阿里达摩院 AI 首次验证真实超导材料

7 月 3 日，阿里达摩院联合中国人民大学、中国科学院大学发布了超导材料发现智能体 ElementsClaw。这个 AI 系统从 240 万个晶体结构中筛选出 6.8 万个超导候选材料，其中 4 种全新材料已经合成并证实存在超导性。这是 AI 智能体首次在材料科学领域完成从预测、筛选到实验验证的完整闭环，所有数据已全部开放。

对比一下规模感：国际主流超导数据库 SuperCon 历经数十年积累，收录约 2000 种材料。ElementsClaw 用 28 个 GPU 小时就完成了 240 万晶体的筛选，预测出的候选材料数量是现有数据库的 34 倍。

不只是预测模型，是会「自己动手」的智能体

ElementsClaw 的特别之处在于它不是单纯的预测模型，而是一个完整的智能体系统。它能像人类材料学家一样查阅文献、评估合成可行性、设计实验方案，甚至在文献中挖掘到新线索后「自我进化」。

技术架构上，ElementsClaw 采用「专通融合」设计：

专有模型层：基于 1.25 亿个分子和晶体结构的数据库，预训练出 1B 参数的原子基础模型 Elements。这个模型判断材料是否具有超导性的 AUC 达 0.996，预测超导临界温度的平均误差在 1K 以内——这个精度已经接近实验测量的误差范围。

通用智能体框架：实现了工具制造、流程编排、文献复核等整套自动化材料筛选流程。这意味着它不仅能算，还能读论文、做决策、调整策略。

这种架构的优势在于，专有模型提供领域深度，通用框架提供灵活性。当遇到新的材料体系或合成路径时,智能体可以自主调整策略，而不需要重新训练整个模型。

4 种新材料，各有来头

研究团队已经实验合成并验证了 4 种超导材料，它们的发现路径各不相同：

• Hf21Re25：从现有数据库中捞出的「漏网之鱼」。这种材料其实早就存在于数据库中，但因为标注不完整或被其他噪声数据掩盖，一直没人注意到它的超导特性。

• Zr4VRe7：纠正数据库构型错误后「正名」的材料。原始数据库中这个化合物的晶体结构记录有误，导致预测结果不准。ElementsClaw 通过交叉验证发现了问题，修正后重新预测，证实了它的超导性。

• HfZrRe4：AI 从头设计生成的全新材料。这是真正意义上的「AI 原创」，不是对现有材料的改进或变体。

• Zr3ScRe8：基于类似结构举一反三得到的材料，临界温度最高达 6.5K。虽然 6.5K 看起来不高（绝对零度是 -273.15°C，6.5K 约等于 -266.65°C），但对于常规超导体来说，这已经是不错的表现，而且这个温度范围在某些低温应用场景中有实际价值。

这 4 种材料的发现路径覆盖了材料研发的典型场景：数据挖掘、错误修正、从头设计、结构迁移。这说明 ElementsClaw 不是只会一招的「偏科生」，而是具备多种发现策略的通用系统。

AI for Science 的新范式

超导材料只是开始。达摩院科学智能负责人荣钰表示，ElementsClaw 验证了 AI 智能体框架在材料发现领域的潜力，后续还有大量候选材料待探索。中国人民大学高瓴人工智能学院副教授黄文炳认为,这套方法有望应用于固态电池电解质、多相催化剂、热电材料等新材料的发现。

把这个成果放在更大的背景下看：

2023 年，谷歌 DeepMind 用深度学习发现 220 万种新型晶体材料，但这些材料大多停留在「理论上可能存在」的阶段，实验验证进展缓慢。2025 年初，微软发布 MatterGen，声称能从零生成无机材料，但很快被指出部分预测材料早在 1972 年就已合成，甚至在训练数据中就有。

ElementsClaw 的价值在于它完成了从预测到验证的闭环。4 种材料的合成验证可能听起来不多，但这是 AI 智能体首次在材料科学领域证明自己不仅能「算」，还能「做」——这是 AI for Science 从「辅助工具」到「独立科研主体」的关键一步。

开放数据，加速行业探索

达摩院开放了 ElementsClaw 预测的所有 240 万稳定晶体的数据库，科研人员可以免费使用。这个决定很重要：

一方面，开放数据可以让更多实验室参与验证，加速候选材料的筛选。超导材料的实验验证周期通常以月计，单靠达摩院和合作方,要验证 6.8 万个候选材料需要很长时间。开放数据后，全球的材料实验室都可以根据自己的研究方向选择感兴趣的候选材料进行验证。

另一方面，开放数据也是对预测结果的压力测试。如果大量实验室验证后发现预测准确率远低于宣称的水平，那说明模型还有问题。敢于开放数据，说明团队对预测质量有信心。

这种开放策略在 AI for Science 领域越来越常见。AlphaFold 开放了蛋白质结构预测数据库，ESM 开放了蛋白质语言模型，OpenLAM 开放了大原子模型。科学研究的本质是协作和验证，AI 工具再强大，最终也要接受实验的检验。

从预测到验证，差了多远

AI 预测材料和真正合成出来，中间隔着一道巨大的鸿沟。

首先是合成可行性。AI 可以预测某种元素组合在理论上稳定，但实际合成时可能面临各种问题：原料纯度不够、反应条件苛刻（比如需要极高温度或极高压力）、中间产物不稳定、副反应干扰等等。很多「理论上可行」的材料因为合成难度太大，永远停留在纸面上。

其次是性能验证。即使合成出来了，还要测试它是否真的具有预测的性能。超导材料的测试需要降到极低温度，用精密仪器测量电阻变化。如果材料中有杂质、晶体结构不完美、或者样品尺寸太小，都可能影响测试结果。

最后是可重复性。科学发现需要能被独立重复。一个实验室合成出来并不够，其他实验室用相同方法也要能做出来，测出相同的性能，才能确认这是真实的材料，而不是偶然的实验误差。

ElementsClaw 的智能体架构试图缩小这道鸿沟。它在预测阶段就考虑了合成可行性，会查阅文献中的合成方法，评估哪些材料更容易做出来。这种「预测-筛选-验证」的闭环,比单纯堆砌预测结果要实用得多。

中国在 AI + 材料赛道的布局

把视野放宽一点，ElementsClaw 是中国在「AI + 新材料」赛道上的又一个落子。

2025 年初，北京发布《加快推动"人工智能+新材料"创新发展行动计划（2025-2027年）》，明确要在 2027 年形成国际领先的新材料创新策源与人工智能应用高地。同年，工信部、财政部、国家数据局联合推出新材料大数据中心，由北京和苏州牵头建设主平台。

北京科学智能研究院和深势科技联合发起的 OpenLAM 大原子模型计划,预测能力已经覆盖周期表 90 余种元素。他们的 Unimol 分子大模型在蛋白质预测方面仅次于 AlphaFold3，研发成本却只有后者的 1/400。

戴纳科技、深云智合等公司在建设「黑灯实验室」——全自动化的材料研发设施,AI 系统 24 小时不间断执行样品制备、性能测试、数据采集，效率可以提升数百倍。

这些动作背后是一个清晰的逻辑：材料科学是制造业的基础，从芯片到电池到结构件，所有硬件创新最终都要落到材料上。传统材料研发周期长、成本高，AI 能把「试错」的过程搬到计算机里，大幅压缩时间和成本。谁能率先建立「AI + 材料」的研发基础设施，谁就能在下一轮制造业竞争中占据优势。

当然，基础设施不只是模型和算力，还包括数据。材料数据比文本数据稀缺得多，而且分散在各个实验室、企业、数据库中，格式不统一、质量参差不齐。新材料大数据中心要解决的就是数据汇聚、标准化、可信流通的问题。只有把数据基础打好，AI 模型才能发挥作用。

争议和局限

AI 在材料科学的应用并非一片赞歌。批评者认为,部分 AI 预测的材料缺乏原创性或实用性。

比如 DeepMind 的 GNoME 预测的 1.8 万多种化合物中,包含了钷、锕等稀有放射性元素,实用价值存疑。微软的 MatterGen 被发现推荐的部分材料早在几十年前就已合成。元宇宙平台公司与佐治亚理工合作预测的 MOF 材料，被计算化学家证实高估了与二氧化碳的结合能力，部分原因是训练数据库本身有误差。

这些争议指向一个核心问题：AI 模型的质量取决于训练数据的质量。如果数据库中有错误、遗漏、偏差，模型学到的也是有偏的知识。ElementsClaw 选择开放所有预测数据,让社区来验证,是一种更负责任的做法。

另一个局限是,即使 AI 能预测出好材料,从实验室到产业化还有很长的路。如何优化工艺、降低成本、实现大规模制造、融入商业产品,这些问题 AI 目前还帮不上太多忙。Citrine 等公司在做的是用 AI 优化现有材料的制造工艺,这可能比发现全新材料更有短期商业价值。

写在最后

回到 ElementsClaw 本身。4 种验证材料听起来不多，但这是一个开始。材料科学不像写代码，改几行参数就能跑出结果。从预测到合成再到验证，每一步都需要时间和资源。能在几个月内完成 4 种材料的闭环验证，已经展示了 AI 智能体的潜力。

更重要的是方法论的验证：AI 不再只是预测工具，而是能够自主查阅文献、设计方案、迭代优化的智能体。这种范式如果能推广到固态电池、催化剂、热电材料等更多领域,可能真的会改变材料研发的节奏。

当然，AI 不会取代材料学家。实验技巧、对现象的直觉、对机理的洞察，这些都是 AI 目前做不到的。但 AI 可以承担大量重复性的筛选工作，让人类科学家把精力放在更关键的决策和创新上。

达摩院开放了 240 万晶体的预测数据，这是给全球材料科学界的一份礼物。接下来就看有多少实验室愿意参与验证，又能从中找到多少真正有用的材料。

---

参考来源

• 阿里达摩院：AI 智能体发现 4 种全新超导材料，已获实验验证 - IT之家
  官方消息来源，详细介绍了 ElementsClaw 的技术架构和 4 种验证材料

• 论文：Agentic Fusion of Large Atomic and Language Models to Accelerate Superconductor Discovery
  ElementsClaw 的技术细节和实验数据