如今人工智能能在多大规模上真正发挥作用？
如今，人工智能能够通过计算筛选数百万种候选材料，这在过去是难以实现的。2023年，研究人员利用4.8万种已知稳定晶体训练了一个图神经网络，并借助它预测出220万种位于当前凸包（热力学稳定性指标）以下的新型稳定结构。这使人类已知的稳定材料数量提升了一个数量级[2]。在这些预测结构中，有736种已被其他实验室独立合成，为人工智能预测并非仅停留在理论层面提供了现实验证[2]。
2024年的一项研究采用了不同方法，将机器学习模型与云端高性能计算（HPC）上的传统物理计算相结合，对超过3200万种固态电池电解质候选材料进行了筛选。该流程识别出约50万种潜在稳定材料，随后进一步缩小范围，最终确定了18种有前景的新成分。其中，NaxLi3-xYCl6系列材料被成功合成并通过实验表征，证实了其作为固体电解质的潜力[4]。这表明，人工智能不仅能进行预测，还能以目标导向的方式指导实验合成。
人工智能在哪些方面仍有不足？
尽管取得了这些成功，但2024年一项针对同一谷歌主导研究的批判性分析发现，许多由人工智能预测的化合物缺乏新颖性、可信度或实际应用价值。作者认为这些方法前景可期，但“迫切需要融入材料合成与晶体学领域的专业知识”[1]。换言之，人工智能能够生成看似合理的候选材料，但要将这些候选材料转化为真实可用的物质，仍需依赖人类的判断和实验室的实际操作。
瓶颈已从预测转向验证。尽管人工智能可以提出数百万个候选方案，但只有极少数能通过实验检验。在电池电解液研究中，18个顶级候选材料中仅有一个新材料系列被完整合成并表征[4]。类似地，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——一种罕见的磁相——但所有结果仅通过第一性原理电子结构计算得到确认，并未实际合成[5]。实验验证仍是制约速度的关键环节。
另一个挑战在于，人工智能模型的效果完全取决于其训练数据的质量。现有的许多材料数据库存在数据稀疏、偏向于研究成熟的化学体系，或缺乏合成条件信息等问题。一篇关于机器学习在热能源材料领域应用的2022年综述指出，该领域"仍处于早期阶段"，数据质量与特征工程是亟待攻克的关键难题[7]。若缺乏高质量、多样化的训练数据，人工智能的预测可能会遗漏整类材料，或过度拟合已知模式。
行业是否已在实际应用这一技术？
是的，但主要应用于特定领域，而非作为通用工具。美国能源部已将人工智能驱动的材料设计视为关键方向，其应用范围涵盖太阳能电池、电池、核燃料及碳捕获等领域[6]。结合人工智能、机器人与自动化实验的“自动驾驶实验室”正在开发中，有望将发现周期加速10至100倍，不过目前仍处于原型阶段[8]。
在电池行业，人工智能已通过将高通量计算筛选与机器学习、强化学习及贝叶斯优化相结合，用于筛选氧化还原液流电池材料[10]。同样，在光电子领域，机器学习正在加速第一性原理计算，并指导钙钛矿及有机半导体的实验合成[9]。这些尚未实现完全自动化的流程，但已代表了工业界在人工智能引导发现方面的实际参与。
“安全与可持续设计”框架也在引入人工智能，用于在材料生产前预测其毒性和生命周期影响，这有助于行业避免后期阶段代价高昂的失败[3]。这表明，人工智能的作用正从发现阶段扩展到更广泛的产品开发生命周期中。
关于这些来源
该回答基于10篇经同行评审的研究构建而成——发表于2022年至2026年间，其中6篇为2024年或之后发表，8篇发表于Q1期刊，累计被引用1350次——这些研究是从通过质量筛选的10篇文献中选出的最具相关性的成果，而后者又源自从超过5亿篇论文的数据库中检索到的53篇文献。
本文引用的文献
人工智能驱动材料发现？对《扩展深度学习以促进材料发现》一文的评述
对谷歌主导的深度学习研究的一项批判性审视发现，几乎没有证据表明人工智能预测的化合物能够同时满足新颖性、可信度和实用性这三重标准，这凸显了在合成与晶体学领域需要具备专业知识的必要性。
扩展深度学习在材料发现中的应用
基于48,000种稳定晶体训练的图网络模型预测了220万种新型稳定材料——数量级规模扩展——其中736项预测已通过独立实验得到验证。
基于机器学习/人工智能的安全与可持续设计：推动纳米技术发展的变革性方法
机器学习和人工智能正通过推动预测毒理学、材料信息学及生命周期分析，增强纳米技术领域的“安全与可持续设计”框架。
利用机器学习与云端高性能计算加速计算材料发现：从大规模筛选到实验验证
结合机器学习与云端高性能计算，从3200万种候选材料中筛选出固态电池电解质，最终确定18种有前景的组成；其中一系列材料（NaxLi3-xYCl6）被合成并通过实验验证。
AI加速发现交变磁性材料
利用预训练图神经网络的人工智能搜索引擎发现了50种新的交变磁性材料（包括金属、半导体和绝缘体），其中包含四种i波交变磁体，并通过第一性原理计算得到验证。
用于材料设计与发现的原子尺度信息人工智能 [工业与政府活动]
美国能源部指出，人工智能驱动的材料设计在可再生能源、储能、碳捕集及核能等领域的应用具有关键作用。
机器学习在热能利用中的应用：从材料发现到系统优化
机器学习方法在热能研究领域仍处于早期阶段，其应用范围涵盖从原子尺度的材料发现到系统层面的优化。
自主驾驶实验室研究加速：面向加速材料与分子发现的技术路线图
整合机器人技术、人工智能与自动化实验的自驱动实验室，有望将材料与分子发现的速度提升10至100倍，但目前仍处于技术路线图阶段。
机器学习与光电材料发现：日益增强的协同效应
机器学习技术正在加速从头算计算，并指导钙钛矿和有机半导体等光电材料的实验合成。
机器学习协调氧化还原液流电池的材料发现与性能优化
高通量计算筛选与机器学习（包括强化学习、贝叶斯优化及生成模型）的融合，正加速氧化还原液流电池的材料发现进程。