AI走进实验室：从设计材料到执行实验，科学发现迎来新伙伴

编辑丨%

过去几年，AI 在科学领域不断创造突破。

从预测蛋白质结构的 AlphaFold，到发现新晶体材料的 GNoME，人工智能已经证明自己能够处理人类难以完成的大规模科学计算。

这逐渐形成一种新的趋势：AI 不再只是帮助科学家分析数据，而开始进入科研流程本身——提出研究方向、设计实验方案，甚至指导实验设备完成下一轮探索。

在美国太平洋西北国家实验室（PNNL）和英国材料 AI 公司 CuspAI 的探索中，自主科学（Autonomous Science）正逐步走进实验室中。

数据与复杂性的挑战

现代科学研究正在变得越来越复杂。以材料研发为例，一个新材料从设计到应用，往往需要经历提出理论 → 设计结构 → 实验合成 → 性能测试 → 反复优化的过程。其中任何一步都可能消耗数年时间。

传统方法依靠科学家的经验和大量实验试错，但随着材料空间、生物数据和化学组合数量不断增长，人类已经无法完全依靠人工探索。

AI 的优势正在于，它可以同时分析数百万甚至数亿种可能性，从庞大的数据空间中寻找隐藏规律。

图示：PNNL 展示的自主科学实验室。（视频截图）

在这其中，AI 能否带来足够的现实收益，仍是一个需要解决的问题。

让智能成为研究的一环

CuspAI 代表了一条重要路线：AI 设计新材料。

2026 年 7 月 30 日，这家公司宣布他们将利用生成式 AI 模型，根据目标性能反向设计材料结构。例如，如果科学家希望找到一种能够捕获污染物 PFAS 的材料，传统方式需要不断实验筛选。

而 AI 可以：分析已有材料数据 → 生成新的分子结构 → 预测性能 → 筛选候选方案 → 进入实验验证。类似的方法也正在探索应用于：

• 电池材料

• 半导体材料

• 催化剂

• 碳捕获材料

相关链接：https://www.ft.com/content/5c2ae092-14af-4bd1-8e3d-8996755cba6a?utm_source=&syn-25a6b1a6=1

CuspAI 正在建立的 AI Materials Foundry，目标就是连接 AI 模型、计算模拟、实验验证和产业应用。让材料研发从“寻找已有答案，转向创造新的可能。

而 PNNL 探索的是更进一步的方向，它更期待 AI 参与到整个科研流程之中会发生什么。

在自主科学体系中，AI 不仅负责预测结果，而是可以提出研究问题、设计实验方案、调用自动化实验设备、分析实验数据、根据结果调整下一轮实验。

图示：ARCADIA 接口允许实验室中自然语言编程机器人动作。

相关链接：https://www.newswise.com/doescience/inside-pnnl-s-lab-wide-push-for-trustworthy-autonomous-science/

下一代实验室形成中

CuspAI 和 PNNL 代表了两种不同方向：前者希望让 AI 成为材料研发工程师；后者希望让 AI 成为科研流程管理者。但最终目标都是让人工智能进入真实世界的创新体系。

未来，一个新材料、新药物甚至新能源技术的诞生，可能不再完全依赖漫长的人类试错，而是由 AI 提出方案，实验系统快速验证，科学家负责判断和突破。

这并不意味着 AI 就此取代科学家。相反，它可能成为科学家探索未知领域的新工具。