人类已经卷了一百多年的 " 物理学圣杯 " 竞赛，终于等来了 AI 选手下场。

刚刚，阿里达摩院联合中国人民大学高瓴人工智能学院、中国科学院大学等机构，发布了首个专攻超导材料发现的 AI 智能体 "ElementsClaw"（元素虾）。

只用了 28 个 GPU 小时，ElementsClaw 就给已知的 240 万种稳定晶体统统海选了一遍，预测其中的 6.8 万种可能是超导体。

对比人类 100 多年才发现 2000 多个超导材料的效率，AI 这简直是光速交卷。

快是快了，但靠不靠谱啊？

研究团队选了几种比较好合成的试了试，结果发现4 种是人类此前未知的全新超导体。

目前，他们已经把 AI 对这 240 万种材料的预测数据（有没有超导性、结构是什么、临界温度是多少等等）全部开放，欢迎更多研究人员一起来挖矿。

（插播一个直通车：https://science.damo-academy.com/#/material）

万一呢，说不定里面就藏着下一个改变世界的材料（doge）。

超导：寻找物理学终极材料，竟是 " 炒菜式科研 "？

1911 年，昂纳斯这位热衷于当 " 寒冰射手 " 的荷兰诺奖得主先是把氦气冻成了液体，再用液氦把水银冻到了 4K（约零下 269 ℃）附近。

这下水银彻底被他玩坏了。

啪，电阻没了！

电阻没了意味着什么呢，这么说吧，如果说普通的电线是乡下土路，电子在里面跑会磕磕碰碰、损耗能量，此时的水银就是一条高速公路，电子可以一路狂飙。

更绝的是，它还会把磁场完全挤出去，也就是 " 完全抗磁性 "。

于是，超导的全名 " 超级导电体 " 就这么诞生了。

有了这种材料，输电时电能几乎不会浪费，还能造出速度极快的磁悬浮列车，应用前景特别广。

最最刺激的是，超导材料还是磁约束核聚变装置托卡马克环的必要组件，人类没准能靠超导实现可控核聚变，直接终结能源问题。

但是，真要降到零下 269 ℃才超导，未免也太难用了，做啥都得配个大冰箱。

往后这一百多年，大家抱着极高的热情去寻找其他的超导体，就看谁能先找到个常温常压就变身的超绝材料了。

战果如下！

到现在，国际主流的超导体数据库 SuperCon 就收录了 2000 多种具有超导性的材料，而温度能到几十 K（其实这也是零下 200 多度了）的可能只有几十种。

难怪当 2023 年韩国团队宣称做出 " 室温超导体 "LK-99 时（事后证明是个大乌龙），从顶尖实验室到民科，全球无数人都掏出了自己的 " 炼丹炉 "。

物理学圣杯的诱惑实在太大了。

中国科学院大学金士锋研究员给了句辣评：

做超导体探索很多是 " 炒菜式科研 "。

咱们理解一下什么是炒菜式科研哈。

常压下转变温度超过 40K 的 " 高温超导体 "，物理机制至今没有完全被人类理解。

从铜基、铁基到镍基，几乎每一个重磅超导材料都是偶然发现的。

元素周期表上有 100 多种元素，物理学家缺乏一本菜谱的指导，只能不断调整油盐酱醋的比例，反复试错，今天多放点葱，明天少放点蒜。

" 和炒菜最大的不同是——发现超导材料的成功率还更低一点，可能做几十个实验只能有一个能成功。"

这也是他决定加入这个研究的原因。

百年超导，光靠人类有点卷不动了。

AI 来了，但做成 AlphaFold 那样还不够

让 AI 去替人大海捞针，是再自然不过的想法，毕竟生物学早就尝到了甜头。

2024 年，DeepMind 的 AlphaFold 就凭借着预测蛋白质结构的颠覆性表现，拿下了诺贝尔化学奖。

但猜超导可比猜蛋白质难多了。

蛋白质只有 20 多种氨基酸，序列规律相对清晰；晶体呢？元素上百种，原子之间还有各种离子键、金属键、共价键等等等等。

" 结构即功能 " 是生物学领域的一句名言。

晶体的世界要也能这么简单就好了……

这几年倒也不是没有突破。

DeepMind 的 GNoME 用 AI 一下子预测了 220 万种理论上存在的稳定材料，说是走完了人类 800 年的材料发现之路。

这个成果已经发了 Nature。

微软的 MatterGen 则是反向思维，根据人类想要的材料特性，让 AI 去设计新结构，也发了 Nature。

这符合从预测式 AI（predictive AI）到生成式 AI（generative AI）的技术趋势，即 AI 从答 " 判断题 " 进化到了答 " 填空题 "。

但在达摩院科学智能负责人荣钰看来，它们都有一个问题，那就是太单点了。

它们能告诉你 " 这可能是超导 "，但又不能告诉你以前有没有人研究过？合成方不方便？有没有毒性？成本高不高？

在现实科研里，可不是小手一点说 " 这是超导，那不是超导 " 就完了。

光是确定一种结构究竟有没有文献报道，可能就需要好几天，别一不小心就把前人踩过的坑全踩一遍。

就算发现了一种材料结构，要把它做出来并且调控到最佳超导状态，又是一轮漫长的 " 炒菜 "。

金士锋提到，他们曾经调控一个 2010 年就发现的铁基超导材料，到 2019 年才首次实现空穴掺杂，中间隔了接近十年。

一个经典提问对着所有物理学工作者贴脸发问：

" 一个物理学家能有几个十年？"

ElementsClaw：一个 "AI 材料学家 "

所以达摩院和人大这次没有做一个单点模型，而是一个完整的智能体。

这就是 ElementsClaw。

这只元素虾的核心架构 " 通专融合 "： 

一边是专门的 " 大原子模型 "Elements，能精准读懂三维晶体结构，判断材料是否超导、临界温度是多少；一边是大语言模型，能像真正的材料学家读 paper、查数据、做决策。

Elements 是一个 10 亿参数（AlphaFold3 参数量不到 3 亿）的几何深度图神经网络。

注意了，1B 参数量在 LLM 领域不算什么，但在材料学 AI 领域相当可观。

模型预训练阶段用到了 1.25 亿个分子和晶体结构；微调之后，这个模型在 22 个材料学基准测试上达到或接近 SOTA 水平。

更重要的是，他们首次在非大语言模型架构上验证了 Scaling Law，给这个原子模型更多参数、更多数据，它的性能真的能持续提升。

基于 Elements，李明泽等同学给 " 元素虾 " 长出了好几只钳子：

Elements-T 负责预测超导临界温度（Tc），平均绝对误差（MAE）只有 0.99K，几乎逼近实验误差；

Elements-C 负责判断材料是否超导，AUC 达到 0.996；

Elements-E 负责预测材料的能量和稳定性；

Elements-G 负责生成全新的晶体结构。

而智能体系统则负责做它最擅长的事，比如调工具、读论文、查数据库、分析可合成性、设计实验方案。

这个智能体有几个特点。

第一，它速度快。

240 万种晶体先扫描一遍，靠谱的留下，明显不靠谱的踢掉。

第二，它会 " 自我进化 "。

当它在文献中发现新的超导数据后，能自动微调自己的模型，给自己创造出新的 Skill。

第三，它能做决策。不是简单地预测性质，而是决定下一步该查什么、该怎么设计实验。

荣钰表示：" 如果说材料发现是大航海，那么通用模型就是帆船，专有模型就是指南针和六分仪。ElementsClaw 把这艘船和这些仪器组装在了一起，能实现在材料的海洋里面自动航行。"

4 种新材料，4 条路径

最有意思的是，随后由王历宏等同学实验合成出来的 4 种新超导体。

这是 AI 用 4 种不同的方法找到的（讲真，人类的脸有点痛）。

方法 1：" 漏网之鱼 " —— Hf ₂₁ Re ₂₅（临界温度 2.5 K）

就算是人类已经扒拉了无数遍的数据库，AI 也绝不空军。

这个材料其实早就躺在理论数据库中，但从来没被人试过。ElementsClaw 在文献和数据库交叉比对时把它捞了出来，做出来果然是超导。

方法 2：" 沉冤得雪 " —— Zr ₄ VRe ₇（临界温度 3.5 K）

这个材料就更冤了，人类在数据库里直接把结构算错了。

ElementsClaw 预测了一个不同结构，并且说是超导。实验一做，它说的都对都对。

方法 3：" 无中生有 " —— HfZrRe ₄（临界温度 5.9 K）

这个材料不在任何已知数据库里。

ElementsClaw 先锁定了 Hf-Zr-Re 这个有潜力的三元体系，基于结构预测工具生成了新的结构，并自己验证了其超导性。

方法 4：" 举一反三 " —— Zr ₃ ScRe ₈（临界温度 6.5 K）

在验证了 Hf-Zr-Re 体系的超导相后，AI 总结出一个结构模体：

保留 P6/mmm 富 Re 六方框架、保持 Re 子晶格完整。然后开始按这个来排查长得像的亲戚，最终找到了把 Hf 元素替换为 Sc 的 Zr ₃ ScRe ₈。

它的临界温度也是这次发现中最高的。

除了目前还没长出手做实验以外，它差不多已经是个 "AI 材料学家 "。

当然，这次发现的 4 种超导材料，临界温度都不算高，最高只有 6.5K，距离 " 室温超导 " 还远得很。

但走通 AI 智能体这条路，就很关键了。

自然界的材料中具有超导性的比例可能只有 3% 左右，而 ElementsClaw 推荐的命中率达到了 40%，高了整整一个数量级。

达摩院已经把这 240 万稳定晶体的预测数据库全部开放（https://science.damo-academy.com/#/material），全球科研人员都可以免费使用，共同挖掘这座富矿。

中国人民大学高瓴人工智能学院副教授黄文炳强调，AI for Science 从来不是要取代科学家，而是实现人机共生。

AI 负责大海捞针和重复性工作，把科学家从繁琐的文献调研和数据整理中解放出来；科学家则负责提出问题、引导 AI 思考、校对结果等，并且根据 AI 反馈的结果，形成新的科学知识体系。

"AI for Science 不是要取代人的主体性。" 他说。

物理学家找了一百多年的圣杯，终于有了 AI 队友。

没有完美方程的科学发现

这不是达摩院第一次搞 AI for Science。

5 月 20 日， Nature 发表了北大与达摩院的合作研究成果，利用 AI 数清开源卫星影像上的风机和光伏板，从 " 上帝视角 " 摸清中国的新能源家底，并提出了一种能源跨省协同的方案，一年能少浪费一座三峡大坝的绿电。

上个月，达摩院又推出了虚拟细胞模型 Lingshu Cell，用生成式 AI 模拟基因敲除或是药物对细胞造成的影响，降低药物研发的成本的和周期。

未来，《我不是药神》电影里刻画过的悲剧可能会少一些。

从电力能源，到生命制药，再到材料发现，AI for Science 直击人类难以驾驭的数据海洋。

黄文炳提到，传统科学研究遵循 " 还原论 "，即把复杂现象拆解成简单方程。但面对复杂的材料系统，这种路线遇到了 " 维度灾难 "。

而 AI 擅长的是另一种思路：从简单到复杂的 " 涌现论 "。

AI 不需要知道底层每一个细节，而是基于大量数据和基本物理约束，让模型从系统的外在行为中学习规律。

这正是 ElementsClaw 在做的事情。

它不是靠一个完美方程推算出超导材料，而是背靠 240 万种晶体库和海量文献的数据驱动，直接给出答案。

AI 时代，物理学还存在，但形态在改变。

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见