2021年，DeepMind的AlphaFold2在蛋白質(zhì)結(jié)構(gòu)預(yù)測上干到了原子級精度，生物圈直接換了一種活法。但材料科學(xué)圈的人看著眼熱，心里卻在嘀咕：同樣的劇本，我們這能不能演？

麻省理工的Heather Kulik教授在這個問題上最有發(fā)言權(quán)。她從2012年就開始用機器學(xué)習(xí)搞材料設(shè)計，比"AI for Science"這個詞出現(xiàn)得還早。十年下來，她的實驗室搞出過強度翻4倍的新聚合物，也踩過無數(shù)坑。按她的說法，材料科學(xué)和蛋白質(zhì)預(yù)測根本是兩碼生意，強行抄作業(yè)只會翻車。

這篇文章還原Kulik在Latent Space播客里的核心觀點，包括三組關(guān)鍵數(shù)據(jù)：22個原子的配體設(shè)計、4倍強度提升的聚合物、以及一個讓她笑稱"會立刻過時"的LLM測試。讀完你會明白，為什么材料科學(xué)的AI化比生物學(xué)慢了整整一個身位。

22個原子的配體：LLM的化學(xué)直覺測試

Kulik有個保留節(jié)目：每次大語言模型更新，她就讓AI設(shè)計一個恰好含22個重原子的配體。這任務(wù)對任何化學(xué)專家來說，閉眼都能畫出來。但LLM的表現(xiàn)？

「我至今沒找到能成功的?！筀ulik在播客里原話如此。

這有點像去年爆火的"strawberry里有幾個r"——表面簡單，實則暴露模型在特定領(lǐng)域的結(jié)構(gòu)性盲區(qū)?；瘜W(xué)配體的原子計數(shù)需要精確的化學(xué)式推導(dǎo)，而LLM的token化機制在處理分子式時容易丟精度。

播客錄制三個月后，Latent Space團隊做了跟進測試。結(jié)果分化明顯：針對激酶（Kinase）蛋白的配體設(shè)計，Claude和ChatGPT都搞定了——Claude調(diào)用了RDKit庫迭代優(yōu)化，ChatGPT直接一次過。但換成金屬有機框架（MOF）的配體，兩家集體翻車：生成的配體原子數(shù)在21到24之間飄忽，明明錯了還嘴硬。

Kulik的解讀很直接：LLM學(xué)到了大量學(xué)術(shù)化學(xué)知識，但缺乏真正的化學(xué)直覺。這種直覺不是背下來的反應(yīng)機理，而是對"什么樣的結(jié)構(gòu)在實驗室里長得出來"的體感。AI能復(fù)述教科書，卻算不準一個配體的原子數(shù)，說明它和材料發(fā)現(xiàn)之間還隔著一層窗戶紙。

4倍強度：AI發(fā)現(xiàn)的量子力學(xué)效應(yīng)

但Kulik不是AI悲觀派。她的實驗室剛搞出一個實打?qū)嵉耐黄疲河肁I設(shè)計的新聚合物，實測強度達到傳統(tǒng)材料的4倍。

關(guān)鍵轉(zhuǎn)折點在于，AI發(fā)現(xiàn)了一種全新的斷裂機制。它建議的分子結(jié)構(gòu)里，某些化學(xué)鍵會以特定方式斷裂并重新組合——這是一種純粹的量子力學(xué)效應(yīng)，人類設(shè)計師從來沒往這個方向想過。

「連我們做合成的合作者都驚呆了，」Kulik回憶，「他們一開始根本不想做，覺得結(jié)構(gòu)太奇怪。」

說服實驗團隊花了大力氣。但最終材料做出來，測試數(shù)據(jù)驗證了AI的預(yù)測。這個案例成了Kulik方法論的最佳注腳：AI的價值不在于替代人類直覺，而在于探索人類直覺覆蓋不到的化學(xué)空間。

這里有個反直覺的點。外界總以為AI for Science的瓶頸是算力或數(shù)據(jù)量，但Kulik認為真正的卡點是人機協(xié)作的深度。她的團隊花了大量時間理解實驗科學(xué)家的約束條件——什么反應(yīng)條件可控、什么副反應(yīng)必須規(guī)避、什么結(jié)構(gòu)在現(xiàn)有合成路徑下根本長不出來。沒有這層domain expertise的翻譯，AI生成的設(shè)計就是紙上談兵。

為什么沒有"材料界的AlphaFold"

回到核心問題：蛋白質(zhì)結(jié)構(gòu)預(yù)測能被AI攻克，材料科學(xué)為什么不行？

Kulik列了三條結(jié)構(gòu)性差異。

第一，問題定義本身就不一樣。蛋白質(zhì)折疊是個良定義（well-defined）的問題：給定氨基酸序列，預(yù)測三維結(jié)構(gòu)。目標函數(shù)清晰，成功標準明確。材料科學(xué)呢？你想優(yōu)化什么？強度、導(dǎo)電性、耐腐蝕性、成本、可加工性？這些目標經(jīng)?；ハ啻蚣埽也煌瑧?yīng)用場景的權(quán)重完全不同。

第二，數(shù)據(jù)基礎(chǔ)設(shè)施的差距。蛋白質(zhì)數(shù)據(jù)庫（PDB）積累了幾十年的標準化結(jié)構(gòu)數(shù)據(jù)，AlphaFold的訓(xùn)練有高質(zhì)量標注打底。材料科學(xué)的數(shù)據(jù)分散在無數(shù)實驗室的筆記本里，格式混亂、測量條件不一致、負面結(jié)果很少發(fā)表。Kulik估計，公開可用的材料計算數(shù)據(jù)可能只有蛋白質(zhì)數(shù)據(jù)的千分之一。

第三，驗證閉環(huán)的難度。蛋白質(zhì)結(jié)構(gòu)預(yù)測對了，可以用冷凍電鏡或X射線晶體學(xué)快速驗證。新材料呢？從設(shè)計到合成到表征，動輒數(shù)周數(shù)月，而且失敗的原因可能是合成沒做好、表征有誤差、或者AI的設(shè)計本身有問題——三者糾纏在一起，很難歸因。

「自然不在乎你的模型有多火，」Kulik說，「最后能過關(guān)的，只有在實驗室里測出來管用的東西?！?/p>

這解釋了為什么材料科學(xué)的AI應(yīng)用呈現(xiàn)"點狀突破"而非"范式革命"——聚合物電池催化劑、有機光電材料等垂直領(lǐng)域各有進展，但沒有一個像AlphaFold那樣橫掃整個學(xué)科的統(tǒng)一框架。

給從業(yè)者的生存指南

對于想進這個領(lǐng)域的年輕人，Kulik的建議帶著產(chǎn)品經(jīng)理式的務(wù)實。

別追熱點模型。她的實驗室試過各種SOTA架構(gòu)，但核心工作流多年保持穩(wěn)定：量子化學(xué)計算生成訓(xùn)練數(shù)據(jù)，機器學(xué)習(xí)擬合勢能面，主動學(xué)習(xí)篩選候選結(jié)構(gòu)，實驗閉環(huán)驗證。模型會迭代，但問題定義和數(shù)據(jù)管線才是護城河。

警惕"端到端"的幻覺。有些團隊試圖用生成模型直接從性能指標反推材料結(jié)構(gòu)，跳過中間的物理約束。Kulik認為這在短期內(nèi)不現(xiàn)實——化學(xué)空間的組合爆炸太嚴重，沒有物理先驗的引導(dǎo)，搜索效率極低。

投資實驗關(guān)系。她的4倍強度聚合物能落地，關(guān)鍵是有愿意配合的合成化學(xué)家。AI科學(xué)家必須理解實驗端的痛點：一個設(shè)計如果要用到實驗室沒有的試劑、或需要極端反應(yīng)條件，再好也會被斃掉。

保持懷疑。Kulik反復(fù)強調(diào)"discriminating mind"——對模型的輸出要設(shè)多重校驗。她的團隊會故意在訓(xùn)練數(shù)據(jù)里埋一些已知錯誤的結(jié)構(gòu)，測試模型能否識別；也會對比不同計算級別的結(jié)果，確保機器學(xué)習(xí)沒學(xué)到偽相關(guān)。

這種審慎和AlphaFold2發(fā)布時生物圈的狂歡形成有趣對照。Demis Hassabis當時說"蛋白質(zhì)折疊問題基本解決"，而Kulik的調(diào)門明顯更低：材料科學(xué)的AI化是漸進式積累，不是閃電戰(zhàn)。

但低預(yù)期反而帶來高確定性。Kulik的實驗室在過去十年持續(xù)產(chǎn)出可驗證的成果，沒有踩過"室溫超導(dǎo)"式的輿論地雷。她的方法論或許不夠性感，但在一個容易被 hype 反噬的領(lǐng)域，這可能是更可持續(xù)的生存策略。

播客結(jié)尾，主持人問了一個開放式問題：如果五年后再請她回來，哪個指標能證明材料AI真的成熟了？

Kulik沒有給數(shù)字。她說會看一個現(xiàn)象：當AI設(shè)計的材料進入中試或量產(chǎn)階段，實驗科學(xué)家不再覺得"這是AI幫的忙"，而是把它當成常規(guī)工具鏈的一部分——就像現(xiàn)在沒人會特別強調(diào)"這個結(jié)構(gòu)是用DFT算的"。

技術(shù)真正的勝利，是讓自己隱形。材料科學(xué)的AI還在爭取被看見的階段，而Kulik的22原子測試、4倍強度聚合物、以及那些沒發(fā)表過的失敗嘗試，都是這條路上的刻度。

下一個被她用來拷打LLM的化學(xué)任務(wù)會是什么？她沒透露，但暗示會比原子計數(shù)更難。而那個測試的結(jié)果，或許就是判斷AI化學(xué)直覺是否進化的最簡潔指標。