硬氪首发 | AI4S企业获亿元融资，同创伟业追投，已有稳定复购订单

硬氪获悉，近日AI4S企业龙讯旷腾完成亿元级B1轮融资，老股东同创伟业持续加码，国泰海通开元和中新资本联合投资。此次融资将用于研发团队扩充、干湿闭环搭建、商务体系建设。

龙讯旷腾成立于2015年，是一家专注于将材料计算与人工智能深度融合的企业。创始人兼首席科学家汪林望现任中国科学院半导体研究所首席科学家，是全球首位华人戈登·贝尔奖获得者，长期深耕高性能计算与材料模拟领域，拥有深厚的学术影响力。CEO田洪镇具备多年材料模拟研发经验，曾带领团队打造超算云平台、电池材料研发平台、高性能集群管理平台，并持续推动AI材料研发产品落地。

传统材料研发长期依赖实验试错和专家经验，存在研发周期长、试错成本高、知识分散以及工具割裂等痛点。材料从设计、制备到性能验证往往需要经历大量重复实验，研发效率受到经验积累和实验条件限制。随着AI4S的发展，龙讯旷腾希望通过人工智能重构材料研发流程，将经验驱动模式升级为数据与知识驱动的智能研发范式。

公司围绕“AI大脑+材料研发工具链”构建新一代材料智能研发体系，通过大语言模型理解研发需求，结合材料领域知识、文献数据、计算模拟工具和专家经验，实现从任务拆解、方案设计、模拟计算到结果分析与反馈优化的闭环。

公司自主研发的IntelliMat材料智能研发平台致力于让 AI 进入材料研发的真实工作流程，CEO田洪镇向硬氪介绍，“我们不希望它只是一个‘会回答’的助手。更重要的是，它能查资料、读数据、调用工具、跑脚本、提交计算任务，也能把流程固定下来，交给团队复用。”

具体来说，IntelliMat采用“数据与知识底座+研发工具层+LLM智能中枢+场景化Skill应用层”的架构，面向研发人员、工艺工程师、实验人员等不同角色，提供配方设计、性能预测、失效分析、工艺优化和报告生成等能力。

在底层工具体系上，龙讯旷腾已形成覆盖材料计算、机器学习模拟和反应路径分析的完整技术矩阵。比如MatPL机器学习力场平台通过AI模型提升分子动力学模拟效率，将传统第一性原理计算拓展至更大规模、更长时间尺度的材料体系。目前已与企业合作，在全球范围内首次实现具有量子力学精度的“万亿原子”分子动力学模拟。

区别于仅提供算法预测或单点计算工具的平台，IntelliMat依托材料领域数据、知识图谱、专业软件工具和AI Agent能力，打通“数据采集—智能研发—模拟验证—实验反馈”的完整链路，使AI不仅能够辅助计算，更能够参与材料研发决策的过程。通过“数据+模型+知识”的协同，IntelliMat能够帮助研发团队缩短研发周期、降低试错成本，并提升新材料发现和优化效率。

另一方面，龙讯旷腾具备较强的底层技术积累和产业迁移能力，目前已服务超过200家科研与产业客户，已与多家头部新能源和半导体企业建立起了稳定且持续复购的订单，在化工催化、合金材料等多个关键领域也已落地应用，当前正从单点项目向标准化解决方案转型。

以下是对创始人汪林望和CEO田洪镇的访谈节选：

硬氪：您在学术界已经取得了很高的成就，当时选择出来创业是基于怎样的考量？ 

汪林望：我在美国做材料计算做了30多年，在伯克利国家实验室工作了22年。在学术界，研究成果可能只有自己的课题组使用，影响范围有限。如果把这些计算方法打包成软件提供给学术界和工业界，产生的实际影响会大得多。加上近年来AI浪潮的到来，我们做计算的正好与AI高度相关，所以选择创业。

我们公司在2015年就成立了，当时开发了一款利用GPU加速的第一性原理材料计算软件，10年前GPU刚兴起，我们把GPU装进工作站，发现计算加速非常显著，于是决定把这款软件和硬件结合，推出了一体机 Mstation。 

硬氪：相较于市面上的初创 AI for Science 公司，龙讯旷腾的核心壁垒是什么？ 

田洪镇：搭建一个借用开源工具的 AI demo 很简单，但做一个生产级可用且能深度结合材料场景的平台难度极高。我们的核心优势：一是底层的自研工具与方案积累，自2015年成立以来，我们积累了全自研的底层软件及缺陷计算、输运计算、电池反应计算等特定场景工具，并沉淀了如电池 SEI 膜仿真、半导体器件稳定性仿真等端到端解决方案。 

二是深刻的材料 Know-how 与交叉基因，团队核心成员多出身材料领域，配合计算机交叉研发人员。我们深知“AI 和计算只是工具”，关键在于如何理解材料场景的真实痛点并组合工具去解决。随着今年干湿闭环的打通，我们的竞争壁垒将进一步拉高。

硬氪：公司在原子模拟技术和国产算力生态适配上有哪些最新突破？

田洪镇：我们将传统第一性原理计算的模拟规模，从千级原子跨越提升到了万亿级原子也就是微米级介观尺度，这使得我们可以对工业级复杂的真实材料结构进行精准仿真，并产出高价值的标准化数据集，反哺 AI 模型训练。 

另外，我们很早就启动了国产算力的深度适配，重点进行深度协同优化。目前已完成中科海光国产加速卡、华为昇腾等平台的适配，推出了纯 CPU 版本产品以降低门槛。我们与中科曙光等合作伙伴联合攻关，在国产万卡集群上验证了万亿级模拟的可行性，完整验证了全国产化材料研发路径。后续将继续扩大国产 CPU/GPU 适配，助力国产超算与智算中心规模化部署。 

硬氪：现在 AI for Science赛道非常火热，您认为决定初创企业能否跑出来的关键是什么？ 

汪林望：整个行业目前处于刚起步且有些“狂热”的阶段。大家看到了 AI 在科学领域的潜力，但真正决定企业成败的关键在于能否深度融入产业上下游，产生实际的工业价值。

材料行业比医药行业更复杂，它没有医药研发那样清晰的一期、二期、三期临床界限。工业界筛选材料不仅仅是看某一个性能优点，还要综合评估成本、工艺复杂度、缺陷等多种因素。如果企业只停留在“做一两个模型”或“宣传干湿实验闭环”的构想上，而无法真正落到产业链里去解决工业痛点，是很难生存的。

AI for Science的初创企业，不能只做技术的“展示者”，而要做产业痛点的“解决者”。成功的关键在于深刻理解材料科学的复杂性，并利用AI技术，真正解决工业场景下的效率、成本和可行性问题，成为产业链中不可或缺的一环。这个领域最终的胜出者，将是那些能静下心来，把论文里的公式变成车间里生产力的人。
 

责任编辑： 云散