🔬 The Limits of AI in Science - Why We Need Self-Driving Labs — Joseph Krause, Radical AI

Radical AI 正在用自驱动实验室（Self-Driving Lab）和 AI 科学家，试图将材料科学的发现到制造流程从 15-30 年缩短到 3-5 年，核心赌注是：只有通过真实实验数据闭环，才能解决材料科学中“AI 无法用字符串描述”的复杂问题。

这期内容适合所有关注 AI 在硬科技领域落地、尤其是材料科学和制造业创新的从业者。值得花时间看的原因是，它直面了 AI 在材料科学中最大的痛点：与生物/小分子不同，材料无法用简单的字符串（如 SMILES）表示，其性能高度依赖加工、供应链、微观结构等不可编码的复杂因素。最值得注意的冲突在于：Radical AI 选择了一条重资产、高风险的路径——自建自驱动实验室，而不是像其他竞争对手那样只做 AI 预测。这种“先做实验，再训练模型”的逆向思维，可能正是打破材料科学长周期魔咒的关键。

本期播客深度访谈了 Radical AI 的 CEO Joseph Kraus，探讨了 AI 在材料科学（尤其是无机合金领域）的应用挑战与机遇。Joseph 详细解释了为什么材料科学比生物/小分子领域更难被 AI 攻克，以及 Radical AI 如何通过自驱动实验室（Self-Driving Lab）来构建从发现到制造的完整数据闭环。内容涵盖了材料科学的长周期问题、自驱动实验室的技术挑战、AI 科学家与人类科学家的协作模式，以及 Radical AI 在航空航天、国防和半导体等领域的实际应用案例。

1. 材料科学是 AI 最难攻克的领域之一：与生物/小分子不同，材料无法用简单的字符串（如 SMILES）表示。合金的性能取决于供应链、成本、微观结构、加工方式（如增材制造 vs 铸造）等数十个变量，这些无法被“一次编码”进模型。没有单一模型能“一发入魂”地预测出最终能用在 iPhone 或 Starship 上的新材料。

1. 自驱动实验室是打破长周期的关键：材料科学从发现到商业化通常需要 15-30 年，因为发现、测试、制造环节高度碎片化，数据从不共享。Radical AI 的解决方案是构建一个闭环系统：AI 科学家生成假设 → 自驱动实验室自动合成、表征、测试 → 数据反馈回 AI 科学家 → 优化下一轮假设。这个循环能大幅缩短迭代时间。

1. 自驱动实验室 ≠ 自动化实验室：自动化实验室只是“免提驾驶”（hands-free driving），需要人类在关键时刻介入；而自驱动实验室是“Waymo 式”的完全自动驾驶，AI 能自主决定实验路线、中途终止无效实验、并基于结果调整策略。Radical AI 目前已经实现了表征和部分测试的完全自动化，但合成环节仍需人类科学家参与。

1. AI 科学家能突破人类科学家的认知偏见：人类科学家受限于经验和直觉，往往不会尝试某些元素组合（例如认为某元素会蒸发或导致微观结构不佳）。而 AI 科学家没有这些偏见，会探索人类从未涉足的元素空间，并发现实际可行的新材料。Radical AI 在 5-6 个月内合成了 1200 种合金，其中 300 种是文献中从未出现过的新合金。

1. 材料科学的“临床试验”是资格认证：与药物研发类似，新材料进入航空航天等关键领域需要经过漫长的资格认证（Qualification），通常需要 10 年。但 Joseph 认为，通过 AI 和自动化制造（如增材制造）可以改变这一流程，例如 DARPA 正在探索的新认证方法。

1. 供应链和成本是隐藏的“杀手”：即使性能优异，新材料的商业化还受制于供应链（如铪元素因中国垄断而涨价 10-15 倍）和成本（航天领域对成本容忍度高，但消费电子非常敏感）。Radical AI 已经成功帮助客户移除材料中的稀缺元素，同时保持性能。

“在材料科学中，地面真相（Ground Truth）就是材料本身——你必须能制造它、测试它、表征它，然后才能真正知道它是否能用。”

这期内容对 AI 从业者（尤其是做 AI for Science 或 AI 产品的人）有两点重要启发：

1. “数据闭环”比“模型能力”更重要：很多 AI 团队沉迷于优化模型架构，但 Radical AI 的案例表明，在材料科学这类复杂领域，真正的瓶颈是“如何获取高质量、多模态的实验数据”。他们选择重资产投入自驱动实验室，本质上是把“数据生产”作为核心竞争力。这对做 AI 产品的启示是：如果你的模型效果不好，问题可能不在模型本身，而在于你没有构建一个能持续产生高质量反馈数据的系统。

1. “人类在环”不是妥协，而是战略：Radical AI 并没有试图完全取代人类科学家，而是让人类科学家做他们最擅长的事——标注图像、提供“科学直觉”、处理异常情况。AI 科学家则负责探索人类不敢去或没时间去的“未知空间”。这种“AI 做广度探索，人类做深度判断”的协作模式，可能是 AI 在硬科技领域落地的更现实路径。