材料科学迎来了自己的自主实验室模式
在曼哈顿中城的一间实验室里，一个机器人系统正在以极少的人为干预混合元素、熔炼合金、分析结构并测试性能。目标并不只是简单自动化，而是让 AI 提出新材料，执行评估所需的实验，从结果中学习，并以传统材料研究很少达到的速度重复这一循环。
这间实验室属于初创公司 Radical AI，该公司表示，这种方法可以缩短开发新工业材料的路径，应用范围从更耐用的喷气发动机到聚变能源系统。该公司的说法是，AI 不只是筛选已知配方，而是可以帮助推动完整的发现闭环。
为什么材料发现如此困难
开发一种新材料往往是一个非常缓慢的过程。科学家提出假设，合成候选材料，对其进行表征，测试，然后根据结果修正假设。Fast Company 称，这个循环可能需要 20 年或更久。这种滞后很重要，因为新材料的需求在上升，而世界同时还面临短缺、性能限制以及开采和制造带来的环境负担。
换句话说，材料科学充满高价值问题，但受限于实验速度。这使它天然适合可以搜索巨大设计空间的 AI 系统，以及能够在不等待人类工作时间的情况下执行大量重复测试的机器人。
Radical AI 如何描述其系统的工作方式
根据原文，该公司的 AI 系统可以在五秒内审阅 10,000 篇科学论文。当团队启动一个问题时，他们会向系统提供一组所需的材料属性。随后 AI 会利用 380,000 篇论文和来自实验室的 5,700 万个数据点，其中包括通常不会出现在已发表文献中的失败实验。
最后这一点很重要。在科学中，失败往往包含帮助缩小搜索空间的信息，但这些失败很少会在内部笔记之外被看到。Radical 的系统将它们作为工作记忆的一部分，然后提出从十几个到数百个候选材料供测试。
不是预测引擎，而是自驱动实验室
这间实验室围绕标准材料科学设备搭建，但工作流高度自动化。Fast Company 报道称，这套系统每天最多可进行 50 项实验，并计划在夏末前达到每天 100 项。CEO Joseph Krause 将其与一位人类材料科学家相比，后者一年也许只能做 50 项实验。
这并不意味着人类会从过程中消失。它意味着人类研究者会转向定义目标、评估结果，以及决定哪些方向真正重要。Radical 的设想是，由于系统吸收了大量文献回顾、假设生成和实验执行的负担，一位科学家可以同时专注于多个问题。
这可能改变什么
如果这一模式站得住脚，它可能改变工业研发中最顽固的限制之一：从所需性能指标转向可用新材料所需的时间。更快的发现并不能保证商业化，但它可以大幅拓宽筛选漏斗，让研究人员测试更多想法，并更早淘汰不良方案。
该公司去年完成了 5,500 万美元的种子轮融资，这反映出投资者正大量关注那些不只是总结科学，而是以更紧密的循环结合实体硬件来执行科学的 AI 系统。与软件基准相比，这是一种更难验证的说法。但如果 AI 真要重塑现实世界中的研究，这也是最重要的说法。
这间实验室为何引人注目
- 该系统将 AI 假设生成与自动化实验工作流结合起来。
- 它同时利用已发表文献和实验室内部数千万个数据点。
- 公司表示，实验室目前每天可进行 50 项实验，目标是 100 项。
多年来，AI 在科学中的角色常常被抽象地描述。Radical AI 正在提出一个更具体的论点：发现的未来，可能取决于那些能够阅读、推理，然后以工业速度亲自测试想法的机器。
本文基于 Fast Company 的报道。阅读原文。
Originally published on fastcompany.com