AI4S · 材料

材料研发

自动实验室已经在闭环跑,但标志性案例 A-Lab 的「新材料」结论被更正,闭环本身的可信度仍在被检验。

← AI4S 总览判断:最远到 L3 →
角色 ↓ · 检验 →未公开基准评测作者实验独立检验临床试验
L4 自主
L3 闭环
L2 设计
L1 预测
验证一个结果要多久、多贵

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)。

大模型在这里扮演什么

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。

这个方向在解决什么问题

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。

代表工作6 个

L3 闭环作者实验RSI

A-Lab

实验室 · 劳伦斯伯克利国家实验室 · 2023-11 · 仅演示

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。

它是什么、事实与来源

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。

事实与来源
  • 原始主张:2023 年 11 月发表于《自然》,称在 17 天内合成了 41 种新化合物Nature 624, 86–91 (2023) 原文 ↗
  • 更正:作者更正称「新」指的是对预测平台而言是新的,而非对科学而言;在 40 例报告的成功中,36 例结论正确、4 例无法判定Nature 650 (2026-02-05) 作者更正 s41586-025-09992-y
  • 其他改动:另有一种化合物(Zn₂Cr₃FeO₈)因被误纳入训练数据而从讨论中移除Nature 作者更正 s41586-025-09992-y
L2 设计作者实验

MatterGen

模型 · 微软研究院 · 2025-01 · 开放权重

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。

它是什么、事实与来源

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。

事实与来源
  • 实验验证:以体模量 200 GPa 为目标生成并合成了新材料 TaCr₂O₆,实测体模量 169 GPa,相对误差低于 20%Nature (2025), s41586-025-08628-5
L1 预测基准评测

UMA

模型 · Meta AI(FAIR) · 2025-06 · 开放权重

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。

它是什么、事实与来源

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。

事实与来源
  • 论文:训练数据约 5 亿个不重复的三维原子结构,覆盖分子、材料、催化剂;给出模型容量与数据规模的经验规模定律arXiv:2506.23971
L1 预测基准评测

MatterSim

模型 · 微软研究院 · 2024-05 · 开放权重

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。

它是什么、事实与来源

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。

事实与来源
更早或检验较少的 2 个
L1 预测基准评测

GNoME

模型 · Google DeepMind · 2023-11 · 开放权重

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。

它是什么、事实与来源

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。

事实与来源
  • 规模:发现 220 万种新晶体结构,其中约 38 万种被预测为最稳定、最有希望合成的候选Nature 624, 80–85 (2023) 原文 ↗
L3 闭环未公开大模型

Periodic Labs 自动实验室

实验室 · Periodic Labs · 2025-09 · 仅演示

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。

它是什么、事实与来源

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。

事实与来源
  • 创始团队:Liam Fedus(ChatGPT 共同创造者、前 OpenAI 研究副总裁)与 Ekin Dogus Cubuk(前 DeepMind 材料与化学负责人)官方口径
  • 融资:2025 年种子轮 3 亿美元官方口径(a16z 投资公告) 原文 ↗

引擎带来的

物理版 MCP:Model Hardware Standard有论证,无实验大模型 → 世界模型、AI4S

它一行动力学预测能力都不提供,但它降低的恰恰是能力矩阵「真实世界」那一列最贵的东西——把模型接到真机上的成本。

通用大模型进入科研工作台有演示无数据大模型 → AI4S

三家都在 2026 年把通用模型推进了科研流程;目前加速的是文献、分析、写作与实验设计,验证环节——湿实验与临床——一步也没有变快。