我们离实际应用还有多远？
AI驱动的材料发现并非遥不可及的未来——它已在特定且明确的领域产出可落地的成果。最有力的证据来自那些基于大规模高质量数据集训练AI模型、并通过实验验证的应用案例。例如，2023年一项关于热电材料的研究表明，其AI框架预测材料性能的准确率超过90%，所识别的14种有前景的候选材料均通过密度泛函理论（DFT）计算和实验结果得到证实[5]。类似地，2021年一项关于二维拓扑绝缘体的研究，利用数千次从头算计算训练机器学习模型，预测电子拓扑结构的准确率超过90%，并以比传统试错法高效10倍的速度发现了56种非平庸材料——其中17种是新型绝缘候选材料[8]。这些并非单纯的理论推演，而是代表了一批通过计算识别、且多数已获实验验证的真实材料。
然而，实现大规模工业应用的道路尚未走完。大多数由人工智能发现的材料仍需经过实验合成与表征，这一过程可能耗时数月甚至数年。2025年的一篇综述指出，尽管AI加速了设计、合成与表征环节，但在模型泛化能力、标准化数据格式以及实验验证方面仍存在挑战[2]。另一项2024年的研究则强调，需整合实验验证并开发定制化算法，以突破数据与计算资源的限制[6]。因此，尽管AI已成为材料发现流程中的强大工具，但实现完全自主化——即AI发现的材料无需人工干预即可从屏幕走向商业产品——对大多数材料类别而言，可能仍需3至5年时间。
问题在哪里？AI还有哪些不足？
关键在于，人工智能模型的效果完全取决于其训练数据的质量，而材料科学领域往往因搜索空间过于庞大而面临数据匮乏的困境。一篇2022年关于"化合物知识图谱"AI助手的论文明确指出，与潜在解决方案的搜索空间的广度和复杂性相比，大多数材料科学应用都处于数据匮乏状态[9]。这意味着AI可能遗漏其训练数据分布之外的新型材料，或过度拟合已知模式。此外，许多AI发现的材料尚未被成功合成；一篇2021年关于机器学习预测形成能的综述指出，通过数据引导发现全新且从未被报道过的化合物的案例仍然有限[7]。关键步骤——判断未知化合物是否具备合成可行性——通常仍需依赖密度泛函理论计算或实验合成。
另一个局限在于，人工智能模型往往缺乏物理可解释性，这可能导致科学家对其预测结果持保留态度。2025年的一项综述指出，需要发展可解释人工智能以提升模型可信度与科学洞察力[2]。若无法理解模型为何预测某种特定材料，研究人员可能不愿投入时间和资源进行合成。此外，人工智能自身的能效问题也值得关注——训练大型模型的计算成本高昂，这可能会部分抵消快速发现带来的收益[2]。
人工智能已在哪些领域取得实际成果？
人工智能已在多个特定材料领域取得实际成果。在热电材料方面，2023年的一项研究开发出自动设计框架，预测准确率超过90%，并识别出14种有前景的材料（6种p型、8种n型），所有结果均经密度泛函理论（DFT）与实验验证[5]。在拓扑绝缘体领域，2021年的一项研究发现了56种非平庸材料，包括17种新型绝缘候选材料，效率较试错法提升10倍[8]。在交变磁性材料方面，2025年的一项研究利用AI搜索引擎发现了50种新型交变磁性材料——涵盖金属、半导体和绝缘体——其中包含首次发现的四种i波交变磁性材料[3]。这些成果均通过第一性原理电子结构计算得到验证。
在高压材料领域，一篇2025年的综述指出，机器学习势函数与生成模型正深刻改变晶体结构预测方式，使得在广泛化学成分范围内快速、准确地预测晶体结构成为可能[4]。而在星际飞船屏蔽这一具体案例中，一项2026年的研究利用图神经网络筛选了20种候选材料，最终确定了一种石墨烯/六方氮化硼/聚合物层状异质结构——相较于最初的铍设计方案，该结构预计可减重47%。不过作者也指出，这一方案依赖于聚变脉冲推进技术的发展，而该技术目前仍是一项亟待攻克的工程难题[1]。这些案例表明，人工智能已不再是实验室中的新奇事物，而是切实指导着特定但具有高影响力应用领域的材料选择。
关于这些来源
该答案基于9篇经同行评审的研究构建而成——发表于2021年至2026年间，其中5篇为2024年及以后发表，4篇发表于Q1期刊，累计被引用227次——这些研究是从13篇通过质量筛选的文献中选出的最具相关性的成果，而该13篇文献又源自从超过5亿篇论文数据库中检索到的55篇论文。
本文引用的文献
超越铍：AI加速星际飞船屏蔽材料的发现
使用图神经网络筛选了20种候选星际屏蔽材料，发现一种石墨烯/六方氮化硼/聚合物异质结构，相较于铍可实现约47%的质量减轻，但指出这取决于聚变脉冲推进技术的发展。
通过人工智能推动材料发现
一项2025年的综述指出，人工智能加速了材料设计、合成与表征，但在模型泛化能力、标准化数据格式、实验验证及能源效率方面仍面临挑战。
AI加速发现交错磁性材料
使用带有预训练图神经网络的AI搜索引擎，发现了50种新的交变磁性材料（包括金属、半导体和绝缘体），其中首次发现了四种i波交变磁性材料，所有结果均通过第一性原理计算得到验证。
机器学习助力高压材料发现取得进展
一篇2025年关于高压材料的综述指出，机器学习势函数与生成模型正在革新晶体结构预测，使得在广泛的化学组分范围内实现快速且精准的预测成为可能。
人工智能引导的热电材料设计与发现
开发了一个用于热电材料的AI框架，预测准确率超过90%，并识别出14种有前景的材料（6种p型、8种n型），经DFT计算和实验结果验证。
通过机器学习加速材料发现与建模
2024年的一项综述指出，机器学习和人工智能能够加速新化合物的发现与开发，但强调需整合实验验证并开发定制化算法，以克服数据与计算方面的限制。
通过机器学习形成能来发现材料
一篇2021年关于机器学习用于形成能预测的综述指出，尽管机器学习模型在发现新的DFT稳定化合物方面取得了成功，但通过数据引导发现全新、从未被报道过的化合物的案例仍然有限。
机器学习在材料发现中的应用：二维拓扑绝缘体
基于数千次二维材料的第一性原理计算训练机器学习模型，在预测电子拓扑结构方面实现了超过90%的准确率，并以比试错法高效10倍的速度发现了56种非平凡材料（包括17种新型绝缘体候选材料）。
基于复合知识图谱的AI助手加速材料发现
提出了一种“复合知识图谱”AI助手，融合了科学事实知识、分析模型和领域专家知识，以加速材料发现，但指出大多数材料科学应用相对于搜索空间而言仍面临数据匮乏的问题。