AI智能体如何加速新材料发现：Discovered Materials的创业逻辑

一个新赛道的诞生

近日，YC P26批次的新创公司Discovered Materials在Hacker News上发布了它们的产品理念：用AI智能体（AI agents）来发现新材料。这个看似小众的方向，实则触及了现代科技产业最底层的痛点——新材料的研发周期太长、成本太高。

从锂电池到半导体，从光伏材料到催化剂，几乎所有前沿技术的突破都依赖于材料科学的进步。然而传统的材料研发往往需要数年甚至数十年的实验试错。这种缓慢并非偶然——传统材料研发遵循所谓的"爱迪生式"试错模式，即通过大量排列组合式的实验来寻找目标材料，每次实验的变量调整主要依赖研究者的直觉和有限的经验法则。以锂电池为例，从1970年代John Goodenough首次发现钴酸锂正极材料，到商业化锂离子电池在1991年由索尼推出市场，中间跨越了近20年。更极端的例子是碳纤维——1960年代开始研发，直到2000年代才在航空航天领域实现大规模应用，其间经历了前驱体选择（从人造丝到PAN基）、碳化工艺优化、界面处理技术等多轮技术迭代。美国国家科学院曾估算，一种新材料从实验室发现到商业化平均需要15-20年。

2011年，奥巴马政府发起"材料基因组计划"（Materials Genome Initiative），首次提出将材料研发周期缩短一半的国家级目标。该计划借鉴了人类基因组计划的思路——通过建立开放数据库、发展计算工具、整合实验与理论，将材料研发从经验驱动转向数据驱动。Materials Project、AFLOW、OQMD等开放材料数据库正是这一计划的直接产物，它们为后来AI材料发现提供了关键的训练数据基础。

值得补充的是，材料基因组计划（MGI）启动时获得了超过5亿美元的联邦和私营部门投资承诺，其核心理念是建立"实验-计算-数据"三位一体的材料研发范式。Materials Project由劳伦斯伯克利国家实验室的Kristin Persson领导，目前包含超过15万种无机化合物的DFT计算数据；AFLOW（Automatic Flow）由杜克大学Stefano Curtarolo团队维护，包含超过350万种材料条目；OQMD（Open Quantum Materials Database）则由西北大学Chris Wolverton团队建立。这些数据库不仅存储了材料的热力学性质，还包含电子能带结构、弹性常数、声子谱等丰富的物理信息。正是这些高质量、标准化的计算数据，使得后来的机器学习模型有了可靠的训练基础。材料基因组计划被视为AI材料发现这一赛道的政策起源。

Discovered Materials试图用AI智能体来压缩这一过程，让材料发现从"手工作坊"迈向"自动化流水线"。

为什么是AI智能体，而非单纯的机器学习

从预测到主动探索

过去几年，机器学习在材料科学中的应用已经不新鲜。DeepMind的GNoME项目曾一次性预测了220万种新晶体结构，其中约38万种被认为是稳定的。这类工作证明了AI在材料性质预测上的强大能力。

值得深入理解的是，GNoME（Graph Networks for Materials Exploration）基于图神经网络（GNN）架构，将晶体结构表示为原子节点和化学键边的图结构。图神经网络是一类专门处理图结构数据的深度学习模型，其核心机制是"消息传递"——每个原子节点通过与相邻原子交换信息来更新自身的特征表示，经过多层传递后，模型能捕捉到从局部化学键到长程晶体对称性的多尺度物理信息。在材料GNN的具体实现中，常用架构包括CGCNN（Crystal Graph Convolutional Neural Network）、MEGNet、SchNet和DimeNet等，它们面临的一个关键技术挑战是如何处理晶体的周期性边界条件——真实晶体是无限重复的周期性结构，模型需要在有限的图表示中准确捕捉这种周期性。GNoME在Materials Project等开放数据库中约4.8万种已知稳定材料上训练，学习材料稳定性的物理规律。其核心突破在于"主动学习"策略：它不是简单地穷举候选结构，而是迭代式地生成候选、预测稳定性、筛选最有价值的结构送入DFT（密度泛函理论）计算验证，再用验证结果更新模型。

DFT是量子力学在材料科学中的主力计算方法，它通过求解薛定谔方程的近似形式来计算材料的电子结构和总能量。DFT的计算复杂度通常随原子数N的三次方增长（O(N³)），这意味着对于包含数百个原子的复杂材料体系，单次计算可能需要数千个CPU核心运行数天。虽然线性标度DFT方法和GPU加速（如VASP 6.x版本的GPU支持）正在改善这一状况，但对于需要考虑温度效应的分子动力学模拟或包含缺陷/界面的大尺度体系，计算成本仍然是主要瓶颈。这正是机器学习力场（如DeepMD、MACE等）兴起的原因——它们试图以接近DFT的精度、但低几个数量级的计算成本来模拟材料行为。GNoME的主动学习策略使其发现效率远超随机搜索，但需要指出的是，GNoME的"稳定"主要指热力学稳定性（formation energy低于凸包，即该材料的生成能低于所有可能分解产物的能量组合），这只是材料可用性的必要非充分条件——一种材料可能热力学稳定但动力学上难以合成，或者稳定但不具备目标功能性能（如导电性、光学性质等）。

但Discovered Materials强调的"智能体"（agent）概念更进一步。传统的ML模型是被动的预测器——你给它输入，它给你输出。而AI智能体则具备主动规划、调用工具、执行实验设计、迭代优化的能力。它不只是回答"这个材料稳不稳定"，而是能自主提出"我应该合成哪种材料、如何验证、下一步怎么改进"的完整研发闭环。

从技术定义来看，AI智能体（AI Agent）的概念源自强化学习和认知科学：它是一个能感知环境、制定计划、采取行动并根据反馈调整策略的自主系统。这一概念最早可追溯到1990年代Russell和Norvig在《人工智能：一种现代方法》中的形式化定义，但在大语言模型（LLM）时代获得了全新的实现方式。现代AI智能体通常以LLM作为"大脑"进行推理和规划，通过函数调用（function calling）机制连接外部工具。在材料科学语境下，这意味着智能体不仅运行预测模型，还能调用多种工具链——如文献检索引擎（解析数百万篇材料科学论文中的合成路线和性能数据）、DFT模拟工具（如VASP、Quantum ESPRESSO计算电子结构）、分子动力学软件（如LAMMPS模拟高温稳定性和力学性质）、热力学数据库（如CALPHAD相图计算）、甚至连接自动化实验平台触发实际合成。

关键区别在于"闭环"能力：传统ML工作流是线性的（数据→训练→预测→结束），而智能体工作流是循环的（假设→实验设计→执行→观察→修正假设）。这与贝叶斯优化（Bayesian Optimization）的理念一脉相承。贝叶斯优化的数学框架包含两个核心组件：代理模型（通常是高斯过程，Gaussian Process）和采集函数（Acquisition Function）。高斯过程为每个未测试的实验条件提供预测均值和不确定性估计；采集函数（如Expected Improvement、Upper Confidence Bound或Knowledge Gradient）则量化每个候选实验点的"信息价值"——即该实验能在多大程度上帮助找到全局最优解。在材料科学中，这特别有用，因为每次实验的成本极高（一次完整的电池材料合成-表征-测试循环可能耗费数千到数万美元），因此"以最少实验次数找到最优材料"具有直接的经济意义。但智能体框架相比传统贝叶斯优化提供了更灵活的推理和规划能力，能够整合非结构化知识（如论文中的合成经验）、处理多目标约束、并动态调整搜索策略。

材料研发的"自动驾驶"模式

可以把这种模式类比为材料科学的"自动驾驶系统"。智能体整合文献知识、计算模拟、实验数据，形成一个持续运转的发现引擎。研究人员从繁琐的试错循环中解放出来，转而扮演监督与决策的角色——类似于自动驾驶中的L3/L4级别，系统在大部分情况下自主运行，但在关键决策点（如选择全新的材料体系方向、评估商业可行性）仍需人类介入。这种范式转变，正是当前AI Agent浪潮在垂直科学领域的自然延伸。

商业化的机遇与挑战

巨大的市场空间

新材料是许多万亿级产业的上游环节。电动汽车对更高能量密度电池材料的渴求尤为突出——当前商用锂电池能量密度约250-300 Wh/kg，而固态电池理论上可达500 Wh/kg以上，但关键瓶颈在于固态电解质材料的离子导电率和界面稳定性。

具体来看，固态电解质材料目前有三大技术路线：氧化物型（如LLZO，Li₇La₃Zr₂O₁₂，离子电导率约10⁻⁴ S/cm）、硫化物型（如Li₆PS₅Cl，离子电导率可达10⁻² S/cm，接近液态电解质）和聚合物型（如PEO基，室温电导率较低）。硫化物路线虽然电导率最高，但面临空气稳定性差（遇水释放H₂S）、与锂金属负极界面不稳定（形成锂枝晶）等严峻挑战。AI材料发现在此领域的潜力在于：搜索兼具高离子电导率、宽电化学窗口、良好机械性能和空气稳定性的新型固态电解质组分——这是一个典型的多目标优化问题，传统实验试错效率极低。

数据中心对高效散热材料的需求同样迫切（随着AI芯片功耗突破1000W，传统铜基散热已接近极限，氮化铝、金刚石复合材料等新型热界面材料成为刚需）、碳中和背景下对新型催化剂的探索（如将CO₂直接转化为甲醇或航空燃料的电催化剂，以及替代铂族金属的廉价氢燃料电池催化剂）——每一个方向都蕴含着巨大的商业价值。谁能更快发现有效材料，谁就能在下游竞争中占据先机。

难以回避的现实门槛

不过，AI驱动的材料发现有一个绕不开的硬约束：AI预测的材料终究要在物理世界中被合成和验证。计算上的可行性不等于实验室的可实现性，更不等于工业化的可量产性。GNoME预测了几十万种稳定材料，但真正被合成验证的仍是极少数——2024年劳伦斯伯克利国家实验室的A-Lab自动化实验室尝试合成了GNoME预测的58种材料，成功率约为71%，但这些仅仅是证明了"可以被做出来"，距离验证其实际性能和工业可用性还有很大距离。

A-Lab是目前最具代表性的全自动材料合成验证平台之一。它由多个机器人臂、粉末分配系统、行星球磨机、管式炉和XRD衍射仪组成，整个流程由AI系统协调：AI根据目标材料的化学组成选择前驱体、计算配比、设定烧结温度和时间，机器人执行称量-混合-压片-烧结的全流程，最后XRD自动表征产物晶相并与目标结构比对。该系统在2023年的Nature论文中展示了17天内尝试合成58种GNoME预测材料的能力，其中41种成功获得目标相。然而，A-Lab目前仅能处理固态反应这一种合成路线，对于需要溶液法、气相沉积或高压合成的材料则无能为力。

因此，Discovered Materials这类公司面临的核心问题是：如何打通"AI预测—实验验证—工艺放大"的完整链条。纯软件的智能体只能解决前端问题，真正的价值兑现需要与湿实验室（wet lab）、自动化实验平台深度结合。这也是为什么越来越多材料AI公司选择"AI+机器人自动化实验室"的组合路线。

事实上，AI+机器人自动化实验室的概念已有一定积累。加拿大多伦多大学的Alan Aspuru-Guzik团队早在2018年就提出了"自驱动实验室"（Self-Driving Laboratory）的愿景，并开发了开源平台。Aspuru-Guzik本人横跨量子化学、机器学习和自动化实验三个领域，他的核心论点是：材料发现的速率瓶颈不在于计算能力，而在于实验验证的吞吐量和反馈速度。在产业界，Citrine Informatics（专注材料信息学平台，已融资超过1亿美元）、Kebotix（AI+机器人闭环发现，后被收购）、Ationary Technologies（贝叶斯优化驱动的实验设计）等公司已在探索AI指导的自动化材料合成。

典型架构包含三层：AI决策层（综合预测模型、不确定性量化和实验成本估算，选择下一步最有信息价值的实验）、机器人执行层（液体处理机器人、粉末称量与混合、气氛可控管式炉、薄膜沉积设备等）、表征分析层（XRD衍射仪确认晶体结构、SEM/TEM观察微观形貌、电化学工作站测试电池性能等，所有数据自动读取并回传至AI决策层）。目前该领域的最大技术瓶颈在于表征环节的自动化——很多关键性能测试（如锂电池的长期循环稳定性需要数百甚至数千次充放电循环、结构材料的机械疲劳测试需要数百万次加载）本质上需要时间，无法被软件加速。这意味着即使AI能在几秒内生成候选材料，验证其实际性能可能仍需数周到数月。如何在这种"快计算、慢验证"的不对称中设计高效的研发策略，是该领域的核心算法挑战。

值得关注的行业信号

作为一家刚刚亮相的YC公司，Discovered Materials目前公开信息有限，但它的出现本身就是一个值得关注的行业风向标：

• AI Agent正在从通用助手走向垂直科学。继编程、客服等场景后，科研发现成为智能体落地的新战场。这一趋势并非孤例——2023-2024年间，已有多个AI科研智能体项目引起关注，如CMU的Coscientist（能自主设计和执行化学实验）、MIT的FunSearch（用LLM发现新数学定理）、以及微软的多个科学AI项目。材料科学因其高度结构化的数据（晶体结构、相图、性能曲线）和明确的优化目标，特别适合智能体化。
• 材料科学AI化进入创业窗口期。大厂做基础研究（如DeepMind），创业公司则更聚焦于把技术转化为可交付的商业产品。这种分工类似于AlphaFold之于蛋白质结构预测领域的格局——DeepMind发布了突破性工具，而下游的商业化应用（如药物发现、酶工程）则由一批创业公司（如Recursion、Absci等）来实现。
• YC对硬科技+AI的持续押注。将AI智能体与实体材料研发结合，代表了投资界对"AI改造实体产业"叙事的认可。

关于最后一点值得展开：Y Combinator从2022年开始明显加大对硬科技的投入。其总裁Garry Tan多次公开表示，YC正在从纯软件加速器向"原子+比特"结合的方向转型。P25和P26批次中，核聚变（如Fuse Energy Technologies）、合成生物（多家合成生物学公司）、量子计算、太空技术等硬科技方向占比显著上升，据估计硬科技项目已占到每批次的20-30%。这背后的逻辑是：大语言模型时代的AI能力正在使得原本需要大量人力和博士级专家的科研流程变得可自动化，从而降低了硬科技创业的早期成本和风险。过去，一家材料创业公司可能需要先投入数百万美元建设实验室、雇佣十几位博士才能产出初步结果；而现在，AI驱动的计算筛选可以在云端完成，将实验验证聚焦在最有价值的少数候选上，极大地压缩了从想法到初步验证的资金需求和时间。材料AI公司恰好处于这一趋势的交汇点——它们本质上是用软件成本（GPU计算时间，相对廉价且可规模化）来替代实验成本（试剂、设备折旧、博士研究员的时间，昂贵且不可规模化），契合风投对高边际回报的偏好。

结语：AI材料发现的前景与边界

Discovered Materials描绘了一个诱人的图景：让AI智能体成为不知疲倦的材料科学家，加速人类文明底层材料的迭代。这个方向的想象空间没跑了。

但我们也需保持理性——材料发现的真正瓶颈从来不只在"发现"这一环，而在于从计算到合成、从实验室到工厂的漫长验证链条。在材料科学中，这被称为"死亡之谷"（Valley of Death）——大量在实验室表现优异的材料最终无法跨越中试放大和量产的鸿沟。

根据美国能源部的统计，从实验室规模（克级）到中试规模（千克级）的成功率约为30-50%，从中试到量产（吨级）的成功率进一步降至20-40%。这意味着从实验室发现到商业量产的总成功率可能只有6-20%。具体挑战包括：批次一致性（实验室中单次合成可精确控制，但连续生产中原料批次差异会导致产品波动）、设备放大效应（热传递和质量传递规律在不同尺度下差异巨大，实验室中的管式炉条件无法直接翻译为工业窑炉参数）、以及供应链约束（某些关键元素如钴、锂、稀土的全球供应受地缘政治影响严重）。

原因多种多样：实验室使用的高纯原料在工业生产中成本过高、小批量合成的精确控制在吨级生产中无法复现、材料在实际使用环境（温度波动、湿度、机械应力等）中性能退化远超实验室测试条件。AI智能体能否有效缩短这条链条，而非只是在虚拟世界里生成无法落地的候选清单，将是决定这类公司成败的关键。AI在这一环节的潜在价值在于：通过数字孪生和过程模拟，在虚拟环境中预演放大过程中可能遇到的问题，提前识别工艺参数的敏感区间，从而降低中试阶段的失败率。

当AI Agent开始进入材料科学这样的深水区，我们正在见证AI应用边界的又一次拓展。这值得每一个关注前沿科技的人持续跟踪。

核心要点