自驱动实验室：Radical AI 加速材料发现
来自 Latent Space · 期号 2026-06-18
摘要
材料科学领域的 AI 应用比生物或数学更难加速，因为材料的成功不仅取决于化学式，还涉及供应链、微观结构和制造工艺等宏观变量。 Radical AI 创始人 Joseph Krause 认为，没有单一模型能一次性设计出可规模化生产的材料。他的方案是「自驱动实验室」：一个结合科学知识、计算技术和人类直觉的 AI 科学家，在自动化实验室中并行生成和测试假设。 Radical 的合金发现管线在六个月内生产并表征了 1200 种合金，速度是 DARPA/GE MACH 项目的近 10 倍。AI 科学家提出了 300 种新材料，其中 10 种具有新颖的顶尖性能，正在开发商业应用。 Krause 认为实验数据是行业真正的护城河。他还开源了内部工具，包括 PyTorch 分子动力学框架 TorchSim 和自驱动实验室基准数据集 MATRIX。 “想象一下，每个美国科学家的研究产出提高 10 倍。那将从根本上改变发现的轨迹。”