科技 量子位 · 1小时前 · AI 生成
AI找出4种全新超导体，只用28个GPU时！人类此前完全未知 阿里达摩院联合人大、国科大等机构发布了AI智能体ElementsClaw，仅用28个GPU小时便扫描了240万种晶体结构，预测出6.8万种潜在超导体，并实验验证了4种人类此前未知的全新超导材料。文章核心不在于商业产品，而在于提出了一种“AI材料学家”的范式——通过“大原子模型”与大语言模型的智能体整合，自动完成文献调研、结构预测、性能评估和决策，解决了传统超导发现依赖“炒菜式”试错的低效问题。适合关注AI for Science前沿进展、材料科学或跨学科方法论的研究者阅读。原文 ↗ 原文 ↗
核心观点
▍ 超导材料发现长期依赖“炒菜式科研”，即基于偶然和试错，效率极低（一百年仅发现约2000种）。AI智能体ElementsClaw通过自动化扫描、预测、决策和迭代，将发现效率提升数个数量级（命中率从~3%升至~40%），标志着超导发现进入“AI材料学家”的新范式。 01 ElementsClaw仅用28个GPU小时，扫描了240万种稳定晶体结构，预测出6.8万种潜在超导体。 02 实验合成验证了4种全新超导体：Hf₂₁Re₂₅（2.5K）、Zr₄VRe₇（3.5K）、HfZrRe₄（5.9K）、Zr₃ScRe₈（6.5K），其中HfZrRe₄不在任何已知数据库中。 03 模型核心是10亿参数的几何深度图神经网络Elements，在22个材料学基准测试上达到或接近SOTA水平，并首次在非大语言模型架构上验证了Scaling Law。 04 研究团队已开放全部240万晶体的预测数据，包括超导性、结构、临界温度等信息。 05 AI发现了4种新材料分别对应4种路径：已有但未被实验尝试的“漏网之鱼”、数据库结构算错的“沉冤得雪”、AI生成全新结构的“无中生有”、基于结构模体举一反三的“举一反三”。 反方 / 局限
— 新发现的4种超导体临界温度最高仅6.5K，距离室温超导非常遥远，文章并未深入讨论这类低温超导材料的实际应用价值或局限性。 — 文章指出“猜超导比猜蛋白质难”，原因是晶体元素种类多、键型复杂，但并未详细讨论模型在极端或低数据密度区域（如非常规超导相关的高压、薄膜体系）的泛化能力。 11 分钟 · 5 卡片 · 12 资料
读原文 →
前置背景 AI材料发现的先驱与暗礁
在ElementsClaw之前，Google DeepMind的GNoME已在2023年预测出220万种晶体结构，号称比人类快800年。但2025年利物浦大学的重复检测发现，其中超过10%的稳定结构是已知晶体做了原子替换，GNoME数据库悄然删除了8.3万条记录。这给AI材料发现的可靠性投下阴影——ElementsClaw是否能避开同样的陷阱，取决于其「自我进化」机制能否真正过滤重复与伪创新。
▸ 3 条关联资料
▼
技术原理 大原子模型如何读懂晶体
Elements是一个10亿参数的几何深度图神经网络，它把晶体中的原子看作图的节点，原子之间的化学键看作边。与传统CGCNN不同，它通过SE(3)等变表示学习晶体在旋转和平移下不变的性质，确保AI预测的稳定性与对称性。预训练用了1.25亿个分子和晶体结构，之后微调出多个专用「钳子」：判断超导性（AUC 0.996）、预测临界温度（误差<1K）、评估稳定性、生成新结构。这让AI不只是猜测，而是真正理解原子排列与物性之间的关系。
▸ 2 条关联资料
▼
平行视角 微软MatterGen的生成式挑战
面对ElementsClaw的预测式筛选，微软的MatterGen走了另一条路——它能根据指定的材料特性直接生成全新晶体结构，如同DALL·E生成图像。MatterGen生成的新颖结构稳定性是同类SOTA模型的2.9倍，且已发表在Nature。两种范式之争的实质是：阿里智能体靠「大原子模型+通专融合」做筛选，微软靠扩散模型做创造。谁的路能更快逼近室温超导，尚未可知。
▸ 2 条关联资料
▼
未来推演 从6.8万候选到室温超导还需什么
ElementsClaw找到了4种全新超导体，但临界温度最高仅6.5K，离室温相去甚远。真正关键的是数据库里仍埋着6.8万候选。下一步的信号有三：一是AI能否自主设计更高Tc的候选并通过实验迭代，二是达摩院开放的240万稳定晶体数据能否被全球团队快速验证，三是达摩院是否会将这套框架扩展到其他功能材料（如电池电解质、热电材料）。拐点不在下一个预测，而在第一个AI发现且Tc突破77K的「液氮级」超导材料能否出现。
▸ 3 条关联资料
▼
延伸追问 Scaling Law在原子模型上成立了吗
ElementsClaw的核心——1B参数的原子模型Elements，首次在非大语言模型架构上验证了Scaling Law：参数和数据增加时性能持续提升。这提出了一个关键追问：材料科学AI的Scaling Law边界在哪里？大语言模型的Scaling Law已接近瓶颈（参数冗余、边际递减），而原子模型面临的是不同的约束——三维晶体结构的对称性和多样性远超过自然语言的序列。如果Scaling Law在材料领域也逃不过收益递减，那么「大原子模型」这条路还能走多远？
▸ 2 条关联资料
▼