本報記者 樊三彩
自大模型爆火以來，國內外相繼發布了多項材料大模型：2023年11月，谷歌發布材料AI（人工智能）模型 GNoME；2023年12月，微軟發布了材料AI生成模型 MatterGen；2024年6月，清華大學團隊發展出DeepH通用材料模型，并展示了一種構建材料大模型的可行方案；2025年2月份，松山湖實驗室發布MatChat材料大語言模型；2025年3月份，北京鋼研新材發布“AI新材道”智能選材大模型。
“這些工作引領著未來，但也帶來了爭議。”近日，中國鋼研科技集團數字化研發中心首席科學家蘇航在接受《中國冶金報》記者采訪時發出4連問：我們如何信任和驗證黑盒模型給出的結果？我們需要通過模擬數據進行模型訓練嗎？機器學習能否引領實現原始創新？帶有幻覺的模型適合科學研究嗎？“這些問題將深刻影響未來10年材料人工智能的發展方向。”蘇航認為。
“早在上世紀80年代，中國科學院就有一個材料模式識別學派，將機器學習應用于新材料發現，后來一度中斷的主要原因就在于很難獲取高質量的數據集。”蘇航認為，今天我們要發展有價值的AI材料模型，首先需要構建起“AI友好的數據集”。
廣義而言，AI for Science（科學人工智能）起源于大科學項目。大型望遠鏡、衛星、基因測序儀、同步加速器、中子源和電子顯微鏡，每年生成PB（十萬兆字節）級乃至EB （百萬兆字節）級的數據量，從中提取有價值的信息對科學家而言是艱巨的挑戰，因而機器學習成為必然選擇。當前，AI for Science的成功主要在自然科學領域，而非技術科學領域。
“相比傳統機器學習回歸模型，大模型有兩個必要的特征，一是參數量足夠大，二是具備泛化（外推）能力。它們對高質量數據的要求包含4個方面。”蘇航進一步闡釋道，一是同源性。數據來源統一，消除未知因素的干擾，但文獻數據不滿足同源性。二是分散性。空間上樣本盡可能分散，“好”“壞”數據兼備，但工業生產數據不滿足分散性。三是可信性。數據的來源、去向、產權、責任清晰，匿名網絡數據、強制征集數據的可信性不高。四是完備性（特別針對大模型）。數據覆蓋特征空間大部分可能的模式、形成閉環，目前材料領域僅計算數據相對完備。
“數據閉環是AI生成的前提。國際上現有成功的科技大模型的共同特征是：具備大科學項目研究背景，具備完備閉環、開源的數據集積累。”蘇航補充道，目前在世界范圍內，還不具備建立通用材料大模型的數據基礎，但越小的領域內越有可能出現突破性的AI應用，前提是數據集相對完備。
“要在細分領域獲得與專業人士相當的預測能力，需要達到一定的基礎數據量，即我們稱之為Scaling Law的數據下界；同時，數據采樣應盡可能遍歷所有特征模式。如鋼鐵金相圖譜的可能特征模式在20種左右，達成閉環的數據量僅需要數百張覆蓋所有特征的照片，而不是數萬張。這意味著在細分領域建立具備無限泛化能力的材料AI，并不一定都需要大規模的數據集。”蘇航舉例道。
“在材料為代表的工程科學領域，須適應AI對大數據的需求，改變傳統上以驗證為主的科研模式，建立AI友好的矩陣化數據生產新模式，才能讓AI加速技術發現與發明。”蘇航介紹，中國鋼研正在實踐“計算數據+實驗數據+應用數據”的矩陣化數據生產新模式，取得顯著成果。
中國鋼研新材道團隊開發了區塊鏈材料數據發現與共享協議，配合材料模式識別、隱私計算，讓數據可用但不可見。2023年，中國鋼研發布全球首個“材料數據區塊鏈 通則”，建立了包括鋼鐵、裝備制造、裝備用戶在內的10多個企業私有云，50個鋼鐵企業輕節點；已覆蓋6000多個國家、團體、企業的產品標準，20多萬種鋼鐵、高溫合金、焊材、鋁合金的材料產品。
“在我看來，當前形勢下，構建材料人工智能（AI for Material）需摒棄‘萬能大模型’幻想，重點關注3個方向的技術工作。”蘇航表示。
一是細分領域完備數據集建設和專業模型的開發，如材料產品數據集，金屬多元相圖，金相組織，基于自動生成數據集的試驗、計算模型等，基于材料區塊鏈的多節點數據協同可加速完備數據集的形成。
二是大語言模型智能體(AI Agent)的創新應用。基于通用大語言模型，建立AI輔助計算、建模、設計智能體群，并實現多智能體協同。
三是以場景創新驅動方法論創新。“新賽道無常路，無需跟隨。AI領域，美國的優勢在技術，中國的優勢在場景，但場景創新可以反過來驅動AI技術進步，DeepSeek（深度求索）就是范例。”他說。
《中國冶金報》（2025年05月27日 04版四版）
