人类在超导这条路上卷了一百多年，现在终于等来了AI选手下场。

就在最近，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，推出了首个专攻超导材料发现的AI智能体“ElementsClaw”（元素虾）。

结果相当炸裂：只用了28个GPU小时，这个AI就把已知的240万种稳定晶体全过了一遍，从中预测出6.8万种可能是超导体。

对比一下，人类辛辛苦苦找了一百多年，才发现了2000多个超导材料。AI这效率，简直是用光速在交卷。

快是够快了，但它的判断靠谱吗？

研究团队挑了几种比较容易合成的材料做了实验验证，结果发现，其中有4种是人类此前从未发现的全新超导体。

更值得一提的是，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、晶体结构是什么、临界温度是多少等等）全部公开了，欢迎全世界的研究人员一起来挖矿。

说不定，这里面就藏着下一个能改变世界的材料呢。

超导：寻找物理学终极材料，竟是“炒菜式科研”？

故事要从1911年说起。那年，荷兰物理学家昂纳斯，这位热衷于挑战低温极限的诺奖得主，先是成功把氦气变成了液体，然后用液氦把水银降温到了4K（大约零下269℃）。

结果水银彻底“变了性”——电阻突然消失了！

电阻消失意味着什么呢？打个比方，普通的电线就像条坑坑洼洼的乡间土路，电子在里面跑得磕磕绊绊，能量损耗严重。而这时候的水银，直接变成了一条畅通无阻的高速公路，电子可以一路狂飙。

更绝的是，它还会把磁场完全排挤出去，这就是所谓的“完全抗磁性”。

于是，超导材料就正式诞生了。

有了这种材料，输电时几乎不会有电能浪费，还能造出速度惊人的磁悬浮列车，应用前景非常广阔。最核心的是，超导材料是磁约束核聚变装置——托卡马克环——的关键组件。有了它，人类或许真能实现可控核聚变，从根本上解决能源问题。

但问题在于，要降到零下269℃才能实现超导，这玩意儿的实用性太差了，用起来得配个巨大的“冰箱”。

在此后的一百多年里，科学家们怀着极大的热情去寻找其他超导体，目标只有一个：找到一种在常温常压下就能“变身”的超绝材料。

成果如何呢？到目前为止，国际主流的超导体数据库SuperCon里，总共只收录了2000多种具有超导性的材料。而临界温度能达到几十K（其实也是零下200多度）的，可能也就那么几十种。

也正因为如此，2023年韩国团队宣称造出“室温超导体”LK-99时（尽管后来证明是个大乌龙），从顶尖实验室到民间爱好者，全球无数人都掏出了自己的“炼丹炉”。

物理学圣杯的诱惑，实在是太大了。

中国科学院大学金士锋研究员给出了一句非常形象的点评：

来理解一下什么是“炒菜式科研”。

那些在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人类完全搞明白。从最早的铜基超导，到后来的铁基、镍基，几乎每一个重磅超导材料，都是靠运气偶然发现的。

元素周期表上有100多种元素，而物理学家手里却没有一本现成的“菜谱”。他们只能像炒菜一样，不断调整各种元素的比例，反复试错：今天多加点“葱”，明天少放点“蒜”。

金士锋说得更直接：“和炒菜最大的区别是——发现超导材料的成功率还要更低，可能做几十个实验才能成功一个。”

这也是他决定加入这个研究的原因——百年超导，光靠人类自己，确实有点卷不动了。

AI来了，但做成AlphaFold那样还不够

让AI替人去大海捞针，这想法再自然不过了。毕竟，生物学领域已经尝到了甜头。2024年，DeepMind的AlphaFold就凭着预测蛋白质结构的碘伏性表现，拿下了诺贝尔化学奖。

但预测超导材料，可比预测蛋白质结构难多了。

蛋白质只有20多种氨基酸，序列规律相对清晰；而晶体呢？元素有上百种，原子之间还有离子键、金属键、共价键等各种复杂的相互作用。生物学里有句名言叫“结构即功能”，要是晶体世界也这么简单就好了。

好在，最近几年也不是没有突破。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，这个成果已经发了Nature。

微软的MatterGen则是反其道而行之，根据人类想要的特性，让AI去设计全新的结构，也发了Nature。这背后的技术趋势，是从“预测式AI”向“生成式AI”迈进——AI从只会做“判断题”进化到了能做“填空题”。

但在达摩院科学智能负责人荣钰看来，这些模型有一个共同的短板——太片面了。

它们能告诉你“这可能是超导”，但不能告诉你：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？

现实中的科研工作，可不是手指一点说“这是超导，那不是超导”就能完事的。光是确定一种晶体结构到底有没有文献报道过，可能就需要好几天，一不小心就把前人踩过的坑全踩一遍。

即便发现了一种可能的结构，要把它做出来，并调控到最佳的超导状态，又是一轮漫长的“炒菜”。金士锋提到，他们团队曾经花时间调控一个2010年就发现的铁基超导材料，结果到2019年才首次实现空xue掺杂，中间隔了将近十年。

一个经典问题摆在了所有物理学工作者面前：一个物理学家，能有几个十年？

ElementsClaw：一个“AI材料学家”

所以，达摩院和人民大学这次没有只做一个单点模型，而是做了一个完整的智能体。

这就是ElementsClaw。

这只“元素虾”的核心架构是“通专融合”：一边是专门的“大原子模型”Elements，能够精准地读懂三维晶体结构，判断材料是否超导、临界温度是多少；另一边是大语言模型，能像真正的材料学家那样去读论文、查数据、做决策。

Elements是一个拥有10亿参数的几何深度图神经网络（作为对比，AlphaFold3的参数规模不到3亿）。注意，10亿参数在大型语言模型领域不算什么，但在材料学AI领域，已经相当可观了。

这个模型在预训练阶段用到了1.25亿个分子和晶体结构；经过微调后，它在22个材料学基准测试上达到了或接近最优水平。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，它的性能真的在持续提升。

基于Elements，李明泽等同学给“元素虾”配备了多种“钳子”：

• Elements-T：负责预测超导临界温度（Tc），平均绝对误差只有0.99K，几乎逼近实验误差；
• Elements-C：负责判断材料是否超导，AUC指标达到了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。

而智能体系统本身，则负责做它最擅长的事——调用工具、阅读论文、查询数据库、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，它先扫描一遍，靠谱的留下，明显不靠谱的直接踢掉。

第二，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，能做决策。它不是简单地预测性质，而是能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，实现了在材料的海洋里自动航行。”

4种新材料，4条路径

最有说服力的，是随后由王历宏等同学实验合成出来的4种新超导体。AI是通过四种截然不同的方法找到它们的。

方法1：“漏网之鱼”——Hf₂₁Re₂₅（临界温度2.5 K）

即便是人类已经翻来覆去查过无数遍的数据库，AI也绝不会空手而归。这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，实验结果证实，它确实是超导。

方法2：“沉冤得雪”——Zr₄VRe₇（临界温度3.5 K）

这个材料就更冤了——人类在数据库中直接把它的晶体结构算错了。ElementsClaw预测了一个不同的结构，并认定它是超导。实验结果证明，AI说对了。

方法3：“无中生有”——HfZrRe₄（临界温度5.9 K）

这种材料不存在于任何已知的数据库中。ElementsClaw首先锁定了Hf-Zr-Re这个有潜力的三元体系，然后基于结构预测工具生成了全新的结构，并自己验证了它的超导性。

方法4：“举一反三”——Zr₃ScRe₈（临界温度6.5 K）

在验证了Hf-Zr-Re体系的超导相之后，AI总结出了一个结构模体：保留P6/mmm富Re六方框架，保持Re子晶格完整。然后它按图索骥，排查其他结构相似的“亲戚”，最终找到了把Hf替换为Sc的Zr₃ScRe₈。它的临界温度也是这次发现中最高的，达到了6.5K。

除了目前还“长不出手”去做实验，它基本上已经算得上一个“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”还差得很远。但关键在于，“走通”AI智能体这条路本身，意义重大。

自然界中具备超导性的材料，比例可能只有3%左右。而ElementsClaw推荐的命中率，已经达到了40%，整整高出了一个数量级。

达摩院已经把这240万种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的初衷从来不是为了取代科学家，而是要实现人机共生。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；而科学家则负责提出问题、引导AI思考、校对结果，并根据AI反馈的信息，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。

物理学家们寻找了一百多年的圣杯，终于迎来了AI队友。

没有完美方程的科学发现

这已经不是达摩院第一次涉足AI for Science了。

今年5月，Nature发表了北大与达摩院的合作研究成果，利用AI从开源卫星影像中精确统计风机和光伏板的数量，从“上帝视角”摸清了中国的新能源家底，并提出了一种能源跨省协同的优化方案，一年能少浪费相当于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，利用生成式AI模拟基因敲除或药物对细胞的影响，旨在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正在直接挑战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”，也就是把复杂的现象拆解成简单的方程。但在面对复杂的材料系统时，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不需要理解底层的每一个细节，而是基于大量数据和基本的物理约束，让模型从系统外在的行为中去学习规律。

这正是ElementsClaw在做的事情。它不是在靠一个完美的方程去推算超导材料，而是依靠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，正在被深刻改变。