AI 正在给科学发现加速,这一点几乎没有疑问。但有些时候,好东西也会过量。材料科学尤其如此:AI 能批量生成大量待验证的新假设,反而制造出新的瓶颈。一家名为 Radical AI 的科学AI( AI for science )创业公司,希望用它的“AI 材料飞轮”(AI materials flywheel)缓解这个瓶颈——这套系统正在美国桑迪亚国家实验室(SNL)部署。
Joseph Krause 两年前联合创立了 Radical AI,瞄准的是他在材料发现和物理AI(physical AI)领域看到的一个大机会。AI 模型可以设想出各式各样的新材料,用于半导体、航空航天和能源生产,但科学家缺少一个平台,能把实验室实验结果的分析流程自动化,并把数据反馈回 AI 模型。
“我们对客户的全部主张是:你需要把这些东西全部放进一个飞轮里,”Krause 说。他两年前与 Jorge Colindres、Gerbrand Ceder 共同创立了这家公司。“如果你只做 AI 生成,却从来不做实物,你在这件事上就没有真实基准。你得把这两件事撞在一起,在上面搭一个学习回路,然后从那里往前走。”
反馈回路是 AI 运转方式的核心。没有来自真实世界的反馈,AI 模型就没有数据可以改进。这也是 Radical AI 构建其材料智能层的核心论点:它接收 AI 模型的输出数据,加以分析,再把从数据中学到的东西反馈回模型,使其得以优化和提升。
Krause 的“顿悟时刻”发生在他做风险投资的时候。他读到了 AlphaFold2——Google 那个能从氨基酸序列预测蛋白质三维原子结构的 AI 模型。Google DeepMind 创始人 Demis Hassabis 和 John Jumper 因开发该模型获得 2024 年诺贝尔化学奖。
“我觉得对很多人来说,AlphaFold2真正催化了科学界的那个时刻,”Krause说。“那是一个各种东西汇合的时刻,大家看着,然后心想——天哪,它真的用模型加数据把科学做成了。”
Krause 曾在材料科学项目取得博士学位,后来对学术界失望,离开并加入一家风投机构工作了三年。期间他研究了 AI 对这门学科的影响,得出结论:有机会开发新的科学AI软件,去填补物理AI的缺口。
“我们的全部论点是:科学AI完全依赖实验室里的物理基础设施,”他说。“我们认为自己就是那批卖铲子的人,让 科学AI真正成为一个有影响力的产业。”

Krause 和他的团队希望用这个飞轮在几个核心方向上产生影响。大目标是从实验室实验中采集数据,并把它作为反馈用在模型本身。这会打开一系列需要解决的新技术挑战,往往还要用上更多 AI。
首先,必须采集、整理和分析的数据类型非常多,机器学习算法可以帮上忙。“这些数据本质上是多模态的,”Krause 说。“你会看到实验室的图像,你会以科学家的身份分析自己的工作,你会拿到 CSV 文件或其他类型的光谱数据,你还可能要看温度、压力或氧化程度这类合成条件。”
除了多样性,还有数据量的问题,同样可以用更多 AI 来应对。“实验产生的数据量太大,人类科学家分析不过来,”他说。“当我们在实验室里跑一千个实验,后端会产出六七千万个数据点。人类科学家没法把这些都理清。这就是学习层登场的地方。这也是为什么在 科学AI领域,自驱动在吸收数据和分析数据上要好得多。”
Radical AI 采用专家混合(mixture of experts)的思路,组合使用多种 AI 模型。在物理信息驱动一侧,它使用 Equiformer、CHGNet、Allegro-FM以及微软的 MatterGen 等模型;在合适的地方也使用大语言模型。在自驱动实验室一侧,公司从 Rigaku、Thermo Fisher、Mettler Toledo、Verder Scientific 等厂商采购机器人和仪器。
美国能源部(DOE)的创世纪计划(Genesis Mission )在近一年前启动,极大推动了向自动驾驶实验室的转型,这对 Radical AI是利好。
“我们两年零九个月前刚创立公司时,关于自动驾驶实验室还有很多疑问,”Krause 说。实验室会说:‘我们不知道。这些设备很贵。AI 这东西是不是泡沫?它真的能用到科学上吗?’
“Genesis Mission 出来之后,它推动学术界和研究界转向运行 AI 驱动的技术,于是他们开始接到各大客户的电话,”他继续说。“转变正在发生。所有人都进场了。钱也到位了。”

9 月,Radical AI 宣布SNL采用其软件开展氢相关研究,包括金属—氢相互作用研究,以及发现可用于强化从废物流中分离氢气的新材料。
“高通量预测方面已经有很多工作,但能够驱动机器人合成、并把这些实验发现反馈回我们的研究,正是我们如此兴奋地与 Radical 合作、共同发现用于氢气提纯的新材料的重要原因,”SNL的 Staff Scientist Vitalie Stravila 说。“仿真只能带你走到某一步;我们认为真正能加速新材料发现的,是实验数据。”
据介绍,目前膜法氢分离的黄金标准材料是钯(palladium),但价格昂贵。科学家尝试过制造钯的替代品,需要费力地制作和涂覆特殊合金带,但这些材料非常脆弱,制作一个样品要花上几天到几周。
借助 AI 和 Radical AI 那套把实验室与模型连起来的飞轮,Sandia 有望在新材料上取得进展,以达成 DOE 提出的目标:把制氢成本降到每公斤 1 美元,从而使氢成为可用于交通转型等用途的可行燃料。
总部位于纽约的 Radical AI 有 48 名员工,迄今已融资 6500 万美元。公司正与 SNL等早期采用者合作,但产品尚未正式发布。Krause 说,预计将在 2027 年第一季度推出。

