聚焦中關村論壇 | 方忠院士發表主題演講——《AI+物質科學機遇與挑戰》

AI+物質科學機遇與挑戰

科技創新是點燃火種，產業創新是星火燎原，而真正改變世界的是讓這兩股力量匯聚在一起。2026中關村論壇年會主題為“科技創新與產業創新深度融合”，匯集知名專家和企業代表，分享他們在這條融合之路上的實踐洞察與真知灼見。中國科學院院士、中國科學院物理研究所所長方忠發表主題演講——《AI+物質科學機遇與挑戰》。

方忠院士

演講實錄

尊敬的各位領導，各位嘉賓，大家上午好，我今天和大家分享的題目是《AI+物質科學機遇與挑戰》。

我從以下三個方面和大家分享，首先介紹一下物質科學，然后談談AI+物質科學目前主要的問題和機遇，最后講講在物質科學AI實踐中數據的核心作用。

首先是物質科學的簡介。20世紀物質科學起到了非常重要的作用。大家可以縱觀整個20世紀的發展，從1910年開始有低溫物理，一直到后來的金屬物理、量子磁性物理、晶體管集成電路等等，今天的晶體管、集成電路、激光器都得益于物質科學的發展，徹底改變了人類的生活狀態，也造福了人類。

但是我們也應該知道，物質科學是非常復雜的一門研究領域。人類曾經嘗試過想要搞清楚物質科學是不是可以回歸到最底層邏輯——比如，把單個個體、一個個原子都研究清楚之后，是否就能夠得到整個物質所有的狀態呢？事實恰恰不是這樣！物質科學中最難的一件事情是它的衍生現象，哪怕搞清楚了單個原子的性質，當把多個原子放在一起的時候，會呈現出完全不同的性質。我們物質科學的研究恰恰不能用還原論來簡單地研究，這也是為什么物質科學研究產生了豐富多彩的性質。

物質科學面臨的巨大挑戰是什么？即便存在衍生現象，也并非無法通過還原論進行研究，也應該可以盡可能做到。但很麻煩的事情，就是我們面對的物質科學有巨大的鴻溝，從空間尺度來講，從飛米10?1?的基本粒子到納米10?? 一直到微米分子尺度，一直到宏觀的米級材料器件，跨度跨越了15個量級。物質現象的時間尺度也從阿秒（10-18秒）一直到數年的腐蝕過程，研究的溫度范圍也是從10-9K到上千度的高溫合金，所以跨尺度的現象嚴重阻礙了物質科學的研究。

20世紀初期，奠定了物質科學的基礎，即量子力學。從當時開始，很多著名的物理學家包括狄拉克曾經說過：只要給我足夠大的計算機，就可以完全計算清楚物質的性質。

沿著這條思路，我們（科學家們）曾經嘗試過很久。從1965年就建立了一套簡化的密度泛函理論計算體系，盡管經過了簡化，但是基于嚴格的量子力學，所以當時取了一個名字：從頭計算。就是希望我們通過全量子力學的計算，能夠解決物質科學全部的問題。但事實上，從1965年發展到2020年，到今天為止，不僅沒有人（能徹底）解決物質科學問題，而且離實際需求越來越遠。

到2020年已經進入了AI世界，很多事情都不可能用現在基于全部量子力學的方法來完全解釋，怎么辦？人工智能給我們帶來的機遇，也就是基于數據的物質科學研究給我們帶來全新的領域——AI+物質科學。

整個的物質科學研究可以說核心就一件事情，給定材料，怎么能馬上知道它的性質，其實這是最簡單的事情。但是最核心的是反過來的，我希望達到什么性質，你馬上告訴我應該怎么做，用什么材料、做什么結構，反向設計是我們的終極目標。

前面做的很多事情是從材料到性質，這時候基于量子力學的方法做計算，量子力學太麻煩，算不了怎么辦？做簡化或者用人工智能的方式加速計算，這是一條路徑，叫代理模型，核心是做計算，但通過人工智能或其他手段加速這個計算。

有沒有辦法完全不做任何計算，直接通過足夠多的數據生成描述符形成準確的預測？這就是今天談到的生成模型，完全不需要任何計算。當然速度會很快，前提是要求數據足夠好。生成模型也給我們一個機會，唯一可能進行反向設計的，有（目標）性質，馬上就需要知道什么樣的材料。

這個領域面臨的問題比我們想象的多得多，最核心的問題是在底層沒有足夠多可用的數據，很多量子力學的基本問題都還沒有解決，甚至沒有嚴格解，誤差近似到什么程度都不知道的話，很難解。所以這里有很多辦法，比如今天可以做到“量超融合”，就是用傳統大規模并行計算機，我們用GPU可以加速并行計算機，但是現在已經有了簡單的原型量子計算機QPU，是否可以用它來解決量子力學的問題，和現在超算融合，能夠形成“CPU+QPU”的模式。現在這也是一種有效的辦法，能夠解決底層的數據問題，即嚴格、準確的數據的需求。

還有很多，比如現在AI for Science之間很多結果都是違反物理規律的，怎么在這個過程中增加物理規律，形成一定受限的體系，同時提升外推的能力等等，都是我們需要解決的問題。核心是數據，沒有足夠好的數據，不可能做到這件事情。

未來的物質科學是什么樣的狀態？是萬物互聯的狀態，數據是關鍵。整個社會的運行，由央行到交易市場、公司機構，中間核心的紐帶是什么？錢可以作為一般的等價物，可以在這幾個中間流通，形成非常好的整體。未來的物質科學我個人認為數據就起到了一般等價物的作用，是連接數據中心、人工智能和實驗儀器的紐帶，數據中心相當于數據的央行，而人工智能相當于數據的交易市場，各種實驗儀器設備相當于公司機構。

在這個過程中就要解決數據的很多問題，比如數據的平臺問題、資源問題、應用問題、生態問題等等。很多人不愿意做數據，恰恰也是不敢、不會、不便做數據，因為數據很復雜，沒有共同的標準，怎么做？我們進行了嘗試。前期做了四個平臺，數據的匯聚平臺、融合平臺、應用平臺、社區平臺。

數據匯聚平臺最核心就是要解決怎么在那么多實驗儀器中獲得有效的數據。以前很多實驗數據是浪費在實驗室，沒有形成有效的匯聚，在未來物質科學研究中，我們必須把這些數據有效匯聚，特別不是正式發表在刊物上的數據，甚至嘗試過程中失敗的數據，往往對人工智能更有用。

數據的融合不是簡單原來數據庫的概念，而是強調數據的對齊，數據交叉互檢，這中間人工智能起到非常大的作用。

數據應用、數據賦能，在未來研究中，數據會起到非常大的作用。舉例，雖然高溫超導機理尚未突破，我們無法通過計算來預測材料，但提升性能依然有路可循。我們搭建了一個多智能體系統，基于一千篇文獻的投喂數據，讓AI自主生成新的高溫超導釘扎組分方案。結果顯示，這些新材料在高場低溫和低溫高場環境下，性能已接近目前的最好的商業帶材。

還有數據生態，怎么構建一個科學的評測體系，也是未來AI for Science非常重要的一環。

未來物質科學的研究有幾件事情：從還原論到衍生論，不是簡單局域的事情，而是要逐步描寫物質的整體，從基礎研究一直延伸到新質生產力。未來AI+物質科學是發展必然的選擇，但還存在很多基本問題需要解決，數據是核心的要素。數據核心的要素需要國家整體布局，才能夠解決這樣的難題。

謝謝各位！（以上內容來自中關村論壇)

中國科學院物理研究所凝聚態物質科學數據中心（以下簡稱“數據中心”）面向凝聚態物理與材料科學的重大前沿問題，聚焦“數據—模型—計算—實驗—驗證”一體化的新范式，圍繞AI for Science（AI4S）與AI for Materials（AI4Materials）開展系統布局。數據中心以高質量、可復用、可演化的數據基礎設施為牽引，發展面向材料和量子物態的多模態數據采集、知識表示、模型訓練與推理、性質預測與反演、以及自動化實驗閉環與高通量工作流，旨在建設具有國際影響力的凝聚態與材料數據科學研究高地。

數據中心致力于打造覆蓋“計算—實驗—文獻—知識圖譜”的綜合數據體系與開放工具鏈：在數據維度，形成標準化采集、清洗、標注、質量控制與版本管理的全流程治理；在AI維度，發展材料與物態相關的基礎模型（Foundation Models）、生成模型，以及物理約束學習、可解釋性、不確定性量化（UQ）、多目標優化、主動學習等方法；在實驗維度，推動高通量合成與表征、儀器自動化與電子實驗記錄本（ELN）體系建設，實現從“發現規律”到“設計材料/物態”的加速閉環，為高溫超導、拓撲量子計算、低功耗器件、能源與極端條件材料等方向提供核心支撐。

正如方忠所長所講的未來的物質科學，是一種萬“物”互聯的生態，數據是關鍵，很多人不愿意做數據，恰恰也是不敢、不會、不便做數據，因為數據很復雜，沒有共同的標準，數據中心大膽嘗試、勇于開拓，前期做了四個平臺，數據的匯聚平臺、融合平臺、應用平臺、社區平臺，如下圖所示：

數據的匯聚平臺

數據的融合平臺

數據的應用平臺

數智生態

在人工智能與物質科學深度融合的時代，數據已不再是簡單的記錄，而是驅動科學發現的核心要素。構建貫通數據匯聚、融合、應用與生態的完整閉環，連接實驗儀器、人工智能與科研人員，通過建立統一的數據標準、推動開放共享、賦能智能應用，著力解決“不愿、不敢、不會、不便”共享數據的難題是數據中心的使命。唯有以高質量、高價值的數據為基石，才能真正實現人工智能賦能物質科學的跨越式發展。數據中心定當全力以赴，為物質科學領域的數智化發展貢獻自己的力量。

數據中心微信公眾號

文章轉載自“物質科學數據中心”公眾號