从技术领先到商业成功。
其中，艾萨克·斯奎尔斯是山姆·库珀指导的博士生，在戴森设计工程学院深耕机器学习驱动的电池材料表征与优化；史蒂夫·肯奇同样师从库珀，在牛津大学获得材料科学本科学位，随后在帝国理工完成博士学位，其博士论文《微观结构指纹：用于电池材料先进表征的机器学习》后来成为Polaron技术的核心基础；而山姆·库珀本人，作为帝国理工学院的副教授，领导着TLDR小组，专注于下一代储能技术的设计，是整个团队的学术灵魂与技术后盾。
在他们看来，传统材料设计依赖于工程师的直觉和经验法则，本质上是一场昂贵且低效的试错游戏。
以电池电极这样的复杂材料为例，需要调整的参数多达数百个，包括材料混合比例、涂层厚度、干燥温度、压制压力，甚至是环境湿度等，每一个参数的细微变化都会影响最终的微观结构排列，进而决定产品性能，并会直接关系到电动汽车的续航里程、充电时间，或是风力涡轮机的耐用性。
但问题是，这些参数以高度复杂的方式相互作用，无法孤立优化，往往一个参数的调整，就会引发一系列连锁反应，让工程师陷入无尽的试错循环，不仅耗费大量时间，更推高了研发成本。
而在2021年，史蒂夫·肯奇在发表于《自然·机器智能》（Nature Machine Intelligence）期刊的研究中，开发了名为SliceGAN的算法，能够从二维切片生成三维结构，并成为了Polaron平台的技术基石；而山姆·库珀小组关于使用条件化生成式AI优化电池电极微观结构的研究，更是登上了《Matter》期刊的封面，进一步验证了技术的可行性。
事实上，在2023年的材料AI领域，市面上已经有不少AI公司将目光聚焦在“材料发现”的赛道上，它们承诺利用AI技术找到下一个革命性的电池正极材料、太阳能电池材料，或是新型合金材料。
但在Polaron的创始团队看来，这些公司都面临着一个共同的难题，从实验室发现新材料，到工业化量产，往往需要数年甚至十几年的时间，投入巨大，风险极高，而且大多数成果最终都无法落地。
更重要的是，他们发现了一个被所有人忽视的空白，对于大多数制造商而言，他们并不需要全新的材料，他们更需要的其实是在现有材料、现有生产线的基础上，优化工艺、提升性能，从而降低成本、提高竞争力。
2024年初，Polaron完成了由Avonmore Developments领投的种子前轮融资，并正式推出其基于生成式AI的材料设计软件平台，这个最小可行产品（MVP）只保留了最核心的功能，包括微观结构数据分析、二维到三维图像重建，以及基于机器学习的特性分析。
为了验证商业可行性，Polaron的创始团队频繁走访各大材料制造商，与工程师、技术负责人、采购决策者深入交流，并得到了重要的反馈。
他们发现，不同的制造商，甚至同一家制造商的不同生产线，面临的问题都各不相同。也就是说，通用化的产品无法满足客户的需求，定制化才是关键。随后，他们与三家电池制造商达成了试点合作，将自己的MVP产品投入实际生产场景中。
此时，Polaron并没有将自己简单的定位为“材料AI公司”，而是强调他们解决的是“过程、结构、性能”这一材料科学领域的“三位一体”问题，并参加了帝国理工学院旗舰创业竞赛Venture Catalyst Challenge（VCC），凭借其在材料AI领域的创新，成功入围AI与机器人赛道，并在决赛中获得1万英镑的Moonshot奖金。
同时，为了加快市场推进速度，Polaron的创始团队通过在法拉第研究所的多尺度建模项目的经验累积，首先聚焦于电池制造商这一垂直市场，并与这一行业的多家制造商建立了深厚的联系，不仅为他们提供AI模型，还提供从2D图像重建3D结构、加速表征、优化设计等一整套解决方案。
事实上，对于大多数制造商而言，他们没有足够的技术能力，无法将多个零散的工具集成起来形成一套完整的工作流程；而Polaron的平台能够为他们提供端到端的服务，降低他们的采用门槛，让他们能够快速上手，并且看到实际效果。
2024年5月，英国政府科学、创新与技术部（DSIT）推出了首届曼彻斯特奖，这是一个为期十年、每年颁发的数百万英镑挑战奖，旨在奖励英国主导的人工智能公共利益突破，首届比赛聚焦于能源、环境和基础设施领域的AI应用。
Polaron从近300个申请团队中脱颖而出，成为10个入围团队之一，并获得了10万英镑的种子资金，用于进一步发展其解决方案，同时还获得一系列配套支持。
此时，Polaron的创始团队开始思考一个更长远的战略问题，如何将其技术应用于更广泛的材料类别。
虽然电池仍然是他们的核心市场，但他们意识到自己的技术具有“材料无关性”，也就是说，他们的核心能力不是理解某一种特定材料，而是建立“过程、结构、性能”关系的通用方法论，这种方法论能够跨材料类别迁移，应用于金属合金、陶瓷、混凝土、复合材料，甚至是制药领域。
更重要的是，Polaron的技术能够帮助理解材料加工方式与最终性能之间的联系，通过训练AI模型直接处理真实的显微镜图像和测量的材料性能，实现了微观结构的自动解读，并解释了制造过程如何影响材料行为。
这将原本需要工程师数千小时手动分析的任务，缩短到几分钟，使工程师能够更快地设计更高性能的系统。这种效率的提升，对于任何一个材料制造领域而言，都是极具吸引力的。
为了验证这种战略扩展的可行性，Polaron在2024年下半年与一家金属合金制造商和一家陶瓷制造商达成了试点合作。他们将自己的平台进行了轻微的调整，适配这两个领域的需求，结果显示，平台同样能够发挥巨大的作用，金属合金制造商的工艺优化效率提升了60%，陶瓷制造商的产品合格率提升了15%。
在产品迭代的同时，Polaron也对其商业模式进行了关键微调，将自己的定位从“材料AI解决方案提供商”升级为“材料科学的情报层”，并正式采用SaaS（软件即服务）模式交付产品，这个产品被设计为可以在制造商自己的硬件或云平台上运行，帮助材料制造商获得了数据主权。
在材料科学领域，微观结构和工艺数据，往往构成制造商的核心知识产权，这些数据涉及到制造商的核心竞争力，他们不愿意将这些数据上传到第三方云平台，担心数据泄露。
与许多训练集中式基础模型的AI公司不同，Polaron选择为每个客户从头开始训练定制模型，这种方法虽然增加了研发成本，但却完美符合材料制造的独特要求。每个客户的生产工艺、材料特性都不同，通用模型无法满足他们的需求；而定制模型，能够精准适配客户的具体场景，提供更精准的分析和优化建议。同时，定制模型的训练的过程，完全在客户自己的环境中进行，数据不会泄露，确保了客户的数据主权。
截至2024年底，Polaron已经与5家大型材料制造商达成了长期合作，实现了企业级部署，这些客户涵盖了电池、金属合金、陶瓷等多个领域。
到了2025年3月，Polaron成为首届曼彻斯特奖的获奖者，并赢得了100万英镑的政府资助，用于进一步发展其AI工具，加速电池和高性能合金等先进材料的设计。
随后，Polaron举办了一场客户推介会，邀请了数十家材料制造商参加，展示自己的技术成果和客户案例，并有12家制造商当场与Polaron达成了合作意向，其中包括两家全球知名的电动汽车电池制造商。
2026年2月，Polaron正式宣布完成由Serena和Makesense联合成立的影响力基金Racine²领投，Speedinvest和Futurepresent跟投800万美元（约670万欧元）的种子轮融资。
更重要的是，Polaron的技术已经实现了商业化验证。公司在融资公告中披露，其技术已被负责全球超过三分之一电动汽车生产的工程师使用；而在一个专注于新电池电极设计的商业案例中，早期部署已经实现了超过10%的能量密度提升，帮助客户降低了12%的研发成本。
这些数字背后，是Polaron商业模式的成熟。他们不再仅仅是销售软件许可，而是提供可量化的商业价值，帮助客户缩短研发周期、降低开发成本、提高产品性能。这种基于价值的销售模式，让Polaron能够向客户证明其投资回报率，从而建立长期合作关系。
