AI仅用28 GPU小时发现4种超导体，能否终结百年“炒菜式”材料研发？
破冰百年：AI介入超导研究的必然性
超导材料的发现历程，堪称人类物理学史上最漫长且充满挫败感的探索之一。自1911年昂纳斯首次在水银中观测到超导现象以来，整整一个多世纪里，人类依靠传统实验手段仅发现了2000多种超导体。这种低效的“大海捞针”式科研，被中国科学院大学金士锋研究员形象地比喻为“炒菜式科研”。
在常压下，临界温度超过40K的高温超导材料机制至今未被完全阐释，从铜基、铁基到镍基，每一个重大突破往往伴随着偶然性。元素周期表中百余个元素的排列组合，加上复杂的离子键、金属键和共价键，构成了近乎无限的结构空间。物理学家如同缺乏菜谱的厨师，只能不断调整“油盐酱醋”的比例，反复试错。据统计，发现一种超导材料的成功率极低，有时数十次实验仅有一次成功，而后续调控至最佳状态往往需要数年甚至十年之久。
面对这一“维度灾难”，传统还原论科学方法遭遇瓶颈。AI的介入不再是简单的辅助工具，而是解决复杂系统建模的关键。DeepMind的AlphaFold证明了AI在生物结构预测上的颠覆性力量，而材料科学因其更高的维度复杂性，此前并未出现同等量级的突破。直至阿里达摩院、中国人民大学高瓴人工智能学院及中国科学院大学联合发布的ElementsClaw，才真正开启了智能体主导材料发现的新时代。
ElementsClaw：通专融合的智能体架构
ElementsClaw并非单一的预测模型，而是一个具备完整科研逻辑的智能体系统。其核心创新在于“通专融合”的架构设计，将专用物理模型与大语言模型的认知能力相结合。
底层支撑是“大原子模型”Elements，这是一个拥有10亿参数的几何深度图神经网络。在材料学AI领域，这一参数量级远超AlphaFold等早期生物模型。其预训练数据涵盖1.25亿个分子和晶体结构，并在22个材料学基准测试中达到或接近当前最佳水平（SOTA）。更关键的是，研究团队首次在非大语言模型架构上验证了Scaling Law，证明增加参数和数据能持续线性提升模型性能。
基于Elements模型，ElementsClaw演化出四只功能各异的“钳子”：
- Elements-T：专注预测超导临界温度（Tc），平均绝对误差仅为0.99K，逼近实验误差极限。
- Elements-C：负责判断材料是否具备超导性，AUC指标高达0.996。
- Elements-E：预测材料的能量状态与结构稳定性。
- Elements-G：基于物理约束生成全新的晶体结构。
上层的大语言模型则充当“大脑”，负责读取文献、查询数据库、分析合成可行性及制定实验方案。这种架构解决了以往AI预测过于“单点”的问题——它不仅能回答“是不是超导”，还能评估“是否容易合成”、“是否有毒”以及“前人是否研究过”，从而大幅降低实验成本。
四维发现路径：AI如何找到“未知”
在28个GPU小时内，ElementsClaw对已知240万种稳定晶体进行了全量海选，预测出6.8万种潜在超导体。经实验验证，团队成功合成了4种人类此前完全未知的超导体。这四种材料的发现路径，展现了AI在材料挖掘上的多维策略。
路径一：“漏网之鱼”——数据交叉验证 Hf₂₁Re₂₅（临界温度2.5 K）早已存在于理论数据库中，但从未被实验验证。ElementsClaw通过文献与数据库的交叉比对，识别出这一被忽视的条目。AI的逻辑在于：既然大数据表明其具备超导潜质，且合成难度可控，那么验证其物理性质便是最高效的下一步。实验结果证实了其超导性，证明了AI在海量数据清洗中的价值。
路径二：“沉冤得雪”——结构纠错 Zr₄VRe₇（临界温度3.5 K）的案例更具戏剧性。人类数据库中对这一材料的结构描述存在错误，导致基于错误结构的预测失效。ElementsClaw利用几何图神经网络重新解析其原子排列，预测了一个新的稳定结构，并判定其为超导体。实验合成后，AI的预测完全正确。这揭示了AI在纠正长期累积的科学数据偏差方面的独特能力。
路径三：“无中生有”——生成式创新 HfZrRe₄（临界温度5.9 K）并不存在于任何已知数据库中。ElementsClaw首先锁定具有高潜力的Hf-Zr-Re三元体系，随后通过生成式模块设计全新的晶体结构，并自我验证其超导性。这是典型的生成式AI（Generative AI）应用，从“回答问题”进化到“创造答案”，突破了仅能回顾历史的局限。
路径四：“举一反三”——模式迁移 Zr₃ScRe₈（临界温度6.5 K）的发现体现了AI的归纳推理能力。在验证Hf-Zr-Re体系后，AI总结出一类结构模体：保留P6/mmm富Re六方框架并保持Re子晶格完整。随后，它按此规则筛选相似结构，将Hf替换为Sc，最终找到临界温度最高的Zr₃ScRe₈。这种基于结构相似性的迁移学习，展示了AI在理解材料物理本质上的深度。
命中率跃升与人机共生新范式
尽管目前发现的四种材料临界温度均低于7K，距离室温超导尚有距离，但ElementsClaw的核心意义在于效率与准确率的质的飞跃。自然界中超导材料占比仅约3%，而ElementsClaw推荐的命中率高达40%，提升了近一个数量级。
更重要的是，这一成果推动了科研范式的根本性转变。中国人民大学高瓴人工智能学院副教授黄文炳指出，AI for Science并非取代科学家，而是实现“人机共生”。AI负责高通量筛选、文献综述和重复性计算，将科学家从繁琐的数据整理中解放出来；科学家则负责提出科学问题、引导AI思考方向并对结果进行物理意义上的校对。
传统科学依赖还原论，试图用方程拆解每一个原子细节；而AI采用涌现论思路，基于海量数据和学习基本物理约束，从系统外在行为中捕捉规律。ElementsClaw不需要推导出完美的底层方程，而是通过数据驱动直接给出高概率答案，这正是处理复杂材料系统的正确打开方式。
未来展望：从材料发现到能源革命
ElementsClaw的成功只是AI for Science爆发的一个缩影。此前，达摩院已利用AI分析卫星影像摸清中国新能源家底，并推出虚拟细胞模型Lingshu Cell降低药物研发成本。从电力能源到生命制药，再到材料发现，AI正直击人类难以驾驭的数据海洋。
超导材料的突破将直接带动能源传输损耗降低、磁悬浮交通普及以及可控核聚变装置（如托卡马克环）的关键组件研发。一旦AI能加速常温常压超导材料的发现，人类能源结构将迎来重塑。
尽管当前AI仍无法完全替代科学家的直觉与创造力，但它已证明自己是不可或缺的“队友”。在240万种晶体数据库中，或许就隐藏着下一个改变世界的材料。全球科研人员现已可访问这一开放平台，共同挖掘这座数字富矿。未来，物理学不仅存在，而且将以一种更高效、更智能的形态继续前行，而ElementsClaw正是这场变革的先行者。