AI引导的发现具体解决了哪些瓶颈？
核心瓶颈在于传统试错型材料研究所需的时间和成本。历史上，发现一种新材料——比如更坚固的混凝土或更高效的催化剂——可能需要数十年依靠直觉指导的实验室实验。而人工智能极大地压缩了这一周期。例如，结合机器人技术、人工智能和自动化实验的“自动驾驶实验室”，能将材料和分子发现的速度提升至传统流程的10到100倍[3]。这意味着过去需要一年完成的工作，如今可能只需几天或几周。
一个具体例子来自交变磁性材料——一种具有下一代存储设备和传感器应用潜力的新型磁相。利用图神经网络（一种从晶体结构中学习的人工智能）的AI搜索引擎，在人类专家所需时间的极小部分内，发现了50种新的交变磁性材料，包括金属、半导体和绝缘体。在这项任务中，AI的表现“远超人类专家”[2]。这直接解决了已知材料有限的瓶颈问题，而这一瓶颈此前一直阻碍着对异常霍尔效应等奇特物理性质的研究。
它对现实世界的基础设施材料（如混凝土）有效吗？
是的，但需注意重要前提。2023年一项关于混凝土性能预测的研究发现，标准机器学习模型难以应对海量数据需求且泛化能力差——这意味着它们在应用于新型混凝土配比或现实工况时会出现失效[1]。解决方案是将领域知识（如经验公式和基于物理的模型）融入人工智能框架。这种"知识驱动"的方法加速了模型收敛，在训练数据有限时提升了性能，并增强了对异常值的鲁棒性。研究者明确指出，这一改进"在模型扩展以应对现代混凝土日益增长的复杂性时尤为关键"[1]。
然而，同一项研究指出，仅凭人工智能而缺乏物理学知识是远远不够的。黑箱式机器学习算法存在可解释性差的缺陷——工程师若无法理解预测的成因，便难以信任其结果[4]。对于安全至上的物理基础设施而言，这无疑是一个真正的瓶颈。目前，融合物理启发特征与贝叶斯统计的可解释人工智能框架正在开发中，部分已在可持续催化剂领域通过实验验证[4]。因此，人工智能的最佳应用方式是在人类专业知识的引导下发挥作用，而非取而代之。
有哪些限制和注意事项？
尽管前景广阔，但人工智能驱动的发现尚未成为解决所有基础设施问题的即插即用方案。一个主要挑战是模型的泛化能力：针对某类材料训练的人工智能往往无法适用于其他材料。混凝土研究明确指出，这是知识整合虽能缓解但无法完全解决的关键局限[1]。另一个问题是数据质量与标准化。该领域缺乏包含阴性结果（失败实验）的开放数据集，而这些数据对训练稳健模型至关重要[6]。缺少此类数据，人工智能可能会高估成功的可能性。
此外，人工智能自身的计算成本也可能成为瓶颈。尽管基于机器学习的力场能以较低成本实现接近昂贵量子模拟的精度，但它们仍需要大量计算资源[6]。JARVIS基础设施旨在整合多样化的数据与工具以应对这一挑战，但目前仍在完善中[5]。最后，最令人瞩目的人工智能发现——例如50种交变磁性材料——往往是通过计算模拟验证的，尚未得到物理实验的证实[2]。从人工智能预测到实际制造之间的鸿沟，仍是亟待跨越的关键一步。
关于这些来源
该回答基于6篇经同行评审的研究构建而成——发表于2022年至2025年间，其中3篇为2024年及以后发表，4篇发表于Q1期刊，累计被引用142次——这些研究是从44篇论文中筛选出的6篇通过质量审查的文献中，选取的最相关成果，而44篇论文则源自一个涵盖超过5亿条记录的数据库。
本文引用的文献
领域知识能否助力机器学习预测混凝土性能？
将领域知识（经验公式、物理模型）融入机器学习以预测混凝土性能，提升了模型收敛性、在有限数据下的表现，以及对实际场景的泛化能力，包括对其他数据集的推断能力和对异常值的鲁棒性。
AI加速发现交变磁性材料
一种基于预训练图神经网络的AI搜索引擎，以远超人类专家的速度发现了50种新型交变磁性材料（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。
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
集成机器人、人工智能与自动化实验的自驱动实验室，相比传统工作流程可将材料与分子发现速度提升10至100倍。
面向可持续发展的催化材料设计中的可解释机器学习
一个融合了物理启发特征、贝叶斯统计与理论注入神经网络的可解释机器学习框架，极大促进了非均相金属基催化剂的设计，其中部分催化剂已通过实验验证可用于可持续化学反应。
JARVIS基础设施是材料设计所需的一切。
JARVIS平台将多尺度模拟与实验数据（如密度泛函理论、量子蒙特卡洛、机器学习、显微成像等）整合到一个开放获取、可复现的基础设施中，以加速材料设计与创新。
通过人工智能推动材料发现
人工智能（包括机器学习、深度学习及生成模型）加速了材料设计、合成与表征的进程，但在模型泛化能力、标准化数据格式、实验验证以及能源效率方面仍面临挑战。