AI 实际可规模化应用的最有力证据是什么？
最有力的证据来自那些AI不仅预测了材料，还成功实现了合成与验证的研究。2025年的一项研究采用物理增强的机器学习框架，筛选了超过270万种无机晶体，识别出632种超低压缩性材料（体积模量 > 400 GPa）和15种超硬晶体（维氏硬度 > 40 GPa）[3]。值得注意的是，这些超低压缩性候选材料中超过90%、超硬材料中超过60%是此前未知的——这意味着AI发现的是真正的新材料，而非重新发现已知物质[3]。这代表了效率的巨大飞跃：传统的密度泛函理论（DFT）计算需要数年才能筛选这么多候选材料，而AI仅用极短时间便完成了任务。
另一个有力的例子来自2025年一项关于介电材料的研究：图神经网络将预测精度相较于经典克劳修斯-莫索提模型提升了约267%[2]。该人工智能在数分钟内筛选了超过6000种材料条目，并识别出有潜力的低介电常数候选材料，最终仅通过八次定向实验便合成了两种新型介电陶瓷[2]。这表明人工智能能将研究周期从数年缩短至数周，直接降低研发成本。
一项2026年关于纳米晶合成的研究利用大型语言模型（LLM）从非结构化文献中提取结构化数据，构建了一个包含近16万条合成-性能对应条目的数据库[1]。该LLM在测试集上的加权平均得分达到92%，远超其他化学专用型（9%）和通用型LLM（57%）[1]。随后，该人工智能推荐了合成MgF₂纳米晶所需的关键非化学计量前驱体浓度，实验证明该浓度对抑制副产物生成至关重要[1]。这表明人工智能不仅能发现新材料，还能优化其合成路径——这是迈向低成本生产的关键一步。
让这一方案可靠且廉价地运行，主要障碍是什么？
尽管取得了诸多成功，多项研究仍指出了持续存在的挑战。一个主要问题是数据质量与数据匮乏。2025年一篇关于人工智能在材料科学中应用的综述指出，“数据质量参差不齐、模型可解释性有限，以及缺乏标准化的数据共享框架等问题依然存在”[8]。许多人工智能模型是“黑箱”，这使得科学家难以信任或理解其预测，尤其是当这些预测提出反直觉的结论时[9]。这之所以成为问题，是因为材料发现往往需要理解某种材料为何有效，而不仅仅是知道它有效。
另一个障碍是，人工智能模型在应用于训练数据之外的场景时可能表现脆弱。2025年一项关于高熵合金的研究发现，传统的贝叶斯优化方法在多目标优化场景中常常失效，因为它们无法充分利用不同材料特性之间的相关性[5]。该研究不得不采用更先进的高斯过程（多任务或深度高斯过程）来克服这一问题，这增加了复杂性[5]。同样，2025年一篇关于热电材料的综述强调，尽管高通量方法前景广阔，但人工智能与实验验证的整合仍然“复杂且缓慢”[7]。
成本效益还取决于材料类型和发现阶段。例如，2025年一项关于太阳能电池用小分子空穴传输材料的研究，生成了一个包含7000多个候选材料的数据库，但经过大量DFT计算和机器学习后，最终仅筛选出六种有前景的材料[6]。这表明，尽管人工智能可以缩小搜索范围，但最终的验证步骤（如DFT计算或合成）仍可能成本高昂。2025年一篇关于光解水用光阳极的综述同样指出，“数据标准化、模型泛化能力以及实验验证”仍是关键挑战[11]。
哪些策略最有可能让AI引导的发现实现成本效益？
多项研究得出了一个明确的结论：最成功的方法是将人工智能与物理知识和自动化实验相结合，形成一个“闭环”，使人工智能的预测得以测试和优化。2025年的一篇综述明确指出，“结合物理知识与数据驱动模型的混合方法”是突破当前局限的关键[4]。这是因为基于物理的模型（如密度泛函理论）提供了准确性，而人工智能则提供了速度和模式识别能力。
2025年一项关于高温合金的研究提供了一个具体案例：该研究将大语言模型作为推理代理，融入冶金学专业知识，将初始76800个候选方案的搜索空间压缩了超过95%[9]。随后，大语言模型为强化学习代理提供了“热启动”，使其能够安全探索高风险区域[9]。最终研发的合金实现了无裂纹可打印性，屈服强度超过1.5 GPa，极限抗拉强度接近1.8 GPa[9]。这表明，将领域知识与人工智能相结合，能够显著降低探索成本。
另一种颇具前景的策略是主动学习，即让AI优先选择信息量最大的实验。一项2025年关于碳捕集分子的研究发现，在生成式AI工作流程中加入主动学习模型后，每1000个新型候选分子中，识别出的高性能候选分子数量从平均281个提升至604个[10]。这意味着主动学习能使发现过程的效率提升一倍以上。同样，一项2024年关于高熵合金的研究采用多任务高斯过程，利用不同性质之间的相关性，通过策略性地优先查询成本较低的性质，使发现过程更具成本效益[5]。
最后，自主实验室正逐渐成为闭环研究的关键路径。2025年的一篇综述指出，“自主实验室能够实现自我驱动的发现与优化”，其中AI控制着合成、表征及实时反馈环节[4]。尽管仍处于早期阶段，但AI与机器人的这种融合有望大幅缩短材料开发的时间与成本，将发现流程转变为可扩展的自动化过程[7][8]。
关于这些来源
该答案基于11篇经同行评审的研究——发表于2024年至2026年间，其中11篇来自2024年及以后，2篇发表于Q1期刊，累计被引用100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13篇文献又源自从超过5亿篇论文的数据库中检索到的46篇论文。
本文引用的文献
大规模纳米晶体数据库，整合合成与性质信息，助力生成式逆向设计。
开发了大型语言模型NanoExtractor，在从文献中提取合成-性能数据时取得了92%的加权平均分，构建了约16万条条目的数据库，并实验验证了其对MgF₂、CsPbBr₃和PbS纳米晶体的逆向设计建议。
加速低<i>k</i>介电材料发现：从图机器学习到合成
一种图神经网络（Res-GCN）将介电常数预测精度较经典模型提升了约267%，在数分钟内筛选了6000种材料，并仅通过八次实验便成功合成了两种新型低介电常数陶瓷。
基于物理增强的主动学习，加速发现超难压缩、超硬材料。
一个基于物理增强的主动学习框架筛选了超过270万种无机晶体，识别出632种超难压缩材料和15种超硬材料，其中分别有超过90%和60%是此前未被表征的。
通过人工智能推动材料发现
一篇综述指出，人工智能加速了材料设计、合成与表征，但在模型泛化能力、数据标准化及实验验证方面仍存在挑战，而物理与人工智能的混合方法将是关键所在。
基于分层高斯过程的贝叶斯优化在高熵合金空间中的材料发现
多任务与深度高斯过程贝叶斯优化在FeCrNiCoCu高熵合金的多目标优化中表现优于传统方法，通过利用性能相关性实现了更具成本效益的发现。
通过分子剪接、高通量筛选和机器学习加速发现高性能小分子空穴传输材料
一种分子拼接算法生成了一个包含超过7000种小分子空穴传输材料候选物的数据库，结合机器学习（XGBoost）模型预测关键性质，最终筛选出六种具有潜力的候选材料。
热电材料的新方向：从高通量材料发现到先进器件制造的路线图
一篇综述指出，高通量材料发现结合机器学习和先进制造技术可加速热电材料研发，但集成过程仍复杂且缓慢。
人工智能在材料发现、开发与优化中的应用
一篇综述强调了人工智能对材料科学的变革性影响，同时指出在数据质量、模型可解释性和标准化方面仍存在持续挑战，未来方向包括物理信息融合的人工智能与量子计算。
面向无裂纹与高强度高温合金协同设计的大语言模型驱动双轨AI框架。
一种基于大语言模型的混合人工智能框架将76,800种高温合金候选材料的搜索空间压缩了超过95%，最终获得了一种无裂纹合金，其屈服强度超过1.5 GPa，极限抗拉强度接近1.8 GPa。
通过队列优先级优化，引导主动学习工作流程实现新型材料发现
一种主动学习队列优先级算法将生成式AI工作流识别出的高性能碳捕集分子候选数量从平均每1000个中的281个提升至604个。
机器学习引导的纳米结构金属氧化物光阳极设计用于光电化学水分解：从材料发现到性能优化
一篇关于机器学习指导金属氧化物光阳极水分解设计的综述指出，机器学习加速了材料发现与优化，但在数据标准化、模型泛化能力及实验验证方面仍面临挑战。