AI仅用28个GPU小时发现4种人类此前未知超导体

一百多年了，人类在“物理学圣杯”的赛道上卷得头破血流，现在终于等来了AI选手下场。 刚刚，阿里达摩院联合中国人民大学高瓴人工智能学院、中国科学院大学等机构，放出了**首个专攻超导材料发现的AI智能体“ElementsClaw”**（元素虾）。这哥们儿只用了28个GPU小时，就把已知的240万种稳定晶体全部筛了一遍，预测出里面有6.8万种可能是超导体。 对比一下，人类这100多年总共才发现了2000多种超导材料。这效率，简直是龟兔赛跑里直接开了一辆法拉利。 快是够快了，但这预测靠谱吗？ 研究团队**挑了几种比较好合成的材料试了试手，结果发现4种是人类此前从未见过的新超导体**。目前，他们已经把AI对这240万种材料的预测数据——包括有没有超导性、结构长什么样、临界温度是多少——全部公开了，欢迎全世界的科研人员一起来挖矿。 （数据直通车：https://science.damo-academy.com/#/material） 说不定，里面就藏着下一个能改变世界的材料呢（doge）。 **超导这玩意，到底有多香？** 故事得从1911年讲起。荷兰诺奖得主昂纳斯，一个热衷于当“寒冰射手”的物理学家，先把氦气冻成了液体，然后用液氦把水银冻到了4K（大约零下269℃）附近。 结果，水银被他彻底玩坏了。 啪的一下，电阻没了！ 电阻没了是什么概念？打个比方，普通的电线就像乡下的土路，电子在里面跑磕磕碰碰、损耗能量；而此刻的水银，直接变成了一条高速公路，电子可以一路狂飙。更绝的是，它还会把磁场完全挤出去，也就是“完全抗磁性”。 于是，超导的代号“超级导电体”就这么诞生了。 有了这种材料，输电时电能几乎零浪费，还能造出快得离谱的磁悬浮列车。最刺激的是，**超导材料是磁约束核聚变装置——托卡马克环的核心组件**，人类要是能靠它实现可控核聚变，能源问题就基本终结了。 但问题在于，真要降到零下269℃才超导，这玩意也太难用了，做什么都得配个巨型冰箱。 往后这一百多年，大家抱着极大的热情满世界找超导体，就看谁能先找到那个在常温常压下就能变身的“绝版材料”。 战果如何？截至目前，国际主流超导体数据库SuperCon收录了2000多种具有超导性的材料，而**温度能到几十K**（其实也是零下200多度了）的，可能只有几十种。 难怪2023年韩国团队宣称做出“室温超导体”LK-99时（事后证明是个大乌龙），从顶尖实验室到民间科学家，无数人掏出了自己的“炼丹炉”——物理学圣杯的诱惑实在太大了。 **中国科学院大学金士锋研究员**对此有句很形象的点评： > 做超导体探索，很多是“炒菜式科研”。 咱们来理解一下什么叫“炒菜式科研”。常压下转变温度超过40K的“高温超导体”，其物理机制至今没有被完全搞懂。**从铜基、铁基到镍基，几乎每一个重磅超导材料都是偶然发现的。** 元素周期表上有一百多种元素，物理学家手里没菜谱，只能不断调整“油盐酱醋”的比例，反复试错。今天多放点葱，明天少放点蒜。 “和炒菜最大的不同是——发现超导材料的成功率还要低一点，可能做几十个实验，只有一个能成功。” 这也是金士锋决定加入这个研究的原因。百年超导，光靠人类，确实有点卷不动了。 让AI替人“大海捞针”是再自然不过的想法，毕竟生物学早就尝到了甜头。2024年，DeepMind的AlphaFold凭借预测蛋白质结构的碘伏性表现，直接拿下了诺贝尔化学奖。 但**猜超导，可比猜蛋白质难多了。** 蛋白质只有20多种氨基酸，序列规律相对清晰；而晶体呢？元素上百种，原子之间还有各种离子键、金属键、共价键……“结构即功能”是生物学领域的一句名言，可晶体世界要能这么简单就好了。 这几年倒也不是没有突破。DeepMind的GNoME用AI一口气预测了220万种理论上存在的稳定材料，号称走完了人类800年的材料发现之路，成果发了Nature。微软的MatterGen则是反向思维，根据人类想要的材料特性，让AI去设计新结构，也发了Nature。 这符合从预测式AI到生成式AI的技术趋势，即AI从答“判断题”进化到了答“填空题”。 但在**达摩院科学智能负责人荣钰**看来，它们都有一个共同的问题——太单点了。 它们能告诉你“这可能是超导”，却不能告诉你：以前有没有人研究过？合成方不方便？有没有毒性？成本高不高？ **在现实科研里，可不是小手一点说“这是超导，那不是超导”就完事了。** 光是确定一种结构究竟有没有文献报道，可能就需要好几天，一不小心就把前人踩过的坑全踩一遍。就算发现了一种材料结构，要把它做出来并调控到最佳超导状态，又是一轮漫长的“炒菜”。 金士锋提到，他们曾经调控一个2010年就发现的铁基超导材料，到2019年才首次实现空xue掺杂，中间隔了将近十年。 一个经典问题，对着所有物理学工作者贴脸发问：**“一个物理学家，能有几个十年？”** 所以，达摩院和人大这次没有做一个单点模型，而是做了一个**完整的智能体**。 这就是ElementsClaw。 这只“元素虾”的核心架构叫“通专融合”：一边是专门的“大原子模型”Elements，能精准读懂三维晶体结构，判断材料是否超导、临界温度是多少；一边是大语言模型，能像真正的材料学家一样读论文、查数据、做决策。 Elements是一个**10亿参数**（AlphaFold3参数量不到3亿）的**几何深度图神经网络**。注意了，1B参数量在LLM领域不算什么，但在材料学AI领域，相当可观。模型预训练阶段用到了1.25亿个分子和晶体结构；微调之后，在22个材料学基准测试上达到或接近SOTA水平。 更重要的是，他们首次在非大语言模型架构上验证了Scaling Law——给这个原子模型更多参数、更多数据，它的性能真的能持续提升。 基于Elements，研究团队给**“元素虾”长出了好几只“钳子”**： * **Elements-T**：负责预测超导临界温度（Tc），平均绝对误差（MAE）只有0.99K，几乎逼近实验误差。 * **Elements-C**：负责判断材料是否超导，AUC达到0.996。 * **Elements-E**：负责预测材料的能量和稳定性。 * **Elements-G**：负责生成全新的晶体结构。 而智能体系统则负责做它最擅长的事，比如调工具、读论文、查数据库、分析可合成性、设计实验方案。 这个智能体有几个显著特点。第一，速度快。240万种晶体先扫描一遍，靠谱的留下，明显不靠谱的踢掉。第二，它会“自我进化”。当它在文献中发现新的超导数据后，能自动微调自己的模型，给自己创造出新的技能。第三，它能做决策。不是简单地预测性质，而是决定下一步该查什么、该怎么设计实验。 荣钰打了个比方：“如果说材料发现是大航海，那么通用模型就是帆船，专有模型就是指南针和六分仪。ElementsClaw把这艘船和这些仪器组装在了一起，能实现在材料的海洋里自动航行。” 最有意思的，是随后由实验团队合成出来的4种新超导体。这是AI用4种不同的方法找到的——讲真，人类的脸有点痛。就算是人类已经扒拉了无数遍的数据库，AI也绝不空手而归。 * 第一种材料，其实早就躺在理论数据库中，但从来没人试过。ElementsClaw在文献和数据库交叉比对时把它捞了出来，做出来果然是超导。 * 第二种材料就更冤了，人类在数据库里直接把结构算错了。ElementsClaw预测了一个不同结构，并且说是超导。实验一做，它说的全对。 * 第三种材料，不在任何已知数据库里。ElementsClaw先锁定了Hf-Zr-Re这个有潜力的三元体系，基于结构预测工具生成了新的结构，并自己验证了其超导性。 * 在验证了Hf-Zr-Re体系的超导相后，AI总结出一个结构模体：保留P6/mmm富Re六方框架、保持Re子晶格完整。然后按这个来排查“长得像”的亲戚，最终找到了把Hf元素替换为Sc的Zr₃ScRe₈，其临界温度也是这次发现中最高的。 **除了目前还没长出手去做实验以外，它差不多已经是个“AI材料学家”了。** 当然，这次发现的4种超导材料，临界温度都不算高，最高只有6.5K，距离“室温超导”还远得很。但走通AI智能体这条路，本身就非常关键。 自然界的材料中，具有超导性的比例可能只有3%左右，而ElementsClaw推荐的命中率达到了40%，高了整整一个数量级。 达摩院已经把这240万稳定晶体的预测数据库全部开放（https://science.damo-academy.com/#/material），全球科研人员都可以免费使用，共同挖掘这座富矿。 **中国人民大学高瓴人工智能学院副教授黄文炳**强调，AI for Science从来不是要取代科学家，而是实现人机共生。AI负责大海捞针和重复性工作，把科学家从繁琐的文献调研和数据整理中解放出来；科学家则负责提出问题、引导AI思考、校对结果，并根据AI反馈的结果，形成新的科学知识体系。 “AI for Science不是要取代人的主体性。”他说。 **物理学家找了一百多年的圣杯，终于有了AI队友。** 这不是达摩院第一次搞AI for Science。5月20日，Nature发表了北大与达摩院的合作研究成果，利用AI数清开源卫星影像上的风机和光伏板，从“上帝视角”摸清中国的新能源家底，并提出了一种能源跨省协同的方案，一年能少浪费一座三峡大坝的绿电。上个月，达摩院又推出了虚拟细胞模型Lingshu Cell，用生成式AI模拟基因敲除或药物对细胞造成的影响，降低药物研发的成本和周期。 从电力能源，到生命制药，再到材料发现，AI for Science正直击人类难以驾驭的数据海洋。 黄文炳提到，传统科学研究遵循“还原论”，即把复杂现象拆解成简单方程。但面对复杂的材料系统，这条路遇到了“维度灾难”。而AI擅长的是另一种思路：从简单到复杂的“涌现论”。AI不需要知道底层每一个细节，而是基于大量数据和基本物理约束，让模型从系统的外在行为中学习规律。 这正是ElementsClaw在做的事情。它不是靠一个完美方程推算出超导材料，而是背靠240万种晶体库和海量文献的数据驱动，直接给出答案。 **AI时代，物理学依然存在，但它的形态，正在改变。**