深度访谈 | Radical AI揭露AI材料学真相：为什么纯软件模型永远无法“一步到位”？

近期Radical AI 的 CEO Joseph Krause接受了一次深度访谈，在访谈中，他揭开了现在资本热炒的 “AI for Science” 的虚假外衣。如果你以为搞材料研发只要像生物制药一样，用大模型在云端“跑个分”就能大力出奇迹，那这期节目会给你狠狠上一课，你会发现，真正的材料学 AI 护城河，离我们简单的想象差了十万八千里。

降维打击：为什么 AlphaFold 那套玩法在材料学失灵了？

现在很多人一聊到 AI 科学，就盲目崇拜 AlphaFold。但 Joseph 在节目里泼了一盆冷水：生物制药那一套代码，根本无法套用到一块装进 iPhone 或星链（Starship）的合金上。

做生物或者有机小分子，业内普遍用 SMILES 或 SELFIES 字符串来表达分子结构。因为只要确定了元素和化学键，信息就差不多全了。大模型玩文本预测，自然如鱼得水。

“但你怎么把一整条合金供应链、生产成本、微观组织、3D打印还是铸造加工，全部压缩进一个字符串里？” Joseph 犀利地反问。

你根本做不到。无机材料（尤其是合金）的性能，有一半是“加工（Processing）”出来的：

• 同样的配方，用粉末3D打印和用传统铸造，出来的晶界和缺陷完全不同。
• 熔炼时等离子火炬的手速、退火温度，直接决定了这块金属是绝世神器还是废铜烂铁。

在这个领域，绝对没有哪一个模型能够“一步到位”（One-shot）盲猜出新材料。那些试图“在云端想明白、以后再去实验室试试”的闭门造车派，在物理规律面前注定要交巨额学费。

起底行业痛点：15 到 30 年的研发魔咒，到底卡在哪里？

节目里聊到了一个让投资人绝望的数据：一种新材料从发现到真正用在产品里，通常需要 15 到 30 年。 为什么这么慢？Joseph 揭露了产业链极度碎片化（Fragmented）的遮羞布：

• 学术界： 拿着经费搞出几克样品，发完论文就拍拍屁股走人，根本不管后续能不能量产。
• 中小初创： 靠着政府（如美国能源部、国防部）的微薄基金吊着命，做点轻量化测试。
• 大企业： 真正有能力规模化生产的巨头，根本不想冒险去开发什么高熵合金，他们的核心 KPI 是——把现有的材料系统优化个 5% 到 10%，躺着把利润赚了。

各方利益不一致，导致数据在每个环节全部断掉。最惨的是，实验失败的负面数据，根本没人分享。

更别提航天航空那堪称地狱级别的“合规资质（Qualification）证明”了。一个用在客机涡轮叶片上的新合金，要在 FAA 的监管下做无数次铸锭和拉伸测试，一跑就是 10 年。

这还不算完，供应链的“灰犀牛”随时能让你前功尽弃。Joseph 举了个真实的例子：比如航天级合金 C103 里面要用到铪（Hafnium）元素，由于供应链波动，过去几年铪的价格暴涨了 10 到 15 倍！客户会突然给你提一个极其奇葩的需求：性能不能掉，但必须把铪元素从公式里彻底拿掉。

这种复杂的动态博弈，光靠在电脑前敲代码的算法工程师，一辈子也体会不到。

自动驾驶实验室（SDL）：别误会，它不是自动化的机器

为了打通从“假设”到“制造”的断层，Radical AI 在过去两年半里死磕所谓的 “自动驾驶实验室”（Self-driving Lab, SDL）。

很多人以为这不就是给实验室装几个机械臂吗？Joseph 在节目里科普了自动化实验室与自动驾驶实验室的本质区别，这个比喻绝了：

为了搭建这个真正的 SDL，Radical AI 团队简直经历了物理和商业的双重毒打，Joseph 在播客里大吐苦水，爆了不少精彩的“内幕故事”：

1. 硬件巨头的商业壁垒

两年前，他们买回了行业顶级的扫描电镜（SEM）和 X射线衍射仪（XRD）。当他们的软件团队想要通过 API  programmatic 地控制这些设备抓取原始数据时，工具厂商直接拒绝。因为这些老牌巨头过去就靠卖闭源的数据分析软件躺赚。Radical AI 团队硬是顶着压力，经历无数个通宵 Sprint，才硬生生把这个软件控制层给扒开打通。

2. 用“凿子”敲出来的机器人算法

在合成高熵合金时， precursors 需要在 3000℃ 以上的高温下被熔炼成一个个圆盘（Button）。因为温度太高，冷却后这些金属球会死死粘在托盘上。 如果是人类科学家，顺手拿个凿子，“啪”地敲一下、翻个面就完事了。但对机器人来说，这是个灾难——力道大了会破坏微观组织，力道小了拿不出来。团队最后不得不和第三方联合定制了特殊的机械臂执行器（Actuators）和气动抓手，才解决了这个看似低端、实则致命的硬件坑。

如今，他们的闭环系统彻底跑通了：AI科学家生成假设 -> 自主合成样品 -> 自动送检机器 -> 计算机视觉分析数据 -> 自动剔除失败实验 -> 修正假设，开启下一轮

在过去的几个月里，这套全自动系统跑了 1200 种合金实验（传统 DARPA 项目一年才做 500 个）。其中 300 种是人类文献中从未记录过的全新材料，更有 10 种的超强性能直接让客户两眼发光。

把核心大模型开源，这帮材料学家凭什么“不怕抄”？

在播客的后半段，主持人 Brandon 问出了所有投资人的疑问：你们在 Hugging Face 和 GitHub 上把精心微调的多模态大模型 Matrix（一个能直接读懂电镜图像、光谱并提取科学直觉的 VLM）完全开源了，不怕竞争对手抄去直接超车吗？

Joseph 的回答展现了极其恐怖的战略清醒，他亮出了三点底层逻辑：

1. 模型不是护城河，实验数据才是。没有我们在硬件实验室里、冒着火花和高温砸了两年半积累出来的Proprietary（独家负面和实验）数据集，你拿到了 Matrix 的架构，跑出来的也只是一堆没有灵魂的学术垃圾。
2. 我们卖的是材料，不是模型。材料学 AI 圈最后一定会走向开源。如果5年后市面上出现了比 Matrix 更好的开源基础模型或扩散模型，Radical AI 会毫不犹豫地把它“白嫖”过来，直接插进我们的自动化实验室里，让我们的硬件产出效率再翻一倍。
3. 别让 MLE 和材料学家互相客串了！Joseph 直言，他最看不惯现在写代码的 MLE 跑去自学材料，或者材料学 PhD 天天搁那敲 Python。跨学科团队的真谛是专业化（Specialization）——让算法专家用多智能体（Multi-agent）和一阶原理去重构系统逻辑，让懂冶金的 PhD 专注于 annotation 和直觉下载，这才是最强的降维打击。

过去，一个材料学博士一年顶多做 50 个实验，因为肉体和精神的心智带宽（Mental Load）会被无尽的繁琐操作塞满。而现在，在多智能体编排器的调度下，一个科学家可以同时遥控 10 个研发战役，日产百种新材料。

新材料的诞生是一座里程碑，但真正的发现，只有在它被装进你的下一代 iPhone，或送你上火星的火箭发动机里时，才算真正完成。

💡如何高效获取全球商业信号？

最后想和大家分享一个产品。我们都知道，如果想保持对商业信号的敏感度，就需要看足够专业的信息源。

但现实情况是：

• 订阅贵： 个人订阅 Bloomberg 或 WSJ 的成本极高（每年订阅费动辄上万元）。
• 耗时久： 面对全英文的长篇大论，筛选和阅读都极其耗费精力。

我最近发现的产品 【Insight News Pro】 完美解决了这些痛点。它整合了上述顶级付费渠道，并由专业团队通过 AI+专家 的方式，把纷繁复杂的信息拆解成了每天两次的中文精要。

如果你正打算建立自己的信息获取体系，这可能是目前市面上性价比最高的选择：

梯度粉丝专属福利通道

• 年度早鸟：179元/年 （原价 349 元）
• 季度尝鲜：79元/季 （原价 99 元）

👇 如何领取优惠？

1. 添加客服微信：pro-news
2. 私信暗号：【梯度】
3. 即可获取产品详细介绍，并享受上述专属优惠价格。

文章来自于"GD梯度下降"，作者 "GD梯度下降"。