🔬 自动驾驶实验室 — Joseph Krause, Radical AI

这就是AI应用于生物和材料科学之间的区别。如果你看生物，或者更广泛地说，小分子领域，你会看到SMILES字符串和自拍符（selfies），对吧？这是一种将那些材料、那些分子转化为文本的重要方式，然后你可以利用它。这是因为你知道元素，也知道化学键。所以你知道大部分需要知道的信息。但关于我刚才提到的合金供应链、成本、微观结构、增材制造与铸造工艺的差异，你怎么用字符串来捕捉这些？你做不到。这正是难点所在——没有一个模型能一次性生成一种最终用在你的iPhone或星舰（Starship）上的新材料。材料科学根本不是这样运作的。因此，一个非常棘手的挑战是：如何捕捉所有这些数据，将其整合回来，真正改进你的AI引擎，使其涵盖的不仅仅是发现阶段。

我是RJ。今天我们邀请到的是Radical AI的CEO Joseph Kraus。Joseph，你所在的市场正在迅速变得拥挤。你有Lila、CUSP、Periodic这些公司，都在开发用于材料科学的AI，诸如此类。你想做的有什么不同？你打算如何击败那些资金雄厚的竞争对手？

两位，很高兴来到这里。非常感谢你们的邀请。我必须先说一句，我是你们节目的忠实粉丝。谢谢。我每天通勤到纽约市，你们的节目是我常听的Top内容之一。我很感激。我一直热爱学习，而我的专业背景是材料科学，所以能从你们的节目中学到很多，太棒了。能来到这里，尤其是面对面交流，我非常兴奋。谢谢你们促成这次机会。我们的不同之处在于，我们深信实验数据的重要性，对吧？我认为现在你开始看到整个行业更加关注这一点了，自驱动实验室（self-driving labs）这个概念从学术界到Google DeepMind，再到你提到的几乎所有竞争对手，都在讨论。大家都在建SDL。但情况并非一直如此。嗯，当我们2.5年前创办公司时，人们觉得我们疯了。这资本投入很大。你真的能获取到数据吗？现在的模型并不是为那种数据构建的。我们可以深入探讨为什么模型在材料科学中，特别是无机材料科学中会遇到困难。所以，为什么要这么做？我和我的联合创始人深信：在材料科学中，真实基准（ground truth）就是材料本身。你必须能够制造它，必须能够测试和表征它，然后，如果你希望它被工业界使用，你必须在某个阶段验证它是否能进入实际应用。这正是我们论点的起点：你要构建这个循环，这个闭环系统，我们称之为自驱动实验室，它能实际运行那些实验，捕获数据，并将这些信息反馈给我们的AI科学家，使其能够学习并预测与工业相关的材料。这就是我们整个公司的核心。在过去的2.5年里，我们一直专注于构建这个系统。

很好。

为什么你相信这个，而不是（贬义地说）先想个大思路，然后搞出点东西，之后再尝试？

是的，因为让一种材料变得真实的大部分因素，都出现在发现过程的后半段。我特指表征和合成阶段。比如，嘿，我们造出了什么？它在实验室里有没有一些酷炫的性质？但在此之后，我们从事的领域叫做结构金属或合金。决定这些合金性能的很大一部分因素，实际上在于加工过程。你怎么制造它？你在后处理和制造中使用了哪些技术来提升或改变性能？所以，是的，你可以生成一种新成分，这非常重要，我们也确实用AI来做这件事。但真正影响你是否有了新发现的，是之后的一切：这个新发现是否与你目标的应用领域相关？然后，你真的能制造它吗？你能规模化吗？它能否真正进入应用领域，被最终客户使用？这些问题中的第2和第3点，目前AI无法解决，对吧？一个模型无法为你规划出新型合金用于喷气涡轮机的认证流程。你必须通过实验来完成。因此，那个真实基准对我们来说至关重要，我们需要回归并理解：好的，我们知道想制造什么，但我们真的造出了那些东西吗？它们是否具备我们关心的性质？我们能否将它们推向工业界？后面的这些问题，是材料科学中最难回答的。还有，你经常听到关于材料科学的一个说法，那就是周期长，这确实是事实。我们听过各种说法，从15年到30年，选个你喜欢的数字，看你哪天心情好。没错。但关键是，这是真的。原因在于当今材料科学领域的高度碎片化。你知道，学术界负责发现，做一些小规模测试；一些小公司会跟进，通常由国防部、能源部或其他政府项目（如NSF）支持；然后是大公司，它们真正优化的是现有系统，对吧？它们不关注室温超导、高熵合金或新型陶瓷。它们关注的是如何让现有材料体系提升5%或10%，从而获取利润。因此，整个行业存在巨大的碎片化，数据从不共享，从发现到制造的联系通常在这个过程中丢失了。这正是我们想为材料科学重新建立的联系。我们认为，AI和自动化在材料科学中的真正机遇，就是在一个完全闭环的系统中将这两者连接起来。

我想深入探讨这一点。我有一个经验法则，在思考问题时经常用到：每当你在一个规模化系统中改变数量级时，你的问题就会完全改变，对吧？你提到的那些问题的数量级是截然不同的，对吧？在发现阶段，你面对的是N=1或很小的N。而在商业化方面，你面对的是N=数百万或更多，对吧？那么，你为什么认为自己有能力解决所有这些中间问题？

对，这是个好问题。我想用一个实际例子来说明这到底有多难。在我们这个合金领域，决定材料性能的关键因素之一是微观结构。那么，合金中的微观结构是如何形成的，从而让你看到强度、延展性、发射率或其他你喜欢的力学性能呢？在生成层面，也就是候选生成、假设生成阶段，你可以预测一种新成分。对吧？AI在这方面其实很擅长。现在我们所有的假设都是由AI科学家生成的。然后你会拿着这个成分，去实验室合成它。就在那里，第一步，情况就变了。对吧？你可能发现它没有均匀化，表面可能形成枝晶，你可能会看到不同的相，或者它会是单相吗？这些都决定了材料的性能表现。然后过了这一步，你还要考虑可制造性，比如退火或热处理，以及实际如何制造它？是用粉末进行增材制造，还是用原始金属铸造？这两种方式在最终性能上会有天壤之别。

所以回答你的问题，解决这个问题的第一步是捕获数据。目前我们在发现和测试阶段做这件事。澄清一下，我们还没涉及制造环节，但在发现阶段做了。所以我们做合成和表征。表征。我们实验室有一堆表征工具：SEM、EDS、XRD、XRF、TGA。然后我们——

如果这样有帮助的话，我们可以回头再讲，我很乐意深入介绍我们做的所有事情。

它们就是一堆在实验室里告诉你材料不同信息的工具，我们可以聊聊它们的作用。嗯，然后我们在实验室规模下测试性能。比如我们现在会在实验室里看氧化性能，这对了解这些合金在氧化或腐蚀环境中的表现非常重要。我们还会看力学性能，比如一种叫拉伸测试的东西，它能给出材料的应力-应变曲线。然后我们还会做显微压痕测试。从这里可以得出材料的维氏硬度，同时我们也建立了一个延展性的代理指标。它不是延展性的精确测量，但我们能从中大致判断材料是否具有延展性。这就是发现阶段和测试阶段的所有工作。我们还没跨入制造阶段，但希望未来能做到。所以回到你最初的问题，如果你也能捕获制造阶段的数据，那么你就拥有了我们所说的材料全生命周期数据。我看到假设、合成、表征以及我们造出了什么，我看到早期性能显示出好结果，然后我看到制造环节以及最终产出的结果。它真的能进入最终系统吗？现在我看清了材料的整个生命周期。我就能用它来挑选更多直接针对应用的材料。这就是公司想要达成的终极目标。

那我们目前处于什么阶段？

我觉得我们在第一部分做得很好，就是我提到的发现和小规模测试。有些测试机制我们是通过外部第三方来做的，因为行业本身需要深厚的专业知识。航空航天就是个典型例子。如果他们做风洞测试或火炬测试，我们Radical目前没有这些能力。而且到目前为止，我们也不需要拥有这些能力。我们想用第三方。

那是个长尾。

对，没错。非常长。然后你看看美国风洞的成本，你会想，嗯，我不知道能不能从那里获得足够的数据。最后，我们还没碰制造环节。我们和做制造的人聊过，也知道他们关心的一些事情。可加工性就是一个很好的例子。比如，这种材料能成型吗？如果你要铸造它，能把它变成需要的形状吗？我们确实会考虑这个，但只是在小规模下考虑，不是10吨的量级。我们看的是克级，200克、500克的材料。所以还没到那个大规模，但第一部分已经完成了。现在正在运行。过去五六个月里，我们大概制造了1200种合金。哇。其中300种是全新的、文献中从未出现过的。大概有10种合金的性能让我们非常兴奋，对它们在行业中的前景充满期待。这大致就是公司目前的规模。

这引出了一个后续问题：你们有多少工作是在一个已经充分理解的领域内进行优化，挑选新的、新颖的排列组合，而又有多少是在尝试真正推动科学前沿的实验？

是后者。我们确实在制造推动前沿的新材料。举个例子，我们研究一个叫高熵合金的领域，这些合金非常奇特，因为它们含有5到7种元素，原子比例大致相等，而且在极端环境下有非常奇特的性能。想想超高温，通常超过2000、3000摄氏度；还有超高压，比如从太空返回时的环境。还有腐蚀性环境，比如核反应堆中的中子轰击，或者氧化环境，比如在国防应用或喷气涡轮机中飞行。这些合金非常令人兴奋。过去50年来，这些行业一直使用同样的合金。原因就是我们之前提到的漫长的发现周期。这是一个很好的例子，我们是在一个现有行业中工作，而不是创造新行业，当然涡轮机是个大行业。它是个好行业。现在它还有第二波发展动力。

确实如此。

嗯，但我们想推动的是现有材料尚未具备的新性能。我们借用了SpaceX材料副总裁查尔斯·库尔曼的一个术语，叫并行工程。这个理念是，我在设计产品的同时，可以设计我的材料。对吧？所以当我制造新的火箭助推器、喷气涡轮机、导弹或太阳能电池时，我实际上是在发明满足性能规格的新材料。我在工程过程中反复调整，以达到应用要求。我们现在不是这样做的，对吧？我飞来这里坐的飞机上的合金，是1950年代、1960年代、1970年代的，可能涂了一些1990年代末的CMZS涂层。所以这里有一个巨大的机会：不，我们是在解决现有行业的问题，这些行业有巨大的市场。但我们带来了新材料，而这些材料在历史上他们从未有足够的通量和规模去研究。

对。

问得很好。材料领域绝对存在这类问题。就拿我刚才举的合金例子来说，其中一个关键环节叫"认证"。所谓认证，就是如果这种材料要用于载人飞行，必须由美国联邦航空管理局（FAA）来审批。美国军方也有自己的军用规范（mil-spec）。

基本上，你的合金必须通过认证才能用于航空航天或国防领域。这个过程非常缓慢，目前通常需要10年。你需要铸造多批材料，进行一系列标准化测试，证明你的材料能在这些系统中使用。所以后续确实有很多"陷阱"。我认为关键在于尝试捕获这些数据，理解问题发生的位置和原因，这实际上能反过来影响你的研发循环。

确实有人在研究改变这种顺序执行的方式。

目前有一些很好的工作。例如，美国国防高级研究计划局（DARPA）正在探索新的认证方法。他们利用增材制造逐层构建，并观察能否以此方式完成材料认证。可以说，这是一种试图彻底颠覆现有流程的新技术。

这正是难点所在。部分内容确实带有监管性质，因为像FAA或军用规范这样的政府机构在主导。你还需要考虑人性化的一面。为iPhone开发新合金会容易一些——也许"容易"这个词不准确，但确实不同。如果测试中合金弯曲了，你可以放弃或继续改进，最坏情况也就是召回iPhone。这对公司来说当然是灾难，但至少可行。但如果用于波音787的喷气发动机涡轮，那就必须达到极高的标准，而且理由充分——没人希望降低这个标准。我今晚还要飞回纽约呢。

我当然不希望降低标准，这一点必须说清楚。但我觉得我们目前执行这个流程的方式非常过时。人们正在努力解决的问题是：我们非得这么做吗？有没有其他机制能达到同样效果？这正是AI有趣的地方，同时自动化也很有意思。随着制造过程越来越自动化，传感器增多，数据增多，可捕获和分析的内容也增多，从而可以构建更大的反馈循环。但这一点在材料制造领域至今尚未被深入挖掘。

此外，还有一些其他矩阵需要关注。这正是材料如此困难的原因。举个完美的例子：供应链。大概5年前，也许更久，10年前，金属或矿产行业还没有今天这样的约束。铪的价格上涨了10到15倍，因为中国控制了大部分供应链。像耐火材料、钽、铌也是如此。什么是铪？铪是元素周期表上的一个元素，用于C103等材料中。C103是一种目前非常常见的航空航天合金，其中铪的重量占比约为10%。现在我们开始看到一些需求，比如能否从这种材料中去除铪？这是一个不同的问题。你需要满足相同的性能指标，但完全去除铪。我们专门研究过这个问题，并且成功做到了。这就回到了供应链问题。成本和利润也是问题。谁在承担这些成本？我可以告诉你，航天工业对高成本的容忍度更高。性能至上。当我设计新的隔热罩或火箭发动机的锥体时，性能是我最关心的事。成本不是首要考虑，但也不是无关紧要——我不想花1亿美元买个鼻锥，但它确实不是我最优先考虑的事。而消费电子或医疗设备应用中的合金，成本就敏感得多。智能手机里可能能用某些合金，但会让手机贵得离谱，而且可能无法兼容其他组件。所以材料涉及的变量实在太多，这让它变得极其困难。这也是我们深信"自驱动实验室"的原因之一——让我回到这一点。

在我看来，这就是AI用于生物与AI用于材料的区别——从材料视角看。如果你看生物领域，或者更广泛地说，小分子领域（可能也包括一些有机材料），你可以用SMILES字符串来表示分子，然后利用这些数据。这是因为你知道元素和化学键，所以大部分信息都已掌握。但刚才我提到的合金呢？供应链、成本、微观结构、增材制造与铸造的工艺差异——这些如何用字符串表示？不可能。这就是难点所在：没有一个模型能一次性生成一种新材料，然后直接用在你的iPhone或星舰上。材料科学不是这样运作的。因此，一个非常棘手的挑战是：如何捕获所有这些数据，并将其反馈回来，真正改进你的AI引擎，使其涵盖的不仅仅是发现，甚至不仅仅是成分。

你刚才提到了这个循环，对吧？实际上你在自动化中做两件事：一是收集数据，二是运行实验并构建东西，对吗？

那么这个过程有多迭代？在不同阶段，人类介入的方式是什么样的？

是的。目前人类在我们的循环中扮演着非常重要的角色，实际上是在训练和教导——我喜欢称之为"科学家"——把他们所知的东西教给系统。我们在公司内部称之为科学直觉。具体来说，我们有一张扫描电子显微镜图像，就是那种给材料拍照的图像。我们的科学家会去分析这张图像，并在系统中留下评论，比如"我在这个图像的这些位置看到了枝晶形成"。AI科学家会去查看这些评论。这就是人类介入的一个绝佳例子——我们试图下载一位冶金学博士的大脑：当你作为博士科学家看到这张图像时，你看到了什么？我们需要能够以AI科学家的身份复制这一点。这是人类介入的一种方式。第二件事——如果你们想深入了解的话，我们可以展开——实验室并不容易实现自动化。

我们正在朝这个方向努力。

从工程挑战的角度来看，有些问题非常棘手，我们可以聊聊这些；还有一些令人头疼的问题，比如工具供应商根本没有提供SDK或API来配合使用。是的，所以确实有一些工程上的问题可以讨论，但即便是"工具提供商允许你通过他们的软件层访问数据"这个想法，两年前都还没被理解。但我可以告诉你们，两年前一些大型工具供应商对自驱动实验室并不太感兴趣。他们并不急于——即使我们付费——让我们访问软件并提取数据。现在这种态度已经改变了。

他们是想自己掌控这一切吗？这就是原因吗，还是——

据我所知——我不是工具供应商，所以他们可能会给出不同的答案——但据我理解，他们销售的很大一部分是分析工具输出数据的能力。这些工具之间的差异之一，就在于它们如何利用软件来生成光谱。他们喜欢以此作为卖点，这对他们来说非常重要。所以如果他们让你访问原始数据，你就不再需要他们的软件了，那为什么还要买他们的工具呢？你可以让数据民主化。是的。现在我们告诉他们："不，不，不，你们完全搞错了。"我们正在让他们转变观念。这是一个正在进行中的工作。而且我认为在AI for Science领域已经有很多重要的时刻。第一，它正处于一个不可思议的时期，这对世界来说将是极好的。我们可以聊聊这个。第二，你会看到——我认为学术界和国家层面的认可，以及私营部门的认可都在增加。比如你看到Genesis项目，看到能源部和国家实验室正在朝这个方向走。你看到像Google DeepMind、微软、Meta这样的机构要么在自建实验室，要么在别人的实验室里运行实验以获取数据。然后还有那些正在组建自驱动实验室、研究科学设备自动化的私营公司。这真的开始推动一波浪潮，以至于现在我们不再争论"AI实验室或自驱动实验室是否是未来的一部分"了。问题变成了"我们将在这个未来中扮演什么角色？"这是一个更有建设性的对话，因为这样我们能更快地获得资源。

是的。

没错。

你知道，自驱动实验室——首先，我认为有必要先说明什么是自驱动实验室，因为这会影响你的理解。自动化实验室和自驱动实验室是有区别的，对吧？自动化实验室是替你完成实验，无需人工干预，且具备高通量。这可以非常高效。而自驱动实验室是替你开展研究任务，两者有很大不同。我喜欢这样描述：一种就像解放双手的驾驶——是的，我不需要碰方向盘，它会让我保持在车道内，保持设定速度。但当需要左转时，我必须注意。我必须打转向灯，转动方向盘，并且知道要左转。现在对比一下Waymo，我很喜欢提它，因为每次我来这儿都会特意绕路。有时候我就开着车在街区转悠。这就是活在未来。你不需要左转。实际上，你甚至不需要知道要左转。你不在乎它走哪条路线。你上车，想闭眼就闭眼，可以刷X，可以写研究论文，然后到达目的地，完全不知道是怎么到的。这就是自动化实验室和自驱动实验室的区别——前者由你控制，只是用自动化来提高通量；后者则是为你完成整个流程。所以在自驱动实验室里，人类科学家做的某些事情其实非常困难。样品操作就是一个典型例子。当我们合成这些合金时，会得到一些小圆片。业内称之为"纽扣"。因为是在3000、4000度的高温下熔炼，它们会粘在托盘上。怎么取出来？而且必须小心，因为不想破坏微观结构或弄掉一部分。嗯。不过它们足够坚固，不太会出问题，但我们得设计定制的执行器装在机械臂上才能操作它们。这跟发现这种新型高熵合金其实没什么关系。但如果你想运行自主合金科学，这就是必需的。所以一个答案是，有些挑战人类要么不会遇到，要么即使遇到也很直观，对吧？纽扣卡住了，我拿个小凿子敲一下，翻过来，继续干。我甚至不会多想。但机器不行。第二点，我们稍微谈过，是软件。这不仅仅是控制工具，而是运行整个实验室，对吧？如何追踪样品？如何知道哪些样品该进某个工具，哪些不该？有没有质量检查，比如合成后看到样品，我想直接终止这个实验？我不想浪费时间去做XRD、SEM和实验室里的其他测试。我想直接停下这个样品，保存它，然后扔掉。它怎么知道该怎么做？这就开始涉及各种不同的向量，比如视觉、实验室里的各种传感器、工具本身的传感器，来构建我们所说的操作系统，用来运行自驱动实验室。第三部分是自动化。自动化包括我所说的实验室的连接。我有一个自动化工具，另一个也是自动化的。你有这个操作系统分别运行它们。机器人如何连接它们？嗯。就像人类科学家会进来，查看结果，取出样品，然后去下一个步骤。我们的机器人现在就在做这件事。所以这就是我们认为构成自驱动实验室的三个部分。每个部分都有自己的难点。我们可以逐一讨论，有些像我刚提到的，工具供应商的问题，有些是没有执行器，有些是像XRD的装卸特别困难。你得把它放进一个硬质样品架，几何形状很奇怪很别扭，需要定制夹爪，就是这样。但所有这些加起来，就形成了自驱动实验室的样子。目前我们在合金方面做得很好，因为实验室里的工具都是为合金设计的。有些工具是通用的，比如XRD、XRF、SEM，甚至拉伸测试，虽然主要用于结构金属领域，但也可以用在其他地方。但我们的氧化室，就是专门针对我们正在攻克的特定客户应用。我们的合成机制也是直接为合金设计的。我们和第三方定制了一个工具来做高通量合金合成。那是为合金打造的，不是为陶瓷、聚合物或其他材料系统打造的。

目标是扩展到聚合物、陶瓷等所有材料，还是说我们就做合金，基本上实现合金的端到端制造，然后再扩展？

是的。

还是永远不扩展？

两者都是，但要按正确的时间线来。首先是垂直整合。这非常重要。公司刚起步时，我不怕承认，我们想的是直接做7个不同的实验室，覆盖7种不同的材料系统。收集所有数据。那会很棒。然后我们开始和客户交流。时间成本是个问题。没错，完全正确。这最终会随着时间推移实现。但一开始和客户聊，他们问：你们打算怎么做？这个测试考虑过吗？规模化的时候怎么办？到300磅的时候呢？我们才意识到，哦，我们之前没想过这些。我们更担心的是扩展到聚合物、陶瓷和其他材料。为什么这很重要？因为我们是一家材料公司，对吧？公司经常强调这一点。我们坚信发明能改变世界未来的新材料。我们认为这就是AI和自主化的机遇。很多我们关心的行业都因为缺乏新材料突破而受阻，比如汽车和航空航天制造、国防、气候、能源、半导体、电子。

你最喜欢的例子是什么？比如有什么——

天哪。

——可以通过神奇的材料解锁？

航空航天和半导体，立刻想到。

具体来说呢？

好吧。在半导体的后道集成中，有一些我们用了很久的特定材料，叫做互连。整个行业都在这里做研发。它们是导致效率不高和能源成本高昂的原因之一。在后端，一种新材料可能会完全消除这个问题。这就是一个完美的例子。

我们对能解决这个问题的材料有一些想法，但未来几个月会发布更多信息。我们有一个具体的项目正在做，直接围绕这个问题，非常令人兴奋。行业里也有估算，关于超越现有材料体系后新材料能带来什么，但还有其他挑战。

是的。

对。

对，对。嗯，我认为在不久的将来，借助今天推荐的一些系统，你可能会看到大约2到5倍的提升，尤其是考虑到集成问题。在这些材料中，你需要阻隔层，而且有各种界面问题必须理解。嗯，我认为在那之后，你可能会看到超过10倍的推动。我不知道具体到什么程度，但有一些很酷、令人兴奋的材料，我们未来会分享更多。

你指的是哪个方面？是从实验室开始研究这些材料，还是让一种新材料进入iPhone的芯片？

那仍然很长。那仍然相当长。是的。我们是新公司，在半导体领域起步较晚。实际上，之所以长，是因为当你从零开始时，你必须从头构建一切。所以即使是我们今天为那个行业做材料测试的方式，我认为他们是实际上领先于其他行业的，因为他们在研发上投入巨大，而材料确实能决定他们某些性能的成败。即使在那里，集成时间线也非常缓慢。第二，没有人能获得足够的芯片。所以那个行业的一切都被延迟了，这很重要。我甚至今天或这周看到，台积电告诉ASML，他们将推迟一些新工具，直到完成2029年的生产计划。大概是类似的故事。那个行业——

只是因为他们一直在赶进度。

我也这么认为。是的。所以我会发——我会看看能不能找到那篇文章，然后发给你们。但我当时想，天哪，这个行业真的被推到了极限。我会说在合金方面，比如航空航天，我们觉得机会不错，时间线是3到5年。这相当短。是的，没错。我认为它会是一个应用，而不是载人飞行。比如，我不认为它会用在喷气涡轮机上，因为有人类存在的限制。我认为在国防和太空系统上，在那个时间线内绝对可行。过去有例子，有人在那段时间内做到了，我们对自己的执行能力非常有信心。

我想回到验证的问题，因为我觉得这是自动化的关键，对吧？是不是每个使用Cloud Code或类似工具的AI工程师都有过一次性搞定某件事，然后当你回头看时，你会想，这是什么垃圾？对吧？所以，如果你谈论的是本质上主动学习的过程——你提出假设、制造、测试，然后基于此形成新假设，并反复进行——那么你的错误显然会随着这个过程而累积。

是的。

那么你们是怎么考虑这个问题的？

是的，我们把这些错误称为负面结果。我们今天已经构建了这个循环的一个版本。它不包括制造数据。就像我提到的，我们实验室目前还没有可制造性。但它确实包括合成、表征，以及我之前向你们描述的那些早期性能测试。这个系统的作用是，它有一个AI科学家，非常擅长设计我提到的那些实验计划。所以它可以制定这些计划，决定它自信想要制造和测试的材料数量，然后启动那个计划。它会发送到实验室，开始自主运行，然后经过整个表征套件，我们获得所有数据。这些数据都是自主提取的。其中一些用机器学习模型（如计算机视觉）分析。另一些则有人类参与分析，然后存入我们的数据库，AI科学家在后续设计下一个计划时会回顾这些数据。所以，这是一个基于实验计划的主动学习循环。它不是每个实验都做。说实话，我们不需要那么快。我们实际上想先试几次，获得足够的数据来改变我们的假设。

嗯哼。

但它非常快速。我想说，我们可能现在在实验室里同时运行7到10个不同的实验计划，涉及不同的系统。而且，你会每天或至少每隔一天根据实验室出来的结果更新这些计划。

那在这个过程中，人类做什么？因为，你知道，我发现——好吧，比如做转录组分析之类的，Claude帮我做了一些工作，然后我最终会做很多修正。这大致就是你们实验室的情况吗？

在某些部分是的，但说实话，有些部分更复杂。合成就是一个很好的例子。我们仍然有冶金学博士在运行我们的合成机制。那个工具还没有完全自动化。它应该在夏天实现自动化。就是我告诉你们的那款定制工具，我们正在和那个供应商一起建造。而且不仅仅是开关门的自动化。合成机制本身也需要自动化。如果你见过如何铸造这些合金，基本上就是拿一个等离子火炬，然后喷射、熔化——你把原始前驱体熔化成液体，然后浇铸，它凝固成你浇铸的形状。这里面有很多直觉。比如科学家会盯着它看。

然后看——那个还没熔化，让我打一下那个角落。所以我们建立了模型，可以开始学习如何做到这一点，性能与人类科学家相当。我们正在接近。所以那部分还没有完全自动化。表征是完全自动化的。我们只是让科学家在之后标注图像或结果，用来训练AI科学家。我们所有的表征工具都可以通过我们的后端操作系统加载、卸载和控制，进行表征。性能测试方面，三个中有两个是完全自动化的。微压痕和氧化是自动化的。拉伸测试几乎自动化了，未来应该会完全自动化。所以这就是人类参与的地方和人类不参与的地方。现在，在过程之后，对于生成，我们所有的材料今天都是由AI科学家生成的。偶尔会有人类科学家尝试竞争，我喜欢讲这个故事。他们讨厌我讲这个故事。他们会加入一个成分。然后AI科学家会说："把这个拿开。这不够强。"或者我们会看看我们做得怎么样，我们如何思考新东西。实际上——

所以你是在做红队测试？

是的，这是个很好的描述方式。我不知道他们会不会这么称呼它，我觉得他们会说这是"丢掉工作"。但实际上他们并没有，他们对整个过程其实非常重要。而且我觉得很酷的一点是，有时候科学家会意识到新的学习点："哦，你加入那个元素很有意思，这很酷。" 另一部分是去人类科学家不会去的地方。我们有一张漂亮的图表可以展示给你看，在高熵合金空间中，所有不同的元素——在已发表的文献中，也就是我们能获取的资料里，科学家们去过的地方。然后我们在那张图上叠加了第二层，显示我们的AI科学家去过的地方。

嗯哼。

它进入了以前从未有人发表过的元素族或合金族。问题就是：为什么？它为什么会想到去那里？于是我们问我们的科学家："你为什么从来没去过那里？你为什么从来没用过那个元素？" 它的回答是："我就是觉得它不会——我觉得它和混合物里的其他元素配合不好。我觉得它会铸造失败。我觉得我们在尝试制造时它会蒸发。结果它没有，我们成功合成了它。我觉得它在微观结构上不会起作用，或者会导致晶粒不是我想要的样子，也得不到我预期的力学性能。所以我从来没考虑过它。" 但实际上它在那样的组合中是有效的。所以这里有一个非常有趣的反馈循环：科学家现在变得擅长探索那些我认为人类天生有偏见的地方，即使这种偏见可能是无意识的。而这正是AI科学家的巨大力量所在。

是的，那是个重要的指标。处理能力确实很重要。要说明的是，有时候它会回到它知道的东西，特别是当它引入文献时。它会说："哦，这就是它所在的地方。" 实际上文献是个很好的老师。如果事情有效，那确实是一个很好的基础，去理解它们为什么有效。这是材料领域的一个大问题，我们可以讨论。但它也有这种很好的能力，因为它是高通量的，所以不怕去测试。你知道，我读博的时候，大概一年做50个实验。我不确定，粗略估计，大概就那样。所以每个实验都很重要，对吧？更不用说心理负担了：花两周时间去制造、合成，然后测试。我们不会那样想，或者说科学家不会那样想。AI科学家——不好意思——它想的是："我今天做8个，今天做20个。一旦这个工具完成，我每天做100个。我不太在意射门一次并从那次射门中学习。" 所以这是一种思维方式的转变。

一个实验大概要花多少钱？

嗯，这取决于你用什么元素。有些元素，比如铂、钯，比铝、钛贵得多，价格从大约60美元到300美元不等。

通常取决于你的通量。今天可以是8到20个。这也取决于元素。难熔金属，特别是如果我们做难熔金属，它们更难铸造，所以我们会降到8个。如果你做钛、铝这类标准合金，比如Ti-64，那些更容易铸造，它们会立即或快速熔化，通量可以高到20个。我们应该在大概6月到7月的时间框架内，无论什么系统，每天都能做到100个。粗略估计，上下浮动。

是的，没错。这是整个实验室的。

我不知道。你可以——你刚才提醒了我一点：AI不是在人类相同的维度上运作的。让我解释一下我的意思。当我还是个科学家时，你经历的是一个非常串行的过程。我提出一个新假设。实际上，倒回去：我读一堆论文，提出一个新假设，可能运行一些计算工作流，比如DFT或MDLMAT，然后去实验室合成，接着进行表征，花两周研究表征结果，从一张图像或我看到的东西中得到一个新想法，再绕回来，重复整个过程。这就是人类做的事。而且它非常串行：如果我拍100张SEM图像，我记不住全部100张。我希望能记住，我的导师也希望我能，但我做不到。

所以我从中提取出一两件我想学的东西。现在切换到AI科学家，同样的过程，它变成了并行的。它可以同时实时阅读10万篇论文，并直接与10万张SEM图像进行比较。它可以研究、学习、记住它在那些10万张SEM图像中看到的所有东西，并直接得出结论，关联回我的论文、我的假设，或者我的力学性能测试——也就是我看到实际结果的地方。作为人类科学家，我做不到。所以这种并行性让它能以人类科学家无法做到的方式运作。

是的。

是的。

是的，有两点。第一，通量是一个非常重要的数字。据我们所知，以及公开的信息——如果有人私下做过，我不知道。

我们很乐意和他们聊聊。最大的合金项目是Mach项目，由DARPA和GE Aerospace负责。他们在大约12个月内完成了500种合金的研发。前期他们做了一些AI和模拟工作，然后在那一整年里合成了500种新合金。所以我认为，这算是衡量一年内能完成多少合金研发的基准。嗯，而我们的目标是5个工作日完成500种。我们已经在3个月内完成了1200种。所以，我们正在实现数量级上的提升。

第二点是，我认为在合金领域特别具有挑战性的一点——虽然可能也适用于其他行业——就是决定最终产品及其性能的变量实在太多了。这使得发现新合金变得更加困难，因为潜在组合是无穷无尽的。我的意思是，大约有10的40次方种不同的潜在合金可以合成。那你怎么做呢？即使你能实现高通量，如你所说，那也还是不够高通量，对吧？我们认为人类需要700万年才能把所有合金都做出来。所以，即使你一年只做3万种，又能怎样呢？筛选机制在这里很有帮助，我们都知道。这正是AI的强项。但我认为另一点是，行业里缺乏数据。我们没有实验数据。我们相当积极地看到了100、200、300次实验的结果。从我们目前运行的1200种合金的实验结果中，我们看到了300种从未见过的新合金。你可能认为每种合金大概有50到150个不同的数据点，取决于你拍了多少张图像、跑了多少次光谱等等。是的。那是一个相当小的数据集。你可以——非常小。非常小。有趣的是，当我跟做机器学习的人聊时，他们会问：“你怎么获得数百万个数据点？”我说：“我觉得你根本不需要。”我们至今没发现需要那么多数据才能做出新发现。我们有一堆新发现，很多正在申请专利保护，并且我们正在和潜在客户洽谈。我们就是不需要数百万个数据点。这也引出了为什么我总在计算能力上和人争论。我在GTC上就为此争论过。比如，在材料行业，我们并不受计算能力的限制。

是的。你们是在制造实物。

对。我们受限于实验能力。

我的意思是，即使我做的是计算工作，也常常受限于数据移动，对吧？不是我——我看到那些人，我很羡慕他们能同时开14个云会话，跑各种不同的实验，而我做不到，只是因为数据移动不够快。

是的，这和我们世界的情况很类似：这不是模型的问题，不是语言的问题，也不是——我们没有同样的问题。这是实验的问题。关键在于，你如何运行足够多的实验，来开始改变AI科学家的输出，并捕获发现新事物所需的数据。所以对我们来说，那才是真正的瓶颈。那是吞吐量。这就是为什么我们如此看好自驱动实验室。这也是为什么我一开口就问：“你们在做什么？”——全是关于自驱动实验室、自主性、实验数据。我的意思是，我们正在努力为材料构建类似蛋白质数据库的东西。但这比仅仅晶体结构或其中的其他内容要复杂得多。你今天谈到了所有这些不同的性质。这些性质必须包含在那个数据集中，才能让它有意义。所以这很难。很难做到。

没错。

是的。

对。

我同意。我认为，在材料的特定领域，比如显微学，可以有AlphaFold时刻。一个完美的例子。比如，在SEM图像上使用分割模型。我们的团队现在就在做这个。那很酷，不管你是否称之为AlphaFold时刻，但确实存在一个现实世界，模型能在其中产生巨大影响。但我不认为你能从“我有一个新假设”直接跳到“天哪，我有了新材料，它已经规模化、完成、用在你的iPhone产品里了”。你今天做不到。我同意这个说法。

幸运的是，我不是结构生物学家，所以对观众来说，我可以免责。

对，而且这比你刚才描述的还要难，意思是可能有些东西你根本还不知道自己应该去测试。或者当你扩大规模时，可能会遇到一些你之前没意识到需要预测或关注的问题，围绕这些构建数据集真的很难。所以，我常跟别人说，他们确实会问这个问题：你能为材料建一个数据库吗？我的意思是，如果你想要做SEM图像（扫描电子显微镜图像），然后用分割模型去分析，那确实可以建一个很大的SEM图像数据集，用来很好地识别材料中的枝晶、裂纹或缺陷，模型也能非常精准地用它来预测，比如将裂纹扩展与强度联系起来。这没问题。但这和你能不能把它雾化、能不能用粉末制造、能不能用增材制造、能不能铸造，完全是两码事。相关是相关的，微观结构显然和这些问题有关，但仅仅因为你理解了微观结构，仅仅因为你看到了并能预测裂纹扩展，并不意味着你就能完美搞定制造。所以，我们看到太多问题层层叠加，有些东西我们也在不断学习新知识。我们总以为自己什么都懂，然后去了某个地方，又学到新东西。所以我确实认为这是多方面的。而且每种无机材料都有不同的约束条件，对吧？我刚才提到了供应链，这在国防应用中就是一个很典型的例子。供应链在消费电子领域本身并不是我们担心的问题。比如Ti64这种材料，大家都了解，它很容易获得。人们确实会关心它的来源，但这和美国现在对关键矿物的关注点不一样——我们关心的是那些我们无法控制绝大部分来源的矿物。这是不同的问题。所以，要得到输出，输入的东西也不同。我觉得这就是材料科学这么难的原因。因为除了发现本身，还有大量后续数据。我常跟人说，你设计出一种新材料，那是一个里程碑；你合成出来，又是一个里程碑；你表征它，还是一个里程碑。但这还不算新发现。只有当你拿起手机，里面真的装进了这种新材料，那才算数。我认为这才是对规模化材料新发现的合理定义。

所以，当你一步步推进时——每一步都会有损耗。没错。每个里程碑都是如此。而且在制造过程中，很可能也有不同的步骤会产生损耗。所以当你越来越接近消费者或应用端时，数据就越来越少，对吧？那么，从根本上说，你怎么克服这个问题？因为我觉得在制药领域，人们现在开始思考——有一些经验法则，可以用来从临床反向推导回发现过程。对。那么在材料领域，你怎么做呢？

说来有趣，我很喜欢讲这个故事。我公司的一位顾问，他在3M干了35年，我们问他关于制造的问题，比如：你们去制造的时候，应该注意什么？那时公司才成立三个月。他说：哇，你们要学的东西还多着呢。我问：什么意思？我可是材料科学家。他说：完全是不同的世界。有意思的是，他提到一个挑战：你知道你问的那些数据最难的地方是什么吗？那是一个在公司干了35年的人，他清楚地知道在任何一个制造设备上该往哪个方向拧旋钮。

对。

所以你问的是他或她在特定时刻知道该把旋钮拧到那个位置的能力。你怎么捕捉这个？我怎么给你？就算你给它一个公式，每次都是一样的吗？这又回到了直觉的问题，我们今天聊了很多，在制造层面也是如此。这就是难点。关于制造，我没办法给你答案，因为我们还没做到。但在发现层面，我们有很多答案，我们不得不去审视：直觉在哪些地方重要？我刚才提到的合金铸造，那个火炬，就是其中之一。看SEM图像，也是其中之一。看XRD谱图，识别相和峰的强度。这很主观。这个峰很强，这个有点强，这个不太强，这个很差。这些到底意味着什么？我可以猜它们的意思。但如果你看一张XRD图，你可能无法完全理解你或我对此的看法。所以直觉这个方面非常重要。这就是为什么我们仍然需要人类参与，因为你想捕捉这些。到了制造环节，我们认为也得做同样的事。而且我们认为机会在于，你可以把这些过程完全自动化重建。这样你就可以把所有的传感器和捕捉机制（暂时找不到更好的词）都部署到位，从而把所有这些信息都收回来。这是一个很难解决的问题。明确地说，我们还没有解决这个问题。我们肯定还处在发现和测试阶段，但那是我们想要达到的目标。怎么快速达到？靠合作伙伴。我们和领域内很多公司聊过，那些在合金领域大规模生产材料、也在思考这个问题的公司。他们从不同的角度来看。他们并不全对AI用于科学感到兴奋。实际上，我觉得很多人还挺悲观的。他们会说：你不知道我们知道的东西。我们干这行很久了。这没关系，我觉得这很健康。他们真正知道并能带来的，是那种直觉。当你给他们看一组元素时，他们会告诉你他们认为哪些行得通、哪些行不通。他们可能也会错。但他们能告诉你为什么这么认为，以及这和业务中重要的方面有什么关系，比如供应链、成本、在某些极端环境下的性能——比如其他环境没有的极端温度压力。这些都是非常重要的信息，是你想要带回来的。这就是我们在短期内，直到自己能做之前，如何实现目标的方式：与那些想把这种发现——这个涡轮增压引擎——引入他们流程的人合作。

所以，现在你们还在实验室里寻找和完善那个流程。

没错。

实验室里有什么故事可以分享？给我讲讲你最精彩的——

哦，好问题。我喜欢这个问题。好吧，我们在实验室买了第一批工具。呃，说出来可能会惹麻烦，兄弟。

不，别说了。

嗯，那个，援引第五修正案。有些工具不让我们跟软件交互。顺便说一句，我们现在已经为那个软件付费了，而且我们很喜欢那个工具供应商。所以我们非常策略性地获取了访问权限。工程团队，软件工程团队，他们很聪明地解决了这个问题。那整整花了两周时间冲刺，我们得想办法如何通过编程方式控制这个工具。第二——

所以关键点是什么？别卖关子了。

你可以去查看那些工具运行时的内部情况，然后找出如何控制你想控制的部分。说得对，说得对。嗯哼。这是其一。哦，我的公关团队会为此气疯的。我们可以剪掉这段。不，不，不，我开玩笑的。我开玩笑的。所以我认为早期看到的另一个实战经验是，团队需要多学科交叉。我们一开始就知道这需要多学科。但我觉得每个领域又进一步细分了。比如材料科学这个大领域，我们一开始就知道要分计算和实验。但机械工程这块，我们有真正的机械工程师来建造工具、设计工具并组装起来。还有机电一体化工程师，他们设计我们自己的定制机电系统，让这些工具能自主运行。虽然都属于机械工程领域，但他们的工作几乎完全不同。没错，就是这样。软件方面，当然有标准的全栈开发和构建操作系统。但还有我们所说的应用机器学习，或者像我这种软件背景出身的人，在应用我们构建的系统，比如从扫描电镜中提取图像给AI科学家。这很有意思。机器人方面，有路径规划和感知这些领域，我们当初可能没想到现在会这么需要，因为我们原本以为可以用开源和现成的方案。然后我们开始意识到，科学家的工作非常依赖直觉。而这正是感知或计算机视觉能大显身手的地方。我拿着火炬做这些。所以，所有这些不同领域都细分了，我觉得我们得边飞边造飞机。所以创业公司的信条就是，我们必须不断招人。讽刺的是，这反而建起了一道巨大的护城河。你知道，在无机科学领域，建造自动驾驶实验室并不容易。如果让我回到两年前，我会说："这条路太难走了。"我告诉过你，这条路很难走。而现在，这当然成了我们的一大优势，我们觉得："关键不是把机器人放在工具前面。去吧，把机械臂放在工具前面，然后看看会发生什么。我刚才说的其他一切，在你这么做之后都会随之而来。"现在，在真正运行无机材料科学的自动驾驶实验室方面，我们感觉远远领先于行业。所以这个实战经验，说起来好笑，我们现在觉得这其实是一个巨大的胜利和优势。

有几个原因。第一，AI for Science很重要，对吧？比如力场、机器学习原子间势，它们大概也就两三年历史，具体时间线我不确定。这很有意思。你实际上可以开始加速流程的某些部分。尽管它们在计算和模拟层面（比如密度泛函理论）仍然很重要，但对于加速漏斗、在漏斗顶端更快推进来说，它们依然至关重要。第二，机器人技术更好了。首先，它们更便宜。其次，在驱动、定制夹爪、不同系统方面，你可以做更多事情，甚至我们可以自己定制或购买。第三，工具供应商的认可，就像我之前说的。我觉得两年前和今天相比，选择就多了很多。我给你举个完美的例子。有些工具供应商现在有了软件团队，或者他们以前就有，但没关注这个问题。现在他们实际上提供了支持，告诉你如何与界面交互。这对行业来说是一个巨大的变化。所以，从基础设施和硬件角度来看，建造自动驾驶实验室变得更容易了。我认为这是最重要的变化。其他一些因素还包括热情。我走到哪里，AI for Science都是热门话题。这周我在这里参加Unlock活动，感谢Michelle和Measure团队。房间里来自不同公司、不同领域的众多建设者，都在谈论AI for Science，能量惊人。还有，就像我提到的，在国家层面，我们早期做的一件事就是在华盛顿特区花了很多时间，在国会山、科技政策办公室、能源部、国防部。让他们知道，嘿，如果你们想在科学上保持竞争力，真的需要关注这里。AI for Science是一个严肃的领域。自动驾驶实验室是一个严肃的领域。已经有人建成了这些系统。我们真的认为这是应该建设起来的国家基础设施。在联邦和州层面，这方面已经获得了很大的认可。所以，我认为有这么多顺风因素在推动这个行业前进，再加上热情和涌入的风险投资，开始巩固这一切。而且我认为很快我们就会看到一些成果。我觉得我们还在等待某个人的重大成果。希望我们是第一批达到的。那将是锦上添花，让那些带着保留或谨慎态度的客户真正看到。我们不敢相信你们做到了。我们在这个问题上已经研究了X年，从未在这么短的时间内取得过这样的成果。我信服了。我相信了。我们来谈谈如何合作吧。你看看机器人领域，我觉得那个时刻已经到来了。感觉我们正处于机器人领域的上升期。两年前，当然，如果你像我一样是个书呆子，业余时间会读到一些有趣的机器人研究。但我仍然觉得，当我跟这个领域的创始人交谈时，他们才刚刚跨过那个坎，供应链和物流公司、大型仓储公司，甚至大型人形机器人公司，现在都开始说："哦，好吧，现在有真正的基础模型值得我们关注了。我们想把基础模型技术从99%推到99.9999%。"我认为，在未来两三年内，科学领域也会迎来这个时刻，一旦发现开始涌现，这个领域会进一步成熟。记住，我们在这个领域还处于早期。从能量、社区和新技术角度来看，我们才刚起步几年。

是的。

这个问题问得非常好。实际上这也是我花大量时间思考的事情。我在华盛顿特区时，主要讨论的就是这个。中国拥有我们不想复制、但必须设法防御的不公平优势。在中国，他们会不遗余力——NIST（美国国家标准与技术研究院）和其他一些机构对此有详实记录——建立制造创新中心，当他们研发出新材料时，会通过资本或基础设施支持该材料体系或发明的规模化。他们能做到这一点，是因为在中国，无论公有还是私有，一个实体拥有所有东西。再次强调，这部分我们不应模仿，不应复制，我也绝不是在建议这样做。我的意思是，正因为如此，我们需要有类似的专注度。我们需要想办法打破25年的周期——当我来到这里告诉你们两位，材料研发周期很长时，你们会说："没错，绝对如此。我们听到的都是这个说法。每个和我们交谈的人都这么说。我们也知道这一点。"我们需要改变这个现状。如何做到？我认为第一点是开始培养未来的科学家以这种方式做科研。你知道我们实验室最令人印象深刻的是什么吗？我很喜欢今天讨论的所有内容。最令人印象深刻的是，我们一位冶金或合金领域的博士可以同时运行10个实验项目。而我读博时，是10位科学家同时专注于一个实验项目、一个研究问题。这意味着单个科学家的生产力提升了一个数量级。现在想象一下，如果美国的每一位科学家、北美的每一位科学家、全世界的每一位科学家，都能将研究产出提高10倍。这是根本性的改变。我的意思是，这本身就改变了科学发现的轨迹。

是的，他们可以。他们确实可以。所以我认为第二点是投资。这正是我要说的——我认为私营部门正在获得投资，这很好。我认为你会继续看到政府投资这个领域，试图开始弥合这些差距并培养人才队伍。你可以看到"创世纪"任务（Genesis mission）就是一个投入了数亿美元投资的领域。我知道国家实验室内部的一些团队正在建设自动驾驶实验室。我的联合创始人赫德·锡达（Herd Cedar）在伯克利就有一个。阿贡国家实验室也有一个。我知道艾姆斯实验室正在研究自动驾驶实验室，利弗莫尔也在研究，或者可能已经建成了。橡树岭国家实验室有一个制造示范设施，本质上几乎是全自动或半自动的。所以这些实验室现在开始投资基础设施，以加速缩短这个差距，证明你可以缩短这个周期。这很重要。第三点，我认为可能是我们必须与众不同的地方——公私合作伙伴关系。这是我们经常讨论的话题。这是私营企业与公共研究机构合作，创造——正如美国能源部喜欢说的——世界上最伟大的科学工具的绝佳机会。为什么？因为我们拥有所需的所有HPC（高性能计算）。我们拥有所需的所有研究人员。我们在国家实验室拥有一些世界上最优秀的科学家，以及从材料工具或科学工具角度出发的基础设施。最后，我们实际上还拥有数据。这些国家实验室拥有的实验数据比世界上任何地方都多——或者说我们认为比世界上任何地方都多，来自我们运行过的所有科学实验。所以，如果你能把这三者结合起来，并引入能够帮助你理解这些数据、帮助你闭合系统、帮助你连接整个循环的私营企业，那么我认为整个国家基础设施就能以这种方式运行。研究基础设施——无论是企业研发，还是SBIR（小企业创新研究计划）、STTR（小企业技术转让计划）研发——都以这种方式运行，私营企业也以这种方式运行。那么，你就改变了美国所有研发的格局。这时，你就能与中国竞争，不是通过拥有一切、强迫劳动或他们可能采用的不道德做法，而是通过改变我们进行研发的心态和方法。这就是我认为我们可以竞争的方式。这也是我们唯一能竞争的方式。我认为如果我们想前进，如果不这样做，他们就会继续获胜，因为他们会在成本上超越我们，在人力上超越我们。如果你试图玩他们的游戏，感觉我们很可能会输。但如果你玩的是改变系统、建立比他们更优秀的研发人才队伍和体系的游戏，那么我们就能以纯粹的产出击败他们。

我们经常问嘉宾一个问题，你刚才其实已经回答了，但我还是想问一下，看看你是否还有补充。那就是，如果你能消除行业中的一个瓶颈，那会是什么？

我不认为这个瓶颈是可以消除的，所以这不是一个好答案。但人工智能应用于科学最困难的部分在于我们的反馈循环太长，对吧？我刚才在说——

没错，正是根本性的。这就是为什么我不知道能否消除它。也许有办法让它更快，但我举一个完美的例子。想想数学，比如人工智能在数学中的应用，对吧？你可以在几小时内运行大量实验，而这些实验在科学领域可能需要数周甚至数年。如何绕过这个问题？这是一个非常难解决的问题。我认为一个答案是大规模自动化系统。举个完美的例子，如果你建造一个拥有1000台XRD（X射线衍射仪）或SEM（扫描电子显微镜）的设施，那么你当然可以构建我提到的那个模型，它在图像分析方面比世界上任何人都做得好。所以我认为有一些路径可以跨越快速实验的挑战，但这是根本性的。所以对于这个问题来说，这是一个糟糕的答案。如果有什么不是根本性的，我会让工具提供商重新构建他们的技术栈。他们的工具是为人类设计的。他们应该为智能体和机器人设计这些工具。我觉得这在软件领域已经发生了。

是的。

我认为你写CLI（命令行界面）、MCP（模型上下文协议）。你已经看到这种情况在发生了。

没错。

如果你能在工具的基础设施层面做到这一点，我认为这将极大地推动这个行业的发展。因为现在你不想培训某人操作XRD或SEM，你想培训某人如何运行能够完成这些操作的系统。这样规模化效率会高得多。现在你不需要获得博士学位就能用SEM分析你的合金。你只需要专注于如何运行系统来为你完成精确的分析。这将是变革性的，但也会相当昂贵。太棒了。

那么，好的。你对从事人工智能的科学家，或者说人工智能工程师，有什么行动号召吗？

是的，他们能带来科学家们不了解的技术。我就是个典型例子。我根本不是机器学习科学家出身，我是材料科学家出身。我在研究生阶段学的是材料科学，毕业后第一份工作也是材料科学投资。现在我经营着一家材料科学公司，骨子里就是个材料科学家。我的另一位联合创始人也是材料科学家，他是材料科学的教授。但我们从团队里的机器学习工程师和AI研究科学家那里学到了很多，因为他们不是材料科学家。他们面对问题时，不会被枝晶形成、晶界之类的东西困住，对吧？他们只会说：“你干嘛不用分割模型来处理？”我就想：“那是什么？”他们觉得这很正常，但对我来说，看扫描电镜图时这绝不是我的第一反应。不过他们确实会这么想。所以，他们能用自己的技能为这个行业注入活力。我不喜欢这个行业的一点是，我看到太多人试图变成另一种角色。比如我遇到一些机器学习工程师说：“我想成为材料科学家。”我就想：“为什么？”我们需要的是在Radical工作的机器学习工程师，你应该做的是用机器学习帮我们做科学。而另一种情况更常见——材料科学家想转行做机器学习。比如有人读了材料学博士和硕士，就觉得必须转向AI，因为这是趋势。不，你只需要学会用这些工具让自己更擅长本职工作，对吧？我不在乎谁能从扫描电镜图中找出问题，我只想解决问题。所以跨学科工作非常重要。我强烈建议机器学习工程师们：第一，关注AI for Science。我觉得这已经在发生了，尤其在这个播客里，他们不需要再听我强调。我本身就是大力支持者。第二，发挥你的专长，用第一性原理的视角来改变我们做科学的方式。几百年来，我们做科学的方式几乎没变，无论工具多老，我们一直沿用至今。你可以带来新视角，彻底改变某些东西的运行方式。这个领域过去已经做到了，未来也会继续。我可以100%保证，我们在Radical AI已经做到了。

专业化。

没错。发挥你的专长，不要回避它。不要试图成为材料科学家，而是做一个在材料科学领域工作的机器学习工程师。

从高层来看，AI科学家实际上是一种多智能体（multi-agentic）方法。AI科学家内部包含多个智能体。我们有一个顶层的编排智能体（orchestrator agent），它负责提出新假设，并有内部特定的方法来测试这些假设，这样我们就能在送进实验室之前判断它们是否靠谱。此外，这个科学家系统里还包含许多其他模型。我们会接入行业标准数据集，比如我们付费使用CALPHAD，并把这些数据拉进来，就像人类科学家一样使用它们。这非常重要。我们还有一个自建的文献综述智能体（literature review agent），这个基准测试也公开在我们的网站上。它能从科学文献中提取与我们假设相关的图表和信息。技术栈里还有我们自建的模型，比如Matrix，也在我们网站上。我鼓励所有机器学习工程师去看看。这个模型和基准测试都在Hugging Face上，我们网站上也有相关博客。Matrix非常厉害，它是一个视觉语言模型（VLM），基于Qwen微调，能处理实验室图像和实验数据，从中提取科学知识。我们看到的明显好处是，它非常擅长读取实验数据——这很合理。但一个意想不到的好处是，通过理解这些数据，它变得更像科学家了。这真的很酷。所以对于机器学习工程师和AI科学家来说，这就是如何捕捉那种科学直觉——我们常说的、需要读博才能获得的直觉。我们已经看到了效果，你可以去arXiv上看我们的论文，其中使用的公开数据集在通用科学推理上提升了5%到16%。

这就像给推理加上了数学？

对，不过实际上，数学是我们发现不太奏效的一个领域。

你加了数学，然后就能迁移到其他领域。

是的。我们在论文里也尝试了生物领域，看到了同样的提升。这些都可以在arXiv上的预印本中找到。最酷的是，当你开始构建这些能像人类科学家一样做科学的系统时，知识就会像我们之前讨论的那样不断累积。我在提出假设时，可以同时考虑所有这些不同因素。虽然我们人类科学家自以为能同时调用CALPHAD、文献，并从文献中提取出与假设相关的正确信息——不只是读论文，而是提取出有用的内容——还能回顾所有过去的实验。我们所有实验的数据库都输入给了那个AI科学家。所以当我们启动新项目时，它会参考过去的结果。我们有一个很酷的演示给客户看：当你查看生成的假设时，它会告诉你它参考了哪些实验、从中学到了什么，从而得出新假设。这真的很棒。然后像Matrix或Matrix PT这样的模型，能让你开始提取直觉，而这种直觉反过来又能让你成为更优秀的科学家。这个多智能体方法的概念非常重要，我认为这就是AI科学家的真正含义。我不认为未来会只有一个科学家，也许未来会有变化。如果你是机器学习工程师，这或许是个值得攻克的好问题。如果你们能实现，我们很乐意成为你们的客户。但如果不行，我认为你会拥有这些专门化的模型和智能体，它们各自擅长一件事，合在一起就能组成一个比约瑟夫、比我们现有科学家更优秀的科学家。这就是我们技术栈在假设生成和新材料方面的高层概览。

快速追问一下。我很喜欢你们开源了很多工作。为什么这么做？我绝不是想劝阻你们。

对，这是个非常重要的问题。原因有三。第一，我在这一期里提到了社区。我们需要整个社区转向用这种方式做科学。开源工作是实现这一目标的最佳途径之一，历史已经证明了这一点。所以这是第一点。第二，学习。我们从开源中获得的反馈，远比我们自己能处理的要多得多。你们可能知道 TorchSim，这是我们开源的一个包。今天不需要深入讨论，当然也可以聊。来自社区的反馈和想法——实际上我们已经把 TorchML 独立出来，成立了一个非营利组织，可以继续与社区一起运作。我们称之为“点燃材料革命、模拟革命”，对此我们非常兴奋。这是个很好的例子。所以，这种“与群体一起构建更好技术”的理念，就是第二点。第三，我们实际上不认为模型是护城河——我们认为五年后大多数模型都会开源。是的，可能还会有一两个专有模型，就像今天也有那么一两个专有模型我能用，比如 Claude、ChatGPT、Grok，或者你喜欢的任何 AI。但在科学领域，我们认为模型不是护城河，实验才是。所以我们认为，能分享越多的优秀模型越好，比如已经发布的 Matrix。数据集还不完善。我们在预印本中构建并发布的模型，主要基于公开数据。当然，我们内部还有自己的专有数据堆叠在上面，那是内部运行的 Matrix。模型可以对外发布。我经常跟人说，如果别人推出了更好的基础模型、更好的 MLIP 或更好的扩散模型，那会怎样？我的回答是：那太棒了。它会极大提升我们科学家的能力。我们会直接把它接入我们的技术栈。这没什么问题。我们不想卖模型，也不卖模型。我们认为整个社区会持续产生我们独自无法想到的想法。这就是我们开源的原因——因为我们认为那不是我们的优势所在。我们的优势在实验端。当然，这特指 Radical 的情况。显然，我是在讲 Radical 的信念和理念，但这也是我们这么做的很大一部分原因。如果整个社区能推动整个领域前进，我们受益，他们也受益。这对材料科学整体来说是双赢，对 AI for Science 也是双赢。而且这也是赢，因为我们的技术栈现在有了一个更好的模型，而我们自己不需要去开发它，这很棒。所以无论是我们自己内部构建的定制模型，还是别人的模型，我们都会移植进来、使用它，甚至为专有模型付费——在 LLM 方面我们就是这么做的。显然，我们不自己构建定制 LLM。当然，我们用 ChatGPT 或 Claude。所有这些都只是为了打造更好的科学家。这就是我们开源的原因：为了从社区获得更好的想法，并真正理解——我们认为实验才是护城河，而不是模型本身。

是的，Joseph Cross，非常感谢你来做客。

谢谢邀请，很高兴来到这里。

我很高兴你这么喜欢这期节目。希望我们能传递这种正能量。

你们也是。我觉得我们刚好聊了一个很好的收尾话题——这个行业有多重要。AI for Science 对世界的影响将是巨大的。像你这样能从基层开始并真正推动它前进的人，是至关重要的。所以感谢你所做的一切。非常高兴来到这里，期待等实验室满员时再来——Julia Thomas，我们可以在实验室里录一期节目。

是的，未来可以。

我们一定要这么做。必须做。你会再来纽约的。没问题。不过换个季节吧，别选冬天。今年冬天可不好过。

好的，我们安排一下。

就这么定了。谢谢大家观看。

太棒了。非常感谢。