AI算出5万种新材料,能做出来的不到2%——材料研发的「可合成性鸿沟」

做材料计算的人，大概都经历过那种兴奋之后的反差：模型吐出一长串「有前景」的新材料，能量低、结构稳、性质漂亮，可等你真拿到实验室去试，十个里能做出一个都算运气好。

这个反差，现在有了一个名字——「可合成性鸿沟」。

有研究给出一个更扎心的数字：高通量 DFT 筛选出的 5 万多种低焓相里，真正能在实验里实现合成的，不到 2%【来自 preprint】。

也就是说，AI 帮我们把「候选清单」拉得很长，可「能做的」和「能算的」之间，隔着一道比想象中更宽的沟。

这篇文章想讲清楚三件事：这道鸿沟是怎么来的；有人提出了什么样的新思路；以及你拿到一份 AI 筛选结果时，该怎么判断哪些值得往下走。

▲ AI 驱动的新材料发现

一、鸿沟是怎么来的：两个坐标系对不上

先说结论：AI 材料发现卡住的地方，常常不在「算」，而在「做」。

为什么？因为计算和实验，用的是两套不同的坐标系。

DFT 看的是「稳不稳定」。高通量筛选的核心逻辑，是扫一遍海量结构，找出能量最低、热力学最稳定的那些相。它回答的问题是：这个东西在纸面上能不能稳定存在。

实验室问的是「做不做得出来」。一个材料能不能合成，取决于有没有可行的合成路线、前驱体买不买得到、反应条件能不能控住、产物能不能纯化、最后能不能放大。这些，能量曲线上一条都不显示。

结果就是：AI 给出的候选里，有大量「纸面上稳定、现实中做不出」的相。

所以，筛选缩小的是「搜索空间」，不解决「合成可行性」——这是两件事，不能混为一谈。这也解释了为什么很多团队「AI 算了一大堆，实验室却做不出来几个」。

▲ 计算与实验之间的「可合成性鸿沟」

二、范式转向：synthesis-first 把「合成」放到起点

既然问题出在「先算稳定性、再想怎么合成」，那反过来行不行？

一篇提出 「synthesis-first（合成优先）」范式的论文，主张把「可执行合成方案」、而不是「原子构型」，当作材料发现的主要设计变量【preprint，】。

这句话翻译成研发语言，是这样一个转变：

以前是「结构中心」：先算出一批能量低的候选结构，再回头挨个想「这个能不能做」。

现在是「合成中心」：先想「我手上有什么前驱体、什么反应、什么条件能真正做出来」，再反推「那我该去算、去筛哪些材料」。

这不是抠字眼，是顺序的彻底调换。把「能不能做」放到第一道筛子，就能在源头把那些「算得出来但做不出来」的候选拦在外面。

需要说清楚的是，synthesis-first 目前还是一种范式主张，不是已经定型的行业标准。它好不好用，还得看后面的实证。

▲ synthesis-first：从可执行合成反推材料筛选

三、两篇实证：合成可行性前置，是能走通的

光有主张不够，看两个 A 级顶刊里「合成可行性前置」是怎么落地的。

第一个，中科大的 SAM 筛选（Nature Synthesis）。钙钛矿界面材料是个典型的「组合爆炸」场景——9 万多个潜在组合【待核实】，一个个试不现实。团队的做法是：从 PubChem 的咔唑衍生物出发，先用 AI 和 8 个描述符做综合排序，把范围压到 3 个候选，再去合成验证。结果，最高排名的分子做到了 27.2% 的光电转换效率，器件 2000 小时后还能保持约 95% 的初始效率。

这里真正值得注意的，不是「算得多」，而是「筛到能合成、且性能真的兑现了」。AI 的价值，是把「值得合成的那几个」从九万个里挑出来。

第二个，上海交大的废料合金设计（Science Advances）。团队用机器学习设计高性能合金，同时把「废料可回收」纳入了设计目标，最终做到 100% 可回收、制造成本降低 8.1%，抗拉强度提升 15.2%，断裂伸长率提升 73.2%。做法是通过赋予合金废料「兼容性基因」，解决材料里最经典的强度—延展性权衡。

它说明的是一件事：合成与性能，是可以被同时设计的——而不是先做出一个「性能好但做不出来」的东西。

▲ 合成验证：候选材料必须通过实验检验

两篇的共同点很一致：都没有停在「候选清单」，而是都走到了「合成验证」这一关。

四、给你的判断：先问「怎么合成」，再谈性能

那落到你自己身上，拿到一份 AI 筛选结果，该怎么用？

我建议先别急着看性能数字，先问三个问题：

第一，这个候选有没有可执行的合成路线？如果连理论上可行的合成路径都查不到，性能再好也是纸上谈兵。

第二，合成条件是不是你实验室够得着的？有些材料要在超高压、超高温、极端气氛下才能做，你实验室根本没有这个条件，那它就不属于你的候选。

第三，有没有纯化和放大的可行性？实验室做出 1 毫克不算数，能不能重复、能不能放大，才决定它走不走得到下一步。

把这三个问题，变成你实验设计里的第一道关卡。这其实和我一直讲的实验设计方法是一路的：在设计实验之前，先想清楚「这一步能不能做成」，而不是「这一步做出来会多漂亮」。

再补一句务实的：AI 筛选真正的价值，是帮你「划掉明显不行的」，而不是「保证剩下的都能做」。别指望它替你跳过合成这一关。

五、收尾

可合成性鸿沟，是 AI 材料发现绕不过去的一道真坎。它不是「AI 没用」的证据，恰恰相反——它说明 AI 的价值边界很清晰：算得准「稳定性」，替不了「可合成」。

synthesis-first 给了我们一个把「合成」前置的思路。能不能走通，还要靠一个个像中科大、上海交大那样的实证去验证。

说到底，材料这行有句话我一直认：做得出来，才是真材料。

AI 能把「不可能的候选」从清单上划掉，但「做得出来」这三个字，终究要实验来签字。

好了，是不是很简单，今天的分享就到此结束，咱们下回见；如果觉得文章对你有帮助，记得点。赞。转。发。收。藏喔！

关注后 + 我微信（jiangfeng8861），拉你进 AI 交流群！