28个GPU小时，海选240万种稳定晶体，顺手挖出4种人类此前完全未知的全新超导体。人类在物理学圣杯竞赛里卷了一百多年，才发现2000多种超导材料，如今被阿里达摩院联合人大等机构搞出的AI智能体ElementsClaw直接降维打击。 过去找超导体基本就是一门玄学。常压高温超导的物理机制连顶尖大牛都没彻底搞懂，元素周期表上100多种元素排列组合，物理学家只能靠不断调整元素比例反复试错。做几十个实验能中一个就算烧高香了，这种炒菜式科研效率极低，一个铁基超导材料的调控就能耗掉科学家近十年青春。 让AI来替人海选是顺理成章的事，但光靠单点预测模型根本不够。之前DeepMind的GNoME确实预测了200多万种稳定材料，可模型只能告诉你这可能是超导，却不管这玩意儿以前有没有人研究过、合成难度多大。在真实的科研流水线里，光确认一个结构有没有被前人踩过坑，就得翻几天文献。 AI在基础科学领域的落地，绝不能停留在单点预测的自嗨里。只有走向通专融合的智能体，把查文献、做决策、设计实验这些系统性痛点全包圆了，才算真正砸了科学家的炒菜锅。靠单点模型发几篇顶刊只是开胃菜，能自己规划实验路径的AI材料学家，才是终结百年试错玄学的真正解法。 为什么垂直领域AI必须抛弃单点预测，走向端到端智能体？看看过去那些明星模型就知道。以前的AI只能做判断题或填空题，算出一个结构可能是超导，然后就把烂摊子甩给人类。科学家还得去翻几天文献确认这玩意儿有没有人研究过，查毒性、算合成成本。一个铁基超导材料从发现到实现空穴掺杂就耗了科学家近十年。单点模型只管算不管用，根本解决不了现实科研的系统性痛点。 达摩院这次搞的ElementsClaw，直接拆解出一套通专融合的实战架构。先让10亿参数的大原子模型去啃三维晶体结构，精准判断临界温度。然后大语言模型接手，去读论文、查数据库、分析可合成性。最后让智能体系统做决策，自己决定下一步查什么文献、怎么设计实验方案。遇到文献里的新超导数据，它还能自动微调模型给自己加技能。 以前是AI给个结果，人类去查缺补漏。现在是智能体自己规划实验路径。达摩院科学智能负责人荣钰说得挺透彻，材料发现是大航海，通用模型是帆船，专有模型是指南针和六分仪，组装在一起才能在材料海洋里自动航行。 做垂直领域AI，别总盯着单一指标的SOTA刷榜。把查文献、做决策、设计实验这些脏活累活封装进智能体，让AI真正形成闭环，才是基础科学落地的唯一出路。 达摩院这次没搞花架子，直接掏出了一个10亿参数的大原子模型Elements。在材料学AI圈，这个参数量绝对算得上重火力。它底层用的是几何深度图神经网络，专门用来死磕三维晶体结构。以前那些单点模型面对元素周期表里上百种元素的复杂排列只能干瞪眼，Elements直接把1.25亿个分子和晶体结构喂进去预训练，硬生生学会了原子间离子键和金属键的三维空间逻辑。 光懂结构还不够，这只元素虾还给自己装了几把专用钳子。Elements-T负责预测超导临界温度，平均绝对误差不到1K，几乎逼近实验极限。Elements-C判断是否超导，Elements-E算能量稳定性，Elements-G直接生成全新结构。这些专有模型负责把物理和化学的硬核计算做到极致。 但真正让这套架构脱胎换骨的，是外面套着的大语言模型和智能体系统。以前AI算出一个结构就甩手不管，现在智能体接管了后续的系统性痛点。它自己去读论文、查数据库，分析这玩意儿到底能不能合成、有没有毒。遇到文献里冒出的新超导数据，它还能自动微调底层模型给自己加技能。通用大模型负责理解科研逻辑和调度工具，专有原子模型负责死磕物理规律，两者结合才叫真正的通专融合。 基础科学的AI落地，真不是靠刷几个单点预测的指标就能糊弄过去的。把查文献、做决策、设计实验这些脏活累活全部封装进智能体闭环，让AI从单纯的计算器进化成能自主规划的材料学家，才是终结百年试错玄学的唯一出路。 架构设计得再漂亮，最终还得看实战交卷。ElementsClaw这次最硬核的战果，是实打实合成出了4种人类此前完全未知的新超导体。这绝不是靠运气盲猜，而是智能体自主调度了4条截然不同的路径挖出来的。 先说第一条路径，海选漏网之鱼。AI把240万种已知稳定晶体挨个扫了一遍，精准捞出那些被人类忽略但具备超导潜力的晶体。然后，大语言模型开始死磕海量文献，从字里行间挖掘隐藏的超导线索，这是第二条路径。接着，生成模型直接发力，在三维空间里凭空捏出人类没设想过的全新晶体结构，走第三条路。最后一条路径更直接，对现有已知材料进行元素替换和微调，硬是把平庸的配方改造成超导体。 以前物理学家在实验室里熬几个通宵，只能试出几种元素配比。现在智能体自己规划实验路径，28个GPU小时就把海选和决策全干完了。这4种新材料的诞生，彻底扯下了单点预测模型只管算不管用的遮羞布。搞基础科学的AI落地，别总盯着跑分榜单自嗨，把智能体真扔进实验室的泥坑里跑一跑，能自己设计实验并合成出实物，才是检验AI材料学家的唯一标准。 战果固然亮眼，但达摩院这次更狠的操作是把240万种晶体的预测数据全部开源。有没有超导性、晶体结构长啥样、临界温度多少，全挂在科学智能平台 https://science.damo-academy.com/#/material 上随便挖。 普通研究者怎么接住这波富矿？先登录平台下载这240万条结构化数据。拿到数据别急着跑简单的统计脚本，先结合自己的领域知识做初步降维，把目标元素范围缩小。然后调用大语言模型去批量比对文献，排查候选材料是否已被前人合成。最后把筛选出的高潜材料喂给智能体系统，让它去评估合成路径和实验方案。 以前搞材料挖掘，拿到个预测结果就得自己苦哈哈地去翻数据库、算热力学稳定性，稍微不留神就重复造轮子。现在海量数据直接铺开，如果你还只把AI当成一个高级计算器，跑个单点预测就完事，那根本发挥不出价值。AI在基础科学领域的落地，必须从单点预测走向通专融合的智能体，才能真正解决现实科研中查文献、做决策、设计实验的系统性痛点。 别把开源数据当成简单的题库去刷。把智能体的决策能力嫁接到你的日常科研流里，让AI帮你规划实验、排雷避坑，才是普通研究者在这场材料大航海里真正挖到宝的硬核玩法。