DeepMindGNoME已合成700余种新材料，AI科研从发现转向验证瓶颈

截至2026年，Google DeepMind开发的材料探索图网络GNoME已推动全球实验室成功合成超过700种预测的新材料，其中包括528种潜在固态电解质候选材料与5.2万种类石墨烯层状化合物。这一进展为下一代锂电池、钙钛矿太阳能电池等关键能源技术提供了实质性研发储备。值得注意的是，GNoME并非仅停留在理论层面——它在Nature发表的里程碑研究中，通过纯AI建模预测出220万种全新潜在晶体结构，其中超38万种被判定为热力学稳定的无机材料，数量相当于人类过去数百年积累的已知稳定无机材料总量的两倍，业内称之为“凝聚了过去800年的材料科研成果”。

传统材料研发高度依赖经验与试错：科学家需手动组合元素、反复调整烧结参数、等待同步辐射机时，一个博士生前两年常耗于养细胞、跑胶、调设备。计算一个含100个原子的体系，密度泛函理论（DFT）模拟可能持续数日，人只能守在服务器旁等待结果。而GNoME的介入显著降低了搜索成本：模型在虚拟空间中遍历元素周期表的组合可能性，快速筛除不稳定的构型，将人类原本需数年完成的“盲搜”压缩至数周甚至数天。

更进一步，当AI与自动化实验平台结合，效率提升更为直观。例如A-Lab全自主材料发现系统可实现“AI读文献→生成配方→机械臂配料→炉子烧结→XRD表征”闭环，不到一个月即制备出41种新材料；相比之下，五名博士后协同工作一年也未必能完成同等规模的实体验证。这并非意味着AI取代了科学家，而是将科研中占比高达80%的重复性试错工作交由机器承担——正如业内所言，“臭在它生成一堆垃圾，香在它真能捞出金子”。

AI并未发现新物理定律，其核心价值在于“在物理允许的边界内穷尽人类难以企及的组合空间”。GNoME的预测覆盖了大量人类因直觉局限或成本顾虑而从未考虑的元素配比与晶格构型，例如高熵氧化物、非化学计量比硫化物等。这些结构虽未突破基础理论框架，却极大拓展了可工程化材料的候选池。

在生物制药领域，AI的角色同样发生质变。以往药企依赖高通量筛选百万级分子库，失败率极高；如今流程逆转：AI先整合千万级文献与组学数据锁定真实致病靶点，再通过生成模型在结构合理性、毒性、代谢稳定性、专利规避等多维空间优化分子设计，代理模型先行淘汰低分候选，仅将数十个最优解送入湿实验环节。已有AI参与设计的候选药物推进至临床IIa期，并观察到肺活量改善指标，2026年进入III期试验阶段——这是人类首次实现端到端由AI深度参与并抵达临床后期的药物管线。

然而，突破背后存在清晰边界。FDA审批不关心分子是否由AI设计，只关注临床安全性与有效性；动物模型有效不等于人体耐受，打分高不等于无脱靶毒性。更重要的是，从“烧出一克粉末”到“装入新能源汽车电池包”，中间横亘着中试放大、良率控制、供应链整合、环评合规与成本管控等现实门槛。一位CRO（医药研发外包服务商）从业者曾调侃：“以前博士配液按小时收费，未来机器人配液可能按token计费。”但真正决定项目成败的，是实验室是否“关灯还跑”——即能否持续进行真实物理世界的验证迭代。

这也揭示了当前AI for Science的核心矛盾：瓶颈已从“想不出来”转移至“验不过来”。GNoME预测的220万结构中，部分实为已知相的微小变体；A-Lab合成成功，不等于工业界可规模化生产。谁掌握同步辐射装置、高分辨电镜、GMP车间或临床试验床位，谁才能接住AI抛出的“球”。资本关注点正从模型本身转向数据闭环与硬件落地能力——算力、机器人与中试线消耗了大部分投入，而纯算法公司常在融资轮中烧钱最凶。

DeepMind联合创始人Demis Hassabis在诺奖后访谈中明确表示：“这些工具是扩展人类直觉，而非取消人类判断。”AlphaFold团队负责人John Jumper亦强调，蛋白设计再精巧，最终仍需实验拍板。科学史上，望远镜与显微镜出现后，天文学家与生物学家并未失业，只是观测尺度变了；同理，AI不会让科学家下岗，只会重新定义其核心职责：从执行者转变为问题定义者、结果质疑者与验证决策者。

值得警惕的是，行业正面临“百模大战”式内卷风险。中国在工程化与制造链上具备优势，但若仅追逐论文发表与基准测试排名，忽视真实实验反馈与客户付费意愿，极易陷入“模型繁荣、落地空转”的陷阱。真正的价值不在AI生成了多少结构，而在有多少结构被制成器件、通过测试、进入产线。

目前，全球已有十余个类似GNoME的材料AI系统投入运行，包括MIT的MEGNet、斯坦福的Crystal Graph Convolutional Neural Networks（CGCNN）等。但尚未有任一系统实现全流程无人干预的工业级材料交付。下一阶段竞争焦点将聚焦于“可验证经验管道”——即模型每一步操作均连接真实执行环境并接受外部信号核验，确保学习经验“真的有用”，而非仅“看起来像那么回事”。

AI正在重塑科研的节奏与形态，但科学的本质仍未改变：它仍是基于证据的怀疑主义实践。机器可以加速生成假设，人类仍需负责证伪与抉择。当实验室深夜亮着的灯不再只为等待计算结果，而是为机械臂提供照明时，我们看到的不是人类退出舞台，而是科研进入一个更高效、更协作的新纪元。