🔬There Is No AlphaFold for Materials — AI for Materials Discovery with Heather Kulik

别指望大模型能直接设计新材料，真正的突破需要化学家与AI的深度协作，而当前AI在材料科学中的最大瓶颈是高质量实验数据的匮乏。

这期访谈适合对AI在科学发现中的应用、材料科学前沿感兴趣的工程师和研究者。Heather Kulik教授以亲身经历展示了AI如何帮助发现全新的聚合物增韧机制，这种“意外发现”正是AI在材料领域最激动人心的价值。最值得关注的是她对当前AI热潮的冷静反思：大模型在专业领域仍有明显局限，而材料科学的真正瓶颈在于如何将计算预测与实验验证高效结合。

MIT化学工程教授Heather Kulik分享了她的团队如何利用AI加速新材料发现，特别是通过机器学习发现了一种能显著提升聚合物韧性的全新化学机制。访谈深入探讨了AI在材料科学中的实际应用、当前面临的挑战（如数据质量、实验验证），以及化学专业知识在AI时代不可替代的价值。

• AI在材料科学中最有前景的方向是解决多目标优化问题，例如同时考虑成本、稳定性、吸附能力等七个指标来寻找最佳CO2捕集材料，这比传统试错法快数百到数千倍。
• 当前AI材料研究的瓶颈不是算法，而是数据：大多数机器学习模型训练所用的计算数据（如DFT）与真实实验存在差距，且缺乏大规模、高质量的实验数据集作为“地面真相”。
• 大语言模型（如ChatGPT）在专业化学领域仍有明显局限：它们能提供很好的入门知识，但在具体设计任务（如设计特定原子数的配体）上经常出错，化学家必须有能力判断其输出的对错。
• 学术界在AI材料领域仍有独特价值：面对科技巨头近乎无限的算力，学术团队应专注于更具创造性、非单纯依赖算力堆砌的问题，例如开发更高效的算法或探索尚未被大公司关注的细分领域。

“你可以用LLM快速了解一个不熟悉的领域，但你必须从某个知识起点出发，把它当作工具来用，而不是从零开始盲目依赖它。”

对AI从业者而言，这期内容提供了一个重要提醒：在垂直领域（如材料、化学、生物）应用AI时，技术本身的先进性只是起点。真正的挑战在于如何构建领域专家信任的工作流，以及如何解决“数据最后一公里”问题——即如何获取、清洗、标准化高质量的专业数据。Heather教授提到的“文献提取”困境（作者对图表的解读与图表本身数据不符）就是一个典型例子。这启发我们，在开发面向科研的AI工具时，除了模型性能，更需要设计机制来验证和追溯数据来源，建立领域专家与算法之间的反馈闭环。同时，寻找那些“数据匮乏但物理机制复杂”的领域（如过渡金属化学），可能是避开巨头竞争、产生独特价值的切入点。