前沿热点：什么是AI材料，为什么说AI材料科学领域获得了发展动力

据工信部数据，2025年中国新材料产业将达到10万亿市场规模，复合增长率达13.5%，到2035年我国新材料产业的总体实力将跃居全球前列。其中AI技术对材料科学赋能的关注度明显上升，AI材料科学相关技术的迭代速度也明显加快。

目前AI材料科学市场仍处于发展初期，市场规模较为有限，但具有强劲的增长潜力。亿欧智库认为，2020年至2025年，中国AI材料科学CAGR预计将达36.76%，材料企业将逐步采用材料基因组模式进行新材料研发，以替代传统成本高、时间长、风险大的“炒菜式”研发模式。长期来看，中国AI材料科学或达到万亿市场规模。

(资料图片)

10月20日电 就像一个不用看琴键就能熟练弹奏的钢琴家，美国加州大学洛杉矶分校的机械工程师设计出了一种新的材料，可随着时间的推移学习行为并发展出它自己的“肌肉记忆”，允许实时适应不断变化的外力。该材料由一个具有可调梁的结构系统组成，能根据动态条件改变其形状和行为。19日发表在《科学·机器人》上的这项研究，将。

领导该研究的加州大学洛杉矶分校工程学院机械和航空航天工程教授乔纳森·霍普金斯说，这种人工智能材料可对暴露于环境条件时应表现出的行为和特性进行学习。例如，当材料被放置在飞机机翼中时，它可以学习飞行过程中风的模式，改变自身机翼的形状，以提高飞机的效率和机动性;而被注入这种材料的建筑结构还可自我调整某些区域的刚度，以提高其在地震或其他自然或人为灾害期间的整体稳定性。

科学家们利用和调整了现有人工神经网络的概念。人工神经网络正是驱动机器学习的算法，研究人员在互连系统中开发了人工神经网络组件的机械等效物。这一机械神经网络由以三角形格子图案定向的单独可调光束组成。每根梁都具有音圈、应变片和挠曲件，使梁能够改变其长度，实时适应不断变化的环境，并与系统中的其他梁相互作用。

纵轴 Vision | Strategy | Product 是不同时间跨度关心的事情，分别是远见看十年，战略看五年和产品看三年，从远到近，从模糊的正确到具体的执行。企业基本上以V | S | P 为轴，把长短期目标连接起来。

横轴展现企业以什么组织形式，其重心以产品×市场张成组织结构的底，具体结构取决于什么样的产品阵列以及服务什么样的客户，大体分为 ToB、ToC 市场。

横轴从右到左是由表及里的拆分，其中比较重要的是财务和人事。财务以数字化指标来指导企业运营，有几个值得关注的基础指标：收入、利润、现金流和增长率，用来衡量企业运营效率和产品竞争力。人事关心以什么样的组织薪酬结构匹配业务需求，在A轮B轮等不同发展阶段，定制不同KPI激励团队达到更好的财务指标。

最右侧也是最表层容易被感知的企业运营。最左侧最底层的是创始人的使命、价值观和方法论，支撑远见的达成。

创新路径有很大不确定性，作为CEO，相比于管理层，更需要的是兼容不确定性的能力(Be compatible with uncertainty)。

远见是看大事件的独特视角

远见(Vision)是一个非常独特的看行业变革的视角，本质上只要有不同的角度，就会产生不同的远见。但远见要讨论 Big Thing 是什么。比如英伟达的联合创始人兼 CEO 黄仁勋(Jensen Huang)30年前对图形卡的展望，隔十年对图形卡和计算卡的演进关系是怎么构想的，对摩尔定律在不同时代与同行有什么独到的见解。

独到的远见非常珍贵，深刻的行业洞察有帮助，但很多时候还靠企业家的直觉和偏执，很难短期训练形成。远见指导创始人形成差异化的战略。

Strategy = Maximize ROI = Maximize Efficiency

商业领域非常关心战略。战略就是用方法论把模糊的远见具体成产品路径的过程。在早期，战略等同于产品策略，最开始要去找特定的小众市场，尽量在其中寻求高占有率，极度专注地通过产品获得差异化竞争力，且能够随着时间扩大，而不是衰减。

但值得特别注意，技术往往不是时间的朋友。从商业来讲，技术的价值不在于第一个的出现和领先，而是在于优势的持续性，最奢侈的是最后一个技术拥有者。

另外，人们可能容易混淆技术的整体社会价值和特定机构的商业价值，比如，AI 对社会的价值大不大，很大!那特定的公司在 AI 领域里分到的价值大不大?这其实是两个命题。技术必须和市场、商业化过程相结合，才能构建竞争力和壁垒。反之，科学家因为很难持续领先甚至垄断，往往拿着相对很低的报酬。

许多行业的公司都在成功地将机器学习(ML)或人工智能(AI)用作其数字化转型计划的组成部分。在材料科学和化学领域，人工智能应用的开发始于几年前，丰田和康宁等公司建立了内部人工智能中心，巴斯夫，松下和Lanxess等其他大型企业均与相关的供应商或者机构合作开发了数据驱动的研发项目。这些公司发现，当将AI应用于新产品开发时，可以提供正向投资回报，并且现在正从一次性项目转移到部署企业范围的AI基础架构。 这一转变使整个组织具有更大的自治权和可扩展性。

然而，每个领域都有每个领域的所谓的专业知识和know-how，也就是我们说的隔行如隔山，每一个领域都有所谓的领域壁垒。用于材料和化学制品的机器学习比典型的应用程序更复杂，因此在ML工作流中的许多点都需要更细微的方法。 本文概述了更成熟的AI应用程序(例如，商业智能，消费者见解)与AI在材料和化学品中的应用之间的区别以及面临的一些挑战和相应的对策。算是抛砖引玉，如果有更好的方式，欢迎大家一起交流。

AI是一种强大的工具，具有巨大的潜在业务收益。 然而，在材料和化学工业中，有许多独特的挑战需要克服。

我们在看工业大数据与商业大数据的区别的时候，经常进行各种对比，不过相关的白皮书，提出了一些区别后，经常反复讲的就是要求，下图展示的是具体的局别，将工业大数据白皮书中展示的对于可复用、稳定性和重复性在其中做了细化的展示。