AI狂想220万种新材料，真能落地还是纯画饼？

两年前，Google DeepMind甩出王炸：用深度学习一口气“梦”出220万种晶体新材料，石墨烯亲戚、528种锂离子导体、各种逆天性能……听起来像直接把人类科技树按了快进键。结果呢？学术圈直接开怼：放射性元素promethium都敢往里塞，18,000条记录当场被嘲“实验室里根本造不出来”。Meta也凑热闹，AI推荐100+种MOF能直接吸空气中的CO₂，又被EPFL的Berend Smit吐槽“理想很丰满，现实很骨感”。所以，AI到底是材料界的神助攻，还是只会写爽文的键盘侠？

🧪 传统DFT：算得准，但贵到离谱
过去想预测新材料，全靠密度泛函理论（DFT）——电子行为算得准，就是烧钱烧时间。伯克利的Materials Project吭哧吭哧十几年才攒了20万种晶体数据，想筛百万级？钱包先报警。

🤖 AI登场：速度拉满，代价是“理想晶体”
DeepMind的GNoME模型把Materials Project的老数据喂给图神经网络，学完就能秒预测晶体稳不稳定，再用DFT复核，循环几轮直接膨胀到220万。A-Lab更卷，AI读文献→写合成配方→机器人开炉→现场X光验货，一条龙全自动。微软MatterGen直接“许愿式”生成：输入“我要带隙1.5 eV的晶体”，它真能吐结构。Meta则专攻MOF，AI秒算8000种实验MOF的CO₂吸附能力，再放大到100万种虚拟结构，筛出100+潜力股。

⚠️ 翻车现场：
1️⃣ “新”材料其实是老熟人——UCL的Robert Palgrave扒了A-Lab的41个“新产物”，发现要么早就有人做过，要么表征乌龙，结论：0真·新材料。
2️⃣ 理想晶体≠真实世界——德国Bayreuth大学团队用实验数据训练AI，发现GNoME推荐的38万种“稳定”晶体里，80%以上在常温下其实是原子乱排的无序结构，性能直接打折。
3️⃣ 稀缺元素乱入——UCSB的Anthony Cheetham吐槽：AI把promethium、protactinium这种买都买不到的元素塞进配方，实验室只能摊手。

🎯 圈内共识：
AI不是骗子，但得“降躁”。DeepMind自己也承认：GNoME更像一张“寻宝图”，真正挖到宝还得靠实验化学家。伯克利的Gerbrand Ceder（A-Lab共同负责人）放话：“机器人确实合成了目标化合物，只是它们的无序版本。”而Kristin Persson（Materials Project掌门）直接放狠话：“两年内不用AI，你就等着被同行卷死。”

💡 给科研打工人的3条生存指南
① AI生成≠真理，先让实验狗过一遍“能不能做”。
② 无序结构别忽视，性能可能比理想晶体更香。
③ 元素周期表右侧的稀有货，AI敢用你不敢买，直接pass。

一句话总结：AI把材料发现的“海选”阶段从十年压缩到十秒，但决赛圈依旧属于实验室里的烧杯和电烙铁。别神话，也别拉黑，合作才能通关。