前沿熱點：什么是AI材料，為什么說AI材料科學領域獲得了發展動力

據工信部數據，2025年中國新材料產業將達到10萬億市場規模，復合增長率達13.5%，到2035年我國新材料產業的總體實力將躍居全球前列。其中AI技術對材料科學賦能的關注度明顯上升，AI材料科學相關技術的迭代速度也明顯加快。

目前AI材料科學市場仍處于發展初期，市場規模較為有限，但具有強勁的增長潛力。億歐智庫認為，2020年至2025年，中國AI材料科學CAGR預計將達36.76%，材料企業將逐步采用材料基因組模式進行新材料研發，以替代傳統成本高、時間長、風險大的“炒菜式”研發模式。長期來看，中國AI材料科學或達到萬億市場規模。

(資料圖片)

10月20日電 就像一個不用看琴鍵就能熟練彈奏的鋼琴家，美國加州大學洛杉磯分校的機械工程師設計出了一種新的材料，可隨著時間的推移學習行為并發展出它自己的“肌肉記憶”，允許實時適應不斷變化的外力。該材料由一個具有可調梁的結構系統組成，能根據動態條件改變其形狀和行為。19日發表在《科學·機器人》上的這項研究，將。

領導該研究的加州大學洛杉磯分校工程學院機械和航空航天工程教授喬納森·霍普金斯說，這種人工智能材料可對暴露于環境條件時應表現出的行為和特性進行學習。例如，當材料被放置在飛機機翼中時，它可以學習飛行過程中風的模式，改變自身機翼的形狀，以提高飛機的效率和機動性;而被注入這種材料的建筑結構還可自我調整某些區域的剛度，以提高其在地震或其他自然或人為災害期間的整體穩定性。

科學家們利用和調整了現有人工神經網絡的概念。人工神經網絡正是驅動機器學習的算法，研究人員在互連系統中開發了人工神經網絡組件的機械等效物。這一機械神經網絡由以三角形格子圖案定向的單獨可調光束組成。每根梁都具有音圈、應變片和撓曲件，使梁能夠改變其長度，實時適應不斷變化的環境，并與系統中的其他梁相互作用。

縱軸 Vision | Strategy | Product 是不同時間跨度關心的事情，分別是遠見看十年，戰略看五年和產品看三年，從遠到近，從模糊的正確到具體的執行。企業基本上以V | S | P 為軸，把長短期目標連接起來。

橫軸展現企業以什么組織形式，其重心以產品×市場張成組織結構的底，具體結構取決于什么樣的產品陣列以及服務什么樣的客戶，大體分為 ToB、ToC 市場。

橫軸從右到左是由表及里的拆分，其中比較重要的是財務和人事。財務以數字化指標來指導企業運營，有幾個值得關注的基礎指標：收入、利潤、現金流和增長率，用來衡量企業運營效率和產品競爭力。人事關心以什么樣的組織薪酬結構匹配業務需求，在A輪B輪等不同發展階段，定制不同KPI激勵團隊達到更好的財務指標。

最右側也是最表層容易被感知的企業運營。最左側最底層的是創始人的使命、價值觀和方法論，支撐遠見的達成。

創新路徑有很大不確定性，作為CEO，相比于管理層，更需要的是兼容不確定性的能力(Be compatible with uncertainty)。

遠見是看大事件的獨特視角

遠見(Vision)是一個非常獨特的看行業變革的視角，本質上只要有不同的角度，就會產生不同的遠見。但遠見要討論 Big Thing 是什么。比如英偉達的聯合創始人兼 CEO 黃仁勛(Jensen Huang)30年前對圖形卡的展望，隔十年對圖形卡和計算卡的演進關系是怎么構想的，對摩爾定律在不同時代與同行有什么獨到的見解。

獨到的遠見非常珍貴，深刻的行業洞察有幫助，但很多時候還靠企業家的直覺和偏執，很難短期訓練形成。遠見指導創始人形成差異化的戰略。

Strategy = Maximize ROI = Maximize Efficiency

商業領域非常關心戰略。戰略就是用方法論把模糊的遠見具體成產品路徑的過程。在早期，戰略等同于產品策略，最開始要去找特定的小眾市場，盡量在其中尋求高占有率，極度專注地通過產品獲得差異化競爭力，且能夠隨著時間擴大，而不是衰減。

但值得特別注意，技術往往不是時間的朋友。從商業來講，技術的價值不在于第一個的出現和領先，而是在于優勢的持續性，最奢侈的是最后一個技術擁有者。

另外，人們可能容易混淆技術的整體社會價值和特定機構的商業價值，比如，AI 對社會的價值大不大，很大!那特定的公司在 AI 領域里分到的價值大不大?這其實是兩個命題。技術必須和市場、商業化過程相結合，才能構建競爭力和壁壘。反之，科學家因為很難持續領先甚至壟斷，往往拿著相對很低的報酬。

許多行業的公司都在成功地將機器學習(ML)或人工智能(AI)用作其數字化轉型計劃的組成部分。在材料科學和化學領域，人工智能應用的開發始于幾年前，豐田和康寧等公司建立了內部人工智能中心，巴斯夫，松下和Lanxess等其他大型企業均與相關的供應商或者機構合作開發了數據驅動的研發項目。這些公司發現，當將AI應用于新產品開發時，可以提供正向投資回報，并且現在正從一次性項目轉移到部署企業范圍的AI基礎架構。 這一轉變使整個組織具有更大的自治權和可擴展性。

然而，每個領域都有每個領域的所謂的專業知識和know-how，也就是我們說的隔行如隔山，每一個領域都有所謂的領域壁壘。用于材料和化學制品的機器學習比典型的應用程序更復雜，因此在ML工作流中的許多點都需要更細微的方法。 本文概述了更成熟的AI應用程序(例如，商業智能，消費者見解)與AI在材料和化學品中的應用之間的區別以及面臨的一些挑戰和相應的對策。算是拋磚引玉，如果有更好的方式，歡迎大家一起交流。

AI是一種強大的工具，具有巨大的潛在業務收益。 然而，在材料和化學工業中，有許多獨特的挑戰需要克服。

我們在看工業大數據與商業大數據的區別的時候，經常進行各種對比，不過相關的白皮書，提出了一些區別后，經常反復講的就是要求，下圖展示的是具體的局別，將工業大數據白皮書中展示的對于可復用、穩定性和重復性在其中做了細化的展示。