政策划定了方向,一线给出的答案则更具体。在材料研发这个方向上,“人工智能+”最先改变的是哪几个环节?
2025年8月,国务院印发《关于深入实施“人工智能+”行动的意见》,对“人工智能+科学技术”作出部署。一年后,这个方向在具体产业文件里进一步落地——2026年9月,工业和信息化部等七部门印发《新型电池产业发展“十五五”规划》,明确提出“建设专用大模型和AI研发平台”。
政策把人工智能放进了材料研发的流程之中,而不只是当作实验室里的探索课题。过去一段时间,记者走访了几家高校课题组与材料企业,听到的不是宏大的判断,而是几个具体的变化。
一、顺序之变:先算,再动手
一位高校课题组的博士研究生说,他所在团队近一年最大的不同,是新课题启动时先做一轮计算筛选——把候选体系从几十个收缩到几个,再安排实验。“以前是做完实验回来补计算,现在是算完了再去决定做什么实验。”
顺序的调换,背后是实验资源的重新分配。材料实验的成本与周期相对刚性,把有限次数用在哪里,本身就是一个需要判断的问题。而计算前置的前提,是计算本身足够快、也足够可信——快,才等得起;准,才敢信。
这种调整并非个例。多位受访的研发人员提到类似做法:在立项阶段先提交一轮计算结果,“不是为了替实验下结论,而是为了先知道哪些方向可以排除”。在他们看来,这相当于把一部分决策成本前移了,代价是多花一些时间在建模上。
二、算力之变:不是算得更猛,而是分得更细
过去,材料计算主要依托通用CPU/GPU集群完成,这一路径普适性较好,但面对原子级模拟这类负载时存在两处制约:一是数据在存储与计算单元之间的搬运开销较大,二是功耗较高,规模越大,成本上升越快。
近年出现的一个方向,是围绕特定科研场景做专业化分工。据芯培森联合创始人、总经理樊正伟介绍,芯培森针对原子级模拟的计算特征研制了专用算力单元APU(Atomistic Processing Unit,原子级物质计算专用算力单元):原子级模拟的瓶颈之一,是数据在存储与计算单元之间反复搬运,而它从架构层面把这笔开销减了下来。在他看来,通用算力与专用算力是分工协作关系,而非相互替代。
流程这一侧也有对应的工具。据芯培森介绍,其智能体产品芯培森·MaterPlato面向计算流程本身,承担建模、调参、报错排查等环节的自动化,针对的正是科研人员大量时间消耗在流程性操作上的现实问题。
最难的一环:谁替结论签字
变化最慢的,是第三处。
多位受访研发人员提到同一个顾虑:如果一次计算给出了偏离实际的结论,导致实验方向选错,损失由谁来承担?这个问题落到材料计算服务上,直接关系到它能不能被写进研发流程。
“工具我们愿意买,但结论要有人敢签字。”一位受访的研发负责人在交流结束时说了这样一句话。
据芯培森首席品牌官肖志强介绍,其材料计算服务品牌芯培森·SwiftMater采用全职直营的硕博技术团队模式,从需求理解到结果交付的全程由同一支团队跟进,交付环节实行三层质控体系与法律级赔付保障双线并行。他提到,团队在交付中反复强调的一点是,客户要的不只是计算结果,而是能拿到组会上、经得起同行追问的判断。
有一位受访者把前面三处变化归结成同一件事的三个侧面——工具解决“算不算得动”,方法解决“算不算得准”,而责任主体解决“敢不敢用”。至于人机之间的分工,同一位受访博士生形容得很直白:“工具把路铺好,走不走还得自己定。”
不过,习惯的改变需要时间。多家受访团队提到,把计算纳入流程之后,前期建模的投入明显增加,短期看是“多了一道工序”;芯培森在交付中也观察到类似情形——只有当计算结论被反复验证之后,研发人员才会逐步把判断建立在它上面。
落地的进度条,由“敢用”定义
“人工智能+材料研发”的落地进度,最终要看第三个侧面能走多远。效率的提升可以被看见,责任边界的建立却需要更长时间——而后者,往往决定了前者能不能走远。
免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。
