材料 discovery（材料发现）本质上是一个组合问题：在处理这类问题时，相对较大的模型而言，基于代理（agent）的 AI（人工智能）方案更具优势。（Open Access：该文章属于开放获取资源。）

首页今日动态人才市场新技术专栏中国科学人云展台
BioHot
云讲堂直播会展中心特价专栏技术快讯免费试用

生物通官微
陪你抓住生命科技
跳动的脉搏

生物通首页 > 今日动态 > 正文

《Digital Discovery》：Materials discovery is a composition problem: the case for agentic AI over bigger modelsOpen Access

【字体：大中小】 时间：2026年09月08日 来源：Digital Discovery 7.1

编辑推荐：

　　打开图形查看器材料发现一直是机器学习进步的试验场：用于属性预测的图神经网络、用于晶体生成的扩散模型，以及在

材料发现一直是机器学习进步的试验场：用于属性预测的图神经网络、用于晶体生成的扩散模型，以及在数百万次第一性原理计算基础上训练出的通用原子间势能。每种技术都已发展到接近生产应用的质量。然而，机器学习并没有像这些技术预计的那样显著加速材料发现的速度。我们认为，这种差距反映了努力的分配不当。剩余的瓶颈不是任何单个模型的预测准确性，而是缺乏一个将专业模型组合成依赖于上下文的多步骤科学研究的层面。直到最近，这个层面还是由人类计算科学家来承担的。如今，大型语言模型代理具备了标准化的工具使用协议以及日益丰富的特定于材料的工具生态系统，已经足够成熟，可以独立承担起这个组合任务。我们概述了这一转变对材料AI社区下一步发展的影响，以及为什么科学发现是代理型AI的一个独特且富有启发性的试验场。核心思想是：组合我们现有的不完美的专业模型，而不是简单地扩展单一模型。组合层面才是新的研究方向。