AI 材料发现的闭环走到哪一步了：GNoME、A-Lab 与自动化实验室的三年起伏

问题背景：材料发现是一场「筛沙子」的慢功夫

电池、超导、光伏、催化剂，进步都卡在同一个地方：找到性能达标的新化合物。传统流程是计算筛选加试错合成——理论上有无限种元素组合，DFT 计算一个候选结构要消耗可观的机时，合成一个固相样品要数天。人类已知的稳定无机晶体在 2023 年之前约有 4.8 万种，而芯片和电池产业对新材料的需求以十倍速增长。AI for Science 在这个领域的叙事核心，就是把「筛沙子」的两个环节——预测与验证——同时加速。

现状：预测端狂飙突进

2023 年 11 月 29 日，Google DeepMind 在 Nature 发表 GNoME（Merchant et al.,「Scaling deep learning for materials discovery」，第 624 卷）：用图神经网络加主动学习、以 DFT 验证闭环训练，报告发现 220 万个新晶体结构，其中约 38.1 万个被判定为热力学稳定，已释入 Materials Project 数据库。官方口径称这相当于「近 800 年的知识积累」，把已知稳定晶体总数从约 4.8 万种推到约 42.1 万种，扩大近九倍。细分数字里最受产业关注的是 528 个潜在锂离子导体（官方称为此前一项研究的 25 倍）与 5.2 万个类石墨烯层状化合物（此前人类仅识别出约 1000 种）。官方博客还提到，已有外部实验室独立合成出 736 种 GNoME 预测材料。在 MatBench Discovery 基准上，官方报告模型的预测准确率从约 50% 提升到 80%。

预测端的路线随后继续演进：微软 2025 年 1 月在 Nature 发表 MatterGen（Zeni et al.），把扩散生成模型引入无机材料设计——不再是「从给定的组合里筛选」，而是按目标属性（化学、对称性、机械/电子/磁性）直接生成候选结构；配套的 MatterSim 模拟器以开源 Python 包发布，负责对生成候选做真实温压条件下的性质评估。「生成 + 模拟」取代「筛选」，是 2024–2025 年方法上的实质变化。

案例与争议：A-Lab 的「41 种新材料」是怎么变成「36 种」的

合成端的故事要曲折得多。劳伦斯伯克利国家实验室的 A-Lab（Szymanski et al.）是与 GNoME 同期刊发于 Nature 第 624 卷的姊妹工作（在线发表更早，2023 年 4 月）：一套机器人固相合成平台，用机器学习规划实验配方，从 Materials Project 与 GNoME 的预测中选靶标。

原始论文的宣称是：17 天连续运行、353 次实验，合成了 58 个靶标中的 41 种新材料。这个数字当时被广泛引用为「自动化实验室一周产出超过人类十年」。但质疑很快到来：伦敦大学学院的 Robert Palgrave 在该论文的官方评论区（2023 年 12 月）提出系统性质疑，指出部分产物的 X 射线衍射分析有误，一些「新化合物」实为已知物质（如 Sb₂Pb₂O₇）或杂质谱线的误读，并呼吁撤稿。Chemistry World 与 C&EN 先后报道了这场争论。

结局是部分更正而非撤稿：Nature 于 2026 年 1 月 19 日刊出作者更正（Author Correction, DOI: 10.1038/s41586-025-09992-y）。截至 2026-10-07，该论文页面显示的口径为：17 天内实现 57 个靶标中的 36 种（约 63%），另有 4 种产物在人工复检后被判定为「不确定」。C&EN 的报道标题直白——《「Nature」机器人化学家论文已更正，但若干问题仍无答案》。更正后的 36 种仍是可观的产出，但这件事给整个领域留下了一条纪律：预测材料库里的「稳定」，不等于可合成、可复现、且相纯度达标的「新材料」；自动化的相鉴定（XRD 自动解析）本身也是需要独立验证的 AI 问题。

现状：闭环正在加宽，但还没闭合

A-Lab 之后，自动化实验平台在 2025–2026 年明显加速铺开，英国皇家学会 2025 年 7 月发表的自主实验室技术综述把这一波称为从概念验证走向工程化：阿贡国家实验室的 Polybot 在 2025 年 2 月报告产出高电导、低缺陷的电子聚合物；北卡州立大学 2025 年 7 月公布让自驱实验室数据采集速度提升约 10 倍的技术；低成本模块化平台（如 Nature 2026 年发表的 RoboChem-Flex）开始降低准入门槛。中国方面，中国科学技术大学罗毅、江俊团队的「机器化学家」平台（2023 年发布）官方报道称，通过机器学习加量子化学模拟的「化学大脑」，把火星陨石制氧催化剂所需的实验搜索从约 1400 年压缩到 5 周。

把三个环节摆在一起，就能看清闭环卡在哪里：预测端（GNoME、MatterGen）一次能产出数十万候选；模拟端（MatterSim 等）能快速过滤；但合成与表征端仍是每套设备每天个位数样品的物理过程。按这个速率，把 38 万个稳定候选全部验证完需要上百年——除非合成端也学会用主动学习挑出「最值得做」的那一小撮。这正是当前自驱实验室研究的核心命题：不是造更快的机器人，而是造会提问题的机器人。

展望

截至 2026-10-07，可以相对稳妥地判断三点：第一，AI 预测材料的能力已经过剩，瓶颈在实验验证；第二，自动化实验室的可靠性与可复现性（A-Lab 的教训）比通量更值得公开审计——这要求平台像发布模型权重一样发布原始衍射数据与实验日志；第三，产业级的闭环案例（电池、催化）正在出现，但「AI 发现的新材料支撑起一条量产产线」仍未有公开可查的完整案例。材料领域的 AlphaFold 时刻还没有到来，地基倒是比两年前扎实了不少。

参考资料

• Millions of new materials discovered with deep learning — Google DeepMind（2023-11-29）
• Scaling deep learning for materials discovery — Nature（Merchant et al., 2023）
• An autonomous laboratory for the accelerated synthesis of novel materials — Nature（Szymanski et al., 2023；2026-01-19 更正）
• A generative model for inorganic materials design — Nature（Zeni et al., 2025）
• Berkeley Lab：Google DeepMind Adds Nearly 400,000 New Compounds（2023-11-29）
• Autonomous 'self-driving' laboratories: a review of technology — Royal Society（2025-07-16）
• 中国科学报：机器化学家来了（中国科学院，2024-04）