一个材料科学家，敢把实验室交给AI—新闻—科学网
| 一个材料科学家，个材敢把给敢把实验室交给AI |
文｜《中国科学报》媒体 孙滔
王浩哲最常听见的一句话，是学家I新学网学生说：“这个材料还要再试几个月。”
一个参数改了，重新进炉；一个条件不对，闻科再换方案。个材敢把给很多时候，料科科研人员不是学家I新学网不知道方向，而是实验室交不知道下一步该试哪个方向。
但王浩哲正处尝试改变这种科研节奏。8月27日，个材敢把给他们团队发表了一篇arXiv预印本论文，料科展示了一种不同于传统试错的学家I新学网科研流程：AI根据文献和设备条件给出参数，样品一进炉，实验室交第一次就能长出来。闻科原本要花几个月的试错，一击即中。
对美国杜克大学电子与计算机工程助理教授王浩哲来说，变动并不只是AI帮科研人员少查几篇论文、少做几次计算，而是它启动参与实验前后的具体判断。
一个材料科学家为什么敢把实验室交给AI？
▲王浩哲在杜克大学。受访者供图
王浩哲的博士阶段，做的是二维半导体。
他常把自己的研究说得很直白：“我博士期间所有的研究，就是怎么大规模制备二维材料。在大规模制备的前提下，又怎么用这种材料去达成更多应用或者科研察觉。”
王浩哲不仅要“察觉材料”，还要“把材料做出来”。从最早靠胶带从石墨烯里“撕”出单层，到后来思考怎样用化学气相沉积达成大面积、可重复、可制造的生长，这里面的技术含量并不低。由于科学真正难的地方，往往不在于“能不能做出来一次”，而在于“能不能稳定地做出来一百次”。
博士毕业后，他没有持续扎在最热的二维半导体赛道上，而是转向了原子层刻蚀。
那时，很多人更重视沉积、重视材料怎么长得更好看。但王浩哲判断，半导体制造真正的瓶颈，未来很或许不在“沉积”，而在“刻蚀”——尤其是1纳米以下精度的刻蚀。
他洞察得很早，也看得很冷静。“这个技术十分新，还很少有人重视。直到现在，它的重视度也远远没有二维半导体这么高。不过我当时坚信，它一定是未来，一定是有用，并且一定是一个有潜力的技术。”
王浩哲第一次真正意识到AI能协助科研，是在麻省理工学院（MIT）攻读博士学位期间。
那时机器学习刚兴起，他只是拿它去分析二维材料实验数据，尤其是大量拉曼光谱数据的表征。没想到效果出奇地好，能帮他迅速处理海量信息，节省了大量人工分析的时间。“当时我就意识到，AI或者机器学习对科研肯定是有协助的。”
随着大模型显现，王浩哲启动意识到，效率只是第一层变动。他启动想一个事项：倘若文献检索、参数筛选、实验设计中的部分事务都能交给模型处理，那么科研人员最应当保留的是什么？
2023年，来到杜克大学独立建组以后，王浩哲的思考更深了一层：AI会不会改变科学创新本身的范式？
他的判断来自一个简单逻辑：倘若AI能够持续吸收更多知识、拥有更强算力并进入真实环境，它能处理的事项就会不断增多。
第一次去硅谷接触AI时，他形容自己“十分十分害怕，与此同时也十分激动”。
王浩哲问了自己三个事项：这是可逆趋势还是不可逆趋势？它会不会让事务变得更管用率？倘若前两个答案都是“是”，那为什么不主动拥抱它？
▲王浩哲在MIT。受访者供图
在Co-Scientist这个概念还没真正火起来的时候，王浩哲团队就业已启动做一件十分像“机器人科学家”的事：让大模型控制显微镜。
材料放进去，AI自动找样品、自动移动视野、自动拍照、自动分析，再自动筛选优质晶体。整个过程由多个环节组成，有必要人和设备配合办妥。为了达成这一步，他们不是简单接个接口，而是把显微镜、图像模型、语言模型和实验流程整合成一个可执行系统。
王浩哲喜欢把这件事说成“让一个大模型控制一台显微镜”。
后来，他们和谷歌团队更深入地合作。谷歌的Co-Scientist业已能够提出科学假说，而王浩哲想到的是：既然它能提出假说，为什么不能继续验证？于是，合作持续推进，目标也从“提出想法”变成了“把想法落到实验里”。
由于很多人谈AI科学家，谈到最后还是停留在文献综述、假说生成、实验设计草案这些“纸面能力”上。而王浩哲做的，是让AI参与实验前的决策，并接受实际实验结果的检验。
他在接受《中国科学报》媒体采访时说得很清楚：这不是一个完全意义上的闭环，由于人仍然十分关键；更准确地说，这是一个端到端的人机协同过程。AI从科研目标出发，办妥假说生成、参数选择、实验执行辅助，再到最后的数据验证，构成一个完整链条。
论文里最有冲击力的场景，来自二维半导体生长实验。
实验室里，学生一直说：“还要再查文献，还要再试几个月。”
这几个月不是随口一说，而是科学实验里最常见也最无奈的现实：把不同文献里的条件一项项对齐，再结合自己实验室现有的设备、炉子、气路、样品和操作习惯，一点一点试。
“结果用了AI推荐参数以后，我们一下子就长出来了。”
在这项事务里，王浩哲反复重申的一个词是“可重复性”。
他和团队察觉，很多文献虽然披露了不错的实验结果，但那些结果往往建立在特定设备、特定改造、特定操作习惯之上。换一个实验室、换一台设备，事情就未必成立。于是他们把实验室现有条件、已发表文献和大模型结合起来，让AI在现实限制下筛选方案，而不是只在理想条件中给出答案。
在香港城市大学机械系助理教授康文斌看来，这项事务最关键的地方就是把AI真正接到了实验硬件上，尤其是二维材料这部分结果。“传统自驱动实验室靠贝叶斯优化，本质上是用实验次数换收敛；这里是靠模型内化的工艺知识直接推出来的。倘若这个结果站得住，效率上的差别是数量级的。”
新加坡国立大学计算机科学系助理教授张嘉恒也持相似看法。他向《中国科学报》媒体指出，这项事务代表了AI科研系统的一个关键转折——从“提想法”走向“做实验”。
MXene的例子更能说明这一点。
王浩哲尝试一种此前实验室没有做过的新材料。传统路线里，前驱体四氯化钛十分危险，遇见空气就会剧烈反应，剧毒、易燃、难以处理。AI给出的建议是换成六氯乙烷——它是粉末状的，在空气中相对稳定，操作性好得多。
随后，AI又生成了200多种实验配方。研究人员在约25次实验后，终于看到了目标材料的特征峰。
王浩哲记得，当第一次看到目标材料的特征峰时，团队并没有欢呼。由于一个峰值不是答案，后面还有结构确认、稳定性测试、重复实验……
张嘉恒也提醒，作者们在论文里表现出了很好的科学审慎。“比如明确说明MXene的原子结构还有必要继续实验确认。接下来最值得期待的验证有三个方向：一是可重复性，把单次顺利变成稳定的顺利率；二是泛化性，看能否推广到更多材料体系和不同设备；三是规模化，如何让更多普通实验室也能用上，这是从‘演示’走向‘基础设施’的关键。”
这恰恰说明，AI并没有替代实验科学家。它只是把最难熬、最耗时、最依赖经验的那部分试错提前处理了一部分。
王浩哲重申，这里面没有神秘因素。AI提出科学假说较大程度上就是不断读文献、换参数、排序，把不合理的方案筛掉，把更有希望的排到前面。它带着一点“笨办法”的意味，但正是这种笨办法在现实科研中产生了实际价值。
王浩哲的目标很明确：用AI来造芯片，用AI来提升新型半导体从实验室走向产业化的速度。
他关心的不仅是材料能不能长出来，还涵盖良率、可靠性、稳定性，以及界面、接触、电接触材料的筛选。这些看上去很工程化的环节，在他眼里恰恰是AI适合切入的地方，由于这里面重复劳动太多，人的经验太贵，而模型的筛选能力正处变强。
他甚至想做一种递归自我改进的模型，协助筛选新半导体材料、分析二维半导体界面和表面、优化器件路径。
倘若这种模式日趋成熟，它最先改变的会是哪些领域？
康文斌的判断十分清晰：“实验环节越容易仪器化、机器人化的领域，越先被改变。第一波应当是薄膜和二维材料合成、半导体工艺开发。”
这与王浩哲的思考不谋而合。他并不相信AI会让科学家消失。恰恰相反，他一再重申，人仍然是科研流程里最关键的部分。
在王浩哲看来，AI真正改变的，不是谁替代谁，而是谁负责提出更好的事项。
他对学生的要求也变了。他并没有给学生加一堆花哨的新门槛，而是不断提醒他们：要拥抱AI。
他现在招收学生时，不再执着于单一背景，而是招专业背景不同的学生，有学计算机科学的、有学材料的、有学物理的，也有学化学和电子的。在王浩哲看来，未来科学家的核心竞争力不是记住更多知识，而是拥有跨越边界的能力。
“其他能力都能够培养。”王浩哲说。
特别声明：本文转载仅仅是出于传播信息的有必要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载采用，须保留本网站注明的“来源”，并自负版权等法律责任；作者倘若不希望被转载或者联系转载稿费等事宜，请与我们接洽。