一个材料科学家，敢把实验室交给AI
一个材料科学家，敢把实验室交给AI
文｜《中国科学报》记者 孙滔
王浩哲最常听见的一句话，是学生说：“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，再换方案。很多时候，科研人员不是不知道方向，而是不知道下一步该试哪个方向。
但王浩哲正在尝试改变这种科研节奏。8月27日，他们团队发表了一篇arXiv预印本论文，展示了一种不同于传统试错的科研流程：AI根据文献和设备条件给出参数，样品一进炉，第一次就能长出来。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，变化并不只是AI帮科研人员少查几篇论文、少做几次计算，而是它开始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
从二维半导体出发
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实现更多应用或者科研发现。”
王浩哲不仅要“发现材料”，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实现大面积、可重复、可制造的生长，这里面的技术含量并不低。因为科学真正难的地方，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，他没有继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，很多人更关注沉积、关注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，未来很可能不在“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。“这个技术非常新，还很少有人关注。直到现在，它的关注度也远远没有二维半导体这么高。但是我当时坚信，它一定是未来，一定是有用，并且一定是一个有潜力的技术。”
先看见效率，再看见范式
王浩哲第一次真正意识到AI能帮助科研，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，能帮他快速处理海量信息，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帮助的。”
随着大模型出现，王浩哲开始意识到，效率只是第一层变化。他开始想一个问题：如果文献检索、参数筛选、实验设计中的部分工作都能交给模型处理，那么科研人员最应该保留的是什么？
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：如果AI能够持续吸收更多知识、拥有更强算力并进入真实环境，它能处理的问题就会不断增加。
第一次去硅谷接触AI时，他形容自己“非常非常害怕，同时也非常激动”。
王浩哲问了自己三个问题：这是可逆趋势还是不可逆趋势？它会不会让工作变得更有效率？如果前两个答案都是“是”，那为什么不主动拥抱它？
▲王浩哲在MIT。受访者供图
把显微镜交给大模型
在Co-Scientist这个概念还没真正火起来的时候，王浩哲团队就已经开始做一件非常像“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，需要人和设备配合完成。为了实现这一步，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已经可以提出科学假说，而王浩哲想到的是：既然它能提出假说，为什么不能进一步验证？于是，合作继续推进，目标也从“提出想法”变成了“把想法落到实验里”。
因为很多人谈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》记者采访时说得很清楚：这不是一个完全意义上的闭环，因为人仍然非常重要；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，完成假说生成、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。
从猜参数，到让AI选参数
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。”
在这项工作里，王浩哲反复强调的一个词是“可重复性”。
他和团队发现，很多文献虽然报道了不错的实验结果，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，这项工作最重要的地方就是把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。如果这个结果站得住，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》记者表示，这项工作代表了AI科研系统的一个重要转折——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，前驱体四氯化钛非常危险，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。因为一个峰值不是答案，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的原子结构还需要进一步实验确认。接下来最值得期待的验证有三个方向：一是可重复性，把单次成功变成稳定的成功率；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。
王浩哲强调，这里面没有神秘因素。AI提出科学假说很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。
人仍然是最重要的部分
王浩哲的目标很明确：用AI来造芯片，用AI来提高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，还包括良率、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，因为这里面重复劳动太多，人的经验太贵，而模型的筛选能力正在变强。
他甚至想做一种递归自我改进的模型，帮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。
如果这种模式日趋成熟，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。第一波应该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，他一再强调，人仍然是科研流程里最重要的部分。
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问题。
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。
“其他能力都可以培养。”王浩哲说。