AI+材料落地金属增材制造：创材深造近亿元A+轮，打响「配方权」争夺战

——当AI4S从“模型竞争”卷到“基础设施竞争”，谁掌握可训练的高维物理实验数据，谁就握紧下一代增材专用合金的定义权

2026年9月16日，金属AI材料企业创材深造（Deep Material）官宣近亿元A+轮融资——老股东源码资本追投，并与新股东金雨茂物联合领投，亿宸资本等跟投。在AI for Science热度阶段性退潮的当下，单看“AI研发新材料”已经很难让人兴奋；但若把镜头对准金属增材制造（金属3D打印）这一细分赛道，这笔资金的去向暴露了行业真正的转向：竞争正式进入“材料数据主权”阶段。

安徽增材制造科技基于公开资料，拆解底层技术突破、解析产业链真实格局、前瞻商业化落地场景，力求为从业者、研发与决策者提供一份可参考的前沿风向标。

一、一笔近亿元融资，看清新材料研发正在发生什么

把融资事实与资金投向整理如下，产业信号清晰可见：

时间/轮次：2026年9月，A+轮（近亿元）

投资方：源码资本（老股东追投）+ 金雨茂物（新股东）联合领投，亿宸资本等跟投

资金投向：M-Loop智能系统持续研发、M-Lab高通量实验平台复制扩产、M-Data高质量数据集积累、OPL分布式自驱实验室网络建设、顶尖复合型人才引进

公司基本面：成立于2021年，总部位于天津市南开区；创始人王轩泽毕业于上海交通大学人工智能方向，成长于材料世家；自研高通量设备、组建自动化实验室M-Lab，已迭代至3.0版本

值得注意的不是“又一家AI公司融到钱”，而是资金投向高度一致地指向基础设施——自研高通量实验室、闭源数据集、Agent调度中枢。用创始人王轩泽的话讲：“材料研发不是做个模型就能一蹴而就，它的难度在于数据闭环和产业落地。”

这正是当下AI4S行业最关键的转向：从“模型能力”卷到“产业落地”，再进一步卷到基础设施竞争。模型越来越易得，而包含实验条件、过程参数、失败结果与工艺反馈的高维真实科学数据，正成为最稀缺的资源。

二、增材制造的「材料之困」：瓶颈在粉体，不在设备

要理解创材深造这件事的产业价值，必须先扒开金属增材制造长期被忽视的底层痛点。

行业舆论总把聚光灯打在设备上——多激光器联动、大幅面成形、打印速度。但真正挡在“从样件到批量”之间的，是材料与工艺的耦合问题：

工艺窗口极窄。以激光粉末床熔融（LPBF/SLM）为例，激光功率、扫描速度、层厚、扫描策略任何一项偏移，都会改变熔池稳定性，诱发未熔合、钥匙孔气孔、热裂纹。同一台设备、同一批粉末、同一组参数，仍会因“飞溅”和“激光阴影”产生质量波动——所谓“variability问题”，是金属AM量产认证的核心障碍。

缺陷谱系复杂。镍基高温合金打印要同时对抗裂纹、孔隙、残余应力、各向异性、表面粗糙度。产业方工程复盘一致指出：只有把合金和工艺锁死在一个经过鉴定的窗口内，才能稳定出货；换一个参数，熔池稳定性、析出相、疲劳起裂点全变。

粉末批次一致性是隐性天花板。气雾化粉末内部包裹的气体孔比等离子旋转电极粉末更难消除；而不同批次粉末的粒径分布、球形度、氧含量差异，直接放大了“件件不同”的风险。

后处理吞掉约四成成本。多家机构测算，热处理、热等静压、支撑去除、表面处理等后处理工序，占金属AM制件总成本的40%量级；而打印专用金属粉末均价虽较2020年明显下降，高端粉体仍依赖进口。

一句话：金属增材制造的瓶颈，是“给定一台好设备，如何稳定地用一种新合金打印出合格零件”——这本质是一道材料配方与工艺窗口的联合优化题，而不是设备题。

这也解释了为什么“AI+材料”在增材制造里不是锦上添花，而是刚需。谁能同时优化“性能—可打印性—成本”三个目标，谁就拿到了这一细分赛道的“配方权”。

三、创材深造的四块底牌，与增材制造的因果链

公司披露的M体系由四块构成，落到增材制造场景，权重各不相同：

M-Cortex（材料垂类大模型+Agent）——研发调度中枢。通用大模型强在通识，弱在材料研发的因果推理与外推泛化。创材深造用自研全流程多模态实验数据训练垂类模型，让它基于文献、历史数据与Know-how自动生成科学假设、候选配方与“研发剧本”，再协同算法筛选、调度实验、根据反馈重写策略。对增材制造而言，它要解决的是“给定性能需求，反向推出可打印的合金成分区间与工艺窗口”这一反向设计难题。

M-Science（工具算法+专用小模型）——补DFT的盲区。以DFT为代表的小尺度算法在原子相互作用上成熟，但面对介观—宏观尺度的金相组织、热应力、熔池动力学会受计算规模与混沌效应限制而失效。而宏观材料的“可打印性”恰恰落在这一尺度。创材深造的差异化在于：大尺度算法高度依赖真实实验数据——这正是它拥有数据闭环的直接回报。

M-Lab 3.0（高通量自动化闭环）——最硬的门槛。自2021年起自研设备，已迭代至3.0。已核实的关键数据：

单条原始数据维度400+，存储规模超10GB

单条数据成本从传统模式的数万元降至数百元

实验数据生产效率提升数百倍

高通量3D打印设备一次可混合4种粉末，生成160种不同配比的力学性能样件，粉末消耗大幅降低，单样测试周期从100分钟压缩至12-25分钟

机械臂自动取放节拍仅10秒/样，柔性样品台可批处理100+样品，室温测试效率高达600样/天

这套闭源、高维、带失败结果的真实数据，是训练“可打印性预测模型”的燃料。M-Lab整体方案已被国内外高校与科研院所采购；公司计划借A+轮复制扩产、部署5–10条新实验线。

M-Data（适配AI的数据集）——效果差距的最大来源。传统材料数据多为“知识型”：维度低、一致性差、数量少、且几乎只记成功。M-Data当前超10万条，格式统一、覆盖实验全过程与失败结果。对增材制造来说，“失败数据”尤其值钱——裂纹、孔隙、变形样本，正是训练缺陷预测与工艺窗口判定的关键负样本。

落到增材制造的因果链是：M-Lab产生高维带标签的“合金—工艺—缺陷—性能”数据 → M-Data沉淀 → M-Science训练可打印性模型 → M-Cortex反向生成配方与工艺窗口 → 实验验证并反哺。这恰好对症第二节列的四类痛点。

【企业披露】 可将特定新材料小样研发及测试验证周期从传统5–10年压缩至2–3个月，研发成本降至传统路径的约1/10；公司已发布近20款全新高性能材料，多款实现量产落地，相关材料完成CNAS检测与下游客户验证。

四、产业链真实格局：三层玩家，卡点各异

把视野拉到整个“AI+材料”赛道，格局已清晰分三层：

科学计算底座型（深势科技、深度原理）：以第一性原理/多尺度仿真+科学大模型提供“算”的能力，偏成分—性能预测，需真实数据补“可打印性”。

高通量闭环型（创材深造、开物纪）：自建自动化实验闭环，数据+算法+实验一体，直接产出“可制造”的合金与工艺，最贴近AM落地。

海外“AI科学工厂”型（Lila Sciences、Periodic Labs）：资本密集、自动化实验室昼夜运行，专注特种/国防合金，资本量级更大。

几个客观判断，剥离噪音：

“模型强”不等于“产业强”。科学计算型玩家在泛材料场景体量更大，但金属宏观材料的“可打印性”必须靠真实实验数据，不是纯仿真能补的——这也正是创材深造“自己建实验室”被反复追问的原因。

闭环是壁垒，也可能是孤岛。闭源数据带来先发优势，但也意味着跨机构数据难以互通；公司提出“联邦实验室”与OPL方向，本质是试图把数据壁垒转化为标准与网络壁垒。

重资产有门槛也有护城河。高通量实验室是资本开支密集项，复制扩产需要真金白银（本轮即用于此），这反而筛掉了只做SaaS模型的轻玩家。

传统金属粉末厂商的优势在量产与供应链，短板是新材料配方迭代仍依赖工程师经验，AI多作工艺优化辅助——属于“科学计算/闭环”两类玩家的上游协同方，而非同一竞争层。

五、商业化落地：哪些零件会先被AI材料「重做一遍」

创材深造已披露的落地合作，几乎都指向高价值、小批量、强定制的增材制造友好场景：

3C外观件：可阳极氧化铝合金外观件、超高强韧不锈钢/钛合金连接件——消费电子对质感、强度、减重同时敏感，是AM钛/铝件的天然落地场；

商业航天：高温合金发动机喷管、高强铝支撑结构件——航天件复杂、批量小、对轻量化与可靠性要求极高；

可控核聚变：难熔高熵合金第一壁、低活化钢包层——极端服役环境，传统合金几乎无解，是“许愿式研发”最有价值的目标；

高端模具：轮胎模具、钛合金打击面、壳体、配重块、耐热插片、低品位原矿制高性能钛合金——覆盖“性能极限件”与“降本件”两端。

交付形态包括材料配方、工艺窗口、金属制件与样件、应用验证结果及长期供应/授权。其中“工艺窗口”四个字，正是第二节痛点的直接回应——客户拿到的不是一份成分表，而是一套“能稳定打印出来”的工艺包。

判断：最先规模化的不是“大而全”的通用件，而是单价高、失效代价大、传统研发周期长的功能件。AI材料的商业化，会沿着“贵且难→贵但可行→普惠”的路径下沉。

但需冷静看待：实验室的“可打印”与工厂的“可量产”之间存在工程鸿沟。粉末的工业化制备、打印设备的多样性、后处理工艺的一致性，以及航空航天领域的材料认证周期，都是AI无法绕过的工程门槛。AI可以压缩“发现”阶段的时间，但“认证”阶段的工程严谨性不可替代。

六、政策与标准：从「卖铲子」到「下场挖矿」的制度底座

政策端正在把AI+材料从“可选项”变成“必选项”：

国家层面：国务院《关于深入实施“人工智能+”行动的意见》（国发〔2025〕11号）明确，到2027年新一代智能终端、智能体等应用普及率超70%，2030年超90%；并将“人工智能+科学技术”列为六大重点行动之首，强调科学大模型、高质量科学数据集、重大科技基础设施智能化。

地方层面：北京“十五五”高精尖规划提出“人工智能新材料”新范式；上海“十五五”战略性新兴产业发展规划明确开发合金等领域垂类模型——“合金”被点名。

标准侧：国家标准GB/T 45867-2025《增材制造 钴基合金与不锈钢异种金属一体化成形技术规范》已于2025年11月1日实施，标志增材制造工艺标准化提速；而“粉末批次一致性”“工艺窗口鉴定”仍是待补的标准空白——谁先沉淀数据，谁就有机会参与标准制定。

一个被低估的信号：政策鼓励的“中试基地”与创材深造的OPL/联邦实验室思路高度同构。未来这一细分赛道的竞争，会下沉到“谁能把实验数据变成可复用的行业基础设施”。

七、给从业者的三个判断

判断一：「许愿式研发」是终局愿景，不是当下现实。

把“2–3个月”理解为特定材料/场景下的已实现周期更稳妥；RSI具身材料科学家是路线图，不是已交付品。评估项目落地能力，应以CNAS检测报告、下游客户实测验证结果为准。

判断二：真正的护城河是「数据×实验」闭环，不是大模型本身。

通用大模型能力在商品化，材料垂类模型的差异化完全取决于训练数据的维度、一致性与是否含失败样本。轻资产“只做模型”的玩家，长期会被有闭环数据的公司反超。

判断三：增材制造的AI材料机会，在「工艺窗口」而非「成分表」。

给客户一份成分很容易，给出一份“可在某型号设备上稳定打印、通过疲劳/腐蚀验证”的工艺包才是壁垒。建议把KPI从“发现多少新成分”改为“多少配方完成了可制造性验证”。

结语：创造权正在转移，但路要一步步走

材料是人类改造世界的底层代码。数千年来，一种新材料从想象到现实，要穿越漫长的试错迷雾。AI正在把这条路“修”出来——但修路的过程，依然依赖真实的实验、真实的数据和真实的工厂。

创材深造的A+轮，与其说是“又一家AI公司融资”，不如说是AI+材料在增材制造细分赛道的一次基础设施注资。当“实验室可行”与“工厂可造”的鸿沟被数据闭环填平，材料创新的创造权，才会真正从少数机构，转移到每一个被真实问题驱动的创造者手中。

下一座里程碑，不是模型参数，而是你手里那台3D打印机，能否稳定吐出第一种“由AI设计、经AI验证”的合金零件。

参考来源（公开资料）

科创板日报/财联社：《创材深造完成A+轮近亿元融资》（2026-09-16）

国务院：《关于深入实施“人工智能+”行动的意见》（国发〔2025〕11号）

全国标准信息公共服务平台：GB/T 45867-2025《增材制造 钴基合金与不锈钢异种金属一体化成形技术规范》

创材深造CEO王轩泽清华论坛报告（2026-06）

创材深造CEO王轩泽WAIC报告（2026-07）

本文为安徽增材制造科技产业原创分析，基于公开资料整理，不构成任何投资建议。文中企业相关数据、技术描述以企业官方披露、权威媒体原始报道为准。

#AI4S #AI加增材制造 #金属3D打印 #材料数据主权 #高通量实验 #创材深造 #专用合金 #工艺窗口 #基础设施竞争 #未来智造#安徽增材制造科技