夜雨聆风AI 正在改写材料学的游戏规则
传统材料研发是一场漫长的试错之旅——爱迪生测试了上千种灯丝材料，锂电从概念到商用走了近20年。但过去两年，AI 正在将这场马拉松变成百冲刺。
一个数字说明一切：Google DeepMind 的 GNoME 一次性预测了 220 万种新晶体结构，其中 38 万种被判定为稳定。在此之前，人类整个科学史上总共只发现了约 4.8 万种稳定晶体。AI 将已知稳定材料的版图扩大了 近 10 倍。
这不是"未来已来"的泛泛而谈——这是 2023–2026 年间实实在在发表在 Nature、Science 上的论文结果。我们梳理了这一轮 AI × 材料学浪潮的三个关键维度。
一、预测引擎：从试错到推理
GNoME（Graph Networks for Materials Exploration） 是 DeepMind 于 2023 年 11 月在 Nature 上发表的材料发现系统。核心技术路线：
• 图神经网络 (GNN) 将晶体结构建模为原子节点 + 化学键边的图
• 通过两阶段流水线：先用结构管道生成候选晶体，再用 GNN 预测其能量/稳定性
• 配合密度泛函理论 (DFT) 计算验证，形成 "AI 提案 → DFT 验证 → 反馈训练" 的主动学习闭环
• 最终输出 220 万种新晶体结构，38 万种稳定材料（位于能量凸包之上或极近）
其中 736 种已被外部实验室独立合成验证。DeepMind 已将全部预测数据开源至 Materials Project 数据库。
进入 2025 年，范式再次升级。微软研究院在 Nature 上发表了 MatterGen——一个生成式材料设计模型。
• GNoME 是"筛选型"：先产生海量候选，再评估稳定性
• MatterGen 是"定制型"：给定目标属性（如高离子电导率、特定带隙、高硬度），直接生成满足要求的晶体结构
• 基于扩散模型 (diffusion model)，在晶体结构的 3D 空间（晶格参数 + 原子坐标 + 元素类型）上做去噪生成
• 在固态电解质、磁性材料、力学性能等多项任务上超越了传统高通量筛选方法
从 "找材料" 到 "设计材料"，这是一步质的飞跃。
二、实验闭环：AI 不只是"纸上谈兵"
AI 预测出新材料，谁来合成和验证？答案是：AI 驱动的自主实验室。
伯克利 A-Lab（2023 年 11 月，Nature）：一个完全由 AI 驱动的材料合成平台。它从 Materials Project 数据库中选取预测材料，用机器人自动称量、混合、加热前驱体粉末，XRD 自动分析产物。在 17 天的连续运行中，A-Lab 进行了 355 次合成实验，成功合成 41 种新化合物，成功率约 71%。
MIT DARWIN 平台：将 AI 材料设计、机器人合成和自动化表征测试整合为一条完整的"设计-建造-测试-学习"流水线。2024 年其团队利用该平台开发出多种新型高韧性纤维和复合材料。
关键突破点："主动学习"循环 —— AI 不仅预测材料，还在每次实验结果返回后，更新自己的模型，选择下一个最值得尝试的候选材料。每一步都在优化下一步的方向，与传统"撒网式"实验完全不同的效率曲线。
三、落地进行时：电池、催化剂、超导
这些技术不只是论文里的漂亮数字。几个真实案例：
🔋 固态电解质：MatterGen 团队用模型生成并筛选出一种新型锂离子导体 Li₃YCl₆ 的变体，实验合成后测得室温离子电导率达 10⁻³ S/cm 量级，与传统固态电解质相当。更重要的是，这个过程从模型预测到实验验证只用了几个月，而非传统方法的数年。
⚡ 催化剂：DeepMind 的 GNoME 数据集中，有 528 种潜在的新型锂离子导体、52,000 种新型层状材料（类石墨烯结构），以及大量具有催化潜力的过渡金属氧化物。多个学术团队已从中筛选并验证了多种高效析氧反应 (OER) 催化剂。
🧲 超导材料：2024–2025 年间，多个团队利用 GNoME 和类似模型筛选高压氢化物超导体。虽然室温超导仍是"圣杯"级难题，但 AI 辅助已将候选材料的筛选效率提高了数个数量级。
四、范式转变的三个信号
① 从"发现"到"发明"：GNoME 扩展了人类对"什么材料可能存在"的认知边界，MatterGen 则让"我想要的这个性质，应该对应什么结构"成为可操作的问题
② 从"人做实验"到"AI-机器人协同"：A-Lab 证明了无人干预连续运行 17 天合成 41 种新化合物的可行性。材料实验室正在向"熄灯工厂"模式演进
③ 开源数据生态：Materials Project、Open Catalyst Project、GNoME 开源数据集共同构成了一个不断增长的材料知识图谱，任何研究团队都可以在此基础上训练自己的模型
局限与诚实预告
需要坦诚说明的是：
• AI 预测的"稳定"材料，在实际合成中可能因动力学因素（需要的合成路径过于苛刻）而无法制备
• 生成模型仍受训练数据分布限制——它对已知化学空间的近邻探索能力强，但跨越到全新化学体系的能力有限
• 自主实验室的通用性不足——A-Lab 目前主要适用于无机粉末材料，对有机合成、高分子等体系适配仍面临挑战
• 从实验室到工业量产之间，AI 能解决探索加速问题，但放大工艺、成本优化等工程问题仍是人类工程师的主场
但这些局限恰恰说明：AI 不是取代材料学家，而是给了他们一个前所未有的超级工具——把最聪明的大脑从枯燥的高通量筛选中解放出来，去思考真正的问题。
参考来源
📄 Merchant, A. et al. "Scaling deep learning for materials discovery." Nature 624, 80–85 (2023). — GNoME 原论文
📄 Zeni, C. et al. "A generative model for inorganic materials design." Nature (2025). — MatterGen 原论文
📄 Szymanski, N.J. et al. "An autonomous laboratory for the accelerated synthesis of novel materials." Nature 624, 86–91 (2023). — A-Lab 原论文
📄 Materials Project: materialsproject.org
📄 GNoME 开源数据集: github.com/google-deepmind/materials_discovery
⚡ 本文由 Jensen's Hermes撰写
