为何负面案例对材料发现中的AI智能体至关重要
负面案例——即AI代理未能提取数据、做出错误预测或产生不可用结果的情况——是改进技术的原材料。在材料发现领域，目标是加速新化合物的识别，因此了解代理不能做什么，与了解它能做什么同样重要。例如，DIVE多代理工作流在数据提取准确性上比商业模型提高了10–15%，比开源模型提高了超过30% [1]。这意味着即使是最优秀的模型，在相当比例的数据上仍会出错，而如果不报告这些错误，用户就无法知道在哪些环节可以信任该代理。
风险很高：漏掉一个阴性案例，就可能让研究人员沿着一条死胡同的配方走下去，浪费时间和资源。2024年一项关于AI在材料发现中应用的研究发现，AI带来的生产力提升部分被负面效应抵消，原因很可能是失败案例未被充分传达[2]。这表明，该领域倾向于突出成功而掩盖失败，从而对AI的可靠性形成了一种扭曲的认识。
关于当前报告实践的实证证据
这组论文恰恰说明了问题所在：大多数只报告了成功的演示。例如，ToPolyAgent展示了其在多种架构上运行聚合物模拟的能力，但并未提及任何失败的尝试或局限性[3]。同样，用于电子结构计算和逆向设计的AI-Agent平台呈现了两个成功的案例研究，却未讨论当智能体误解提示或生成无效工作流时会发生什么[4]。这种单方面的报告使得读者无法评估智能体的稳健性。
相比之下，关于交变磁性材料发现的论文则更为透明：文中提到AI搜索引擎“表现远优于人类专家”，但也指出它发现了50种新材料，暗示许多候选材料经过筛选后被淘汰[5]。这类负面信息——即考虑了多少候选材料以及为何被拒绝——对于理解该方法的精确率和召回率至关重要。缺少这些信息，那50项成功可能只是侥幸，或是过拟合的迹象。
如何改进负面案例的报告
解决方案不在于将负面结果埋没在补充材料中，而在于使其成为叙述的标准组成部分。对于AI智能体而言，这意味着需要报告：（1）数据提取或预测的失败率，（2）常见失败模式的示例，以及（3）这些失败对下游发现的影响。DIVE论文提供了一个范例：它量化了准确率的提升，这隐含地定义了错误率，并描述了难以提取的数据类型[1]。这使得读者能够预判智能体在哪些方面会遇到困难。
此外，该领域应倡导一种将阴性结果视为宝贵贡献的文化。2026年一篇关于数据驱动材料科学的综述强调了获取“暗数据”的挑战——即那些未以机器可读形式存在的历史实验数据[6]。能够提取这些数据的AI智能体极具价值，但前提是其局限性为人所知。通过报告阴性案例，研究人员可以建立一个关于哪些方法有效、哪些无效的共享知识库，从而加速所有人的进展。
关于这些来源
本回答基于6项同行评审研究——发表于2024年至2026年，其中6项为2024年或之后发表，5项发表于Q1期刊，合计被引146次——这些研究是从6项通过质量筛选的研究中选出的最相关成果，而这些研究又源自从超过5亿篇论文数据库中检索到的40篇文献。
本文引用的文献
用AI智能体“潜入”储氢材料发现领域
DIVE多智能体工作流在数据提取准确率上比商业模型提高了10%–15%，比开源模型提高了30%以上，并在两分钟内识别出了新的储氢材料组分，但准确率的提升也意味着在相当一部分数据上仍会出现失败。
人工智能、科学发现与产品创新
2024年一项关于人工智能在材料发现领域的研究发现，人工智能带来的生产力提升部分被负面效应所抵消，这表明失败是真实存在且影响深远的。
ToPolyAgent：用于粗粒化珠簧拓扑聚合物模拟的AI智能体
ToPolyAgent在多种架构上展示了成功的自主与交互式聚合物模拟，但未报告任何负面案例或局限性。
通过大语言模型与模拟工具的AI智能体集成，加速材料发现
一个AI-Agent平台成功执行了电池电解质的电子结构计算与逆向设计，但仅报告了成功案例，未提及失败情况。
AI加速发现交错磁性材料
人工智能搜索引擎发现了50种新的交变磁性材料，其中包括四种i波材料，其表现优于人类专家，但摘要中并未详细说明有多少候选材料被淘汰。
面向能源可持续应用的数据驱动材料科学
2026年的一篇综述强调了材料科学中获取“暗数据”的挑战，并着重指出需要借助人工智能方法来提取实验数据，这暗示了数据提取失败是一个已知问题。