摘要

材料 AI 没有 AlphaFold 式的捷径，因为材料涉及更多种类的构建单元、变化高度复杂的成键方式，以及稀疏的实验真值。 Kulik 将 AlphaFold 在球状蛋白质上的成功与材料领域进行对比：前者主要使用20种天然氨基酸，而材料领域当前的势函数“在整个化学空间内肯定不正确”，且在缺乏明确实验验证时，失效后果可能更严重。
Kulik 介绍了一项清晰的 AI 赋能发现：一种聚合物网络通过出乎实验人员预料的设计，使韧性提高了约4倍，并在实验室中得到验证。 AI 从数千到数万种候选材料中进行搜索，而每种材料的单独实验可能耗时数月到数年，最终发现了一个“完全由量子力学驱动的现象”：电子重新排布，使分子组件在开始断裂时获得稳定。
当材料必须同时满足多项约束时，主动学习尤其有价值。 Kulik 的直接空气捕集项目同时优化7个目标，包括成本、湿度稳定性、CO2选择性，以及机械和热稳定性；即使模型并不完美，也能让每个优化维度“至少提速100至1000倍”。
认为神经网络势函数已经取代基于物理的模拟，仍然超出了现有性能证据。 某个一度引发巨大轰动的未具名模型，速度仅比 Kulik 最快的 GPU DFT 计算快约5倍，而且“并非总能工作”。她认为真正具有变革意义的门槛，是以大约快2个数量级的速度，可靠取代 DFT。
通用 LLM 可以补充化学知识，但仍需要专家充当错误检测器。 ChatGPT “在维基百科级别的化学知识上非常出色”，但面对 Kulik 提出的简单要求——设计一个恰好含22个原子、并通过2个氮原子配位的配体——却反复出错。实际操作原则是“把化学学到足够好，知道这些模型什么时候对、什么时候错”。
除了模型规模，实验数据、验证和制造工艺也是主要瓶颈。 从文献中提取的标签会因来源是图表还是作者解读而相互冲突；自动化实验室在处理人类觉得容易的实验时反而可能表现不佳；而材料在器件尺度上的性能取决于加工过程——Kulik 说，“我们还在起点，几乎没有进展。”
算力充裕的公司正在改变学术界选择问题的方式。 Kulik 将学术资源与 Microsoft、Meta“基本无限的资源”进行对比，同时指出，被忽视的化学问题、更扎实的证据、创造性的问题选择、共享云实验室，以及机器可读的实验报告，都是学术界可以发力的方向。

精读

1. AI 找到了化学家未曾预料的聚合物设计

Kulik 介绍了一个明确的验证案例：团队从数千到数万种材料中进行筛选，而每种材料的单独实验可能耗时数月到数年。最终选出的聚合物网络设计让实验合作方感到意外，但测试证实，它使材料韧性提高了约4倍。
这一设计使用了会以特殊方式断裂的分子组件，使整体结构变得更坚韧。AI 找到的是一个“完全由量子力学驱动的现象”：电子在分子开始断裂的瞬间重新排布，从而稳定分子；这种效应类似催化或酶促化学，但此前从未在这些聚合物中得到展示。
主持人将这一机制比作一根受控引线，在地震中保护海湾大桥。Kulik 的澄清很关键：牺牲性断裂本身几年前已发表于 Science；她的团队贡献在于找到一种具体的、由电子机制驱动的设计，并由此实现了这一效果。

2. 主动学习在7重权衡中体现价值

Kulik 在2000年代中期进入数据驱动化学领域，起因是她厌倦了“一次研究一个分子”。到2015–2016年左右，她不再把这项工作称为 cheminformatics，而改称机器学习；学生 Jean-Paul Janet 则把最初的一次设计讨论发展成了课程作业中的神经网络项目。
这项聚合物搜索“原则上”属于主动学习，但团队在完成一代迭代后就停止了，因为候选空间已经耗尽。更大的价值在于，即使模型尚未准确，也可以提前启动优化，尤其当目标是从“稻草堆里找针”式的多维问题中筛出候选时。
她目前围绕金属有机框架开展直接 CO2 捕集研究，同时权衡7项目标：成本、在潮湿或水相条件下的稳定性、CO2选择性、受力时的机械稳定性、热稳定性，以及其他约束。Kulik 说，即使模型并不十分准确，也能让每个优化维度“至少提速100至1000倍”。
MOF 是一种模块化材料，像“Tinker Toys 或 Lego”，应用于储气、传感、分离、聚合物复合材料、CO2捕集、催化，甚至药物递送。其精确的化学基团可以像一只分子“手套”一样包住目标客体分子，但稳定性仍是核心限制。

3. 化学专业知识仍是错误检测器

过渡金属含有未配对电子，因此反应性更强，也更适合催化，包括 Haber–Bosch 合成氨等过程。传统上，人们通过薛定谔方程的各种近似来模拟其行为，但一次量子力学预测可能需要数小时、数天甚至数周。
机器学习可以加速这些计算，并帮助选择合适的近似方法；这种选择过于复杂，无法靠简单启发式规则完成。Kulik 的团队将量子力学波函数中的信息输入神经网络，学习特定材料需要采用哪种计算方法。
Shawn Wang 曾提出一个挑衅性问题：如果 ChatGPT 已经具备博士级理解，为什么还要学习化学？Kulik 随后提出了22原子配体测试。即使明确告知配体必须通过2个氮原子配位，LLM 仍反复数错原子，而这件事专家化学家“1秒就能完成”。这些模型适合作为导师和知识增强工具，但不应成为盲目信赖的起点。

4. 材料既没有 AlphaFold 那样边界清晰的空间，也没有同等的真值

数据稀缺或高度多样的领域，仍有大量机器学习机会，包括反应预测、过渡金属成键、温稠密物质，以及通过光照材料产生的激发态。相比之下，“非常无聊的化学”——有机分子和蛋白质结合——已经拥有成熟的数据集、基准和排行榜。
Materials Project 和 Open Catalyst Project 的排行榜主要建立在低保真度 DFT 计算之上，而不是实验真值。与 CASP 不同，它们没有提供可比的实验真值，因此“所有最聪明的 ML 工程师”可能都在使用无法反映实验室行为的数据进行训练。
Kulik 说，每一个新的“基础势函数”在被她的团队用于真实问题之前，都可能看起来表现出色；但一旦应用，分子就直接解体。那个夏天引发巨大轰动的某个未具名模型，速度仅比她最快的 GPU DFT 计算快约5倍，而且无法稳定工作；如果能以快2个数量级的速度可靠取代 DFT，才会真正改变这门科学。
Shawn Wang 将 AlphaFold 概括为解决基态结构问题；Kulik 则强调，它处理的是球状蛋白质，主要由20种天然氨基酸组成，而材料范围从相对简单的铝，到氧化铁、金属有机成键和高熵合金。在更大的长度和时间尺度上，实验数据的缺失或解释性会让人“没有真正的办法知道自己对不对”。Kulik 还指出，AlphaFold 也会失败，而材料模型的失败后果可能更严重。

5. 瓶颈从计算转向证据与工艺

自动化实验室有些实验做得比人类更好，却在另一些人类觉得容易的实验上表现不佳；研究人员也在探索如何引入人类可能经历的偶然性或噪声。对于把材料推向器件尺度的人来说，关键“不只是材料，还有工艺”，但 Kulik 说，机器学习几乎还没有处理加工过程的影响。
文献提取还带来一个更隐蔽的数据质量问题。Kulik 的团队可以从实验图表中提取某种 MOF 的分解温度，也可以依据作者的文字解读提取，但“这两者并不一致”；现代 LLM 的提取结果仍容易出现假阳性，因此验证本身也成了一项额外开销。
Kulik 提出了一个开放问题：用一个领域最初30年的数据训练的模型，能否预测接下来20年的发现？不确定性量化或许可以帮助识别最值得补充的材料；共享云实验室，以及标准化、适合机器学习读取的报告格式，则可能让实验结果从论文发表当天起就具备复用价值。
Kulik 将学术界的资源与 Microsoft、Meta“基本无限的资源”进行对比，如今会避开那些主要靠堆算力就能解决的问题。她的团队通过 molSimplify 和 MOFSimplify 提供过渡金属与 MOF 设计工具，覆盖网站、Conda 和 GitHub，并支持机器学习预测和新结构生成；团队也在收集用户反馈，其中包括已经在使用这些工具的公司。

22. Token出海是赛博偷电？美国为啥电网建不好？- Ian | 电力侠 Vol.90 AI加速爆发的2026，我们该如何自处？---对谈潘乱+Koji