材料研发的老办法是「炒菜」：换配方、烧一炉、测性能，一种新材料往往要十年以上。AI 在这里分三层：预测一种晶体结构是否稳定、按目标性质生成新结构、再用机器人实验室自动合成并表征。
这个方向的特殊之处在于，它有一个相对便宜的计算验证器——密度泛函理论（DFT）计算——所以「预测」这一层扩张得极快；但「预测稳定」到「真的做得出来、真的有用」之间，隔着合成与表征这道慢得多的关。
两级验证器：DFT 计算便宜，可以大规模筛选；合成与表征贵，要实验室。自动实验室的全部意义，就是把第二级验证器变便宜——但它自己的结论也需要被验证（见 A-Lab 的争议）。
通用大模型开始直接下场做实验设计：DeepMind 的 Co-Scientist 用 Gemini 生成生长配方，在实验室里一次尝试就长出了单层二硫化钼。
伯克利实验室的自动化材料合成实验室：用计算与文献数据规划配方，由机器人合成并表征。
自动实验室的标志性案例，也是最好的反面教材：「新材料」的说法被同行质疑后，论文在 2026 年 2 月作了更正，连标题里的「新材料」都改成了「无机材料」。
争议与局限：伦敦大学学院的 Robert Palgrave 与普林斯顿的 Leslie Schoop 团队分析后认为，这批化合物中没有真正意义上的新材料，自动化的 X 射线衍射解析也存在误判。这是「自动实验室的结论也需要验证器」的现成例子。
由 ChatGPT 共同创造者与前 DeepMind 材料负责人创办，把 AI 科学家与自动实验室连成闭环，北极星目标是高温超导体。
资本投入最重的「AI 科学家 + 自动实验室」公司；截至本期没有公开发表的材料发现，只能标官方口径。
按目标性质直接生成无机晶体结构的扩散模型，与微软的模拟器 MatterSim 配套。
从「筛选」跨到「按需生成」，并有一例实验合成；但只有一例，离常规流程还远。
用图神经网络预测晶体是否稳定，把已知稳定无机晶体的数量扩大了一个数量级。
把「预测稳定」这一层做到了极致；但「稳定」不等于「做得出来」也不等于「有用」，这之间的距离是材料 AI 的核心问题。
争议与局限：有材料学者指出，大量预测结构只是已知结构的元素替换，化学上的新颖性有限；「新材料」这个说法在材料学界有争议。
覆盖整个周期表的机器学习原子间势，用来代替昂贵的第一性原理计算做材料模拟。
把材料的第一级验证器（DFT 计算）变便宜：同一个模型跨元素、跨温度压力可用，是生成模型之后的筛选工具。
Meta FAIR 的通用原子模型家族，一个模型同时覆盖分子、材料与催化剂。
原子模拟也开始讲规模定律：用约 5 亿个三维结构训练，跨化学领域通用；但仍是预测层，离设计与闭环还远。