从“天方夜谭”到“实验室现实”：AI驱动功能材料发现的瓶颈与破局

论坛编号：CCF-Yo-26-233

2026年9月26日，YOCSEF大连观点论坛在大连民族大学开发区校区勤德楼B702举办，会议邀请了众多专家学者与行业精英，围绕着“从‘天方夜谭”到“实验室现实’：AI驱动功能材料发现的瓶颈与破局”展开了深入的讨论与思辨。

本次论坛的引导嘉宾和特邀嘉宾包括：大连理工大学环境学院助理研究员张钊睿，大连民族大学物理与材料工程学院赵英副教授，百度平台产品部资深解决方案架构师李扬，大连理工大学集成电路学院的王楠副教授，大连民族大学信息与通信工程学院的许爽副院长，以及大连金泰正新科技有限公司的总经理白春阳。来自其他分论坛及高校的代表也共同参与讨论，包括YOCSEF厦门分论坛AC委员陈伟思、YOCSEF哈尔滨分论坛AC委员王妍玮，以及大连科技学院机械工程学院教师李晶、大连民族大学教师杨亚宁等。此外，YOCSEF大连分论坛25-26年度主席李想、26-27年度主席刘洋、26-27年度副主席王辉兵和徐晓璐，以及AC委员李超、张平平、孔雨秋、杨宏剑、安敬民、徐凤强、苏展等参与本次论坛交流。本次论坛由大连民族大学信息与通信工程学院副院长孙炎辉和大连深度矩阵科技有限公司 CEO于文儒共同主持。

来参加会议的全体成员合影

当前，AI驱动材料设计正经历“冷热交替”。以MatterGen、MOFFUSION等为代表的生成模型已能够在目标性能约束下生成晶体、多孔材料和超材料结构。但核心问题已从“能否生成”转向“生成结果是否可信、可合成、可验证和可复用”。现实挑战在于化学上看似合理的结构在DFT弛豫后可能坍塌或难以合成；性质预测器在分布外区域的系统误差容易被生成模型放大；实验验证速度远慢于生成速度，导致大量候选停留在计算阶段；材料数据来源分散普遍缺乏失败实验等负样本，使模型更容易学习数据库记录习惯，而非稳定可靠的结构-性能关系。可合成性评估、分布外泛化能力、物理约束不足以及自动化实验闭环门槛仍是制约AI材料设计迈向可靠发现的关键瓶颈。

引导发言一：《金属氮化物气敏材料从结构生成到功能验证》

大连理工大学环境学院的张钊睿围绕“金属氮化物气敏材料从结构生成到功能验证”展开分享，分析了传统材料研发依赖文献与个人经验、试错成本高、研发周期长等问题，介绍了以数据和目标性能为导向，通过AI生成候选结构、计算筛选与实验合成加速材料研发的思路。以增强二氧化氮响应的Pt-TiN/TiO₂材料为例，重点阐述了如何结合球差电镜、同步辐射等表征手段与理论计算，建立合理的结构模型，并从宏观气体传输、分子吸附及电子层面相互作用开展多尺度分析，将材料结构与传感性能建立联系。在此基础上，提出以结构为起点、以可观测量为桥梁、以独立实验检验预测的计算与实验关联框架，强调实物功能验证与数据反馈的重要性。最后，他提出生成结构的物理可信性与可合成性、性能预测的泛化能力与可靠性，以及实验验证与反馈闭环效率三方面问题，为后续思辨讨论提供了切入点。

张钊睿 引导发言

引导发言二：《多尺度模拟与图神经网络驱动的高分子纳米复合材料研究》

大连民族大学物理与材料工程学院的副教授赵英围绕“多尺度模拟与图神经网络驱动的高分子纳米复合材料研究”展开分享，面向柔性与可穿戴电子设备对可拉伸导电材料的需求，介绍了通过多尺度模拟构建高质量数据集、结合机器学习开展性能预测与材料设计的研究思路。报告重点介绍了三项工作：一是均聚物/碳纳米管体系，结合图注意力网络、改进型全局池化与增量学习，解析导电网络机制并加速材料设计；二是两嵌段共聚物/碳纳米管体系，采用基于体素化的图注意力网络，以局部密度作为物理序参数，开展基于机理的电导率预测；三是三嵌段共聚物/碳纳米管体系，将逾渗理论嵌入物理信息图卷积网络，识别关键界面，并推导出经实验验证的设计原则。通过上述研究，建立材料微观结构与宏观导电性能之间的关联，并结合实验验证了碳纳米管长径比对导电性能的影响。此外，她指出，该领域仍面临数据不足与逆向设计困难等挑战，团队正进一步探索从性能预测向目标性能驱动的逆向设计拓展。

赵英 引导发言

引导发言三：《算法自演进智能体应用实践——以材料科学为例》

百度平台产品部资深解决方案架构师李扬围绕“算法自演进智能体应用实践——以材料科学为例”展开分享，结合百度“伐谋”的应用案例，介绍了通过算法自动迭代与评估反馈开展性能预测、工程优化和科研提效的实践。报告展示了能源-润滑油性能与配方预测、复杂工程排产优化、中高压桥接缆线铺设设计、汽车风阻仿真计算性能优化，以及基于Symmetry的炼化流程智能优化等案例，说明智能体如何结合业务约束与仿真软件，辅助优化设计方案、缩短计算时间。在材料研究方面，以磁性材料特性预测为例，介绍了通过算法迭代形成融合线性趋势、非线性饱和与历史记忆的模型结构，探索数据驱动方法与物理机制的关联。同时他指出，有限数据上的高准确率并不意味着实际生产中的可靠表现，应重视数据集选取与过拟合风险，通过补充数据、引入专家经验及物理化学约束，提高模型的泛化能力。最后，他介绍了百度伐谋科学家计划，探讨了智能体在材料科学等领域支持科研提效与成果创新的应用方向。

李扬 引导发言

颁发感谢牌

思辨议题一：AI发现“新”材料，应用驱动还是科研驱动？

与会嘉宾围绕材料研发中“应用驱动”与“科研驱动”的关系展开讨论。嘉宾提出，现实应用需求是材料研发的重要牵引，应从气体检测、医疗监测等具体场景出发，明确材料所需性能，并借助AI开展筛选、设计与优化，从而提高研发效率和研究针对性。但材料在模型中表现出优良性能，并不意味着能够直接进入实际应用，其可合成性、稳定性、重复性以及真实场景下的使用效果仍需进一步验证。与此同时，基础科研与自由探索同样是发现新材料的重要路径。部分材料研究在初期并无明确应用目标，却能够深化对材料结构、性能及作用机理的认识，并可能孕育新的应用方向。若过度以短期应用价值作为评价标准，也可能限制对未知材料和新规律的探索。因此，应用驱动与科研驱动并非相互割裂，而应形成双向促进的关系：既可以从实际需求出发反向设计材料，也可以通过基础研究发现新材料，再进一步寻找其适用场景。在这一过程中，AI更适合作为辅助科研的重要工具，通过提供研究思路、缩小候选范围和减少试错提升研发效率，而其预测结果仍需结合材料机理、真实实验数据及表征结果进行验证。未来，AI材料研发需进一步推动算法预测、实验验证与实际应用之间的协同，使科学发现与产业需求形成更加紧密的闭环。

思辨议题二：材料AI应当“学习物理规律”还是“相信数据驱动”？

与会嘉宾围绕材料AI中“物理规律”与“数据驱动”的关系展开讨论。嘉宾提出，材料研究普遍存在样本有限、数据获取成本高、模型易过拟合以及跨场景泛化能力不足等问题，因此，将物理化学规律、材料机理等先验知识融入模型，有助于约束预测范围、提升结果的合理性与可解释性，使AI输出更符合实际制备和应用条件。与此同时，也有观点认为，高质量数据本身能够承载材料体系中的潜在规律，如果数据能够充分覆盖关键因素及其相互关系，配合适当的模型，AI也有可能从中学习并发现新的关联，因此不应低估数据驱动在未知规律探索中的作用。进一步讨论认为，物理知识与数据驱动并非彼此替代，而应根据具体研究任务协同使用。对于已有理论基础和数据积累的材料体系，可利用数据驱动开展筛选、预测与优化，并通过物理约束提升结果可信度；对于机理尚不明确或全新材料的探索，则仍需要基础研究持续提供理论支撑。在实际应用中，模型价值最终还需通过实验验证来检验，真实制备、测试及应用结果应持续反馈至AI系统，用于补充数据、修正模型和优化预测。未来，材料AI的发展需要进一步打通物理机理、数据建模与实验验证之间的联系，在预测精度、物理合理性和实际可用性之间形成更加有效的协同机制，推动材料AI由理想化模型逐步走向可靠应用。

思辨议题三：AI“发现”材料，距离产业落地还差几步？

与会嘉宾围绕AI发现材料后的产业转化路径展开讨论。嘉宾提出，材料在实验室中表现出良好性能，并不意味着能够直接实现产业化，从实验室成果走向稳定量产，还需要经历实验验证、工艺适配、工程放大及实际应用等多个环节。在这一过程中，设备条件、工艺细节和工程经验都会对最终结果产生重要影响，因此需要材料科学家、企业工程师与AI研究人员围绕真实生产问题协同研发，将理论分析、现场经验和算法建模有效结合。与此同时，材料性能往往受到结构、配方和工艺参数等多因素耦合影响，难以通过一次预测直接获得可用方案，AI更适合在持续迭代中辅助识别关键因素、缩小参数范围来提升研发效率。进一步讨论认为，性能与安全验证是材料进入实际应用的重要前提，AI生成的候选材料不仅需要满足现有测试标准，还应结合具体应用场景检验其真实使用效果，对于新材料和新应用，也需要进一步探索更加适配的检测与评价方法。此外，企业在引入AI时，还需兼顾模型能力、部署成本、数据安全和知识产权保护，可通过通用模型、专业模型与企业私有数据相结合等方式构建更加符合实际需求的研发体系。未来，推动AI材料从“被发现”走向“可验证、可生产、可应用”，需要进一步打通科研、工程与产业之间的协作链条，以企业真实需求为牵引，在持续实验反馈和技术迭代中缩短材料创新与产业落地之间的距离。

颁发感谢牌

本次论坛以“从‘天方夜谭’到‘实验室现实’：AI驱动功能材料发现的瓶颈与破局”为主题，聚焦人工智能在功能材料发现、性能预测、实验验证及产业转化中的关键问题与发展路径。与会专家围绕AI材料研发中的数据质量、物理约束、模型泛化、可合成性及实际应用等问题展开深入讨论，系统探讨了AI从候选结构生成、性能筛选到实验验证和工程落地全过程中的机遇与挑战。 来自高校、企业及科研一线的与会者普遍认为，AI在缩小材料筛选范围、减少试错成本、辅助性能预测和提升研发效率等方面具有重要价值，但现阶段其预测结果仍不能直接等同于真实材料发现，材料能否合成、性能能否复现、模型能否跨场景泛化以及实验结果能否支撑实际应用，仍是制约AI材料研发进一步发展的关键问题。 论坛讨论进一步指出，材料AI的发展既需要面向气体检测、柔性电子、工业优化等实际需求，也应保留基础科研和未知材料探索空间；既要发挥数据驱动的建模能力，也要结合物理化学规律、材料机理与专家经验提高结果的可信度。 同时，从AI“发现”材料到真正实现产业落地，还需要跨越实验验证、工艺适配、工程放大、模型部署和知识产权保护等多个环节。未来，应进一步推动材料科学家、AI研究人员与企业工程师协同合作，构建兼顾科学创新、工程可行性与产业需求的材料智能研发体系，推动AI材料研究从“能够生成”走向“可信、可验证、可生产、可应用”。