摘要

Orbital Materials 的核心押注，是让 AI 把材料发现从工匠式试错，变成更可预测的工程学科。 其生成模型提出候选材料，力预测模型进行筛选，内部湿实验室负责闭环。Jonathan Godwin 表示，到决定要制造什么时，他们已经回答了约 90% 的关键问题，并将范围收窄至2到3种材料。
最深层的技术信号，是模型从约20原子的无机晶体，泛化到复杂蛋白质系统。 Jonathan 认为，这说明模型“在这么小的尺度上学到了某种真正基础的东西”。消息传递神经网络不像语言模型那样使用显式位置嵌入，因此原子级模拟可以随着可用算力扩展，但仍受实际限制。
钾离子通道的工作，为这种泛化提供了一个引人注目、但明确尚未确认的展示。 Tim Duignan 在一块 V100 GPU 上观察到水进入通道，一个羟基通过氢键将水牵引进去——这可能解释一组突变实验：移除该基团后，导电性下降了接近一个数量级。该工作尚未经过同行评审或实验确认；Tim 称其为一个有力且合理的假设。
Orbital 初期的商业化重点，是数据中心建设，而不是室温超导体这类“登月项目”材料。 公司正在开发热管理和脱碳材料，包括一种利用数据中心废热和气流的 CO2 捕集材料。经济关键在再生：一次性捕集相对已经解决，而降低解吸能耗、让材料或许能重复使用10年，可能大幅压低成本。
模型经济学更接近图像扩散模型，而不是前沿语言模型。 Orbital 表示，公司在融资不足4,000万美元的情况下，已经构建了领先模型和湿实验室。由于架构没有 Transformer 式的位置限制，原子模拟可以跨额外芯片扩展；但大系统会变慢，长程静电作用可能需要额外建模，密度泛函理论也不足以处理部分高度关联电子系统。
真正的护城河，可能来自可扩展模型与历来难以复制的实验默会知识的结合。 Jonathan 将半导体工艺经验与 TSMC 积累的优势相提并论：前者可能包含10,000个步骤，通过师徒制传承。Orbital 的内部实验室因此更重要的不是制造产能，而是一个快速反馈系统，持续让 AI 扎根于可制造的材料。
科学产出提高，可能伴随着令人痛苦的“满足感工作”从人转移给机器。 主持人总结的一项研究显示，材料发现增加44%，专利申请增加39%，下游产品创新增加177%；但随着 AI 承担更多创意生成、科学家转向更多验证工作，82%的科学家表示工作满意度下降。Jonathan 预计，“创造力会是最先消失的东西之一”，即便他也认为，要以更低成本生产更多东西，就必须加速发现。

精读

1. 材料决定 AI 经济的物理上限

Jonathan 的半导体例子从软件栈之下讲起：微小碎屑就可能破坏蚀刻电路，因此必须在越来越窄的结构之间填入低 k 绝缘材料，保护芯片。若这些材料没有重大进步，“芯片上就不会有更多晶体管，也就不会有 AI”。
他的整体判断刻意采取最大化表述：“材料科学是最早的科技创业公司。” Silicon Valley 的革命建立在材料之上，而下一轮前沿——从更好的芯片和 GPU，到航天器和新型光学材料——都说明材料科学是“实现科幻未来所缺失的基本拼图”。
Tim 的逆向检验方式，是提出一个重大问题，再把它一路追溯到材料。气候治理是最清晰的案例：电池和太阳能板通过材料突破带来了大规模 CO2 减排，而在他宽泛的定义下，应对气候变化的大多数工具本质上也都是材料科学问题。

2. 材料发现仍依赖运气、过度设计和积累的直觉

Jonathan 把今天的材料开发比作可靠结构建模出现之前的桥梁建造。工程师可以建造令人惊叹的桥，但不确定性迫使他们过度设计，Brooklyn Bridge 就是他的例子；有时这种不确定性还会造成灾难性失败。现代软件则可以在施工前解析每一根螺栓和每一根梁所承受的力、应力和极限。
理想的转变同样具体：科学家应在制造材料之前，就知道它是否具备所需性质；如果产率或性能不理想，再用计算从底层诊断问题，包括实验无法直接揭示的分子尺度过程。
Jonathan 的半导体例子说明了难点。一块芯片可能包含约10,000个工艺步骤，专家要花30年学习哪些气体用于清洗和蚀刻晶圆等细节；这些知识往往没有成文，不能还原为基础化学规律，而是通过师徒制传承。
这套默会知识解释了为什么仅靠资金无法立刻复制 TSMC。但 Tim 不愿把 AI 视为简单替代：人类直觉和机器直觉的形成方式不同，可能互相捕捉对方的错误；即便要突破人脑的边界，也意味着将部分“美妙”的工匠式知识计算化。

3. Orbital 将模型与湿实验室结合，因为单方都无法独自闭环

Jonathan 在 DeepMind 负责大规模材料 AI 工作后创立 Orbital。他原以为需要10年才能实现的能力来得快得多：10年前最强超级计算机都无法完成的计算，开始变成笔记本电脑可以处理的任务，这让他确信材料 AI 正沿着整个领域陡峭的能力曲线发展。
组织方式与模型本身同样关键。AI 实验室不会自然组建实验材料团队，而传统化学和材料公司过去“25年来”一直在拒绝计算工具；新公司则可以把前沿建模，与真正负责制造和商业化材料的科学家放到一起。
Jonathan 的终点，是一个配备 LLM copilot 的材料设计界面：用户提出电池或其他功能材料的需求，在计算机中反复迭代，并高度确信实验室最终制成的产品会具备预测的性质。湿实验室则通过合成约束让这一目标落地，并在模拟失败时提供快速反馈。

4. 神经网络似乎把物理学压缩成了可用直觉

主持人的基础类比是接球：人类不会显式计算每一条轨迹，却表现得像是拥有直觉物理。他认为，类似的捷径正在蛋白质折叠、原子模拟、天气预报等领域出现，并追问神经网络学到的是否是紧凑的高阶概念，而不只是加速方程求解。
Tim 表示认同，但承认：“我不认为我们目前完全理解其中原因。”他的候选解释是降维：物理模型通过保留有影响的变量、丢弃无关变量来实现有效建模——某个模拟里是电子，另一个模拟里是溶剂，或者球周围空气的微观动力学。
这与粗粒化和统计力学相连：跨尺度的行为可能反复出现，而准确预测不必追踪每个组成部分。Tim 对此的表述贯穿整期节目：“找到高效方式追踪重要信息、丢掉不重要信息”，是机器学习尤其擅长处理的核心问题。
Jonathan 指向了架构的普适性：相似的网络既支持材料模拟，也支持天气预报；紧凑的世界模型还能复现水、反射、重力和过去需要昂贵渲染才能实现的小型视觉效果。它们创造了“保留保真度的捷径”，就像顶尖运动员可以完成高难度动作，却不需要知道背后的数学。

5. 第一性原理模拟把数据稀缺变成规模化机会

Tim 起初怀疑 AI 能否帮助电解质化学，因为实验数据库几乎没有信息——有时每种电解质只有几个参数。后来他意识到，第一性原理计算可以自动生成数百万个数据点，而主动学习闭环可以把新的模拟集中到模型最薄弱的区域。
Jonathan 区分了有用推断与可行训练。一个现实的 CO2 制燃料催化过程，可能需要在很长时间跨度内模拟数千甚至数百万个原子；但训练可以使用大量约100原子的片段来学习局部规则，再把这些规则应用到原本无法处理的大系统。
让他“彻底震撼”的结果，是先用约20原子的无机晶体训练，再直接模拟蛋白质。Jonathan 将其视为模型在小尺度上学到了基础规律的证据；Tim 更谨慎地认为，分子相互作用可能只包含有限数量的相关复杂性。

6. 基础模型与 Orb 把生成和动力学视为同一物理学的两种表达

主持人在开场中将 Orbital 的基础模型称为 “Linnaeus”，Jonathan 后续解释时则称为 “Linus”。Jonathan 描述称，该基础模型通过扩散学习简化物理，而 Orb 模型则针对物理模拟进行微调。
Tim 将扩散模型追溯到非平衡统计力学和 Langevin 动力学。在材料生成器中，原子沿着学习到的 score 向量场移动；在分子模拟中，原子则在力场作用下运动。他引用的研究显示，当扩散模型在模拟轨迹上训练时，score 在数学上可以与力场完全相同。
由于结构可以加入近乎无限的噪声样本，扩散训练能够密集覆盖简化后的物理规律。再用量子计算得到的力进行微调，就能得到可用于物理模拟的模型。
给晶体加噪，主要是不断扰动原子位置，直到结构变得不再连贯。特殊之处在于周期性：原子从模拟盒子的一面离开后，会从另一面重新出现，需要进行数学调整，但整体流程仍更接近图像扩散，而不是针对蛋白质的专门加噪。
原子身份不再是物种0到117之间的分类选择，而是先转化为连续预测，再映射回离散类别。Orbital 的消息传递神经网络在小型晶体结构上训练，不使用语言模型那样的显式位置嵌入，因此模拟系统可以随着可用算力扩展，不会撞上固定的位置上下文长度。

7. 生成负责提出结构，力预测让结构具备科学价值

科学家可以要求基础模型生成10种具有指定带隙的材料，就像图像模型接收提示词一样。Jonathan 更偏好精确的数值条件，而不是自然语言，因为材料往往需要落在狭窄的“金发姑娘区间”：不是某种性质越多越好或越少越好，而是要达到特定数量目标。
Orb 接收原子坐标和物种信息，然后输出力和能量。数十年来的分子模拟方法可以将这些基础量转化为扩散率、化学平衡、结合强度等基础性质，使看似狭窄的力预测任务成为连接广泛材料工具箱的入口。
两套系统形成外循环：生成器提出假设，模拟器对其进行更精确的测试，结果再帮助判断哪些候选材料应进入实验室。Jonathan 认为其资源画像更接近基于 CNN 的图像扩散，而不是 LLM；Orbital 在融资不足4,000万美元的情况下构建了模型和实验室，同时他认为这个领域可能还处在“GPT-1”阶段，具备很大的扩展空间。

8. 模拟同时成为显微镜、实验和物理数据工厂

Tim 的第一个应用场景，是观察纳米和纳秒尺度的“计算显微镜”——也就是键形成和断裂发生的十亿分之一米、十亿分之一秒尺度。就像最初的显微镜一样，只要模拟足够广泛，就可能在研究人员还不知道该提出什么假设之前，接连带来新的发现。
在静态预测之后，动力学尤其有价值。蛋白质结构可能已经可得，但科学家仍需要观察蛋白质如何运动、如何在实验可触及的微秒尺度以下发生相互作用；材料同样需要转变态、反应路径和不断演化的结构，而不只是最终的平衡状态快照。
第二个应用场景是计算机内实验：在输入文件中改变一种原子，而不是订购化学品、合成化合物，再用显微镜理解它。如果模拟足够快、足够可靠，就可以在投入稀缺实验室时间之前，探索数千个候选实验。
第三个应用场景，是成为“物理模拟的基岩”。原子级运行可以为气候或其他更大尺度模型提供参数，生成训练集，并支持统计和力学上严谨的粗粒化流程；例如忽略溶剂，同时学习能够复现目标组分行为的有效自由能。

9. Orbital 的工作流试图在合成前消除90%的不确定性

Jonathan 用金属有机框架说明这一流程：它可以被想象成一个拥有巨大孔洞和大量连接位点的海绵。生成模型可能提出10个、15个或20个候选结构，其中配体像触手一样，从混合流中选择性抓取目标分子。
生成模型很难便利地编码所有现实问题。因此模拟器会检查吸附动力学、触手是否堵塞孔洞空间，以及其他失效模式；Jonathan 表示：“等我们决定要制造什么时，已经回答了90%的问题”，足以建立信心。
模拟中出现的意外行为，会推动下一轮创意生成。经过2到3轮迭代后，Orbital 可能将2到3个通过计算筛选的结构带入实验室——这些候选材料的预期成功率更高，也足够新颖，能够进入人类团队通常不会探索的化学空间。
Jonathan 认为新颖性几乎和可靠性同样重要。AI 不应只是更快地复现既有化学直觉；它的价值在于暴露陌生设计，再由模拟和实验验证这些设计在物理上和实践上是否可行。

10. 钾离子通道检验晶体训练出的物理规律能否迁移到生物学

Tim 以“身体本质上是一个真正的电气设备”开场。细胞使用离子而不是电子制造电压变化；钾离子通道通过选择性允许钾穿过细胞膜，控制肌肉收缩、心跳和神经元放电背后的信号。
但选择性过滤器仍是一个关键的未解问题：研究人员仍在争论钾离子究竟是单独通过，还是与水一同通过。实验依据并不一致，而经典模拟通常假设钾离子单独通过，这意味着该领域可能缺少某个关键观察或建模能力。
在 Orb 处理电解质溶液表现良好后，Tim 开始思考它是否可能成为计算化学家期待了数十年的通用力场。他原本预计，分布外蛋白质模拟会“立刻崩溃”或变得不符合物理；但模拟保持稳定，暴露出有趣行为，让他“真的……跳了起来”。
训练分布包含的是小型、高度重复的晶体，而不是膜或蛋白质。Tim 的初步解释是，一组有限的信息——例如原子偶极矩和随空间衰减的相互作用——可能已经足够；Jonathan 则认为，这一结果部分来自规模，以及应用于材料领域的 AI 工程能力。

11. 一个羟基可能解决水传导争议

Tim 的限定条件至关重要：这项工作尚未经过同行评审。钾离子通道专家认为结果有趣、合理且与实验一致，但仍需要直接实验确认；因此，这项模拟应被视为一个精确、可检验的假设，而不是已经确立的机制。
Orb 观察到水进入通道狭窄的选择性过滤器，这与许多经典模拟不同。蛋白质上的一个羟基伸向水分子，形成氢键，并似乎将水拉入通道——这是 Tim 此前没有在其他报道中见过的全新定性现象。
关键的佐证来自突变证据：移除该羟基后，通道导电性下降了接近一个数量级。当主持人问这种新机制是否可能解释这一结果时，Tim 表示，如果非要下注，“我认为肯定是”，但仍保留了需要验证的前提。
医疗路径从机制走向突变。缺陷钾离子通道会导致包括长 QT 综合征和心悸在内的心脏疾病；模拟或许可以揭示突变如何损害电流，并最终指导修复性药物开发。Tim 提到，氯离子通道已经有人沿着这一路径推进。

12. 扩展在架构上开放，但受物理和计算约束

Tim 最初的运行使用一块 V100 GPU，因此将系统截断在距离选择性过滤器约20埃的位置——大约4到5层原子——并冻结最外层。这是“有点取巧”的做法，用来稳定该区域，以便观察其核心动力学，而无需模拟完整膜结构。
完整系统需要包括通道、脂质膜，以及足够多的周边环境，避免陷入不断添加稳定原子的无限回归。周期性边界条件可以封闭这个世界，但大系统会变慢，最终需要许多 GPU；延伸到更长时间尺度，是主要的实际问题。
Jonathan 表示，这里不存在语言模型式的上下文上限，因为网络没有与固定训练长度绑定的位置编码。分子相互作用主要是局部的，因此模拟规模大致可以随增加芯片而扩大；但长程静电作用按1/r衰减，可能需要更长程的模型。
粗粒化提供了走向全细胞尺度动力学的路径：保留选定组分，其余部分则以学习到的有效自由能替代。神经网络势已经支持非常大的模拟，但可访问时间跨度较短，以及这类系统难以验证，仍是核心限制。

13. 室温超导体暴露出当前理论边界

当被追问室温超导体时，Jonathan 表示：“至少给我们5年，但也可能更早。”同时，他将碳移除和高效扩展 AGI 放在优先位置。
Tim 解释了技术限制：超导性是高度关联的电子问题，而不是主要由局部原子相互作用决定的问题。Orbital 当前的理论水平建立在密度泛函理论之上，无法足够准确地描述所有相关量子行为，因此现有方法无法完整解决这一问题。
这些工具仍可以通过提出晶体结构，或在研究人员明确希望诱导哪些电子性质后，帮助确定如何制造更好的超导体。AI 加速并不会消除用于生成训练标签的物理理论本身存在的保真度边界。

14. 数据中心提供第一个商业化试验场

Orbital 正优先开发适用于更高密度、更高温 AI 基础设施的材料：机架和芯片功率密度上升，需要更好的热管理；GPU 数量增加，则需要半导体持续改进。Jonathan 将这一机会与脱碳结合起来，因为在他看来，以可持续且低成本的方式扩展 AGI，本质上是同一个材料问题。
节目中已经提到的产品，是一种专门为数据中心运行条件设计的 CO2 捕集材料。它可以利用废热和气流提升捕集性能，并有望抵消运营商部分范围2和范围3排放；Jonathan 表示，产品将于今年陆续披露更多信息。
Jonathan 确认了整体的海绵式模型：反应位点在普通空气中选择性地与 CO2 发生作用，而吸附容量则根据运行温度、空气成分和其他条件进行定制。再生是决定性环节——“一次性捕集相对已经解决”——因为废热可以降低解吸能耗，而一款可以使用或许10年的材料能够摊薄制造成本。
Orbital 不打算“在新泽西某处建一座大型工厂”。授权和供应商关系可以将产品所有权与制造分开，Jonathan 将其与 Nvidia 的模式相提并论；与此同时，内部实验室的成本高于软件公司，但对于一家风险投资支持的公司仍然可负担，并且对快速实验反馈不可或缺。

15. AI 将科学劳动转向验证，也可能隐藏更多推理过程

主持人总结了一项关于 AI 辅助材料研究的研究：材料发现增加44%，专利申请增加39%，下游产品创新增加177%。令人不安的伴随结果是，随着机器承担更多创意生成、人类接手更多验证工作，82%的科学家表示满意度下降。
Tim 认为这些工具带来了赋能感，因为作为一名没有接受数十年化学训练的物理学家和数学家，模拟让他可以直接看到化学键和作用机制。他理解那些花费整个职业生涯建立直觉的专家，但相信，更快地把有影响力的材料带入现实所带来的满足感，可能超过独自解决每一个问题的乐趣。
Jonathan 对保留这种乐趣并不乐观。他表示，AI 研究人员已经感受到更低的满足度，尽管岗位更受尊敬、薪酬更高，因为工作已经从创造力转向工程；而昂贵的算力又限制了他们能够独自运行的实验。他预计，“创造力会是最先消失的东西之一”，之后是手工任务和机器人。
Tim 最后的技术判断是，LLM 加上神经网络力场，可以把假设生成与内部物理检查结合起来。o3 等模型展示了可验证答案领域的价值，而神经网络势或许能让科学系统在计算机中检验假设，而不是把所有事情都交给实验室。
Jonathan 预计未来会出现共享的多模态嵌入，但不同模态可能仍使用不同解码器。主持人担心，连续潜空间中的推理会难以解释，AI 系统之间的沟通可能比它们与人类的沟通更有效。Jonathan 引用的冷峻退路是：“希望道德实在论是真的。”

Subbarao Kambhampati——o1 模型会搜索吗？比特币即将突破新高吗？| Will Clemente