2024 成立
杭州 · MIT 博士团队
深度原理的团队、技术指标、融资规模都是实的，但"生意成色"（怎么变现、谁付钱、有没有可持续收入）几乎全是问号；深度在于把"技术很牛"和"商业能成"分开——AI4M 赛道最大的坟场，恰恰是"论文顶天、变现落地"。
事实深度原理成立于 2024 年、总部杭州、由 MIT 博士团队联合创立、创始人兼 CEO 贾皓钧师从 Heather Kulik、A3 轮近 10 亿元、A 系列累计近 10 亿元、推出 MPA/SAGA/OA-ReactDiff 等模型、过渡态生成压缩至 0.4 秒，均有多信源交叉印证。缺口但它的商业化模式（卖软件/平台、卖研发服务、还是自研材料变现）、真实收入与客户、AI 预测到实验验证的闭环成功率、高质量实验数据的来源与壁垒、以及"学术 SOTA"到"产业有用材料"的转化证据均未公开或未独立核实。因此本文"事实"集中在团队、技术、融资，对"能不能赚钱、护城河深不深"更多是基于赛道结构的判断 + 追问。信息越薄，第 12 章追问清单越重要。
判断深度原理是一家技术领先真实、团队与融资都在赛道顶端，但"怎么把技术领先变成可持续商业收入"这个最难的坎还没被验证的 AI for Materials 公司。它赌的是一个足够大的真命题——材料研发是能源、电池、半导体、化工等一切硬科技的底层瓶颈，谁能用 AI 把"发现有用新材料"的周期和成本大幅压缩，谁就握住了产业的上游钥匙。它最亮的地方是把 MIT 的顶级学术能力，转成了几项让业内侧目的模型指标。但它的生死不在"技术牛不牛"（牛），而在它能不能跨过 AI4M 这个赛道最致命的坎——从"AI 预测得准、论文 SOTA"，走到"有客户愿意为少做实验、更快找到能量产的材料而持续付钱"。这个坎跨不过去，再漂亮的模型也只是"很强的计算实验室"，而不是能规模盈利的公司。推导而跨这个坎的核心，是它到底选哪条变现路径：卖工具、卖服务、还是自己下场造材料——三条路的天花板和壁垒完全不同。
| 决定性变量 | 为什么是胜负手 | 兑现的观察信号 |
|---|---|---|
| 商业化路径：工具 / 服务 / 自研材料 | AI4M 有三条变现路，决定它是软件公司、研发外包（CRO 式），还是材料公司。三者收入模式、毛利、壁垒、天花板天差地别——这是它成色的第一分水岭。 | 收入主要来自软件订阅、联合研发服务、还是自研材料 IP/产品；商业合同的规模与结构。 |
| "预测准"到"产业有用"的转化率 | 论文 SOTA、过渡态 0.4 秒是学术指标；真正值钱的是"AI 筛出的材料，经湿实验验证、能进产线、被客户采用"的比例。学术领先不等于产业有用。 | AI 预测→实验验证的成功率；有多少 AI 发现的材料真正被客户产业化采用。 |
| 数据闭环与壁垒 | 材料 AI 的命门是高质量实验数据。纯算法领先易被追赶，只有"算法 + 自有湿实验数据飞轮"才形成持续壁垒。是否要自建实验闭环，决定护城河深浅与资本消耗。 | 高质量训练/验证数据的来源；是否自建高通量湿实验室；数据飞轮是否形成。 |
先看它站在材料产业链的哪一层，这决定了它理论上价值最高、现实中变现最难。
判断深度原理站在第 ② 层——"AI 计算与生成层"：它不做基础科学的重复劳动，也不直接生产材料，而是用 AI 把"从想法到候选材料"的过程大幅提速，赚"加速发现"的钱。推导这层理论上价值最高（卡在创新最上游）、最轻（算法驱动）；但它现实的风险是第 ② 层的价值必须穿过第 ③ 层（实验验证）和第 ④ 层（量产工程）才能兑现——AI 说"这个材料好"不算数，得有人做出来、用起来、且真的更好。这条价值传导链越长，变现越难。
判断所有"AI 加速层"公司都活在同一个焦虑里：预测很快，验证很慢；算法很轻，落地很重。深度原理的护城河候选是"算法领先 + 量子化学的第一性根基"——比纯数据拟合更可信、更能外推。判断但它要真正建立壁垒，很可能绕不开"自建实验闭环、形成数据飞轮"这件重活——纯算法领先在这个学术高度活跃的领域容易被追平。缺口它是否自建湿实验、数据从哪来，是全公司叙事里最缺证据、也最决定护城河深浅的一环。深度原理的全部价值，押在"能不能把 AI 的预测优势，穿过实验与量产的最后一公里，变成客户真金白银的采用"这一个赌注上。
| 本质 4 问 | 答案（含证据） |
|---|---|
| ① 本质在做什么 | 判断用 AI + 量子化学 + 高通量实验，把"发现有用新材料"的周期和成本大幅压缩。卖的是更快、更省地找到能用的材料，本质是给硬科技的最上游瓶颈提速。 |
| ② 行业红利在哪 | 事实材料是能源、电池、半导体、化工等硬科技的共同底层瓶颈，AI4M 被视为继 AI 制药之后"AI for Science"最具想象力的方向之一，资本高度关注。判断红利真实且巨大，但赛道早期、商业模式未定型，泡沫与真金并存。 |
| ③ 哪层赚钱 / 谁掌握话语权 | 判断目前话语权在"技术最领先 + 能拿到产业订单"的少数玩家；长期赚钱的关键在"谁把 AI 预测真正转成客户采用的产业结果"。推导纯卖算法议价权有限，能形成"数据飞轮 + 产业闭环"的玩家才掌握长期话语权。 |
| ④ 深度原理的位置 | 事实它是 AI4M 赛道里技术指标领先、团队顶级、融资规模居前（被称国内 AI4M 最大）的一家（company alpha 候选）。判断优势是"MIT 学术血统 + 第一性原理根基 + 顶级资本"；隐忧是"赛道商业模式未定型、变现闭环与数据壁垒都待证"。 |
判断它的叙事是"以 AI 解锁改变世界的新材料、AI4M 全球领跑"。推导但真正要问的不是"它模型强不强"（强），而是"它现在有没有可持续的商业收入？收入来自卖软件、卖联合研发服务、还是自研材料？有多少 AI 预测的材料真被客户产业化采用？"——如果收入尚小、变现路径未定、产业采用无证据，那近 10 亿融资更多是押注赛道和团队的"技术期权"，而非验证过的商业模式。这一问答不清楚，"AI4M 领跑者"更像是"一个论文很强、融资很多、但商业闭环尚未跑通的顶级计算实验室"。
深度原理最实的资产，是它的"学术血统"——这在一个技术门槛极高的交叉领域，是最难被复制的起点。
| 维度 | 情况 |
|---|---|
| 创始人背景 | 事实创始人兼 CEO 贾皓钧是MIT 化学系与化工系博士，师从 AI 助力化学设计领军人物 Heather Kulik，曾任职于陶氏化学（Dow）核心研发部门；公司由两位 MIT 博士联合创立。推导这套"顶级学术 + 头部化工产业研发"的复合背景，是"AI + 量子化学"叙事最可信的来源，也解释了它为何能在成立不久就拿出多项 SOTA 级模型。 |
| 技术组织 | 事实团队宣称在模型技术、管线研发与商业落地均位居赛道头部。缺口但团队规模、AI 与实验人才配比、以及"学术研究能力"到"产业交付能力"的转化情况均未公开——这是学术型创业公司最典型的待验证环节。 |
判断"MIT 博士 + 顶级导师血统"是深度原理最实的资产，也是它区别于一般 AI 应用公司的地方：它是一家真正站在"AI + 量子化学"学术前沿的公司，这在一个极高交叉门槛的领域是稀缺且难以复制的起点。缺口但也有两个待观察点：① 学术能力能否转成产业交付能力——把 SOTA 模型变成客户愿意持续买单的产品或服务，是完全不同的能力；② 顶级学术团队常见的"重技术、轻商业"倾向——公司能否补齐商业化与产业 BD 的短板，决定它是"科学明星"还是"生意赢家"。技术强不等于生意成，这是它下一阶段最需要证明的（见第 12 章）。
事实AI4M 的变现通常有三条路：① 软件/平台授权（卖工具）；② 与材料/能源企业的联合研发服务（CRO 式按项目/里程碑收费）；③ 自研材料 IP 或产品（自己下场，卖发现的材料或权益）。缺口深度原理具体以哪条为主、各占多少、真实收入规模，均未公开。判断这正是判断它成色的第一分水岭——卖工具（轻、可复制、但客户付费意愿待验证）、卖服务（收入实但难规模化、像高级外包）、自研材料（天花板高但重、慢、赌性大）是三种完全不同的生意与估值逻辑。推导真正决定它未来的，是它能否在"技术领先"的窗口期里，选对并跑通一条可持续、可放大的变现路径。
缺口决定生意成色的核心数据——商业化模式与收入结构、真实客户与合同规模、AI 预测到实验验证的成功率、有多少 AI 发现的材料被客户产业化采用、高质量数据来源与是否自建湿实验闭环——全部未公开。"模型 SOTA"和"生意跑通"是两回事，这正是追问清单第 1、2 组的核心。
深度原理的命运系于三个真正有分歧的命题。每题给 Bull / Bear / Reality，再下裁决。
AI4M 常被类比成"材料界的 AlphaFold/AI 制药"。用这个类比成立的四个前提逐条拷问它。
| "材料界 AlphaFold"成立的前提 | 深度原理/AI4M 的现状 | 是否满足 |
|---|---|---|
| 有真实的技术突破与代差 | 事实MPA/OA-ReactDiff 等多项 SOTA、过渡态 0.4 秒，技术突破真实 | ✅ 大体满足 |
| 有充足、标准化的高质量数据 | 缺口材料数据比蛋白质更碎、更缺标准化，独家数据来源未公开 | ❌ 结构性挑战（关键） |
| 预测结果能被快速、低成本验证 | 缺口材料需湿实验 + 量产验证，验证链远比生物预测长、慢、贵 | ⚠ 存疑 |
| 有清晰、可放大的商业变现路径 | 缺口AI4M 变现模式未定型，深度原理收入结构未披露 | ⚠ 未证实 |
判断"材料界 AlphaFold"这个类比只在"技术突破真实"一条上大体成立，其余三条恰恰暴露了材料 AI 比生物 AI 更难的地方：材料数据更碎更缺标准、验证链更长更贵、商业模式更不定型。判断所以更公允的定位是——深度原理是"AI4M 赛道里技术最领先、团队最顶级、融资最多，但正站在'技术突破'到'商业与数据闭环'这道更难的坎前"的领跑候选者。它真正要证明的不是"技术能不能领先"（能），而是"能不能在材料这个数据更碎、验证更慢、变现更难的领域，把技术代差穿过实验与产业的最后一公里，变成可持续、可放大的生意。"这个定位既承认它的领先，也诚实面对赛道的结构性难度。
看清它周围站着谁，就明白它的空间在哪、突破口在哪。
| 玩家 | 类型 | 打法 / 现状 | 对深度原理的意义 |
|---|---|---|---|
| 深度原理 Deep Principle | AI4M 计算生成层 | AI+量子化学+高通量，多项 SOTA 模型；A 系列近 10 亿 | 本体 |
| 科技巨头 AI4S 团队（如 DeepMind/微软等） | 全球大厂研究力量 | 材料/科学大模型研究，人才与算力雄厚 | 技术上最强的潜在对手，但商业化未必聚焦中国产业 |
| 其他 AI4M 创业公司 | 同赛道创业者 | 各有技术侧重，争抢产业订单与人才 | 同层直接竞争，比拼技术代差与商业化速度 |
| 大型材料/能源/电池企业自研团队 | 下游客户+潜在自研 | 自建 AI+研发能力，或与外部合作 | 既是客户也是"自研替代"风险 |
| 传统材料 CRO / 计算化学服务商 | 研发服务 | 实验/计算外包，产业关系深 | 在"卖服务"路径上的既有竞争者 |
| 公开数据库与开源材料模型 | 基础设施 | 公开数据/开源模型降低入场门槛 | 抬高竞争下限，压缩纯算法差异化空间 |
判断① 技术上它要面对全球大厂的科学大模型团队——纯技术竞赛资源不对等，它的胜算在"聚焦产业落地 + 本土产业闭环"，而非纯刷指标。② 它唯一可能真正独特、对手难复制的资产是"第一性原理算法 + 若能建立的独家实验数据飞轮 + 产业采用案例"——护城河只能建在这里，纯算法优势会被开源和大厂追平。③ 它的下游客户既是收入来源也是潜在自研者——大材料企业一旦自建 AI 能力，既拿走订单又变对手。深度原理的生存空间，就在"能不能把技术领先，锁进独家数据飞轮和产业采用闭环"这条窄路上。
判断五个断点里，断点 1（变现路径）和断点 2（产业采用）最致命：前者决定它能不能赚到钱，后者决定它的技术领先能不能兑现成价值。它的技术与融资都已经证明过了，接下来要证明的是"选对路径能赚钱"和"AI 发现能被产业用起来"——而这两样，恰恰都是它至今没拿出可验证数据的地方。
| 风险 | 说明 | 观察信号 |
|---|---|---|
| 商业闭环未跑通（母题） | 技术 SOTA 与可持续收入之间隔着漫长的产业验证链，AI4M 最大坟场即"论文顶天、变现落地"。 | 真实收入、客户合同规模；AI 发现材料的产业采用案例。 |
| 变现路径未定型 | 工具/服务/自研材料三条路壁垒与天花板迥异，选错或都浅尝会拖垮节奏。 | 收入结构；主攻路径是否清晰、可放大。 |
| 数据壁垒不足 | 公开数据人人可用，无独家数据飞轮则算法领先易被追平。 | 独家数据规模与来源；是否自建高通量湿实验闭环。 |
| 验证链长且重 | 材料需湿实验+量产验证，周期以年计、成本高，价值兑现慢。 | 预测→验证→采用的周期与成功率。 |
| 客户自研替代 | 大材料/能源/电池企业自建 AI 能力，既失订单又成对手。 | 下游龙头自研 AI4M 进展；深度原理与其合作深度。 |
| 估值透支/赛道降温 | 成立两年拿近 10 亿，定价未验证的期权，赛道降温时回撤空间大。 | 后续收入兑现；AI4S/AI4M 赛道融资与热度变化。 |
判断六类风险的母题是同一个：深度原理这套顶级的 AI4M 技术，能不能在产业验证链长、材料数据碎、变现模式未定型的三重难度下，被证明是能选对路径赚钱、能建起数据壁垒、能让 AI 发现被产业真正采用的可持续生意，而不是一个论文很强、融资很多的顶级计算实验室。这个问题答清楚之前，技术指标与融资规模更多是"技术期权"，而非已验证的商业护城河。需要强调：这里的风险主要在商业与数据层面，其技术领先本身是真实且稀缺的。
信息越薄，这份清单越重要——它就是把"叙事"逼回"事实"的工具。★ 是我认为最锋利、最能戳破叙事的问题。
判断① 可持续收入有多少、来自哪条变现路径（工具/服务/自研材料）？② 有多少 AI 发现的材料被客户真正产业化采用？③ 是否建立了别人没有的独家实验数据飞轮？——这三问答清楚，就知道它是"AI4M 全球领跑者",还是"技术顶尖、融资充裕、但商业闭环与数据壁垒尚未跑通的顶级计算实验室"。
基于公开信息（企业官网、工商登记、百科、财经媒体报道、投融资披露）的深度梳理，主要维度（节选）：
· 公司与团队：成立于 2024-02-21、总部杭州、由 MIT 博士团队联合创立、创始人兼 CEO 贾皓钧（MIT 化学/化工博士，师从 Heather Kulik，曾任职陶氏化学核心研发）（百度百科、投融资报道、联想之星披露）
· 技术与产品：ReactiveAI 平台；MPA 模型（近 40 项物性预测 SOTA）、SAGA 智能体（材料生成）、OA-ReactDiff/React-OT（过渡态生成压缩至 0.4 秒）（公司披露、科创板日报等报道）
· 定位：AI for Materials（AI4M），融合 AI、量子化学与高通量实验加速材料研发；对外称在模型技术、管线研发与商业落地位居赛道头部
· 融资：2026-07 完成近 10 亿元 A3 轮，孚腾资本领投，华控基金、康君资本跟投，顺禧基金、高瓴创投、祥峰投资、戈壁创投、线性资本、联想之星、BV 百度风投、启高资本等过半数老股东大幅超额加投；A 系列累计近 10 亿元，被称国内 AI4M 迄今最大；更早 A 轮曾由阿里巴巴创业者基金大湾区基金与蚂蚁集团领投（科创板日报、投资界、证券之星等多信源）