在剑桥大学，材料科学与冶金系有着将人工智能融入其工作的远大梦想。从自动检测和分析到在类似编排的钢结构中寻找模式，再到搜索下一代电池材料的随机原子结构，人工智能已经渗透到材料科学中。至关重要的是，如果我们想避免气候崩溃，研究人员将需要解决可持续技术方面的重大挑战，而人工智能可以发挥重要作用。
这是因为我们的碳捕获和电池技术的进步从根本上受到我们材料不够好的限制，而谷歌、Meta 和微软等大公司正在投资数百万美元使用人工智能来寻找新的、更好的材料。但材料科学还需要人工智能吗？为了了解我们的材料人工智能“梦想”有多实用，我采访了两位处于材料人工智能前沿的剑桥研究人员：Chris Pickard 和 Shijing Sun。
我首先采访了 Chris Pickard 教授，他是材料结构预测领域世界领先的计算研究员。克里斯进行了研究，利用机器学习寻找更好的电池阴极材料。我问他人工智能对材料科学有多大用处。他兴高采烈地回答道：“嗯，材料科学已经是一个人工智能领域了。自 90 年代以来，该系一直在使用神经网络和机器学习技术来解决现实世界的问题。”
对于 Chris 来说，机器学习（人工智能的一个子集）一直在他的工作中发挥着重要作用，而人工智能的炒作正是由生成性大型语言模型（如 ChatGPT）的进步所推动的。在过去的几年中，Chris 在机器学习原子间势 (MLIP) 方面取得了成功，这加速了他的材料搜索。
“嗯，材料科学已经是一个人工智能领域了”
2023年，谷歌AI技术团队Google DeepMind声称发现了220万种新材料。本文展示了人工智能如何很快引领全球材料发现。然而，当科学家检查该论文时，他们发现数千种化合物含有稀有放射性元素或不稳定，使得它们对实际设备毫无用处。该系前金史密斯学院材料科学教授、石晶博士生导师安东尼·奇塔姆爵士在一篇回应文章中表示：“发现一种化合物是一回事，而发现一种新的功能材料则完全是另一回事。”
我把这个故事和克里斯联系起来。他缓缓点头。 “我的观点是，如果我们因为认为某件事行不通而没有尝试，那将是一种耻辱。”克里斯继续描述两方之间的对话：守旧派（经验丰富的科学家）和新派（令人兴奋的人工智能研究）。当一篇新的人工智能论文出于兴奋而夸大他们的发现时，材料科学家很快就会找到反驳，这是很自然的。
“发现一种化合物是一回事，而发现一种新的功能材料则完全是另一回事。”
我仍然持保留意见：人工智能的繁荣肯定被夸大了，注定会崩溃吗？在向克里斯解释完这一点后，他的眼睛一亮，渴望解决这个深刻的问题，他告诉我有关炒作周期的信息。他解释了他如何看到纳米技术和石墨烯的炒作吸引了大量投资，但随着挑战变得明显，这种投资似乎又消失了。 “通常这些技术所做的事情并不比研究人员最初已经做的事情多多少。”他停顿了一下。 “但是，我认为人工智能的区别将在于芯片技术和计算的总体进步。”
如果人工智能泡沫确实破裂，克里斯希望研究人员最终能够以更便宜的价格获得高性能 GPU，否则这些 GPU 将被数据中心使用。此外，与 Nvidia 等公司开发的软件相关的工具将保留。然而，仍然存在一个问题：我们如何真正制造克里斯预测的材料？现实情况是，存在一个瓶颈——孙世晶博士登场了，她是材料系的最新研究员，她在硅谷和西雅图华盛顿大学期间获得了新鲜的想法。
“这就是我目前正在努力弥合的空白，”石晶充满自信和平易近人地说。 “一方面，我们拥有这些由人工智能驱动的大型数据库，其中包含非常有趣的材料，另一方面，实验人员正在实验室中尝试制造它们。”她的解决方案是让这个过程更快：自动化实验室！
“与科学机器人合作的想法有点像拥有厨房机器人，”她开玩笑说。石晶收到一份烹饪订单，可能是一种新的电池材料，然后她创建了一套详细说明如何制作的说明。 “令人惊奇的是，这个过程中的每个阶段都可以涉及计算。人工智能可以在大型数据库中搜索有趣的结构（菜肴），生成配料和配方，机器人可以用来制造产品，人工智能给它指令。
“目的是培育一个生态系统，让自动化和人工智能使人类科学家能够实现有意义的科学发现”
自动化实验室是什么样的？ Shijing目前的设置由一个带有许多传感器的台式盒子和一个大小和形状与3D打印机大致相同的机械臂组成。然后它可以执行自动移液器操作和其他功能——这是实验室的未来吗？
“现在还处于非常非常早期的阶段，”石晶若有所思地说。她解释了科学家如何擅长做出物理决策，因此我们的目标不是取代它们。相反，自动化实验室可以在现有科学家的帮助下扩大规模并加速新材料的生产。 “我们的目标是培育一个生态系统，让自动化和人工智能使人类科学家能够实现有意义的科学发现。”假设您不确定在设备中使用 10% 的 A 还是 10.1% 的 A 哪个更好；对于一个贫穷的博士生来说，这种微不足道的差异可能需要几个小时才能自己调查。然而，通过自动化实验室，它不仅可以测试这些样品，还可以测试 100 种其他成分。优化的好处是显而易见的。
“有些任务是人类擅长的，而另一些任务则机器人表现得更好。例如，拧开瓶子对人类来说是微不足道的，但在当今的实验室自动化中，这并不那么简单。”机器人也会犯错误，但石晶讨论了机器人如何容易犯同样的错误，使她能够区分随机错误和系统错误。 “机器人会记录每一个动作和参数，这样我们就可以追踪错误是如何产生的，从中学习并纠正它们。”
但人工智能不是消耗大量的水和能源吗？那么，石晶的重点是能源材料，试图解决能源需求不断增加的问题……使用罪魁祸首之一来解决问题有意义吗？
“为了可持续发展，我们不能过度使用资源。然而，为机器人实验室提供动力并不一定比传统实验室更耗能，”石晶解释道。她解释了仪器效率和研究生产力如何解释这一点：她总是利用科学直觉来优化能源使用。但更广泛地说，她确实考虑了数据中心的能源使用。 “数据中心确实需要消耗大量能源，因此绝对不会被排除在外。”
这是一种乐观而激进的方法，但正如克里斯所说，因为我们对此持怀疑态度而不尝试某些东西将是一种耻辱。石晶的出色工作可能就是我们人工智能梦想的答案。通过实验室自动化，研究人员可以正面应对可持续发展挑战和人工智能革命。
