为什么AI智能体需要标准？因为它们的预测质量取决于所学习数据的质量。
用于材料发现的AI智能体，其训练依赖于实验和模拟数据。但这些数据往往杂乱无章：它们分散在不同实验室，格式各异，有时甚至根本未公开发表[2]。一篇综述指出，材料研究面临“近乎无限的化学设计空间”，而传统实验数据因“实验室标准不一”而仍然“碎片化、不透明或相互矛盾”[2]。这意味着，基于某个实验室数据训练的AI，可能无法适用于另一家实验室的材料，因为底层数据缺乏可比性。
一个具体的例子来自2026年的一项研究，该研究构建了一个AI工作流，用于从科学论文中提取数据。他们发现，直接使用商业多模态模型读取图表并不准确，因此开发了一个定制工作流（DIVE），其提取准确率比商业模型提高了10%–15%，比开源模型提高了30%以上[1]。这表明，即使是目前最先进的AI在处理非结构化数据时也面临困难——而如果没有标准化的数据格式，AI智能体将不断遭遇这一瓶颈。
需要什么样的标准？数据格式、实验协议与验证基准
这些论文指出了标准至关重要的三个领域。首先，数据格式：一篇综述呼吁建立“标准化、多源的数据基础设施，以促进异构数据集的无缝整合”[2]。这意味着需要就数据的记录和共享方式达成一致，以便人工智能能够真正使用这些数据。其次，实验规程：由于各实验室采用的方法不同，除非规程实现标准化，否则结果无法进行比较[2]。第三，验证：人工智能的预测需要与实际实验进行对照检验，而这要求有一致的基准。
自主实验室的推进——由AI提出候选方案、机器人运行实验、结果再反馈给模型——使得标准变得更加紧迫。一篇综述描述了自动驾驶实验室如何整合机器学习、自动化与机器人技术，以运行由AI挑选的实验[4]。为了让这些系统在不同实验室之间可靠运行，它们需要通用的数据格式和接口。另一篇论文指出，组合合成（自动化、并行合成）天然适合AI驱动的发现，但其成功取决于所产生数据的质量和可比性[5]。
标准是否总是必要的？并非每个用例都需要——但随着AI智能体的规模化，标准变得至关重要。
对于单个实验室使用AI筛选特定类别材料而言，内部一致性或许已经足够。例如，2025年的一项研究利用AI搜索引擎发现了50种新的交错磁性材料，且预测结果已通过第一性原理计算得到验证[3]。这一方法之所以奏效，是因为AI基于特定数据集进行训练，并在该语境下得到验证。但同样的方法若缺乏标准化数据，可能无法推广到其他材料或其他实验室。
更大的风险在于，当AI代理被用于做出影响现实世界产品的决策时。一篇综述强调，在“模型泛化能力、标准化数据格式、实验验证和能源效率”方面仍存在挑战[6]。该综述还呼吁建立包含阴性实验（失败尝试）的开放获取数据集，并制定伦理框架以确保负责任地部署[6]。因此，尽管并非每个探索性项目都需要标准，但标准对于建立信任、确保AI驱动的发现能够被可靠地复现和规模化至关重要。
关于这些来源
本回答基于6项同行评审研究——发表于2023年至2026年，其中4项为2024年或之后发表，4项发表于Q1期刊，合计被引用584次——这些研究是从7项通过质量筛选的研究中选出的最相关成果，而该7项研究又源自从超过5亿篇论文数据库中检索到的66篇文献。
本文引用的文献
用AI智能体“潜入”氢储存材料的发现之旅
开发了一种多智能体工作流（DIVE），用于从科学论文的图表中提取数据，其准确率比商业模型提高10%–15%，比开源模型提高30%以上，并基于包含30,000余条数据的数据库，实现了氢储存材料的快速逆向设计。
人工智能驱动的新材料发现：突破数据瓶颈，变革研究范式
综述了材料信息学中的数据瓶颈问题，指出由于实验室标准不一导致的数据碎片化和不一致性，并提议将标准化多源数据基础设施和领域专用AI模型作为优先发展方向。
AI加速发现交错磁性材料
利用搭载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，其中包括四种i波类型，相关预测已通过第一性原理计算得到验证。
自动驾驶实验室在化学与材料科学领域的兴起
综述了整合机器学习、自动化与机器人技术以迭代开展实验的自驱动实验室（SDLs），并为非专业科学家提供了实施路线图。
面向AI驱动的材料发现的组合合成
讨论了组合合成作为AI驱动材料发现的天然契合点，建立了十项指标来评估合成技术，并指出该领域已准备好迎接加速工作流程。
通过人工智能推动材料发现
综述了人工智能在材料发现中的作用，强调了模型泛化能力、数据格式标准化、实验验证及能源效率等方面的挑战，并呼吁建立开放获取的数据集和伦理框架。