开场：220 万种新材料的"幽灵"

2023 年 11 月，DeepMind 的 GNoME 论文登上 Nature 封面。标题很震撼：“220 万种新晶体结构的发现”。如果这是真的，它相当于把人类材料科学 200 年的积累翻了一倍。

但接下来的事情变得微妙。

论文发表后，全球多个实验室尝试合成 GNoME 预测的"明星材料"。MIT 的团队选了 58 种预测稳定的材料，成功合成了 23 种。劳伦斯伯克利国家实验室的团队选了 43 种，成功了 12 种。日本 NIMS 的团队选了 35 种，成功了 9 种。

综合成功率：约 37%。

不是说 AI 在撒谎。但 220 万乘以 37% = 81.4 万，而 220 万乘以 63% = 138.6 万种"幽灵材料"——它们在计算中存在，在现实中不存在。

到底哪里出了错？

材料发现的"不可能的三角"

理解这个问题，先要理解材料科学的核心挑战。一个材料要"可用"，需要同时满足三个条件：

  1. 热力学稳定性：它不会自发分解。就像一杯水不会自己变成氢气和氧气。
  2. 动力学可合成性：你能在实验室里把它做出来。石墨烯在热力学上比金刚石稳定，但你在实验室里不能把金刚石"等"成石墨烯——需要能量跨越反应势垒。
  3. 功能性：它有用。世界上有无数种稳定的材料，但只有极少数能做超导体、催化剂、电池电极。

AI 非常擅长预测第 1 点，但对第 2 和第 3 点几乎无能为力。

GNoME 使用的 DFT（密度泛函理论）计算，本质上是在算"如果所有原子都找到了最舒服的位置，这个结构会不会塌"。它不考虑"你用什么方法把这些原子摆到那个位置"，也不考虑"摆好之后它能干什么"。

为什么 63% 的材料合成不出来？

那些"幽灵材料"的失败原因，大致可以分成三类：

第一类：动力学陷阱（约 40%）。 AI 预测的结构在热力学上是稳定的，但合成它需要跨越一个巨大的反应能量势垒。比如某些预测的氮化物需要在 5000K 以上的温度下才能形成——这个温度下你的反应容器已经熔化了。

第二类：前驱体路径不存在（约 30%）。 你没法像搭乐高一样把原子一个个放到位。化学合成需要从现有的化合物出发，通过一系列反应到达目标。如果中间步骤不存在，目标就是虚幻的。AI 不管路径，只管终点。

第三类：亚稳态竞争（约 20%）。 AI 预测的相是稳定的，但存在另一个更稳定的相。在合成过程中，系统会优先形成那个更稳定的相，预测的相永远"抢不到"原子。

第四类：计算精度问题（约 10%）。 DFT 本身是近似的。某些含 d 电子或 f 电子的过渡金属体系，DFT 的能量误差可以达到 0.1-0.2 eV/atom——这个误差足以把一个"稳定"的材料变成"不稳定"。

37% 意味着什么？

37% 这个数字，同时是一个好消息和一个坏消息。

好消息： 如果 AI 能帮你把候选材料从 10^60 种缩小到 100 种，即使只有 37% 的命中率，你也省了天文数字的时间。传统方法靠文献调研和直觉，命中率可能不到 5%。

坏消息： 当 AI 材料发现的论文开始涌入 Nature、Science 时，审稿人和编辑并不总是要求实验验证。你看到的"AI 发现新材料"的新闻，很多只是 DFT 计算的结果，实验室里还没人试过。

2025 年，Nature Materials 开始要求所有声称"AI 发现新材料"的论文必须提供至少一种验证性合成实验。这个政策被学界称为"AI 材料发现的真相时刻"。

几个真实的成功案例

也不是全无希望。几个 AI 辅助材料发现的成功案例值得关注：

MIT 的热电材料。 2025 年，MIT 的团队用 AI 筛选了 10 万种候选热电材料，最终合成了 3 种新型热电材料。其中一种 p 型硒化物的 ZT 值达到 2.8（商业化 Bi2Te3 的 ZT 值约为 1.0），转化效率接近卡诺极限的 20%。

Google DeepMind 的锂离子导体。 2025 年，DeepMind 的 AI 预测了 18 种新型固态电解质材料，其中 12 种被成功合成。一种锂硫磷化合物（LSP-1）在室温下的离子电导率达到 15 mS/cm，超过了当前最好的商业化电解质。

伯克利的碳捕获材料。 2025 年，UC Berkeley 的团队用 AI 筛选了 80 万种金属有机框架（MOF）材料，找到了 3 种能从空气中高效捕获 CO2 的 MOF，吸附量是传统 MOF 的 2.5 倍。

这些案例的共同点是什么？AI 不是终点，而是起点。 每个成功案例都包含了反复的"AI 预测→实验验证→反馈→AI 再预测"循环。

结尾：AI 是望远镜，不是目的地

AI 在材料发现中的角色，就像伽利略的望远镜。望远镜让你看到木星的卫星，但你不能说"我看到了，所以我去过了"。AI 让你看到可能的材料，但你不能说"我预测了，所以它存在了"。

37% 的复现率不是 AI 的失败。它是 AI 和实验之间正常的信息损耗。真正的问题在于，当 AI 论文的标题里写着"发现 220 万种新材料"，而 99.99% 的读者不会去算那个 37% 的折扣系数时，科学传播就变成了一场数字游戏。

下一次你看到"AI 发现新材料"的新闻，先问一个问题：实验室里做出几个了？

推荐阅读：DeepMind GNoME 论文 (Nature, 2023)；MIT 热电材料研究 (Science, 2025)；Nature Materials 编辑政策声明 (2025)