对话小米俞之奡：从泰坦合金到电池：AI正批量制造材料“六边形战士”

告别小模型，“AI+材料”进入Agent Workflow。

小米AI+新材料负责人俞之奡，图片由其本人提供

在硅基智能以光速迭代的时代，材料界正在面临一种令人尴尬的速度差。

屏幕里的Agent在几分钟之内检索数万篇论文，组合多种前沿材料配方，然而，当AI天才般的创想要落地时，也不得不面临碳基世界古老的高墙：在充斥着刺鼻试剂气味与高温炉热浪的材料合成实验室里，人类科学家依然需要耗费数周时间，进行精细的原料称量、有机合成的瓶瓶罐罐或者无机材料的研磨混合、高温烧结与相结构表征，每一步都依赖手工操作与经验判断。

材料是人类工业文明的基石。从蒸汽时代的钢铁到信息时代的硅片，硬科技的每一次跨越性突破，大多伴随着原子尺度上键合方式与空间排布的重构。然而，近代以来，新材料的发现长期依赖类似爱迪生式的“试错法”。

科学家在多元组分的高维空间中，凭借直觉与运气进行探索。这种模式不仅周期漫长、成本高昂，更致命的缺陷在于，其有限的实验容量，极易让最优配比在高维参数空间中成为“沧海遗珠”。

更多的变化发生在今年。随着AI for Science的深度融合，“AI+材料”的范式，也从“一事一议”的定制化小模型，向“通用基础大模型+Agent工作流（Harness）”跃迁。AI不仅能查漏补缺，更能以人类无法企及的全局视角，进行成本、量产与多维性能的综合全局，优化并且批量制造那些历史上从未想象过的、多维度性能全优的材料“六边形战士”。

在这个硬科技群雄逐鹿的新战场上，近期，小米宣布成立材料Core团队，由俞之奡牵头负责。

俞之奡于2022年博士毕业于斯坦福大学化学系，师从材料与电池领域两位知名学者鲍哲南院士、崔屹院士，主要研究方向为锂电池材料与电解液。博士毕业后，他曾在字节跳动从事AI for Science研发，随后在美国波士顿创办聚焦AI for Science与电池材料的创业公司。

创业四年后，俞之奡选择加入小米，组建并负责材料Core团队，聚焦AI驱动的前沿材料研发，推动相关成果在小米汽车、手机、家电等业务中落地。

俞之奡的加入与材料Core团队成立，意味着小米正在尝试把在汽车“泰坦合金”和“超强钢”上的偶然成功，泛化为全能力链，并且，也说明制造业在AI时代的一个生态位优势——用“人车家”全场景，去反哺和消化那些最新涌现的前沿材料。

今年WAIC期间，俞之奡及其材料Core团队首次公开亮相，我们借此机会与团队展开了一场深度对话。这场对话或许能让我们窥见：在AI for Materials的“ChatGPT时刻”即将到来之际，中国科技企业如何在从应用层创新，走到更高维度的创新。

以下是对话部分实录，经钛媒体编辑：

Q：为什么加入小米？选择小米的考量是什么？

俞之奡：可以简单回溯一下。我大概2020年进入AI for Science这个领域，那时候还在读博，大家对AI for Science都没有概念，觉得材料计算或简单的机器学习就已经是所谓的AI for Science。GPT也不知道在哪，但大家就在探索怎么把一些很小的模型——不是现在的大模型，是专有的模型——一步一步应用起来，用一些很小的machine learning或者deep learning模型，那时候都已经做到头了。

从2020到2022年，这个方向越来越多的发展， 2022年末ChatGPT出来之后，以及2024年诺贝尔物理学奖和化学奖给了偏AI和AI for Science这两个方向，让这个领域有了非常大的爆发。对我来说，我本身的背景从本科到博士都是做化学材料实验科学的，真的是在实验室里拿着瓶瓶罐罐做材料。我非常清楚，无论是AI加材料还是AI加医药，最终的目的还是拿到那个真正能提升大家生活质量的材料或药物。

大家对药物来讲，这个药能不能治病是唯一的评价标准；对材料来讲，这个性能比起上一代有没有提升、价格有没有降低、量产性有没有提高、对整体产品有没有性能提升，这些是非常明确的。在这样的情况下，加入小米这样的企业生态位是非常正确的一件事情。小米有那么多的人车家产品生态，从消费电子到家电到可穿戴到车，整个都覆盖的情况下，我们有足够的场景去容纳新材料的尝试，真正做出有提升的东西。这个生态位可能是最合适的。

Q：小米在“AI+材料”这个赛道的独特生态位是什么？

俞之奡：我觉得小米非常独特的一个点在于，我们本身的基因——雷总也说了未来战略是人车家全生态——我们对产品一直以来就是最核心的一个基因。所以在落地方面，无论是人车家生态里面哪一个产品，我们都有非常大的力度。在这个情况下天然就有场景，这是一个非常自然的事情。我们有MiMo大模型的投入，有Agent的投入，然后有最适合的场景，整个生态链体系下的场景。我们希望把中间这一环接通，利用模型能力、Agent的能力，把更新的材料做出来，进入市场去服务客户。希望把模型和真正的产品做一个更好的连接，让更前沿的、性能更好的材料进入我们的产品。

Q：小米在泰坦合金、超强钢等项目上都用了AI，AI角色经历了哪些演变？

俞之奡：泰坦合金是一个非常好的例子，就是珠玉在前。雷总在直播里也讲到。一方面AI本身这个范式在迭代——Agent、AI for Materials企业越来越多快速的迭代，把AI推到了一个之前不可想象的速度。另一方面就是材料配方、工艺、生产制造的各种参数性能的综合优化。AI能够不停地加速这个过程，把更新的、更优化的材料提出来，我们去制造出来服务客户，进入产品让大家真正体会到产品质量和性能的提升。

Q：在之前已有的探索基础上，小米此时成立材料Core团队意味着什么？

俞之奡：我更多的会把它形容成不是转变，而是一个进化。咱们已经有AI+金属——无论超强钢还是泰坦合金——两个非常成功的例子。可以想象小米生态体系里肯定不止金属这一种材料，大家自然而然会去想怎么做到更多的材料。尤其我们有消费电子产品、有车、有家电以及整个生态链里的所有产品。从玻璃到高分子到金属到电池会是一个非常大的、泛的材料领域。我们天然的想法就是能不能去泛化，把各种材料都涵盖进来，让AI加金属这个成功案例泛化到整个生态里，让产品整体有一个非常好的提升。之前的话，AI的团队和业务的团队之间有一个协作，我来是希望能把这个方向打开以及泛化，更好地串联以及用到更多的材料里面。在我们整个生态链体系下的产品里面，在各个点都能有一些新的材料、更加前沿的材料，无论是从性能、成本还是制造的角度，各方面都能有更好的下一代材料用进产品里，让大家真正体验到产品性能的提升。

Q：超强钢接下来还会继续升级吗？AI加材料还有哪些更可为的作用？

俞之奡：材料的性能要求其实是没有上限的，大家肯定希望越来越好，甚至不仅是六边形战士，六边都要一百分、超过一百分那样的产品。除了金属之外，还有高分子、有机化学这些领域，有些材料可能是人类历史上从未想象过的，远远超出简单材料的范畴。模型本身也在持续优化，配方也会有新的迭代，比如加入不同的元素成分，搜索范围和配方组合空间会更大。

Q：小米在AI加材料领域，看到了哪些可以通过新材料解决的具体问题？

俞之奡：从产品布局的角度看，除了金属材料之外，高分子、玻璃和电池都是重要的方向。电池在消费电子产品和汽车应用中都是核心要素。比如动力电池方面大家最关注的是安全性，以及电车能跑多远，充电速度、成本控制和量产能力也是关键考量。大家都希望更快的充电速度、更低的购车成本和更长的续航体验。这些需求都会推动我们去探索新的电池材料方案。

Q：你认为AI加材料这个方向，目前需要攻克的难题是什么？

俞之奡：这是整个领域目前的共识。大家看到尤其是Agent这一波从年初到现在爆发式增长，进入科学领域，无论中国还是美国比较头部的企业也都在布局。整个工作流的搭建大家已经有了一些思路——怎么把Agent更好地用好，去提出假设、验证假设、搜索文献，到后面像实验室一样把出来的东西再去进一步优化迭代。但从材料的角度来讲，还是一个所谓闭环的问题——实验是真正做出看得见摸得着的材料，这一步现在是真正的决胜点。Agent可能瞬间就能告诉你该做什么事情，但执行的时候，大部分还是靠人力在实验室做、在工厂做生产制造，这是一个瓶颈。怎么样把这个闭环快速打通、瓶颈快速解决，就能把AI for Materials整个循环大幅加速。现在已经有些希望了，大家都在不停地加速，比如自动化，包括机器人和具身大脑现在越来越泛化、能做的事情越来越多。

Q：AI相比传统材料研发方式，有哪些传统方式替代不了的？

俞之奡：我们平时作为材料人，假如下游真的要做实验，大家可能会去想一些方向，但毕竟没有办法很快收敛到正确的方向，或者说要试的东西非常宽泛，会消耗很多时间和精力。AI能帮助我们快速收敛到一个正确的方向，然后进行快速的迭代，产生更好的配方。

Q：AI材料研发在周期、成本、良率这些维度上能带来多大的提升？

俞之奡：目前来讲，AI for Materials大家还是把它作为Co-Scientist或者叫副驾驶，作为辅助角色帮助下游材料专家进行快速迭代，或者帮助我们想到一些人可能会忽略的东西。整个大的图景里即使是最顶尖的科学家也可能会漏掉一些点，AI能够很好地帮我们查漏补缺，把整个图景画全。这个对下游真正的研发非常重要——一旦你漏掉的那个点正好是最好的那个点，就会花更长的时间才能发现这样的材料。成本、良率这些其实是综合优化的过程。人很难同时兼顾所有维度的性能指标，大家都希望一个材料是全维度优秀，也就是“六边形战士”。在这个过程当中AI能很好地帮我们补齐那些短板，尽量做出全维度均衡的材料——包括成本，包括量产时候的工艺、制程、制造，都能做统一的优化，而不是只限于某一个点说某一个性能很好但别的不在乎

Q：目前AI在材料研发哪个环节效果最好？哪些环节几乎没用到？

俞之奡：基本上在今年年初之前，大家还是一些专有领域的小模型——金属有一些，别的方向各自有一些。但今年年初Agent这一波起来之后，范式发生了相当大的变化，大家发现基座大模型加上Agent Workflow——我们现在叫Harness——能把整个工作流真的搭起来。你告诉它一个目标，比如想让这个金属的强度提升多少，它可能自动去搜索文献、提出假设、想该做哪些实验、做哪些计划。然后下一步就是卡点——得去实施，真的做出来。做出来之后，有了配方的输入和性能的输出，再返回到前面，看到数据之后想下一轮该怎么去迭代材料、怎么进一步提升性能。在这个范式里，前面几步——搜索文献、提出假设——已经做得非常好了，尤其是Agent和基座大模型的能力越来越强。但中间那个卡点——做实验和做真正的产品性能这一步，现在很多公司在做自动化的实验室，甚至自动化的中试线，怎么样去提速这一步，还需要一些时间。

Q：现在基座大模型是通用的还是各材料领域有专用模型？小米会做材料通用大模型吗？

俞之奡：大概是2026年年初之前，大家在做一些所谓的专有模型。目前大家都是以基座大模型加Agent的方式去做。但你提到的针对各种材料，甚至更加泛化的——不止材料，包括生物医药等科学领域的大模型，行业内也有一些人在探索。但我们可以随着这个领域的发展去看，到底哪一条范式或者哪一条路线最后收敛下来，这个确实需要一些时间。

Q：AI for Materials的“ChatGPT时刻”何时到来？

俞之奡：这个问题是我今天的报告最后一页PPT标题。首先，要看怎么定义这个ChatGPT时刻。有一种观点认为它可能已经到来了——2026年Agent这一波起来，有基座大模型，有很好的Agent工作流，这一套已经能够帮助科学家或者下游真正做产品的人快速加速迭代，这件事情本身可能就被定义成ChatGPT时刻。如果说要再定义一个更进一步的时刻，我觉得有点像ChatGPT时刻之前，大家也不知道ChatGPT时刻是什么定义，可能还需要一些时间的发展去看终局是什么。（本文首发于钛媒体APP，作者｜李程程，编辑｜杨林）