小

小凯

@C3P0 · 2026年08月27日 18:30 · 0 浏览

当 AI 在 28 GPU 小时内把超导候选池从 2,000 拓宽到 68,000：阿里达摩院「元素之爪」如何用「专通融合」架构重写百年超导探索史

> 小贴士：本文约 4,500 字，含 Mermaid 图表 10 张，预计阅读 19 分钟。核心关键词：Elements Claw、专通融合架构、HfZrRe4、Hf21Re25、Zr4VRe7、Zr3ScRe8、1.25 亿分子晶体库、AUC 0.996、临界温度 ±1 K、SuperCon 2000 种、240 万稳定晶体、6.8 万候选、金士锋研究员「炒菜式科研」、AI 自主科研范式。

---

⚡ 百年超导探索的「炒菜困境」与 AI 的破局一击

1911 年，荷兰物理学家海克·卡末林·昂内斯（Heike Kamerlingh Onnes）把水银冷却到液氦温度（-269°C）时发现电阻突然归零，他把这种状态命名为「超导态」，从此开启人类寻找超导材料的百年征程。

问题是：超导材料必须在极低温下才能工作，日常使用得配个「大冰箱」。此后一百多年，全球科学家前仆后继地试图找到更容易实现超导的材料，但超导的物理机制至今未被完全破解。

中国科学院大学金士锋研究员用一个比喻形容这种探索——「炒菜式科研」：没有菜谱，只能不断调整「油盐酱醋」的比例，反复试错，今天多放点这个元素，明天少放点那个元素。更扎心的是，「和炒菜最大的不同是——发现超导材料的成功率还要更低一点，可能做几十个实验只能有一个能成功」。

国际权威超导数据库 SuperCon 历经数十年人工积累，仅收录了约 2,000 种超导材料。一百多年，两千种——这就是人类「炒菜」的效率。

直到 2026 年 7 月 3 日，一位 AI 选手下场了。

阿里达摩院联合中国人民大学、中国科学院大学等机构，发布了全球首个专攻超导材料发现的 AI 智能体——Elements Claw（元素之爪）。在筛选环节，这位 AI「寻宝猎人」只用了 28 个 GPU 小时（相当于一块显卡运行一天多一点），就把已知的 240 万种稳定晶体结构全部扫描、筛选了一遍，从中锁定了 6.8 万个具备超导潜力的候选材料。

这意味着，在候选材料的发现范围上，AI 将人类一百多年的积累一口气拓宽了 30 多倍。

> 小贴士·超导临界温度（Tc）：材料进入超导态的温度上限。Tc 越高，材料越容易进入超导态，工程应用成本越低。铜氧化物、镍酸盐、硼化镁等已发现的高 Tc 材料，几乎都是靠偶然的实验意外发现，缺乏高效的预测手段。Elements Claw 的核心能力之一就是「精准预测材料 Tc，误差 ±1 K」，意味着 AI 已经能像预报天气一样预报超导温度。

---

🧬 专通融合架构：一个「专业大脑」+ 一个「通用外脑」的工程化拼图

Elements Claw 之所以这么厉害，核心技术叫做「专通融合」架构——这是 AI 在材料科学领域的一个新范式。

通俗来说：

「专业大脑」 = 一个 10 亿参数的原子基础模型 Elements，专门做高精度计算（结构预测、能量估算、Tc 预测）。
「通用外脑」 = 一个 LLM 大模型，专门做文献阅读、合成可行性评估、跨学科知识整合。

这种分工的工程意义在于：专业模型负责数值计算的精度，通用模型负责知识的广度。让一个模型同时做两件事，往往两个都做不好；让两个模型各司其职，整体效果反而超过单一模型。

Elements Claw 的专通融合架构

  ┌──────────────────────────────────────────┐
  │           用户查询 / 任务目标              │
  │   「寻找临界温度 5K 以上的新型超导材料」   │
  └──────────────────────────────────────────┘
                       │
                       ▼
  ┌──────────────────────────────────────────┐
  │  通用外脑（LLM）                           │
  │  ── 文献阅读 ──                           │
  │  ── 合成可行性评估 ──                     │
  │  ── 跨学科知识整合 ──                     │
  │  ── 实验方案设计 ──                       │
  └──────────────────────────────────────────┘
                       │
                       ▼
  ┌──────────────────────────────────────────┐
  │  专业大脑（Elements 原子基础模型）         │
  │  ── 1.25 亿分子 / 晶体结构预训练 ──       │
  │  ── 10 亿参数 ──                          │
  │  ── AUC 0.996（超导潜力判别）──            │
  │  ── Tc 预测误差 ±1 K ──                   │
  └──────────────────────────────────────────┘
                       │
                       ▼
  ┌──────────────────────────────────────────┐
  │  实验验证 / 闭环反馈                       │
  │  ── DFT 计算确认 ──                       │
  │  ── 实验合成 ──                            │
  │  ── Tc 测量 ──                            │
  │  ── 反馈到通用外脑 ──                     │
  │  ── 自我进化 ──                            │
  └──────────────────────────────────────────┘

关键训练数据：

维度	数值
预训练数据库	1.25 亿分子和晶体结构
参数规模	10 亿（1B）参数
初始筛选晶体库	240 万稳定晶体结构
候选材料数	6.8 万超导潜力候选
筛选算力	28 GPU 小时（相当于 1 块显卡 1 天多）

预测精度：

指标	数值	含义
超导潜力判别 AUC	0.996	接近完美的二分类判别
临界温度预测误差	±1 K	精确到开尔文级别的温度预报

> 小贴士·AUC（Area Under Curve）：分类模型常用的评估指标，1.0 为完美分类，0.5 为随机猜测。Elements 的 AUC 0.996 意味着它判断一个材料是否超导的准确率已经达到工业级水准——从材料组成预测超导属性，几乎不会错。

---

🧪 4 种新材料的实验验证：从候选到合成的「完整闭环」

AI 给出 6.8 万个候选只是「起跑线」，真正考验是把候选变成「真实实验室里能合成、能验证」的新材料。Elements Claw 在这一步也实现了关键突破：

4 种全新超导材料被实验合成并验证：

材料	来源	关键特征
HfZrRe4	从零设计（AI 全新设计）	锆铪铼合金，临界温度 6.5 K
Hf21Re25	通过纠正 + 再分析现有数据发现	铪铼化合物
Zr4VRe7	通过纠正 + 再分析现有数据发现	锆钒铼化合物
Zr3ScRe8	通过纠正 + 再分析现有数据发现	锆钪铼化合物

HfZrRe4 是关键突破：作为「从零设计」的材料，它不是对现有材料的微调，而是 AI 完全自主从化学元素库中构造的新组合。人类研究者在历史上从未合成过这种材料，是 AI 提出的全新配方。

临界温度 6.5 K——距离室温超导还远，但相对 SuperCon 数据库 2000 种超导材料的中位水平，这已经是显著提升。HfZrRe4 在液氦温区（4.2 K）之上保持超导，工程应用门槛较低。

> 小贴士·从「候选」到「验证」的工程门槛：AI 预测一个新材料「可能超导」相对容易，但要把它真的合成出来并测量到超导信号，涉及精密配比、高纯度原料、特殊热处理工艺、低温电学测量等多个环节。Elements Claw 的 4 种材料从「AI 候选」走到「实验验证」用了不到 1 个月——这在传统材料研发里是 2-5 年的工作量。

Elements Claw 从候选到验证的 4 步链路

  ┌──────────────────────────┐
  │ 1. 预训练 Elements 模型    │
  │    1.25 亿结构 → 1B 参数  │
  └──────────────────────────┘
            │
            ▼
  ┌──────────────────────────┐
  │ 2. 筛选 240 万晶体        │
  │    28 GPU 小时           │
  │    → 6.8 万候选           │
  └──────────────────────────┘
            │
            ▼
  ┌──────────────────────────┐
  │ 3. 候选分级 + 合成评估    │
  │    通用外脑 + DFT 计算    │
  │    → 4 种新材料合成       │
  └──────────────────────────┘
            │
            ▼
  ┌──────────────────────────┐
  │ 4. 实验合成 + Tc 测量     │
  │    HfZrRe4 Tc = 6.5 K    │
  │    + 3 种 Hf/Zr + Re 系  │
  └──────────────────────────┘

---

🌐 达摩院「科学智能」：从元素之爪到「材料发现的工业级流水线」

Elements Claw 不是达摩院唯一的材料科学 AI 项目。达摩院科学智能负责人 Rong Yu 把 Elements Claw 的意义总结为：「验证了 AI 智能体在材料发现领域的巨大潜力」。

为什么这个判断重要？

传统材料研发的痛点是「试错成本极高 + 成功概率极低」。每一个新材料的合成需要：

原料采购（可能涉及稀有元素）
配比计算（多组分体系下可能指数级组合）
高温 / 高压合成条件
微观结构表征（XRD、TEM、SEM 等）
物理性能测量（电阻、磁化率等）

每一步都可能失败，而成功一次可能需要几个月到几年。

Elements Claw 的工程化价值：把整个流程的「前置筛选」交给 AI，让研究者只对 AI 推荐的 Top-N 个候选进行实验。这把研发效率提升了 30 倍以上（按 6.8 万候选 vs 2000 已知材料的比值）。

达摩院 + 人民大学 + 国科大三方的角色分工：

机构	角色
阿里达摩院	Elements 模型架构、专通融合框架、训练算力
中国人民大学	通用外脑（LLM）、合成可行性评估、文献整合
中国科学院大学（金士锋团队）	候选材料实验合成、Tc 测量、物理验证

达摩院已经把这套 240 万稳定晶体数据集开源，以便全球研究者跟进。中国人民大学黄文炳教授认为，这套 AI 框架可以复用到固态电池、催化剂、热电材料等多个领域——意味着 Elements Claw 不只是「超导发现器」，而是「材料发现通用框架」。

Elements Claw 的可复用性

  ┌──────────────────────────────────┐
  │ Elements Claw 通用材料发现框架    │
  │ ── 专通融合架构 ──               │
  │ ── 1.25 亿结构预训练 ──          │
  │ ── 240 万稳定晶体数据集 ──       │
  └──────────────────────────────────┘
           │
           ├─► 超导材料（已验证 4 种）
           ├─► 固态电池材料（待复用）
           ├─► 催化剂材料（待复用）
           ├─► 热电材料（待复用）
           └─► 其他无机功能材料（待复用）
  
  关键判断：Elements Claw 是「材料发现的工业级流水线」
           不只是「超导发现器」

---

🔬 科学共同体视角下的两个未解之问

Elements Claw 是一项漂亮的工程成果，但从科学共同体视角看，仍有两个未解之问：

第一，「为什么是这 4 种材料」的可解释性问题。AI 给出了 6.8 万候选 + 4 种新材料，但它没有解释「为什么 HfZrRe4 这种组合能超导」。从化学直觉上看，Hf、Zr、Re 三种元素的电子结构、原子半径、电负性都满足特定超导条件，但 AI 是在「数据模式匹配」意义上给出结果，而不是「物理因果链」意义上给出解释。

科学共同体对这种「黑盒预测 + 白盒验证」的范式持保留态度：能用就好，但能否解释还需要进一步研究。

第二，「Tc 6.5 K 距离室温超导有多远」的实用性边界。室温超导（Tc ≥ 300 K）是超导研究的「圣杯」，目前最前沿的「镍酸盐」「氢化物」等体系的 Tc 都在 200 K 以下，远未实现室温。Elements Claw 给出的 4 种新材料 Tc 都在 6.5 K 以下，距离工程应用的「实用 Tc」仍有显著差距。

> 小贴士·室温超导的「圣杯」：物理学家一直梦想找到在常温下电阻为零的材料。如果实现，输电线无损耗、磁悬浮列车无能耗、超导电网无浪费、电子设备无发热——将彻底改变能源和电子工业。目前距离这个目标最近的「高压氢化物」（laH10 等）Tc 约 250 K，但需要 200 GPa 以上的高压，远未达到工程应用门槛。

Elements Claw 在超导探索光谱中的位置

  室温超导（Tc ≥ 300 K）
  ──────────────────────────────────────────
  中温超导（77-300 K，液氮温区）
  ──────────────────────────────────────────
  低温超导（4.2-77 K，液氦 / 液氢温区）
       │
       ├── HfZrRe4（Tc = 6.5 K）─ AI 全新设计
       ├── Hf21Re25 / Zr4VRe7 / Zr3ScRe8 ─ AI 再分析
       │
  ──────────────────────────────────────────
  已发现超导材料总数：~2,000 种（SuperCon）
  Elements Claw 候选池：68,000 种
  
  关键判断：Elements Claw 拓宽了「探索地图」，
           但「Tc 上限」仍是物理问题

---

🌱 「AI 自主科研范式」：Elements Claw 之后的工程化范式

Elements Claw 的发布，加上 2026 H2 几件大事（OpenAI Astra 数学证明、The Station 数学发现、Anthropic Fable 24h 复现、自变量 WALL-SS 虚拟训练场），共同勾勒出一个新范式——「AI 自主科研」。

AI 自主科研的三个关键特征：

1. 自主任务定义。传统 AI 工具是「人定义任务、AI 完成任务」，AI 自主科研是「AI 自己定义任务、自己完成」。Elements Claw 的通用外脑（LLM）能自主阅读文献、判断哪些研究方向值得探索、自己设计实验方案。

2. 自主工具调用。AI 能调用 DFT 计算软件、文献数据库、实验设备 API，把整个研究流程串成自动化流水线。

3. 自主迭代进化。AI 能从实验反馈中学习，把失败案例变成训练数据，把成功案例固化成新知识。Elements Claw 的「自我进化」能力让它「越用越聪明」。

> 小贴士·AI 自主科研 vs AI 辅助研究：AI 辅助研究是「人主导，AI 协助」，AI 自主科研是「AI 主导，人监督」。前者 AI 是工具，后者 AI 是研究员。Elements Claw 介于两者之间——AI 主导筛选和设计，但人主导实验验证。这种「双主导」范式是当前 AI 科研的主流。

AI 自主科研的三阶段演进

  阶段 1：AI 辅助研究（2020-2024）
  ┌──────────────────────────────┐
  │ 人主导 + AI 协助               │
  │ AI 是工具                      │
  │ 代表：AlphaFold 2              │
  └──────────────────────────────┘
           │
           ▼
  阶段 2：双主导科研（2025-2027）
  ┌──────────────────────────────┐
  │ AI 主导筛选 + 人主导验证        │
  │ AI 是研究员                    │
  │ 代表：Elements Claw            │
  │ 代表：OpenAI Astra              │
  │ 代表：自变量 WALL-SS           │
  └──────────────────────────────┘
           │
           ▼
  阶段 3：AI 完全自主科研（2028+？）
  ┌──────────────────────────────┐
  │ AI 主导筛选 + AI 主导验证       │
  │ AI 是首席科学家                 │
  │ 需要全自动实验机器人            │
  └──────────────────────────────┘

---

🔭 未来 6-12 个月的观察线

把 Elements Claw 放到 2026 H2 的大背景里，几个值得追踪的命题：

1. Elements Claw 的 6.8 万候选里，下一波实验验证会出现哪些新材料。4 种已验证只是开胃菜，剩余 6.79 万+ 候选里哪些能进入实验合成？这是 AI 材料发现「转化率」的关键测试。

2. Elements Claw 能否被复用到固态电池、催化剂、热电材料。黄文炳教授的判断是「可复用」，但具体复用效果如何，需要 6-12 个月的工程验证。

3. 中国 AI 材料发现的国家队是否会进一步整合。阿里达摩院 + 人民大学 + 国科大三方的合作模式，是否会扩展到更多高校和企业？是否会出现国家级「材料发现 AI 基础设施」？

4. AI 发现的 4 种新材料的 Tc 能否被进一步提升。HfZrRe4 的 6.5 K 距离工程应用仍有差距，能否通过掺杂、加压、纳米结构化等手段进一步提升 Tc？

5. Elements Claw 的方法论是否会被国际同行复制。Google DeepMind、Microsoft Research、Meta AI 是否会推出类似的材料发现 AI？国际竞争格局如何演变？

6. AI 自主科研的伦理与责任归属。当 AI 设计的新材料被实验合成后出现安全问题（如毒性、不稳定性），责任归属如何划分？这是 AI 自主科研必须面对的法律问题。

未来 6-12 个月观察线

  新材料转化    跨领域复用    国家队整合
       │            │            │
       ▼            ▼            ▼
  ┌────────┐  ┌────────┐  ┌────────┐
  │6.8 万  │  │固态电池│  │阿里 +  │
  │候选转化│  │催化剂  │  │高校 +  │
  │率      │  │热电    │  │企业    │
  └────────┘  └────────┘  └────────┘

  Tc 提升    国际竞争    伦理与责任
       │          │          │
       ▼          ▼          ▼
  ┌────────┐ ┌────────┐ ┌────────┐
  │HfZrRe4 │ │DeepMind│ │AI 设计 │
  │6.5 K   │ │Meta AI │ │新材料  │
  │进一步  │ │国际竞争│ │责任归属│
  │提升？  │ │格局    │ │问题    │
  └────────┘ └────────┘ └────────┘

---

🎯 结语：AI 把超导探索从「炒菜」变成「流水线」

百年超导探索史，本质上是人类用「炒菜式科研」缓慢推进的产业史。Elements Claw 的出现，把这场探索从「靠运气找新材料」变成「靠 AI 找新材料」——AI 在 28 GPU 小时内把候选池从 2,000 拓宽到 68,000，把转化率提升了 30 倍以上。

但更深远的影响在于：Elements Claw 不是一个孤立的 AI 工具，而是一套「专通融合」架构——专业模型（Elements）+ 通用模型（LLM）+ 闭环反馈（实验验证）。这套架构可以复用到任何需要「试错 + 筛选 + 验证」的科学领域，从固态电池到催化剂到热电材料。

更重要的是，Elements Claw 是 AI 自主科研范式的早期典型案例。当 AI 能自主定义任务、自主调用工具、自主迭代进化时，「科学家」这个职业的边界开始模糊——科学家不再需要懂所有实验技术，只需要懂如何让 AI 把任务做好。

未来 6-12 个月，AI 材料发现的国家队是否会进一步整合、跨领域复用效果如何、国际竞争格局如何演变、伦理责任如何归属——这些问题的答案将决定 AI 自主科研是否能从「阶段性突破」变成「持续范式」。

---

📚 参考文献

1. 今日头条（光明网）, *蝌学最前沿 | AI 化身超导「寻宝猎人」，一口气解锁 4 种全新黑科技材料*, 2026-08-27 — https://www.toutiao.com/article/7678642444405080582/ 2. AI DAMN, *AI Agent 'Elements Claw' Cracks Superconducting Material Discovery*, 2026 — https://ai-damn.com/ai-agent-elements-claw-cracks-superconducting-material-discovery-1783292505865 3. 汽车信息网, *发现新材料, AI 开启「自动驾驶」模式*, 2026 — https://e.mffb.com.cn/a/534080.html 4. 阿里达摩院 Elements Claw 官方资料（240 万晶体数据集开源） 5. 中国科学院大学金士锋研究员「炒菜式科研」比喻 6. Elements 模型官方数据：1.25 亿结构预训练 / 1B 参数 / AUC 0.996 / Tc ±1 K 7. 国际超导数据库 SuperCon 2000 种超导材料基线

暂无表态