Material Abundance

Radical AI 的核心论点是，材料创新被困在代价高昂的商业化鸿沟中：一个新系统可能需要“超过1亿美元”和“10年以上”，有时甚至20至25年才能上市。 学术界追求基础理解，企业研发则瞄准1%、2%或5%的改进，因而留下了一个与商业需求直接挂钩、完全敞开的突破空间。

其拟构建的护城河，是将 AI 推荐与一座每天进行100项物理实验的机器人实验室连接起来的闭环数据飞轮。 Krause 在 Army Research Lab 工作期间，全年大约完成50项实验；即便政府项目每年能完成400至500项，也只相当于 Radical AI 运行约1周。合成结果、失败记录、显微图像和性能测试会通过主动学习反馈给下一项实验。

商业模式将延伸至规模化和制造，因为发现与商业化不可能长期割裂。 一块四分之一大小的实验室“按钮”样品，可能需要变成重达400磅的部件，同时保持原有性能。因此，Radical AI 计划规模化销售材料：在有用时保护材料配方，但将低成本加工诀窍视为更深层的商业秘密。

语言模型位于 Radical AI 复现科学直觉的押注中心，背后由基于 GNN 的 MLIP、生成模型、计算机视觉、仿真和实验室分析模型提供支持。 关键任务不只是预测原子尺度的力，而是综合论文、专利、实验、图像、成功与失败记录，判断下一步该做什么实验。Colindres 称，科学实验室是可能最好的“真实基准”评测。

高熵合金是最初的商业切入口，因为它们结合了适用于高超音速、聚变及其他极端环境的多种性能。 高超音速材料必须同时承受超过 Mach 5 的速度、高温、高压、氧化、成本约束和供应链限制。Radical AI 最近获得的 Air Force Direct-to-Phase-II 项目，正是将高通量实验应用于高超音速系统合金。

实验数据，而不是又一个边际改进的模型架构，被视为稀缺的战略资产。 Krause 估计，他在 Army Research Lab 的工作中有“90%”没有成功，也从未被记录下来；即使现有实验笔记，也往往没有标签、信息不完整，若不知道科学家的意图，几乎无法解读。Radical AI 认为，掌控实验室就能把这些原本会丢失的痕迹转化为结构化、带上下文的数据。

管理层为科学上行空间设定了激进时间表，同时保留了必要的条件限制。 Colindres 预计，如果“我们按计划推进并实现目标和路线图”，未来12至24个月内可能出现材料领域的 AlphaGo Move 37；他预计6个月内形成原生多模态内部模型，并可能在6至12个月内发表或发布。更长期的目标，是在不为每个材料类别准备数百万样本的情况下实现跨类别迁移。

主要执行风险仍集中在物理自动化、模型是否真正理解，以及工厂级可复现性。 一些老旧仪器仍需科学家操作，有些使用数十年的设备无法让软件控制其泵、腔室或热源；Colindres 也表示，他们尚不能证明模型拥有基于原理的理解，而非记忆式启发。Krause 坚持：“除非能在实验室里做出它，否则它就不是新材料”——而要成为商业材料，还必须实现规模化。

🔗 原始收听与视频来源： 材料丰裕：Radical AI 的闭环实验室实现科学发现自动化