本文来自微信公众号： 未来光锥 ，作者：刘淼，原文标题：《刘淼：数据是 AI 时代材料科学唯一的壁垒 | AI for Science沙龙》
为什么AI时代要讲数据？
这是AI领域大家特别关注的一件事。AI的到来给了我们一个特别好的工具——在这个时代我们其实有了“infinite mind”（无限心智），用机器去帮我们或者代替我们思考，从而让各个领域都获得非常高效的进步。
如果我们看Gartner 2025年（高德纳）的新兴技术成熟度曲线，标出来的这些技术基本上都是AI和机器人。也就是说，几乎所有领域被效率革命的方式都是“AI加机器人”。在这种情况下，科学领域也会面临很大的挑战和变革。
从国际上看，大家都在做这件事：
美国：特朗普政府提出的AI行动计划，把芯片、数据中心、模型都放在了非常重要的位置。其中和科学相关的内容，可以归纳为三件事：自动化实验室、高质量数据集、计算基础设施。在科学领域落实这件事，是通过美国能源部（DOE）的Genesis Mission（创世纪任务）——用科学去变革研发方式，加速材料科学的发现。
中美对比：在战略上中美其实是一致的，但策略不同。我们偏政府主导、政策主导，美国偏市场化主导。
在这个背景下，美国科技公司的进步非常大：
DeepMind在2023年底发布了GNoME数据集和模型，号称通过高通量计算的方式发现了38万种热力学稳定的材料，相当于人类800年知识积累的总和。
Microsoft也做了很多事，比如MatterGen和MatterSim，对这个领域有很大的推动。MatterGen用生成式的方法，给出材料性质，就可以推测和推理出该材料可能的组分构型。
学术界：英国Andy Cooper团队、美国Gerbrand Ceder团队，都用机器人的方式自主化地去发现新材料、改革制备工艺，效率有特别大的提升。
新兴公司：DeepMind、Microsoft和Meta的一些人合作成立了一个新实验室叫Periodic Labs，这是由Google的各种X-Labs出来的团队，估值非常高，要用AI和机器人变革材料科学。最近Jeff Bezos也有动作，号称要投资62亿美元，这是他卸任Amazon CEO之后唯一一次在一家公司担任管理角色去推动的事——他做的叫Physical AI，材料科学可能是其中的一个板块。
在行业进步的带领下，我们现在面临的是AI在材料领域的应用，仔细看你会发现，大家都是从数据开始做的。
我列出来一些材料科学数据领域的进步。过去两个诺贝尔奖（化学奖和物理奖）多多少少都是AI方向的，但本质都是数据的进步。所以近期Google DeepMind、Meta、Microsoft都开始做这样的数据集。在国际范围内，这条技术路线已经勾画得非常清楚了。
如何去做？
这些大公司都在做的一件事是：用密度泛函理论（DFT）去做计算。计算一个材料已经非常容易，于是可以批量计算材料的性质——根源是解密度泛函理论，也就是解电子的薛定谔方程；知道电子的行为之后，就可以推测出材料的各种性质。这已经是非常稀松平常的事了。
这就是科学发展的“第四范式”：在数据基础之上，做各种各样的AI工具。回头看，数据计算的奠基人和先驱者是Materials Project，之后各国科研机构都开始做。近期Google、Microsoft、Meta也都加入。我们是在中科院物理研究所和松山湖材料实验室下面做这件事，现在这个实验室一部分也被独立为东莞材料科学与技术研究所。
ICSD（无机晶体结构数据库）里人类已发现的已知材料很快会被算尽，所以我们通过元素替代的方式不断扩增化学空间。
举几个具体例子：
超导体发现：已知一个化合物之后，我们替换元素做高通量计算，找到这个空间里哪些化合物是稳定的，发表出来指导实验。我们从数据库里筛选出和MgB₂（二硼化镁）结构类似的一个超导体——从筛选到实验合成，只用了3个月时间就把新材料发现出来。
全固态电池：现在做电池有一个困难是，电极材料和电解质材料会发生副反应——界面处的副反应会让电池的效率和循环性能变低。解决方案是找一层中间层把电极和电解质隔开。我们有这样一个工作流，可以从5万多个化合物中筛选出几十个比较好的镀层材料。我们还筛选了电池的正极材料，找到了一个氟化物的钠电池材料，如果合成出来，其性能超过现在的磷酸铁锂。这些已经被我们申请成了专利。
-预测材料稳定性：给定一个原子在空间摆开的构型，力场可以快速把它带到平衡态的位置。
-微调（Fine-tune）：在预训练力场的基础上，用少量数据就可以微调到更合理的情况，比如可以分辨钛金属体系从HCP到FCC的相变，这在传统经验势能（empirical potential）里一直是难点。
-离子晶体分子动力学：我们对一个流行的全固态电解质做了离子扩散率的模拟，结果和实验值非常接近。
如何选择科学问题？
传统上大家做这些AI的事情时，都以数据为起点或判据。如果数据是合适的，你就可以拿这些数据做合适的科学问题。
DeepMind其实是挑选问题的高手。他们选AlphaGo的原因是因为围棋的数据质量非常高，不存在主观偏见、模糊的问题，预测指标也非常清晰。
所以选择科学问题永远是人工智能领域最重要的一步。怎么选择？拿数据来做一个非常重要的判据。
-2023年：用Llama 2做了一些训练，发现有迹象，但难度和资源需求都非常大。
-2024年：发现可以用RAG（检索增强生成）模式去做。
互动提问
提问1：10年后的材料实验室会是什么样子？
刘淼：这是个开放性的问题，我没有答案。因为这个领域发展太快了，顶多能看个两三年。
但总的来说，我们可以看一下生物医药的发展，他们比材料科学发展早一点点。几乎所有材料科学里经历的事情，生物医药里其实已经做过了一遍——他们至少早20年就知道用AI计算找药，他们有各种各样的人工智能方案做新药发现，或者类似的软件/硬件产品。除了生物医药，材料科学可能是第二个在数据上具备类似发现或突破的领域。我觉得还是很有希望——既有很多未知，又有很多希望。
提问2：DeepMind、Microsoft发Nature都不再公布数据和模型了。你们把GPT-FF和材料数据库都免费开放，对国内免费是出于什么考虑？
刘淼：其实他们没有公布数据，但还是公布模型的。开源的意思不是“模型+数据+训练方式”全部开源，而是只公开参数。这又回到我报告的主题：数据很重要。所以各个领域的大模型公司，包括图像、世界模型、大语言模型，都不公开数据。材料科学也在朝这个方向发展。
这也是未来的趋势：数据将会成为这个行业的壁垒，其他的都不会是壁垒。模型已经不重要了，因为模型的壁垒已经非常小——你的模型比我的模型在同样数据底下效率高一点点，这种差异已经小到看不出来了。接下来无非就是怎么做数据，这会成为这个行业唯一的壁垒。在这种数据高价值的情况下，大家是不会把数据放出来的。我们的数据有些开放给大家浏览，但作为供机器学习使用的数据，没有人会放出来。
如果你要做这个行业或者任何AI相关的行业，如果没有在数据上占到先机，you will never make it（永远做不成）。每个企业都是这样。所以学生、投资人、每个行业的人都可以看一下：你要去的这家公司，在数据上是不是有先机——如果没有数据先机，there is no way you can go。
提问3：你们80万篇论文的数据是怎么清洗的？
刘淼：首先，我们在一个学术机构里面，有一些资源和条件可以获得论文全文。拿到论文全文之后，把PDF变成可用的数据，这里我们用到了浦江实验室的MinerU这一类的智能文档解析工具。这种行业先进的工具用起来，可以让某一个细节变得更好。
我想今天在座的我们几位都是在做科学的工程化。在这个行业里，科学已经做到一定程度的时候，可以通过工程化的方式让它变成生产力工具，把它做成产品、做成大家可以使用的工具的过程中，其实是工程思维——每个细节都到位，最后产品才能比较好。任何一个细节不考虑，最后产品就会因为那一个细节显示出不好的地方。
提问4：做AI的人很多都被业界高薪吸引过去了。AI for Science如何长期有系统地做下去？高校研究所有竞争力吗？
刘淼：我的感受是，这个领域做AI+科学的人，更多是从科学出身的。如果你单纯是AI出身，在这个领域很难往下做深入发展。做AI的人虽然工资很高，但那些做“生化环材”四大“火坑”专业的人出来，在AI+科学领域做事，对他们来说可能是一个让自己往更前沿方向走的机会。
人类社会人很多，每个人做的事情不一样，如果大家都做一样的事就没意思了。我们也希望吸引进来的人不是看钱，而是在思考“怎么样去创造价值”。这中间有一些有意思的、自己感兴趣的、好玩的事情。我相信这个领域还会不停地吸引人进来，至少我看到我们新进来的研究生干劲十足，所以我丝毫不担心这个问题。
最近我看了Yann LeCun（杨立昆）的一个播客访谈，他提出一个观点：如果你现在去一个大厂或者企业做大语言模型，或者在研究生阶段学LLM，其实非常无聊。我回头思考一下我们团队在做什么——有做基础设施的、有做产品的、有做数据的、有做模型的，这其实和一个大语言模型公司做的事非常相似，相当于他们的早期阶段。所以这个领域其实就像大语言模型的早期阶段，映射到我们这个行业中，因此这个领域是蓬勃发展的。
在这个阶段，与其去一个成熟企业、成熟方向里做一只小蚂蚁，不如来我们这个行业，做一个行业成长期、早期进来的独角兽。这就是我们在这件事上的取舍。