新材料市场为人工智能服务科学、推动研发革命性发展提供了机遇。
数据驱动的材料发现与自动化设备集成，正在成为新材料研发的新范式。
借助领域专业知识与数据驱动的洞见，AI赋能平台有望变革材料科学。
设想这样一个场景：大卫是一家顶尖人工智能（AI）赋能实验室的材料科学家，他与一个AI平台协作，设计一种新型高性能复合材料。该平台即时生成数百万种前所未有的分子结构，筛选其可行性，预测其性能，并提出具有成本效益的合成路径。
随后，该平台自主生成合成任务，并将其分派至高通量实验设备。通过由快速AI反馈推动的多轮迭代，大卫获得了一项突破性配方。系统评估他的研究结果，建议进一步优化，并提醒项目经理着手开展规模化生产。
在不久的将来，这一场景很可能会成为开发新材料的高科技企业的日常工作。得益于AI的进步，如今的材料科学家正以前所未有的速度取得突破，满足了对新型材料的迫切需求，而这些材料能够推动各行业实现脱碳。传统材料往往难以满足下一代绿色技术的需求，成为气候应对工作的瓶颈。
然而，正如世界经济论坛报告《2024年十大新兴技术》所强调的，AI正在彻底改变我们发现和应用新知识的方式，有望解锁更高效太阳能电池、更高容量电池以及关键碳捕集技术所需的先进材料，加快我们迈向碳中和的步伐。
这一技术变革正处于关键时刻。随着全球对有限资源的竞争加剧，应对气候挑战的紧迫性日益增强，先进材料的突破将成为实现更清洁、更具韧性技术的基础。
AI作为通用材料工具
传统的材料开发方法主要依赖经验、直觉和反复试错，越来越难以应对当前挑战。如今，材料科学家和工程师面临若干关键障碍：
从数以千万计的可能结构中识别有潜力的目标分子。
设计兼具经济效率与环境可持续性的合成路径。
优化产品配方，以满足复杂的市场需求。
将工程工艺从实验室有效放大至工业化生产。
这正是“科学AI”（AI4S）发挥变革性潜力之处。在大规模数据集上训练的先进机器学习模型，结合高通量计算方法，能够在极短时间内预测大量物质的性能，并依据所需参数快速筛选候选材料。
除了预测材料性能的判别式模型，生成式模型还能够根据所需性能直接设计分子结构，从而创造出所需的分子。
深度原理公司最新的生成式模型ReactGen例如，它能够通过学习底层反应原理，提出新颖而复杂的化学反应路径，从而实现高效且具创新性的合成路线发现。
这些模型还能够生成并迭代探索多样化的合成路径，结合化学信息与物理约束，推荐可行的反应路线。在产品配方方面，AI可实现多目标优化，精准满足复杂多变的市场需求，从而显著节省人力资本、材料资源和研发时间。
AI驱动材料创新的全球竞赛
从微软、谷歌到劳伦斯伯克利国家实验室，全球科技领导者纷纷推出大胆举措，例如MatterGen和GNoME，利用AI大幅提升材料研究的规模与精度。
与此同时，XtalPi等新兴企业正在构建集成化的数据生成与推理“飞轮”，将自动化实验室与先进AI相结合，以前所未有的规模实现加速的迭代式发现。XtalPi正在构建集成的数据生成与推理“飞轮”——将自动化实验室与先进AI相结合——以前所未有的规模实现加速的迭代式发现。
“2024年对于AI科学生态系统中的初创企业而言也是变革之年，尤其是在生物技术以及化学和材料科学等新兴领域，”段晨如及其他AI科学社区组织者在其年度回顾中写道。
在生物技术和制药领域，已取得多项重要里程碑。XtalPi以25亿美元的估值成功上市，其他知名公司如Terray Therapeutics和Iambic Therapeutics在推进药物研发管线的同时，完成了大额融资。
一个突出案例是Isomorphic Labs，是谷歌DeepMind旗下的衍生公司。该公司宣布与礼来和诺华建立战略合作伙伴关系，获得8250万美元预付款，并预计潜在总金额达30亿美元（不含特许权使用费）。这一合作凸显了专业AI模型的巨大商业价值，即便对于成熟的大型制药巨头亦是如此。
与此同时，专注于化学和材料科学的初创企业也开始涌现。诸如Orbital Materials和DP Technology等公司分别发布了大型预训练机器学习势函数Orb和DPA-2，旨在以更高精度加速分子动力学模拟。
此外，新锐初创企业如CuspAI、Lila Sciences以及我们自己的深度原理，已成功完成种子轮融资，各自致力于重塑化学和材料发现领域。
就深度原理而言，我们正通过运用生成式AI模型，推动材料创新从发现走向设计。我们将生成式AI、量子化学和自动化实验整合到统一的工作流程中，实现从分子生成、合成设计到反应及配方优化的完整链条，其中我们自主研发的生成式AI平台将是关键之一。
为新材料时代架起桥梁
尽管这一新范式前景广阔，但在AI4S实现广泛的产业化应用之前，仍面临重大挑战：
数据局限：AI模型的有效性从根本上取决于能否获取大量高质量的实验数据，然而材料开发数据集往往存在不完整、不一致和不准确的问题。在许多情况下，高通量实验条件仍然受限，而专有配方依然是受到严密保护的工业机密，使得大规模获取真正全面且准确的数据十分困难。
复杂的生产环境：材料性能特征在不同应用场景和制造条件下差异显著，这对AI模型在受控实验室环境之外的泛化能力提出了挑战。
高昂的开发成本：该领域需要大量资本投入和持续的技术迭代，并要求多学科团队具备涵盖材料科学、化学、AI算法及实际应用经验的多元专长。
为克服这些障碍，企业和研究机构往往倾向于建立合作伙伴关系，共同创建通用或特定领域的数据集，同时通过迭代开发周期持续改进算法。
关键在于，将纯数据驱动方法与第一性原理方法相结合可增强可扩展性：深度学习算法擅长拟合现有数据，而第一性原理和领域知识则能有效外推至经验数据有限或完全缺失的领域。
AI推动材料创新的新时代
AI正迅速成为关键力量，开启材料创新的新时代。其无与伦比的能力在于，能够扫描和评估已知结构与组合的广阔空间，使科学家得以快速识别最优材料，而这些材料若依靠传统方法，可能需要数年甚至数十年才能发现。
生成式AI模型更进一步，能够直接创造前所未有的新型分子和反应路径，并针对特定应用量身定制，在逆向设计与创新方面开辟前所未有的可能性。与自动化实验平台集成后，AI可实现假设、预测与验证的快速高效循环，极大加速从理论发现到规模化工业生产的进程。
世界经济论坛如何为人工智能建立保障机制？
人工智能卓越中心汇聚各行业领袖，共同理解人工智能的快速演进及其对经济体与社会的影响。该中心支持围绕AI应用所涉及的机遇、风险与权衡展开知情对话。
通过可信空间与合作倡议，该中心助力合作伙伴建立共识，并携手推进负责任的AI创新与应用。
这种灵活性远不止带来便利，它直接解决了传统材料研发中长期存在的瓶颈——传统研发往往耗时长、劳动密集且成功率低，已难以满足快节奏市场和行业日益增长的需求。
通过促进无缝的跨学科乃至跨境合作，并同时利用领域专业知识的深度与数据驱动洞见的广度，AI赋能平台有望变革材料科学，为全人类提供更可持续、更稳健的未来所需的突破。
