2026年6月，芬兰阿尔托大学领导的国际科研团队在《物理评论研究》杂志上发表了一项引人注目的成果：他们利用一种结合机器学习与量子理论的新方法，从海量材料组合中筛选出两种新型超导材料。完成理论预测后，美国莱斯大学团队进一步合成了样品，并通过实验验证了它们的超导特性——实现了从AI筛选、理论预测到实验验证的完整闭环。

这听起来像是一个常规的科研进展。但如果你了解材料科学的历史，就会明白这件事的非同寻常：过去数十年来，科学家已发现7000多种超导材料，但绝大多数属于偶然发现，通过理论预测找到的仅有20种。AI正在从根本上改变这个“碰运气”的游戏规则。

一、材料研发的传统困境：为什么新材料的诞生如此之难

新材料是人类技术进步的基础。从能源存储与转换到电子器件，从催化到量子计算，每一次重大技术突破背后，几乎都站着一批关键的新材料。然而，发现一种新材料，难度不亚于在沙漠里找一粒特定的沙子。

理论上，几乎所有元素都可以组成无限多种材料组合，其中任何一种都有可能成为理想的功能材料，但真正具备目标性能的却寥寥无几。传统的研发方式高度依赖“试错法”——科研人员阅读大量文献、做大量实验，周期往往长达8至10年。晶体结构预测的传统方法，如遗传算法、粒子群优化等，需要逐一计算每个候选结构的能量，计算量随体系原子数增加呈指数增长。

中国科学院上海硅酸盐研究所研究员刘建军带领团队建设材料智能创制系统时，对传统研发模式的痛点有着切身体会。没有现成的路，便自己蹚路；没有现成设备，便从零“手搓”——设计、编码、改造，历经无数次报错、故障和反复。这正是材料科学领域长期面临的现实：周期漫长、成本高昂、效率低下。

二、AI如何破解困局：从“暴力筛选”到“智能筛选”

AI介入材料科学的方式，可以概括为三个层次。

第一层：高通量预筛选，大幅缩小搜索空间。

传统方法需要对每一个候选材料进行高精度计算，而AI可以先通过机器学习模型对海量候选进行快速预筛选，只将最有希望的候选送入后续的高精度计算和实验验证。芬兰阿尔托大学团队的研究中，正是先用机器学习筛选海量元素组合，再借助量子理论计算对潜力候选进行精确分析。未来借助机器学习，可筛选的材料数量有望扩大至数十亿种。

第二层：生成式模型，直接“创造”新材料。

2025年1月，微软研究院在《自然》期刊上发表了MatterGen——一个基于扩散模型的生成模型。与以往的生成模型相比，MatterGen在生成稳定、独特且全新的晶体结构方面取得了突破性进展，成功率提升了一倍以上。

更关键的是，通过对预训练模型进行微调，MatterGen能够根据用户指定的化学成分、对称性以及机械、电子和磁学性质等多维约束条件，定向生成满足要求的全新材料。这实现了材料科学的“逆向设计”——先设定目标性能，再生成可能满足条件的结构。

几乎同期，中国科学院物理研究所与吉林大学合作开发了CrystalFormer。它的核心思想是对晶体数据库进行学习，压缩内化固体化学规律，直接在对称性约束下“猜测”合理的晶体结构。在实际应用中，它既可以无约束地探索整个材料空间，也可以针对性地产生具有特定结构特征的晶体材料。

第三层：自主实验室，让AI“动手”做实验。

筛选和生成之后，还需要实验验证。传统上，这是最耗时的环节。如今，AI正在接管这个环节。美国初创公司Lila Sciences构建的自主实验室中，AI Agent不仅负责制定材料配方，还会实时调整元素组合，另一个AI Agent则扫描并解读测试数据，规划下一轮实验。

在中国，中国科学院上海硅酸盐研究所团队建成的材料智能创制系统中，科研人员下达研发指令后，系统立刻设计出一批方案，机械臂从样品制备到性能测试一气呵成，如果实验发现性能未达预期，系统会设计下一批方案，直至找到理想的方案。依托这套系统，新材料的研发周期从传统的8至10年缩短到了1至2年。

三、已经实现的突破：不止于论文的成果

量子材料。美国麻省理工学院领衔的联合研究团队开发出AI新技术，生成了超过一千万个具有阿基米德晶格特征的候选材料，密歇根州立大学和普林斯顿大学团队据此合成了两种具有奇异磁性行为的化合物，成果发表于《自然·材料》。

在中国，中国科学院计算机网络信息中心借助TopoMAS系统，已发现了若干种新的拓扑材料。

电池材料。在2026年的一场行业会议上，产业化案例显示：借助AI辅助材料设计平台，固态电解质的设计周期从6个月压缩至4周，离子电导率突破10 mS/cm。香港理工大学杨教授在研发下一代二维电子装置的高介电常数材料时，从超过14万种已知物质出发，按带隙与介电常数等因素筛选，最终锁定约1000个潜力候选，再通过半自动化模拟进一步筛选至约20种高性能介电材料，整个流程比传统方法快约4倍。

四、远未结束的挑战：AI不是万能药

尽管进展令人振奋，但AI在材料科学中的应用还不是一帆风顺。

第一个挑战：从“预测”到“合成”的鸿沟。我每年会参加一到两次全马或半马比赛，深刻了解基本上所有跑马的业余选手，都会在35公里左右由于体能和养分的消耗，有一种能量耗尽要“撞墙”的感觉。同样的，几乎所有试图用AI寻找新化合物的团队都撞上了一道无形的墙：怎么样把发现的新材料在现实世界中真正造出来。在尝试合成一种材料之前，你根本不知道它是否真的能被制造出来、是否稳定。

Lila Sciences的首席自主科学官说得好：“仿真确实非常强大，它能帮我们界定问题，明确哪些东西值得进实验室测一测。但在现实世界里，没有任何一个问题是光靠仿真就能解决的。”

第二个挑战：数据的质量与偏差。机器学习筛选高度依赖训练数据的质量与多样性。若现有数据库存在结构性偏差，算法可能错过真正颠覆性的结构，甚至让所谓“最佳候选”成为一场计算错觉。更有甚者，如果遭遇AI恶意投毒，哪怕只是极小的片段，也会有不可预知的灾难性后果。

有学者尖锐地指出，AI正在“梦到”数百万种新材料，但它们真的好吗？2025年的一项研究也发现，实验发现的新材料存在强烈的“结构记忆”——82.9%的新化学式进入了已有晶体结构的记忆库，而全新记忆库的形成比例从之前的40.2%骤降至2010年代的2.6%。这说明AI生成的新结构在多大程度上真正“新”，仍然是一个需要审慎评估的问题。

五、变革已经启动

回到本文开头那个问题：AI在材料科学领域取得了怎样的进展？

我觉得发生颠覆性的改变可能不大现实，但是它正在把“发现新材料”这件事，从一个需要耗费数十年、依赖运气的漫长探索，变成一个有明确路径、可规模化、不断提速的工程化过程。

新材料发现的速度，已经不再受限于人类科学家的肉身疲劳和经验积累，而是取决于算力的摩尔定律和数据的爆发速度。

从DeepMind的GNoME一次性预测38万种新晶体结构，到CrystalFormer将数学对称性与化学直觉统一在生成模型中，再到自主实验室让AI亲自动手做实验——这条技术链路的每一个环节都在快速成熟。

从发现“终极电池”到实现“碳中和”，从解析高温超导机制到制造更强大的量子芯片，AI对物质科学的极大进展，正在为我们构建一个以前所未有的速度演进的新世界。