液态水，这种看似寻常的物质，却隐藏着诸多未解之谜。其最显著的反常特性之一，是在4℃时达到最大密度，这一现象背后是复杂的微观结构机制。几十年来，科学界关于液态水是否存在“双组份结构”的辩论异常激烈。主流理论“双组份水模型”提出，液态水并非均一体，其中始终共存并动态转化着两种微观结构单元——类高密度（A）与类低密度（B）水分子团簇。

然而，质疑声从未停止。反对者认为，在常温常压下，水分子热运动极为剧烈，所谓两种组分可能只是分析方法带来的假象。依赖研究者主观经验设定的距离或角度阈值进行分类，其科学性和客观性难以令人完全信服。这场关于水本质的争论，一度陷入理论对峙的僵局。

如今，一项颠覆性的研究有望为这场跨越数十年的科学辩论落下定论。香港城市大学曾晓成教授团队联合中国石油大学（华东）钟杰教授团队，利用人工智能技术在分子尺度上取得了突破性发现，为水的双组份模型提供了堪称“决定性”的证据。这一重磅研究成果已正式发表于国际顶级学术期刊《自然·物理学》。

该研究的核心创新，在于引入了一套无监督深度学习人工智能框架。团队摒弃了一切先入为主的人为假设和参数设定，直接将覆盖7400多万个水分子构型的海量模拟大数据输入AI模型，让算法自主探索数据中隐藏的规律。结果极具说服力：AI不仅自发地“确认”了常压液态水中两种隐匿组分的真实存在，更首次完整地绘制出了A、B两类水分子结构相互转换的详细微观“反应路径图”。

更具权威性的是，AI模型计算得到的高密度A组分比例与系统总体积之间，展现出决定系数（R²）接近0.99的完美线性相关性。这一结果严格遵循宏观物理定律，而基于传统经验描述符的同类测试则相形见绌，表现远不及AI模型精准。

△宏观物理方程验证：AI提取的A组分占比与系统体积呈现完美线性关系，全面超越传统经验算法。

告别主观阈值：无监督AI带来的客观革命

以往探测水中双组分结构的传统研究方法，大多依赖于根据经验预设的几何参数截断标准。这种方法无法避免主观性，也成为反对观点的主要攻击靶点。

而此项研究开辟了一条全新的路径：完全客观的无监督机器学习。研究团队采用自编码器神经网路架构，让AI直接学习并拟合系统的宏观密度与能量。如同一位毫无偏见的研究者，AI的分析指出，过去被广泛关注的“局部密度”参量，实际上并不能有效区分出水中的双峰结构特征。

通过自主开发的多维降维与投影算法，AI发掘出两个关键的潜在物理变量——命名为PCI和PCII。在这个由人工智能构建的全新特征空间中，无论是高压、深过冷等极端状态下的水，还是我们日常生活中接触的常温水，代表高密度A与低密度B两种“暗”组分的“双峰”概率分布都清晰可辨，提供了无可争议的微观结构证据。

△TIP4P/ice水模型相图与过冷水液-液共存线，展示了深过冷条件下密度的双峰特征。

△无监督深度学习模型架构：AI通过寻找潜在物理特征（PCI/PCII），在不引入人为干预的情况下证明双组份存在。

揭示分子转化路径：意料之外的环状机制

证实双组分存在仅仅是研究的开始，AI更进一步揭示了它们之间动态转换的详细微观机制。传统观点可能假设A到B的转换是一个简单的线性过程，但AI生成的三维概率密度分布图显示，实际转化路径复杂得多——它是一个包含三个关键鞍点（SP-1, SP-2, SP-3）的“环状”反应路径网络：

• 在高密度液态水（HDL）区域，A/B组分之间的转换主要沿着环状路径的上半部分（即高密度反应通道）进行。
• 在低密度液态水（LDL）区域，结构转换则主要遵循环状路径的下半部分（即低密度反应通道）。
• 当过冷水发生液-液相变时，整个系统便在这个环形反应路径的上下通道之间发生切换。

这种如同开启“上帝视角”的描绘，将水分子在微观尺度的动态演化行为直观地呈现出来，这是任何基于人工经验的方法都难以实现的突破性洞察。

△3D概率密度图揭示了过冷水液-液共存线附近的“环状”反应路径，展示了高低密度下的微观构型演变。

三重科学突破，影响深远

此项AI驱动的研究实现了多维度的重要突破，其意义可概括为以下三个方面：

第一，证明了模型的普适性。该AI模型不仅在高压、深过冷等极端水相态中表现出色，在常温常压这一最普遍的条件下，依然能精确识别出两种暗组分结构。这强有力地证明，双组分结构是液态水内在的、普遍存在的微观特性，彻底回应了反对派最根本的质疑。

第二，确保了物理一致性。AI计算出的高密度组分占比与系统体积之间近乎完美的线性关系（R² ≈ 0.99），以及与宏观热力学高度吻合的概率分布，均表明AI的发现严格遵从基本的物理定律。相比之下，传统经验描述符在此类物理一致性检验中表现欠佳。

第三，展现了卓越的预测精准性。AI模型自主推导出的过冷水的液-液共存线及其关联的Widom线（涨落最大线），与基于经典热力学方程的计算结果高度一致，彰显了其强大的物理规律预测能力。

这项研究能荣登《自然·物理学》，其价值远超于为“水的双组分模型”提供了坚实证据。它更深远的意义在于，开创了一种利用无监督人工智能研究液体乃至其他复杂物质微观机理的全新科研范式：借助AI的“火眼金睛”，科学家得以突破人类直觉的局限和经验参数的束缚，直接窥探并揭示物质底层隐藏的、最本征的物理规律。

这标志着一度严重依赖“人为经验设定”的复杂液体科学研究，正式步入了数据驱动、人工智能赋能的新纪元。AI for Science（科学智能），在基础物理与化学的深水区，再次完成了一次堪称典范的纵深突破。

论文DOI：https://doi.org/10.1038/s41567-026-03301-8