🔬搜索所有可能材料的空间——CuspAI 的 Max Welling 教授
摘要
- AI for science 不只是刚刚兴起，而是正在爆发，但 Welling 表示，从数亿美元到数十亿美元的跃升也意味着“我们正在这里制造一个新的泡沫”。 蛋白质折叠和机器学习原子间势是成功案例；Jeff Bezos 一家初创公司据称获得62亿美元C轮融资，代表资本市场的极端案例，而这一机会正把 AI 的应用从广告投放扩展到药物、能源材料和碳捕集。
- 材料是几乎所有技术论点的上游约束，包括 AI 本身。 LLM 依赖 GPU，而晶圆制造和 EUV 光刻在传统缩放逼近极限后都转化为材料问题；在能源领域，Welling 将太阳能当前约22%的光捕获率，与使用钙钛矿层后理论上可达50%的水平作对比。“几乎一切事物的底层，都是材料。”
- 更大的赌注，是把材料发现从手工式假设验证，变成一个覆盖“所有可能分子空间”的搜索引擎。 用户提出目标，计算和远程实验生成候选并返回反馈；从更好的电池，到数周后自行分解并变成肥料的塑料，机会边界仍在延展。
- Welling 与 Chet Edwards 创立的 CuspAI，在约20个月后已发展为一家约40人的公司，融资1.3亿美元。 其气候前提十分严苛：若要把升温控制在2℃以内，2050年前必须实现零排放，随后还要以约当前排放量一半的速度，持续50–100年从大气中移除碳。
- 该平台结合候选生成、成本逐级上升的数字孪生筛选，以及 Welling 希望视为“物理处理单元”的实验。 低成本计算先排除明显失败方案，再由多尺度、多保真度模型和物理测试接手；agents 正逐步搜索文献并编排工作流，高通量实验也在加入。Welling 认为这套设计“不是火箭科学”，但落地和数据却“出乎意料地难”——而这正是护城河。
- 自动化将通过专家干预的“撤退”推进，而不是在短期内建成一个让化学家退出的全黑实验室。 团队先手动搭建模块化工作流，再把选择和验证合适 DFT 计算等边界明确的任务自动化；Welling 不认为未来5年内能够完全自动化领域专家能力，并预计化学家仍将负责判断候选材料。
- 实用突破可能在完全自动化之前到来，因为每项新增能力都能立即产生价值。 CuspAI 正在推进一项未披露的灯塔材料项目，同时承接更窄的付费项目，并与 Kamira 合作开展 PFAS 去除；与核聚变或量子计算不同，这个平台不必等待数十年才能获得一次全有或全无的回报，但每个新的材料垂直领域仍需要重新训练模型，并重新引入人工指导。
精读
1. AI for science 正在爆发——而且已经像泡沫
Max Welling 表示，他早年的职业选择遵循内在的“传感器”，不断追问黑洞、宇宙边界和量子力学等深层问题。距离退休大约还有10年时，影响力成为第二条坐标轴：二维量子引力或许能产出论文，却很难改变现实世界；材料则可能把困难科学与气候杠杆结合起来。
“物理学是那条主线”：粒子物理和广义相对论中的对称性，启发了他关于等变机器学习的研究；扩散模型则把他引向随机热力学。如今，他看到强化学习、Schrödinger bridges、MCMC 采样，以及非平衡物理系统之间存在共同的数学结构。
他长期着迷于 Gerard ’t Hooft 关于量子力学错误的论断，以及他提出的替代理论。Welling 称其勇敢，尽管“没人理解他在说什么”。Welling 自己的目标更克制：在不借助“所有那些奇怪的多重宇宙和波函数坍缩”的情况下理解量子力学。
蛋白质折叠和机器学习力场证明，现代 AI 能够改变科学方法论。当研究者试图把影响力从“广告投放”和多媒体扩展出去后，投资从数亿美元一路升至数十亿美元；Welling 援引 Jeff Bezos 一家初创公司62亿美元的C轮融资，称这个领域仍是一片处女地，同时承认：“我们正在这里制造一个新的泡沫。”
2. 材料发现正在变成搜索问题
Welling 的技术栈从软件一路向下延伸至物质：LLM 之下是 GPU，GPU 之下是用 EUV 光刻的晶圆材料。随着尺寸缩放逼近极限，半导体继续升级越来越成为“一个真正的材料问题”。
电池、燃料电池和太阳能电池板同样决定了能源转型的上限。Welling 举的具体例子，是在硅上增加钙钛矿层，理论上最多可捕获50%的光；相比之下，当前水平是“我不知道，也许是22%”。
传统材料发现从论文出发，经过提出假设、开展实验，再修正理解，进展缓慢。Welling 希望改为“搜索所有可能分子的空间”，包括尚未被制造、也未在自然界中发现的分子，然后根据计算和实验返回的候选清单，持续细化搜索条件。
这种搜索引擎式框架同样适用于可持续发展。Welling 认为，塑料完全有可能被设计成几周后自行分解，并转化为肥料。“这些事情可以做到，对吧？那我们就应该去做。”
3. CuspAI 将数字模型连接到物理处理单元
CuspAI 约20个月前因 Welling 对气候的担忧而启动，由他与联合创始人 Chet Edwards 共同创立。他对把升温控制在2℃以内的判断是：排放必须在2050年前降至零，随后还要以约当前排放量一半的速度，持续50–100年直接移除 CO₂。这是一个尚未解决的问题；如果失败，升温可能达到4℃，Welling 称其“非常糟糕”。
公司已扩张至约40人，融资1.3亿美元，按 Welling 对欧洲市场的标准看规模非同寻常。平台先生成候选，再让候选沿着多尺度、多保真度的数字孪生阶梯逐级筛选：“先做便宜的事情”，剔除明显失败方案，把昂贵计算留给幸存者，最后将少数候选送入实验，获取反馈。
文献搜索 agents 和自主编排正在不同成熟度层级加入平台。LLM 正被整合进来，CuspAI 也在推进高通量实验；Welling 表示，还应加入自动驾驶实验室能力。他希望把实验视为“物理处理单元”——自然界“可能是已知最快的计算机”，可以与数据中心并行计算。
Welling 的区分很明确：架构“不是火箭科学”，但获取数据并让整个平台真正运转起来却“出乎意料地难”。他表示，护城河在于公司能够拿到的数据，以及真正把平台建出来的能力。
4. 人类和产业伙伴仍在闭环之内
自动化始于由化学家手动组装的模块化工具。如果一种有前景的多孔材料在摇晃后发生坍塌，团队就加入稳定性测试；只有在工作流被充分理解后，贝叶斯优化器或经过训练、能像优秀化学家一样工作的 LLM，才可能学会调用哪些工具，以及按什么顺序调用。
DFT 展示了专家能力逐步“撤退”的过程：如今，非专业人士需要向专家确认适合该问题的 DFT 计算、运行时长，以及结果是否可靠；软件可能把这些边界明确的决策自动化。最终界面或许会根据查询返回候选材料，但化学家仍要判断什么才是真正好的材料。
一位主持人进一步追问了完全自动化的愿景。Welling 否定了一个接收“找点有趣的东西”指令、并自行定义“有趣”的“全黑实验室”：要在“未来5年内”把人类数十年积累的领域专业能力全部自动化，“我完全不认为这会发生”。
CuspAI 只有在找到合适的产业伙伴后，才会开始投入一个材料方向。公司正推进一项未披露的灯塔材料项目，将其作为 AI 赋能现实世界的示范，同时也接受更窄的力场项目；与 Kamira 合作开展 PFAS 水过滤，正是深度伙伴关系的例子。每项能力都能立即产生价值，但新的垂直领域需要不同的实验、仪器、重新训练和微调的模型，以及新一轮人工指导。
5. 物理先验有帮助，但“苦涩的教训”仍然成立
Welling 用旋转的瓶子解释等变性：普通网络可能必须重新学习瓶子的每一种朝向，而具备对称性感知的网络从一种朝向即可泛化到其他朝向，从而降低数据需求。旋转、平移和图置换，都可以作为对权重的约束写入模型。
主持人的反驳值得保留：为什么不使用数据增强？Welling 承认，数据增强有时效果更好，因为严格等变会让优化曲面更复杂；编码真实对称性可以节省数据，但不完美的约束也可能让模型更难找到好的局部最优解。
他的总结是，这是“数据与归纳偏置之间的权衡”。错误的偏置会设定性能上限；从 LLM 得出的适用版“苦涩的教训”是，除非数据集很小，否则架构必须扩展。
Welling 即将出版的《Generative AI and Stochastic Thermodynamics》据他所说已交给出版商，延续了同样的交叉融合。该书将生成式 AI 映射到非平衡统计力学，串联变分自由能、Geoff Hinton 与 Radford Neal 的工作、Karl Friston 的自由能原理，以及涨落定理。他希望4月参加 ICLR 主题演讲时能拿到成书，但也强调出版时间不由他控制。