AI已经能设计新材料了，但真正卡住它的不是模型，而是实验室

当大模型席卷科研界，一个残酷事实开始浮出水面：AI 在科学中的最大瓶颈，根本不在算法。本期 Latent Space 对话 Radical AI 的 Joseph Krause，直指一个被严重低估的真相——没有“自驾驶实验室”，AI 科学只是在纸上空转。

反直觉的真相：AI 在科学里，最弱的不是智能

很多人默认一个前提：只要模型再大一点、数据再多一点，科学发现就会被“自动化”。但 Krause 一上来就泼了冷水。他明确区分了“AI for bio”和“AI for materials”，并强调：材料科学的问题，从来不只是“发现”一个新配方。

在现实世界里，一个材料从提出假设，到实验验证、工艺放大、性能稳定，往往横跨多年。AI 可以在几秒钟内生成上千个候选方案，但真正的瓶颈，是没人能以同样的速度把这些方案变成实验数据。

一句话点破幻觉：“如果实验跟不上，AI 只是在生成更多没人验证的想法。”这也是为什么，很多材料 AI 项目在论文里看起来很美，却很难走向真实世界。

为什么“自驾驶实验室”成了北极星

在访谈中，Krause 多次提到一个关键词：fully closed loop（完全闭环）。不是模型 + 人，而是模型 → 实验 → 数据 → 模型的自动循环。

所谓自驾驶实验室，本质上不是一个炫酷概念，而是一套工程系统：
- AI 决定下一步做什么实验
- 自动化设备执行实验
- 数据实时回流，更新模型判断

Krause 说，这正是他们选择聚焦的“北极星”。因为在材料科学中，真正的护城河不是模型架构，而是“你能跑多少轮实验，以及跑得有多快”。

这也解释了一个容易被忽视的事实：在这个领域，实验本身才是最贵、最稀缺、也最难规模化的资产。

8 到 20 年的现实：材料验证时间为什么这么长

当被问到材料从实验室到真实应用的时间尺度时，Krause 给出了一个让很多 AI 从业者震惊的区间：8 到 20 年。

这不是保守，而是现实。

原因不在于算法慢，而在于材料世界的复杂性：
- 不只是“成分”对不对
- 还包括制造工艺、环境稳定性、规模化一致性
- 以及在真实应用场景下的长期表现

这也是材料科学与药物发现的一个关键差异。药物更多关注分子层面的有效性，而材料，最终要在工业体系中“活下来”。

正因为验证周期极长，任何能在早期就提高实验吞吐量、减少无效尝试的系统，都会带来指数级的长期收益。

真正的竞争壁垒：不是模型，是实验吞吐量

在谈到竞争格局时，Krause 的态度非常直接：不会指望“更聪明的模型”赢得比赛，而是要“beat them with raw output”。

换句话说，谁能更快地做实验，谁就能更快地积累真实世界的数据。

这也引出了一个极具行业意味的判断：“experiments are the moat， not the model itself。”模型可以被复现，代码可以被复制，但高质量、连续、自动化产出的实验数据，几乎无法被快速追赶。

在这个视角下，自驾驶实验室不只是研发工具，而是一家材料 AI 公司最核心的战略资产。

给 AI 从业者的现实建议：别只盯着模型

在访谈结尾，Krause 给出的 call to action 非常明确：如果你是 ML 工程师，去做材料科学。

但更重要的潜台词是：别只做“模型工程师”。

未来真正稀缺的人才，是那些同时理解：
- 机器学习
- 实验流程
- 物理世界约束

能把算法嵌进真实系统的人。因为在科学领域，智能从来不是独立存在的，它必须被嵌入到一个能持续行动、持续反馈的物理循环里。

总结

这场对话揭示了一个被低估的趋势：AI 在科学中的下一个跃迁，不发生在模型参数上，而发生在实验室里。对从业者而言，这意味着机会正在从“更聪明的算法”转向“更快的现实反馈系统”。如果你想在这个浪潮中占据先机，问题不再是“我能不能训练一个更好的模型”，而是——我能不能让 AI 真正动手做事？

关键词： 自驾驶实验室， 材料科学， 机器学习， 科研自动化， AI 与实验

事实核查备注： 需要核查：1）8-20 年材料验证时间的具体语境；2）Joseph Krause 的原话表述是否精确；3）视频中关于 fully closed loop 的定义细节。