国内科研团队开发AI材料预测模型,加速新材料研发 材料是现代工业的基础,但传统新材料研发长期依赖“试错法”,一个新配方的发现往往需要十年以上时间、上千万乃至上亿元的投入。国内多个科研团队陆续推出面向材料预测的AI模型,从晶体结构生成、性质计算到自动化实验验证,一条“AI设计、机器人验证”的新材料研发链路正在成形。 大侦探 发布时间:2026-10-13 06:50:48。网址:https://www.dztan.com/p/2026/10/13/guo-nei-ke-yan-tuan-dui-kai-fa-ai-cai-liao-yu-ce-mo-xing-jia.shtml。发布日期:2026年10月13日 06:50:48。
大侦探
当前位置:首页> 科技> 科技动态

国内科研团队开发AI材料预测模型,加速新材料研发

发布时间:2026年10月13日 06:50
国内科研团队开发AI材料预测模型,加速新材料研发

材料是现代工业的基础,但传统新材料研发长期依赖“试错法”,一个新配方的发现往往需要十年以上时间、上千万乃至上亿元的投入。近年来,随着人工智能技术与材料科学的深度融合,这一局面正在改变。国内多个科研团队陆续推出面向材料预测的AI模型,从晶体结构生成、性质计算到自动化实验验证,一条“AI设计、机器人验证”的新材料研发链路正在成形。回顾这条路径,可以从几个关键节点看清其发展脉络。

2023年是公认的转折之年。当年11月,谷歌DeepMind在《自然》杂志发布GNoME模型,宣布预测出约220万种潜在新晶体结构,其中约38万种被认为相对稳定,相当于把人类已知稳定晶体的数量扩大了近十倍。这一成果震动学界,也让“用AI批量预测新材料”从设想变成现实。国内团队的跟进速度很快。同年,中国科学技术大学江俊团队发布了“机器化学家”平台,将大模型驱动的文献阅读、实验方案生成与移动机器人操作系统结合,可自主完成催化剂等材料的合成与测试。团队在2023年发表于《国家科学评论》的工作中,机器人用两周时间从数百万种可能组合中筛选出高效的光催化分解水制氢催化剂配方,而按传统人工方式,这一过程估计需要数百年。

2024年,国内力量开始从“单点突破”走向“体系化布局”。中国科学院物理研究所、北京大学等机构围绕材料大数据库与高通量计算展开建设,Materials Project类平台的国产化替代被提上日程。上海人工智能实验室在科学智能方向持续投入,其发布的一系列AI for Science基础模型涵盖气象、药物、材料等领域。产业侧,深势科技等创业公司将分子模拟与机器学习结合,推出面向电池材料、合金设计的解决方案。这一年还有一个显著变化:大语言模型开始进入材料科研流程,科研人员用它检索文献、提取合成参数、辅助撰写计算脚本,数据处理效率明显提升。

2025年,生成式AI范式正式进入材料领域。1月,微软研究院在《自然》发表MatterGen模型,可根据目标性质直接生成全新的晶体结构,实现从“在海量已知结构中筛选”到“按需生成新结构”的跨越。国内团队随后推出了一批同类工作:多个高校与实验室发布基于扩散模型的晶体生成框架,在形成能、带隙、弹性模量等性质预测精度上逐步逼近或达到国际先进水平。华为云盘古大模型团队也将材料科学列为重点应用场景之一,与相关行业客户探索在锂电、金属材料方向的落地。与此同时,“AI预测+自动实验”闭环成为竞争焦点。中科大、中科院深圳先进技术研究院等机构的自动化实验平台不断升级,从合成粉末、涂片到测试表征,全流程无人化程度提高,AI提出的候选材料可以在数天内完成验证,而过去这一周期通常以月计。

2026年以来,这一趋势进一步向工程化、产业化延伸。根据公开报道,国内多家电池、光伏、稀土功能材料企业开始与科研团队合作,将AI材料模型用于电解质配方优化、钙钛矿组分筛选和高温合金成分设计等具体任务。政策层面,工信部及地方科技部门在新材料与人工智能融合方向的支持力度持续加大,科学智能被列入多份前沿科技布局文件。学界也在同步解决AI材料模型的固有难题:训练数据偏少且偏倚、预测结果“看起来稳定但难以合成”、公开基准数据集不足等。2025年至2026年间,国内团队参与了多项国际材料生成基准的评测,同时推动建设覆盖合成可行性的数据标注体系,试图让模型不仅算得准,还能“造得出来”。

业内人士普遍认为,AI对材料研发的改变是真实且可量化的,但对进展的表述需要克制。目前AI预测出的候选材料数量以百万计,真正通过实验验证并走向应用的仍是极少数;性质预测的精度在高置信区间尚有误差;跨尺度建模——从原子结构到宏观器件性能——仍是待攻克的难关。中国科学院多位学者在公开访谈中强调,AI是强大的加速工具,但无法替代对材料物理机制的深入理解,两者的结合才是正途。

从2023年GNoME引发的全球热潮,到2024年国内平台的体系化建设,再到2025年生成式模型的竞逐与2026年的产业化落地,三年多的时间线勾勒出一条清晰的轨迹:新材料研发正在从经验驱动、计算驱动,走向“AI+自动化实验”的智能驱动。可以预期,随着模型能力、数据积累与实验平台的同步成熟,从分子设计到材料量产的周期还将继续压缩,而这一进程对新能源、半导体、航空航天等关键领域的支撑作用,也将逐步显现。
侦探推荐
热门精选