人工智能与循环经济将成为人工智能时代材料未来的关键

• 气候转型本质上也是材料转型——这是一个受时间和环境压力制约的规模化挑战。

• 转型不能只依赖开采；我们需要新型、更高效的材料，以及让现有材料持续发挥作用的循环系统。

• 人工智能为解决气候转型中材料密集型挑战带来了重大机遇，但必须与循环经济要求相结合。

人类进步的每一次重大飞跃，都由材料领域的突破所催化。铜开启了电气化时代，钢铁建起了城市，硅推动了计算时代，如今锂正为全球能源转型提供动力。

能源转型委员会指出，气候转型本质上也是材料转型。该委员会的分析估计，从现在到本世纪中叶，要在2050年前实现净零排放，需要约65亿吨材料——这是一个受时间和环境压力制约的规模化挑战。

越来越清楚的是，转型不能只依赖传统开采。我们既需要新型、更高效的材料，也需要让现有材料持续发挥作用的循环系统。这意味着要重新思考如何在各大工业系统中发现、生产和再利用材料。

然而，材料创新历来进展缓慢。新发现通常源自偶然，或数十年循序渐进的实验。塑料历经50多年才得到普及，而锂离子电池的成熟又多花了数十年。

人工智能学习材料的“语言”

如今，人工智能（AI）带来了与过去截然不同的结构性变革。支撑更广泛人工智能浪潮的生成式与扩散式计算技术和架构种类繁多，正接受训练以学习“物质的语言”：从物理学、化学和材料科学的海量数据集中发现规律，从而以前所未有的规模提出新型材料。

研究界已经积极投入。根据Semantic Scholar文献研究作出的估算，2014年，只有264篇材料科学论文提及人工智能或机器学习在材料领域的应用。到2024年，这一数字已增至近1万篇。

与此同时，大型科技公司迅速采取行动，Alphabet（通过DeepMind）、微软、Meta、NVIDIA和IBM发布材料基础模型，并启动大型材料计划。过去几年，风险投资活动也同步加速，为新一批初创公司注入数亿美元，推动其进军这一领域。

描绘新兴的材料与人工智能生态系统

新兴生态系统涵盖了多种创新类型和方法，旨在推动新材料开发直至商业化规模生产。大致可分为以下几类：

• 基础模型作为“物质搜索引擎”：处于基础层的是模型开发者，例如CuspAI和微软的MatterGen，它们正在开发能够预测新晶体结构和性质的生成式模型。训练这些系统需要强大的计算能力、深厚的科学专业知识和广泛的实验验证。

• 用于自主发现的自动化实验室：像Lila Sciences和Radical AI这样的公司正在建设机器人实验室，以极少的人为参与来设计、合成和测试材料，形成从数字预测到物理验证的闭环。这使数字与物理环节之间的迭代周期缩短，测试吞吐量也显著高于以往完全依靠人工的方法。

• 企业平台为工业界提供材料信息学工具：来自Citrine Informatics、PhysicsX和NobleAI的工具充当研发的操作系统。它们整合分散的数据、推荐实验，并让工业领域的科学家能够使用先进人工智能，将这些模型和工具应用于自身的开发挑战。

• 传感与表征的硬件基础：最关键的瓶颈或许在于实验硬件。高质量、结构化的实验数据是训练每个模型的燃料。进展将取决于更快速、更自动化、保真度更高的表征工具。

当下的材料市场？尚处早期、令人振奋，也并不完善

这场变革浪潮显然尚处早期，一些预期或许已经超前于商业成熟度。然而，这种热情反映了真实的潜力。正如未来学家罗伊·阿马拉所说：“我们往往高估一项技术短期内的影响，却低估其长期影响。”

在乐观情景下，材料领域可能迎来一个“TechBio时刻”。正如计算生物学正在改变药物发现，计算材料设计也可能重塑材料产业，将一个曾由偶然发现主导的过程，转变为由计算引导的过程。

应用涵盖所有主要行业：

• 能源：高能量密度电池、太阳能材料、清洁制氢催化剂

• 交通出行：轻质复合材料、耐高温合金

• 消费品：新型成分、兼具性能与循环性的聚合物

• 电子产品：柔性半导体、量子材料、节能涂层

随着人工智能加快发现流程并拓展潜在材料组成的范围，问题不在于能否实现新的突破，而在于这些突破能多快从预测走向生产，并从生产走向融入实体经济的循环体系。

在悲观情景下，生产环节可能成为瓶颈。化学设计空间大得惊人。人工智能可以在数小时内扫描数百万种可能性，但找到稳定结构只是挑战的一半。潜力巨大，但实现现实世界影响的道路错综复杂。

必须跨尺度预测材料性质，从电子构型到机械强度皆是如此。例如，热力学稳定并不保证材料能够合成。现实生产取决于反应动力学、压力和温度范围、前体材料的可获得性以及杂质控制。

挑战不仅在于制造什么，还在于如何可靠、安全、经济且规模化地制造。

以循环视角推动材料人工智能

材料创新不能脱离地球的承载限制。采矿会影响生物多样性，而管理不善的材料（如塑料）则会成为污染物。人工智能的真正潜力，在于将发现与循环设计相结合，例如：

• 材料减量：以更少投入实现更多产出

• 延长使用寿命：预测腐蚀和疲劳，并让维修、翻新和再利用变得简单

• 再生：设计生物基、可生物降解的投入材料，使其能够安全降解

• 闭合循环：利用人工智能引导的传感与过程控制，将尾矿、废料和报废材料转化为高纯度原料。

只有当这些突破能够减少材料开采的足迹，而不只是生产更多材料（和废弃物）时，相关收益才能在现实世界产生影响。然而，技术本身无法解决一个结构性挑战。

材料领域的人工智能发现必须同时配合商业模式创新，例如材料即服务和基于绩效的合同；对收集、分拣和再加工系统的基础设施投资；以及监管制度的演进。若缺乏这种协同，即使是最出色的人工智能发现材料，也只会加速线性资源消耗。

还有一点需要注意：人工智能自身的处理足迹也需要审慎考量。人工智能或许看似虚无缥缈，但其足迹绝非如此。每训练一个新模型、每响应一次数据请求，背后都依托着大量实体资产，包括服务器、电池、冷却机组、铜缆和冷却用水。

Arup指出，隐含碳——即材料和施工过程所产生的排放——目前约占典型数据中心全生命周期排放的20%；若完全使用可再生电力，这一比例将升至近100%。在蓬勃发展的人工智能资本支出建设中，循环材料考量应当置于核心位置。

然而，当材料发现领域的人工智能与循环理念相结合时，它就不仅能加快创新，还能以更明智的方式促进再生，确保为下一次工业革命提供动力的分子帮助修复地球，而不是消耗支撑其存续的地球。

人工智能赋能材料创新尚处早期

鉴于这一领域尚处萌芽阶段，可以说我们仍在发展周期的早期：初创公司不断涌现，研究计划持续扩大，行业 incumbents 开始尝试——不过，对最终应用或商业架构还没有很明确的设想。

第一波发现主要聚焦于优化和改进已知材料。生物技术获得认可的转折点，出现在大型制药公司开始围绕计算生物学重建其发现体系之时。

对于材料领域，类似的转折点将出现在工业 incumbents 开始与人工智能原生初创公司共同开发新型催化剂、聚合物和合金之时。联合发现计划、数据共享联盟以及针对人工智能设计材料的承购协议，都将标志着该领域从承诺走向平台化。

简而言之，人工智能时代为解决气候转型中材料密集型挑战带来了重大机遇。然而，要让这波创新真正对地球产生影响，人工智能的突破性潜力必须与循环经济要求相结合。

成功的真正衡量标准不只是发现新材料，还要看它们能否融入再生体系——这一体系需要新的商业模式、关键基础设施和监管协同作为支撑。

通过有意识地将人工智能的加速能力与循环理念相结合，我们可以确保下一次技术工业革命由与其来源自然系统和谐共存的材料驱动，并开创一种新的工业范式——建设再生型而非开采型的未来。