发现新材料,AI开启“自动驾驶”模式

南方周末研究员 柯玉圆

责任编辑丨曹妍

信息、材料、能源，被看作是现代文明的三大支柱。

材料是物质发展的基础和保障，新材料更是当前全球科技竞争的关键领域，也是推动产业变革的核心引擎。从传统制造到未来产业，新材料的突破正重塑着能源、信息、交通、医疗等多个行业的格局。

新材料的诞生，从来都不是线性的。它依赖偶然的灵感、漫长的试错，以及一代代科学家持续摸索的耐心。人工智能（AI）正在颠覆材料的研发范式。

困扰人类百余年的超导材料研发难题，最近被AI按下了快进键。

2026年7月3日，阿里达摩院等团队发布行业内首个超导材料发现AI智能体ElementsClaw。仅用28个GPU小时（总算力消耗），它就完成了240万晶体结构筛选，并预测出6.8万个超导候选材料。

研究团队依托1.25亿个分子和晶体结构的数据库，预训练出1B（10亿）参数的原子基础模型Elements，可精准预测材料的超导属性和临界温度。

1911年，荷兰物理学家海克·卡末林·昂内斯（Heike Kamerlingh Onnes）在实验中发现，汞的电阻在冷却到液氦温度（-269°C）时会突然降至零，实现电流无损耗传导。他将这种特殊的导电性能称为“超导态”，并将使导体进入超导态的温度称为“超导临界温度”。

1933年，瓦尔特·迈斯纳 (Walther Meissner) 和罗伯特·奥克森菲尔德 (Robert Ochsenfeld) 通过磁场测量实验观测到超导体的完全抗磁性，即“迈斯纳效应”。

此后近百年间，全球科学家持续攻关，目标是突破低温桎梏、挖掘具备实用价值的超导材料。超导材料的低温零电阻和完全抗磁性这两大核心特性，可支撑量子计算机、磁悬浮列车、可控核聚变等前沿产业。

不过，可能具有超导性的元素或者组合近乎无穷无尽，人工计算筛选的成本极高，过往铜氧化物、镍酸盐、硼化镁等超导材料，几乎都是依靠偶然的实验意外发现，缺乏高效的预测手段。

AI扭转了“靠运气找材料”的被动局面。不同于普通AI工具仅做数据计算，ElementsClaw不仅能像人类材料学家一样查阅文献、评估合成可行性、设计实验方案，还能在迭代中实现“自我进化”。

借助ElementsClaw，团队已合成并证实4种新超导材料：从现有数据库中“打捞”的Hf₂₁Re₂₅、纠正数据库构型错误后“正名”的Zr₄VRe₇、AI从头设计生成的HfZrRe₄、基于类似结构举一反三得到的 Zr₃ScRe₈，其中最高超导临界温度达6.5K（-266.65℃），而常压下最高纪录是2026年3月人工突破的-122°C。

虽然距离人类创造的最高纪录还有差距，但AI在这里已经跳出预测、筛选的基础功能，具备纠错、设计新材料的创造能力。

ElementsClaw发布的半个月前（2026年6月17日），芬兰阿尔托大学等团队在美国学术期刊《物理评论研究》（Physical Review Research）发表论文Machine-learning-guided discovery of kagome superconductors YRu₃B₂ and LuRu₃B₂，报告他们借助AI技术发现了两种新超导材料，佐证了整合机器学习筛选、第一性原理理论和实验合成对加速发现新超导材料的有效性。

当前，绝大多数的超导材料仍需极端低温方显超导性，高昂的冷却成本限制了落地场景。而AI的高效筛选能力，为人类追寻常温超导材料打开了新通路。

如果说AI发现超导材料是单点技术突破，那么2026年上半年中国陆续发布多个“AI+材料”平台，则呈现出“面”上的布局，形成数据基础设施、大模型、智能体三者协同发展的科研生态。

▲南方周末研究员根据公开资料整理；AI协助制图。

数据是AI的底层“燃料”，一批细分材料品类专用数据库的建成，为模型训练、智能分析提供了标准化、高质量的数据源。

2026年6月25日，中国科学院宁波材料技术与工程研究所等团队发布的“MarineMat AI”，汇聚了数万种海洋关键材料的设计、合成、性能评价和应用数据，补齐海洋特种材料的数字化短板。

这些基础设施为AI模型提供训练所需的“母语”，让AI在处理海洋材料问题时有据可依，在一定程度上减少了幻觉。

在数据底座之上，中国材料大模型以垂直专用型为主，深耕单一细分材料赛道。4月15日，华东理工大学推出高分子材料大模型“Chat AIPolym”‌，其支持多模态对话、多输出预测、设计准则推荐，可直接响应“绘制化学结构”“预测聚酰胺性能”等专业指令。

而基于通用大模型打造的AI智能体，可覆盖多种材料品类，适配多个科研流程。3月，中国科学院东莞材料科学与技术研究所发布MatChat 2.0，其依托超过80万篇覆盖新能源、电子信息、生物医用材料等领域的学术论文搭建数据库，从材料合成与制备、性能表征与测试，到学术论文撰写、项目申报等环节，为科研人员提供智能辅助。

更进一步的“AI+材料”解决方案，是整合数据库、大模型、自动化实验设备等的协同智能体系统。

2026年1月，中国科学院深圳先进技术研究院打造出“MARS”，其构建了包括“PI（项目负责人）”“设计师”“编程师”“实验师”“分析师”的模拟团队，协同调度19个专业智能体和16类自动化机器人设备，覆盖“任务规划—实验设计—代码编程—实验执行—数据分析”的闭环。团队利用MARS完成灭火微胶囊等工艺的开发和优化，多个微胶囊产品已走上货架。

数据基础设施、大模型、智能体三者并非孤立，而是形成“数据—模型—执行”的闭环链条。AI已不止于“检索”和“预测”，更开始“设计”路线、“调用”设备、“验证”结果，将材料科学从“经验试错”时代推向“智能创造”。

AI已嵌入材料研发的全流程，但“会回答问题”“会调用工具”“能自主做实验”并非同一层次的能力。AI在材料研发上究竟“自主”到了什么程度？我们距离AI材料科学家又有多远？

2026年5月26日，中国科学院院士张统一团队在聚焦材料信息学领域的学术期刊Journal of Materials Informatics，发表论文A survey of agentic materials science and engineering: where are we and where are we going？

团队借鉴汽车工业的自动驾驶分级，提出一个从人工流程到AI材料科学家的六级自主性框架，并逐一映射材料研究的五大核心任务，即信息提取与假设生成、性能预测与设计、仿真与多尺度建模、自动化实验合成、表征与数据分析。

▲AI智能体材料科学与工程的六级自主性框架及任务映射；图源：Journal of Materials Informatics。

上述六级自主性框架的定义分别是：

Level 0:纯人工完成的传统科研流程；

Level 1:大模型辅助分析，比如检索信息、总结文献、做出简单预测，但需要人类验证；

Level 2:工具增强型智能体，可以自主利用数据库、模拟器等提出合成路线并预测材料属性；

Level 3:协同规划型智能体，不仅能调用工具，还能自主分解成多步任务，常见于多智能体架构，规划、执行、检查等由多个智能体分工完成；

Level 4:自主实验室型智能体，能直接控制实验设备，形成“设计、执行、采集、反馈”的闭环，人类只需在关键节点或出现异常时介入；

Level 5:AI材料科学家，能自主完成提出假设、设计实验、执行实验、总结发现等研究周期，人类只需给出大致的研究方向，具体研究主题甚至可能源自AI的“好奇心”。

研究团队发现，AI在材料研究的五大核心任务的自主化水平上存在差异，在信息提取与假设生成、性能预测与设计、仿真与多尺度建模上，多停留在Level 3阶段；而在表征与数据分析、自动化实验合成上，展现出更高级别的智能（Level 4）。

也就是说，让AI“动手”执行相对容易，“动脑”判断则较为困难。目前，大多数“AI+材料”平台处于Level 3，仅有少数在探索Level 4，而Level 5尚属于长期愿景。

在材料研发的征途上，AI想要成为真正的材料科学家，仍任重而道远。

2023年11月，DeepMind发布的GNoME材料大模型，因为预测了220万种新晶体、其中38万种为热力学稳定结构，将研究效率提升25倍，成为AI在材料科学领域的标杆性成果。两年多过去，2026年初科学家们发现它所生成的晶体数据库中存在大量的重复或近似重复结构，对其数据真实性的质疑‌‌也蔓延开来。

一位AI材料科学家的诞生，不仅需要AI拥有主动感知和交互的能力，还需配套长期的动态评估机制和安全治理规范。