DeepMind 釋出 GNoME：一口氣預測 38 萬種穩定新材料

想像一下，幾條機械臂在一間堆滿儀器的房間裡通宵忙碌。一隻手臂抓取原材料稱重混合，另一隻手臂在軌道上來回滑動照看高溫烤爐，還有一隻在小心翼翼地給樣品封蓋。這不是在做精密西點，而是在為下一代電池和超導器件碰運氣。

過去幾千年裡，人類尋找新材料的方式更像是愛迪生試燈絲：不斷用經驗和直覺去猜，試錯成本極高。但現在，Google DeepMind 聯手學術界，直接把這個進度條拉快了幾個世紀。

220 萬個新結構，把穩定晶體庫擴充 10 倍

DeepMind 團隊在《自然》雜誌上發表了一項名為 GNoME 的 AI 工具。它學習了美國勞倫斯伯克利國家實驗室（LBNL）Materials Project 資料庫裡的數萬種已知材料，隨後一口氣生成了 220 萬種全新的晶體結構。

在材料學裡，光想出來沒用，最核心的一點是它會不會在現實中自己散架或者爆炸。GNoME 結合量子力學計算層層篩選，最終預測出 38 萬種穩定材料。換句話說，它把人類已知的穩定晶體數量直接擴大了接近 10 倍。

DeepMind 研究員 Ekin Dogus Cubuk 提到，以前科學家受限於自己的思維定勢，很難憑直覺想到包含五六種元素的複雜結構。AI 擺脫了這種偏見，把下一代固態電池電解質、高效太陽能電池甚至高溫超導體的可能候選者，一口氣堆到了科研人員面前。

機器人連軸轉 17 天，做出 41 種新材料

電腦上算出來的公式再好看，造不出來也是白搭。為了驗證這些預測，伯克利實驗室的自動實驗室 A-Lab 親自下了場。

這套全自動系統挑了 58 種預測出的新晶體，讓機械臂根據 AI 推薦的配方自己調配粉末、加熱反應、檢測結果。如果烤糊了或者蒸發了，系統就自己調整配方再試一次。

在連續 17 天的實驗裡，A-Lab 成功合成了其中的 41 種，成功率達到 71%。這不僅證明了 AI 算出來的圖紙不是空中樓閣，也證明了實驗室可以像無人流水線一樣連續自主運轉。

不過，也有業內學者表達了擔憂。猶他大學材料學者 Taylor Sparks 就潑了冷水，他認為現在的問題從來不是缺少未知的材料，而是現實中合成和篩選的產能遠遠跟不上。如果 AI 只管盲目生產幾十萬個理論結構，卻不針對具體效能進行定向最佳化，現實中根本沒那麼多實驗室能驗證得過來。

為什麼重要

這可以說是材料科學領域的 AlphaFold 時刻。DeepMind 的副總裁 Pushmeet Kohli 也直接把兩者放在一起類比，甚至透露未來可能仿照製藥公司 Isomorphic Labs 的模式，更深地介入實體物理材料研發。

對新能源、半導體和電池行業的研發人員來說，這個開源資料庫的價值非常現實。以前尋找一種新型固態電解質可能需要團隊在實驗室死磕幾年，現在可以直接在篩選好的幾十萬個候選池裡按元素和成本做定向搜尋，大幅砍掉前期的盲目試錯環節。

但在我們看來，這套模式最大的瓶頸依然在物理世界。預測穩定並不等於容易量產，很多結構需要極端高溫高壓，或者原材料極其稀有昂貴。正如研究人員提到的，就算合成出了一顆完美的晶體，它能不能在電池內部長期工作而不發生副反應，現在的 AI 根本算不出來。

DeepMind 聰明的地方在於，它沒有把材料研發當成單純的理論計算，而是拉上機器人實驗室做閉環驗證，把演算法逼進了現實的熔爐裡。接下來整個行業的競爭焦點，很可能會從拼誰的模型能生成更多晶體，轉向拼誰能把這些圖紙以最低成本搬上工廠產線。