中美差距现在可能缩小到了3个月★ღ✿。你认为在AI+材料领域的差距是多少？
南凯★ღ✿：我了解的情况是差距不大甚至有优势★ღ✿。这又回到了刚才的话题★ღ✿：材料最终要落实到生产★ღ✿，而产能基本都在中国★ღ✿，这会带来数据获取上的优势★ღ✿。
除了数据层面有优势★ღ✿，至于算法★ღ✿，现在国内大模型也很强★ღ✿，差距不明显★ღ✿。AI for Science通常不需要最前沿的算法★ღ✿，所以算法差距更小★ღ✿。
比如说美国有家做超导材料的明星初创公司★ღ✿，估值很高★ღ✿。但我们是做半导体的凯发官网入口首页★ღ✿，两者方向不同★ღ✿，很难直接比较谁更先进★ღ✿。整体上★ღ✿，我不觉得美国有显著领先★ღ✿，我们在数据上反而有优势★ღ✿。
新物种★ღ✿：无论是具身智能还是Agent★ღ✿，都有过被评价为泡沫的质疑★ღ✿，AI+材料也存在类似的情况吗？你认为AI会彻底重塑材料科学吗？
南凯★ღ✿：AI+材料现在还很新★ღ✿，从工业角度没几年★ღ✿，所以不好下结论判断泡沫★ღ✿。但我认为AI肯定会改变这个领域★ღ✿。材料科学的核心挑战在于它是一个实验科学★ღ✿，变量太多★ღ✿，不得不依赖大量试错★ღ✿。
如果未来AI足够强大★ღ✿，能够获取并理解海量★ღ✿、多类型且有权重差异的数据（不仅仅是做数值拟合）★ღ✿，那么它就有可能减少对这种试错的依赖★ღ✿。这里的关键是★ღ✿，必须是“科学领导AI” ★ღ✿，要让AI理解数据背后的物理含义★ღ✿，而不是反过来★ღ✿。当AI能真正理解物理世界★ღ✿，并拥有足够参数时★ღ✿，它就一定能重塑这个领域凯发官网入口首页★ღ✿。
新物种★ღ✿：今年国际上有不少AI发现材料的重磅新闻★ღ✿，但也伴随很多争议★ღ✿。比如微软MatterGen登上自然杂志★ღ✿，却被一些科学家批评原创性★ღ✿、实用性不足★ღ✿。你从产业一线看★ღ✿，怎么看待这种质疑与落差？
南凯★ღ✿：材料领域的成果不那么直观可见★ღ✿。有些领域如机器人可以现场演示动作★ღ✿，而AI生成的材料凯发官网入口首页★ღ✿，你只能展示一个结果或者说“我们做出来了”★ღ✿，整个漫长的研发过程很难被直接感知★ღ✿。
此外★ღ✿，材料是实验科学★ღ✿，必须到能落地★ღ✿。像MatterGen这类基于模拟和AI的预测★ღ✿，和实际实验的结果可能存在差距★ღ✿，这自然会引发重视实验的科学家的质疑★ღ✿。
所以★ღ✿，这些争议部分源于过高的期待——产业界希望AI能直接给出可用的完美方案★ღ✿，但前沿研究和实际应用之间还有鸿沟★ღ✿。同时★ღ✿，AI+材料关注度相对较低★ღ✿，一是因为研发反馈周期长★ღ✿，成果见效慢★ღ✿；二是因为“AI for Science”这个概念本身太宽泛★ღ✿，下面包含了生物★ღ✿、材料等众多差异巨大的子领域★ღ✿。
南凯★ღ✿：像MatterGen也开源了凯发官网入口首页★ღ✿，但很难说它是材料界的“AlphaFold”★ღ✿。核心差异在于★ღ✿，AlphaFold预测的蛋白质结构本身就是一个极具价值的终点★ღ✿。
而在材料领域★ღ✿，即使预测出了所有的晶体结构★ღ✿，也远未结束★ღ✿，因为最关键的一步是真的在实验中把它做出来★ღ✿。预测出的结构可能非常难以合成或实现★ღ✿。所以★ღ✿，材料科学的实验属性★ღ✿，决定了很难出现一个像AlphaFold那样具有轰动性★ღ✿、决定性意义的单一工具★ღ✿。
南凯★ღ✿：这很难简单类比★ღ✿，材料科学本身的范围就极其广泛★ღ✿，下面分支众多★ღ✿。当你具体到要解决什么case时★ღ✿，面前已经存在着无数种不同的材料类型和问题了★ღ✿。这也是这个领域门槛高★ღ✿、难以普及的原因之一★ღ✿。
制药的目标相对统一（做出可用的药）★ღ✿，且后期流程标准化★ღ✿。而材料研发的每个阶段（小试★ღ✿、中试★ღ✿、客户适配）都可能长达数年★ღ✿，且需要大量非标准的调整★ღ✿。此外★ღ✿，现实中应用的多是复合材料★ღ✿，如何协调多种材料之间的关系是更大的难题★ღ✿。
因此★ღ✿，如果问产业界的一线工程师最想要什么★ღ✿，那可能不是某个结构数据库★ღ✿，而是一个能直接告诉他“这个材料具体该怎么一步步做实验”的解决方案★ღ✿。
新物种★ღ✿：最后一个问题★ღ✿。你们团队对SynMatAI的长期期待是什么？比如五年或十年后★ღ✿，希望成为一家怎样的公司？
南凯★ღ✿：我们期待AI能真正在材料领域发挥实际作用——它应该能极大地节省人力★ღ✿、释放劳动力★ღ✿，或者说创造显著的生产力人族无敌3★ღ✿。我们希望AI能切实带来这样的改变★ღ✿。