DeepMind 发布 GNoME：一口气预测 38 万种稳定新材料

想象一下，几条机械臂在一间堆满仪器的房间里通宵忙碌。一只手臂抓取原材料称重混合，另一只手臂在轨道上来回滑动照看高温烤炉，还有一只在小心翼翼地给样品封盖。这不是在做精密西点，而是在为下一代电池和超导器件碰运气。

过去几千年里，人类寻找新材料的方式更像是爱迪生试灯丝：不断用经验和直觉去猜，试错成本极高。但现在，Google DeepMind 联手学术界，直接把这个进度条拉快了几个世纪。

220 万个新结构，把稳定晶体库扩充 10 倍

DeepMind 团队在《自然》杂志上发表了一项名为 GNoME 的 AI 工具。它学习了美国劳伦斯伯克利国家实验室（LBNL）Materials Project 数据库里的数万种已知材料，随后一口气生成了 220 万种全新的晶体结构。

在材料学里，光想出来没用，最核心的一点是它会不会在现实中自己散架或者爆炸。GNoME 结合量子力学计算层层筛选，最终预测出 38 万种稳定材料。换句话说，它把人类已知的稳定晶体数量直接扩大了接近 10 倍。

DeepMind 研究员 Ekin Dogus Cubuk 提到，以前科学家受限于自己的思维定势，很难凭直觉想到包含五六种元素的复杂结构。AI 摆脱了这种偏见，把下一代固态电池电解质、高效太阳能电池甚至高温超导体的可能候选者，一口气堆到了科研人员面前。

机器人连轴转 17 天，做出 41 种新材料

电脑上算出来的公式再好看，造不出来也是白搭。为了验证这些预测，伯克利实验室的自动实验室 A-Lab 亲自下了场。

这套全自动系统挑了 58 种预测出的新晶体，让机械臂根据 AI 推荐的配方自己调配粉末、加热反应、检测结果。如果烤糊了或者蒸发了，系统就自己调整配方再试一次。

在连续 17 天的实验里，A-Lab 成功合成了其中的 41 种，成功率达到 71%。这不仅证明了 AI 算出来的图纸不是空中楼阁，也证明了实验室可以像无人流水线一样连续自主运转。

不过，也有业内学者表达了担忧。犹他大学材料学者 Taylor Sparks 就泼了冷水，他认为现在的问题从来不是缺少未知的材料，而是现实中合成和筛选的产能远远跟不上。如果 AI 只管盲目生产几十万个理论结构，却不针对具体性能进行定向优化，现实中根本没那么多实验室能验证得过来。

为什么重要

这可以说是材料科学领域的 AlphaFold 时刻。DeepMind 的副总裁 Pushmeet Kohli 也直接把两者放在一起类比，甚至透露未来可能仿照制药公司 Isomorphic Labs 的模式，更深地介入实体物理材料研发。

对新能源、半导体和电池行业的研发人员来说，这个开源数据库的价值非常现实。以前寻找一种新型固态电解质可能需要团队在实验室死磕几年，现在可以直接在筛选好的几十万个候选池里按元素和成本做定向搜索，大幅砍掉前期的盲目试错环节。

但在我们看来，这套模式最大的瓶颈依然在物理世界。预测稳定并不等于容易量产，很多结构需要极端高温高压，或者原材料极其稀有昂贵。正如研究人员提到的，就算合成出了一颗完美的晶体，它能不能在电池内部长期工作而不发生副反应，现在的 AI 根本算不出来。

DeepMind 聪明的地方在于，它没有把材料研发当成单纯的理论计算，而是拉上机器人实验室做闭环验证，把算法逼进了现实的熔炉里。接下来整个行业的竞争焦点，很可能会从拼谁的模型能生成更多晶体，转向拼谁能把这些图纸以最低成本搬上工厂产线。