Matlantis 高級應用科學家 Joshua Young 最近接受訪問，探討人工智能 (AI) 如何改變新材料發現的方式。材料科學一直是現代科技的基石，如今越來越依賴模擬、數據和機器學習。Young 指出，AI 加速模擬讓研究人員能以前所未有速度篩選數百萬潛在材料，多數團隊願意犧牲部分精準度換取更快結果，而全自主發現仍遙不可及。他強調，信任、知識產權保護和人類專業知識在 AI 融入實際材料研究時，仍居核心位置。
AI 作為加速器
當人們聽到材料科學中的 AI，Young 表示，他們常想像「端到端完整材料發現」。實際上，AI 工具是疊加在現有工作流程上，而非全面取代。「我們的調查顯示，許多研究人員正將新興 AI 模擬工具與傳統物理基方法如密度泛函理論結合，」他解釋。調查發現，約一半團隊已在生產環境使用 AI 原生模擬平台，儘管傳統方法仍佔總工作量多數。「這顯示 AI 目前與既有技術共存並強化之，」Young 說，「主要加速研究特定部分，而非完全主導端到端發現過程。
」 全自主發現仍面臨挑戰。雖然 AI 引導模擬和實驗技術上可行，但 Young 強調它們仍碎片化。「主要障礙在於它們仍被分割隔離，」他說。模擬產生文字輸出，實驗生成圖像、光譜和顯微數據，將這些異質數據流整合成單一閉環系統極其困難。「雖然這些元素皆存在，但連結它們才是自主發現的真正挑戰，」他補充。因此，Young 估計廣泛全自主材料發現需再等 3 至 5 年。
即使自動化進展，人類專業仍不可或缺。「我們稱之為『人類在迴圈中』，」Young 說。「我們不需要人類直覺，但仍需領域專長來詮釋和執行實驗。」雖然 AI 代理自動化部分模擬和分析，但他認為完全移除人類恐導致不良結果。調查顯示，只有 14% 研究人員對 AI 系統有極高信心。「這種猶豫源於信任不足，」Young 解釋，無專家監督易生「垃圾進垃圾出」問題。 Matlantis 調查最引人注目發現是，73% 研究人員願以少許精準換取 100 倍速度提升。
對計算專家而言，這意味接受每原子 5 至 10 毫電子伏偏差，足以保留有意義趨勢。「這顯示業界重視產出和篩選能力勝過絕對完美，」Young 表示。事實上，94% 團隊因時間限制放棄模擬項目，速度已成創新先決條件。 Young 駁斥模擬須完美預測才有用之說，引述東京大學 Yukihiro Shimogaki 教授言論：「精準度不該追求精確數字。」模擬最有價值在正確預測質性趨勢並縮小搜尋空間，AI 模擬如濾網，快速淘汰弱候選，讓實驗資源聚焦關鍵。
實際益處已顯現。使用 AI 加速模擬的機構每項目平均節省 US$109,000，約 HK$850,200，來自減少實體實驗、低運算成本和更快迭代。一化學公司評估 13 種催化劑改進，傳統需 2 至 3 年，AI 模擬僅 6 週完成。另一例，研究人員一週內篩選 3200 萬固態電池材料，傳統或需數十年，原型電池 9 個月內開發。 儘管進展，信任仍是關鍵，尤其知識產權。
「數據安全不容妥協，」Young 說，調查無人視 IP 保護為非議題。「這些材料突破值數十億美元，」數據洩漏恐懼合理。公司要求嚴格保障、私有雲或本地部署，客戶保有數據全權。「我們不涉 IP 事宜，所有 IP 歸用戶，」他強調。 展望 5 年，Young 預見大規模高速篩選成常態。「數千至數百萬模擬可在數天或數週完成，將成新項目基準。」他設想自駕實驗室，模擬觸發機器人實驗，反饋至 AI 模型，將物理失敗轉為資產。
AI 不取代科學家，而是解放他們追求新穎構想。
