AI 发现 4 种新超导体，材料科研的瓶颈开始从“找线索”转向“验结果”

阿里达摩院联合中国人民大学高瓴人工智能学院、中国科学院大学等机构，发布了一个面向超导材料发现的 AI 智能体 ElementsClaw。按照量子位报道，该系统用 28 个 GPU 小时扫描了 240 万种已知稳定晶体，预测出 6.8 万种可能具备超导性，并在后续实验中验证出 4 种此前未知的新超导体。对国内读者来说，这件事的重点不只是“AI 又找到新材料”，而是材料科研中最耗时的文献排查、候选筛选、结构判断和实验路线设计，正在被整合进一个可循环的智能体流程。

这次突破不在“室温超导”，而在筛选效率

先把事实说清楚：这次发现的 4 种新超导材料，临界温度都不高，最高为 6.5K，距离公众熟悉的“室温超导”目标仍很远。它们不是能源输电或磁悬浮系统可以立刻使用的工程材料，也不能被解读为超导产业即将发生直接跃迁。

真正需要关注的是发现流程。

过去 100 多年，人类发现的超导材料数量并不多。量子位素材中提到，国际主流超导体数据库 SuperCon 收录了 2000 多种具有超导性的材料，而转变温度能达到几十 K 的材料只有几十种。材料科学家面对的是上百种元素、复杂晶体结构、多种化学键和大量未知组合，很多发现并不是严格按“菜谱”推导出来，而是依赖长期试错。

ElementsClaw 的价值在于，它把“大规模候选空间压缩”做成了一项可自动化任务：先从 240 万种稳定晶体里筛出可能目标，再结合文献和数据库判断哪些值得进一步实验。量子位报道中还提到，自然界材料中具有超导性的比例可能只有 3%左右，而 ElementsClaw 推荐的命中率达到 40%。这个数字仍需看原始论文或项目说明进一步确认，但如果成立，意义在于把实验资源从大海捞针式尝试，转向更集中的验证。

智能体比单点模型更接近科研现场

近几年 AI for Science 的材料方向已有多个标志性案例。素材中提到，DeepMind 的 GNoME 曾用 AI 预测大量理论稳定材料，微软 MatterGen 则尝试根据目标属性生成新结构。这类系统分别代表了预测式 AI 和生成式 AI 在材料发现中的能力。

ElementsClaw 的不同点，是它被设计成一个“智能体”，而不是只回答“这个结构是否可能超导”的单点模型。

报道中介绍，该系统采用“通专融合”架构：一侧是面向三维晶体结构的大原子模型 Elements，用于理解结构并预测超导性、临界温度、能量和稳定性；另一侧则结合大语言模型，用于阅读文献、查询数据库、调用工具、分析可合成性并辅助设计实验。Elements 被描述为 10 亿参数的几何深度图神经网络，预训练使用了 1.25 亿个分子和晶体结构；微调后，在 22 个材料学基准测试上达到或接近 SOTA 水平。

这个方向对企业和科研机构都有启发。材料研发并不是一个孤立预测问题，而是一串连续决策：候选结构是否已有报道、是否容易合成、是否有毒性或成本问题、实验路线如何安排、失败结果如何反馈。智能体的意义在于把这些步骤尽量放入同一个工作流，让模型既能算，也能查，还能根据新数据继续调整。

4 种新材料对应 4 类发现路径

这次被实验合成并验证的 4 种新超导体，也展示了 AI 参与科研的不同方式。

第一种是 Hf₂₁Re₂₅，临界温度 2.5K。它原本存在于理论数据库中，但此前未被实验尝试。ElementsClaw 通过文献与数据库比对将其筛出。

第二种是 Zr₄VRe₇，临界温度 3.5K。报道称，数据库中原有结构存在错误，而 ElementsClaw 预测了不同结构，并在实验中得到验证。

第三种是 HfZrRe₄，临界温度 5.9K。它不在已知数据库中，系统先锁定 Hf-Zr-Re 三元体系，再借助结构预测工具生成新结构，并判断其可能具备超导性。

第四种是 Zr₃ScRe₈，临界温度 6.5K。系统在验证 Hf-Zr-Re 体系后，总结出一个结构模体，再扩展到相似体系中寻找候选，最终找到该材料。

这四条路径很关键：AI 不只是从数据库里按分数排序，还能发现被忽视的旧候选、纠正结构信息、生成未知结构，并在已有结果上归纳相似规律。对材料科研而言，这类能力比单次命中更重要，因为它有可能形成持续迭代的发现机制。

国内 AI for Science 的落点：先补科研流程短板

从国内产业视角看，ElementsClaw 的启发并不局限于超导。很多科研和工业研发环节都有相似问题：数据分散、文献多、实验贵、试错周期长，且结果很难仅靠一个模型判断完成闭环。

素材中还提到，达摩院此前参与过新能源遥感识别、虚拟细胞模型等 AI for Science 项目。这些案例指向同一个趋势：AI 的短期价值不是替代科学家得出终极理论，而是帮助科研人员处理超出人工负荷的数据、候选和重复性判断。

对企业来说，这也意味着 AI for Science 项目不能只看模型参数或论文指标。更重要的是数据入口是否可靠、工具链是否能接入真实实验流程、预测结果是否可验证、失败样本能否回流。没有这些条件，模型很容易停留在演示阶段；有了闭环，才可能变成科研生产力。

开放数据库可能比单个结果更值得跟踪

报道称，研究团队已经开放了 240 万种稳定晶体的预测数据，包括是否具备超导性、结构、临界温度等信息，供研究人员继续挖掘。这一点值得国内科研团队关注。

原因很简单：4 种低温超导体本身不是终点，开放数据带来的二次验证、复现实验和跨团队筛选，才可能决定这套方法能否站住。材料科学尤其依赖实验确认，AI 给出候选之后，还需要合成、表征、重复测试和边界条件确认。对于公众号读者而言，判断这类新闻不能只看“发现了几个”，还要看后续是否有更多团队基于同一数据库得到可复现结果。

ElementsClaw 这次给出的信号是：AI 正在进入科研流程中更靠前、更繁琐、也更关键的位置。它还没有解决超导的终极问题，但已经开始改变材料发现的工作分配。

来源

• 量子位：《AI找出4种全新超导体，只用28个GPU时！人类此前完全未知》

https://www.qbitai.com/2026/07/442452.html

• 达摩院材料数据库入口：

https://science.damo-academy.com/#/material