工業技術研究院

財力雄厚的新創公司看好AI之力，力求提高實驗室的運作速度與效率，進而開啟創新材料的研發大門。

來到位於麻州劍橋的里拉科學（Lila Sciences），眼前這台微波爐大小的儀器，跟我在頂尖材料實驗室看過的儀器大同小異。儀器內部呈真空狀態，將各種不同元素轟擊成汽化粒子，粒子飛射到儀器另一端，沉積形成薄膜，也就是所謂的濺鍍（Sputtering）技術。但這台儀器自有獨特之處，因為實驗全程由AI主導，AI助理以龐大科學文獻與數據進行訓練後，事前已決定好配方，此刻正在不斷調整各個元素的組合。

隨後，工作人員將樣本送到實驗室另一區測試，每個樣本都含有多種潛在催化劑。另一個AI助理負責掃描並解讀數據，建議下一輪實驗內容，以期改善材料性能。

現階段而言，這裡還需要有一名人類科學家密切監控實驗過程，根據AI建議與測試結果核准下一步行動，但這家新創公司深信，這台由AI操控的機器可一窺材料研發的未來，自主實驗室（Autonomous Lab）屆時能以更低的成本與更快的速度，研發出兼具創新與實用的化合物。

里拉科學坐擁數億美元的資金活水，成為AI領域最新崛起的獨角獸企業。該公司有一個更遠大的使命，希望利用AI自主實驗室從事科學研發，最終達到所謂的「科學超智慧」（Scientific Superintelligence）。不過，今天早上到訪，我主要是想瞭解新型材料的研發進展。

為了解決這個世界的各種難題，我們迫切需要有更好的材料，例如經過改良的電極與相關零組件，以打造效能更強的電池；需要新的化合物，降低從空氣中擷取二氧化碳的成本；也需要更高效的催化劑，來生產綠氫與其他清潔燃料和化學品。此外，我們可能還需要高溫超導體、高效磁鐵、各類半導體等創新材料，為量子運算、熱核能、AI硬體等領域鋪路，迎接下一波技術突破。

但回顧過去幾十年，材料科學的商業成功案例不多，研發過程相對複雜，因此某種程度淪為創新邊陲地帶，光芒遠遠不及備受矚目、獲利豐厚的藥物研發與生物科學。

借重AI技術進行材料研發的概念，稱不上新穎，但在2020年獲得一股助攻力道，因為DeepMind的AlphaFold2模型亮相，證實能夠精準預測蛋白質的3D結構。接著在2022年，ChatGPT問世，迅速普及。這類根植於深度學習的AI模型，說不定能輔助科學研究，開始為科技界人士帶來想像空間。既然如此，何不以生成式AI搜尋廣大的化學版圖，並模擬原子結構，來開發出具有驚人特性的新型物質？

研究人員大肆有個AI模型已發現「數百萬種新材料」。資金隨之湧入，許多新創公司都獲得投資。但進展至今，尚未出現靈光乍現的時刻，也不見ChatGPT那般的突破性進展，不僅沒有發現什麼奇蹟材料，甚至連稍微好一點的材料也沒有。

這些新創企業希望找到實用的新型化合物，卻普遍面臨一個瓶頸：在材料研發的過程中，最耗時、最昂貴的步驟不在構思出新結構，而是真的實際製作出來。在嘗試合成某個材料之前，無從得知它是否製造得出來，又是否穩定。材料的許多特性也必須等到實驗室測試後才會知道。
「要界定問題、找出哪些項目值得拿到實驗室測試，模擬技術很有幫助。」里拉科學自主科學長（Autonomous Science Officer）格雷葛里（John Gregoire）說：「但如果只靠模擬，現實生活的難題一個也解決不了。」

像里拉科學這樣的新創公司，把營運策略放在借重AI之力翻轉實驗模式，並著手打造自主實驗室，利用AI助理規劃、執行並解讀實驗結果，藉此合成新型材料。實驗室自動化存在已久，但現在的目標是讓AI助理主導自主實驗室，將技術提升到另一個層次，任務包括設計實驗，以及操控負責運送樣本的機器人。最重要的是，從這些實驗產生出大數據後，企業希望以AI加以收集與分析，從中挖掘線索，研發出更好的材料。

成功的話，這些公司可望將研發週期從數十年縮短至數年、甚至更短，有助於發掘新型材料，同時改善現有材料。但這是一場賭注。儘管AI已漸漸接手實驗室裡頭的許多雜務，但要獨立找到全新又有用的材料，完全是另一回事。

創新死水

我報導材料研發領域將近40年，坦白說，讓人印象深刻的商業突破寥寥可數，鋰離子電池是其中一個。值得報導的科學進展確實不少，例如鈣鈦礦太陽能電池、石墨烯電晶體、金屬有機骨架（MOF），後者建立在特殊的分子結構，發明者近期更因此榮獲諾貝爾獎。然而，包含金屬有機骨架在內的研發成果，絕大多數都走不出實驗室。其他如量子點（Quantum dot）雖然已經出現在部分商業應用，但整體而言，現在很少看到幾十年前那種足以改變生活的創新材料。

究其原因，一個新型材料的開發、測試、最佳化與製造，動輒耗時20年以上，還需要斥資數億美元。此外，大宗商品市場的利潤微薄，卻得投入大量時間與金錢，因此業者往往不感興趣。又或者，大家已經沒有研發材料的靈感了。

為了加快研發速度與尋找新靈感，研究人員把眼光轉向AI技術。幾十年來，科學家一直利用電腦設計有潛力的材料，計算原子的排列位置，以形成穩定且特性可預測的結構。這個做法雖然有效，但效果還是有限。

如今AI技術日新月異，運算模型的建模速度大幅加快，也可望迅速探索大量的潛在結構。Google DeepMind、Meta與微軟試圖解決這個問題，開發能設計新型材料的AI工具。

然而，新型材料的建模還是擺脫不了一直以來的限制。對於許多材料而言（例如晶體），如果光靠計算原子結構，往往無法預測出有何實用性。

想要發掘與改善材料特性，必須實際做出成品。正如里拉科學共同創辦人、亦是麻省理工學院材料科學教授的邦巴瑞利（Rafael Gómez-Bombarelli）所說：「結構有助於我們思考問題，但要解決真正的材料問題，結構不是必要條件，也不是充分條件。」

要說明虛擬與實體世界的落差，最明顯的例子或許莫過於DeepMind在2023年底的那次宣布。該公司指出，已利用深度學習技術發現「數百萬種新型材料」，其中包括38萬種「非常穩定，擁有實驗合成潛力」的晶體。也就是說，這樣的原子排列呈現最低能量狀態，得以保持穩定。DeepMind研究人員宣稱，拜這項發現之賜，人類已知的穩定材料呈10倍數成長。

對AI圈來說，DeepMind這項研究看似眾人期盼已久的重大突破，不僅提供了蘊藏潛在新型材料的金礦，更打造了功能強大的新型運算方法，得以預測大量結構。

然而，有些材料科學家的反應截然不同。加州大學聖塔芭芭拉分校的研究人員嚴密檢視後表示，「幾乎沒有證據顯示這些化合物符合三大指標，包括創新性、可靠性與實用性」。他們指出，在他們檢視的樣本中，並未發現任何真正創新的化合物，有些只不過是已知化合物的變體，而且變化「微不足道」。對於潛在化合物被冠上「材料」之名，這幾位科學家尤其不悅，並寫道：「我們鄭重指出，該研究並未找到創新材料，而只是一連串的可能化合物。我們認為，化合物必須展現某項功能、具備潛在用途，才能稱為材料。」

有些模擬出來的晶體結構根本脫離現實。為了計算這麼多的晶體結構，DeepMind研究人員以絕對零度的條件進行模擬，原子在這樣的環境中排列整齊，雖然會輕微振動，但不會游移。但換成是實驗室或現實世界，溫度較高，原子這時會四處飄移，往往形成比較雜亂的晶體結構。DeepMind所謂的創新材料中，有不少似乎只是已知的無序晶體結構變成有序罷了。

整體而言，DeepMind這篇論文再度讓大家看到，要在虛擬環境中模擬出實際狀況有相當難度，至少目前還是如此。受限於運算能力，研究人員通常只能以相對少數的原子進行運算，但許多實用的材料特性取決於材料的顯微結構，這些結構的規模遠大於原子層次。此外，有些效應如高溫超導性、甚至是攸關許多常見工業製程的催化作用，不是過於複雜，就是學界尚未全盤瞭解，因此無法單靠原子模擬就能解釋。

共通語言

儘管如此，現在已有跡象顯示，模擬與實驗結果的差距逐漸縮小。舉例來說，DeepMind指出，自從2023年發表那篇論文以來，公司持續與全球各地的實驗室合作，針對AI鎖定的化合物進行合成，而且已有若干成果。此外，許多進入這個領域的新創企業，也力求整合運算與實驗專業。

週期實驗室（Periodic Labs）正是如此，其中一名共同創辦人是物理學家庫布克（Ekin Dogus Cubuk），先前曾在DeepMind擔任科學團隊的主持人，也就是在2023年登上新聞版面的那個團隊。另一個創辦人是菲德斯（Liam Fedus），曾在OpenAI共同開發出ChatGPT。儘管兩人的專業背景在於運算建模與AI軟體，但公司的材料研發策略聚焦在自動化實驗室的合成工作。

該新創公司的願景，是運用以科學文獻為訓練基礎、並能從持續進行的實驗中學習的大型語言模型，來串聯不同領域的專業知識。這些大型語言模型可能會提出合成某種化合物的配方與環境條件，也能夠解讀測試數據，並為公司內部的化學家與物理學家提供後續建議。在這樣的策略下，模擬不僅有可能提出具有潛力的候選材料，還能解釋實驗結果，並提出可能的結構上的微調。

與里拉科學一樣，週期實驗室的企圖心不只在研發與製造新型材料，更希望「打造一個AI科學家」，尤其要精通物理科學。「大型語言模型已經很擅長提煉化學與物理資訊。」庫布克表示：「我們現在設法要讓技術更進一步，教它從事科學工作，例如進行模擬、實驗與理論建模。」

這個方法跟里拉科學相似，旨在深入瞭解材料學與合成過程，希望從中找到線索，讓研究人員得以發掘各式各樣的創新材料。週期實驗室的目標之一是，研發出具備量子效應特質的材料，例如新型磁鐵，而最終目標則是常溫超導體，這種材料可望顛覆運算與電力領域，但科學家苦尋數十年仍舊未果。

超導體在電流通過時完全沒有電阻，因此不會產生熱能。目前性能最佳的超導材料僅能在相對低溫運作，也需要大量冷卻，如果能研發在常溫或接近常溫環境下運作的超導體，有助於催生效率更高的電網、新型量子電腦，甚至是更實用的高速磁浮列車。

常溫超導體研發受阻，是過去幾十年材料科學界的一大遺憾。1987年，美國雷根總統發表有關這項技術的談話時，我人也在現場。當時，新型陶瓷材能在相對溫暖的93K（絕對溫度，即華氏零下292度）呈現超導性，正值新聞熱度高峰，雷根總統更是疾呼這項技術「將帶領我們跨進新的時代」。華盛頓希爾頓飯店的宴會廳裡，科學家與商界人士瀰漫樂觀氣氛，聽著雷根預測「會有很多好處，包括降低對外國石油的依賴、改善環境、強化國家經濟」。事後看來，我們把經濟與技術發展寄望在材料科學的重大突破，那或許是最後一次。

然而，說好的新時代始終沒有來。在常壓的條件下，科學家始終研發不出常溫或接近常溫的超導材料。現有最好的超導體易碎，往往不適合製成導線。

高溫超導體之所以研發不易，有一個原因是目前尚無理論能解釋相對高溫下的超導效應，也無法單從原子排列進行預測。最終仍需要實驗室科學家合成出具有潛力的候選材料、進行測試，並從數據結果尋找線索，破解這個至今仍舊令人費解的現象。庫布克說，這正是週期實驗室的首要任務之一。

AI當家

研究人員可能要花上一年、甚至更久的時間，才能製備出新的晶體結構。隨後通常還需投入數年心力測試它的特性，摸索出如何大量生產，以便符合商用產品的需求。
里拉科學與週期實驗室等新創公司，希望由AI主導的實驗能大幅縮短研發時程。業者之所以寄予厚望，原因之一在於許多實驗室已經高度自動化，從樣本製備到測試品運送都能自行完成。研究人員也習慣操作機械手臂、軟體、自動化顯微鏡與其他分析儀器，以及操作實驗設備的機械化工具。

自動化技術能夠達到高通量合成（High-Throughput Synthesis），亦即迅速大量製備不同成分組合樣本，並加以篩選，大幅加快實驗速度。

這麼做的概念是，利用AI來規劃並執行自動化合成，讓過程更具系統化、更有效率。AI助理收集與分析數據的能力遠非人類所不能及，能根據即時資訊調整配方與合成條件，直到樣本具備最理想的特性。這類AI主導的實驗室，不僅實驗數量遠高出人類，也比現行的高通量合成系統更加智慧化。

然而，所謂的自主實驗室還處於研發階段。

許多材料類型需要採取固態合成的製程，自動化難度遠高於製藥領域常見的液態處理。比方說，必須以精確比例配製與混合多種無機粉末，才能製作出一款催化劑，接著再決定如何處理樣本，以期產生理想的結構，例如找出最合適的合成溫度與壓力。甚至連判斷做出了什麼成品，也不容易。

2023年，美國勞倫斯柏克萊國家實驗室（Lawrence Berkeley National Laboratory）的A-Lab聲稱，自己成為首家以無機粉末為原料的全自動實驗室。科學家後來亦指出，這座自主實驗室成功使用機器人與AI技術，合成並測試了41種創新材料，包括DeepMind資料庫預測的幾項材料。儘管有些人質疑這些成品的創新性，也指稱自動化分析流程未達實驗標準，但柏克萊實驗室的研究人員反駁，指出這項實驗單純是想示範自主系統的發展潛力。

「目前的運作方式與我們的願景還是有落差，還有大量的工具開發工作尚待完成。」A-Lab首席科學家希德（Gerbrand Ceder）指出。

AI助理已經擅長處理許多實驗室雜務，例如製備配方，以及解讀某類型的測試數據（例如在顯微照片中尋找肉眼難以察覺的模式）。然而，希德希望這項技術在不久後「掌握人類的決策邏輯」，分析正在進行的實驗，針對下一步行動做出選擇。比方說，他的團隊正在開發改良版的合成助理，力求進一步整合他所謂的科學家「擴散知識」（Diffused Knowledge），亦即透過大量訓練與經驗累積而來的知識。「我想像在未來的世界裡，大家會根據各自的專業建立AI助理，再由一個超級模型負責整合。」他說：「基本上，這個超級模型要知道可以調用哪些助理，這些助理又有哪些專業。」

AI助理的一個優點是能夠吸收大量的科學文獻。「我的研究範圍包括固態電池，每天就有50篇論文發表，但這只是我研究的一個領域而已。」希德說。沒有人能夠跟著上這個腳步。「AI革命的重點，在於集所有科學數據於大成。」他說。

去年夏天，希德出任AI材料研發新創公司銳迪科AI（Radical AI）的科學長，並從加州大學柏克萊分校帶薪休假，協助該公司在紐約市成立自主實驗室。根據簡報資料，該公司有一系列不同的AI助理與生成式模型，旨在實現希德的願景。再仔細一看，可以發現有個大型語言模型稱為「統籌者」，被執行長克勞斯（Joseph Krause）暱稱是「大當家」。

新希望

儘管各界熱議著以AI研發新型材料，發展動能與資金也逐漸增加，但到目前為止，尚未出現有說服力的重大突破，不像2016年有DeepMind的AlphaGo打敗世界圍棋冠軍，也不像AlphaFold能夠預測蛋白質的3D結構，成功克服生物醫學界這個棘手又耗時的一大難題。

材料研發領域仍在等待屬於自己的光榮時刻。那個時刻或許是，AI助理大幅加快實用材料的研發或合成速度，做出類似現有或更好的材料。又或許是發現一種真正的創新材料，例如常溫超導體。

無論有沒有這樣的突破，新創企業都面臨把科學成就轉化為實用材料的考驗。推動新型材料上市的過程尤其困難，因為材料產業由大型既有業者所主導，但這些大企業通常不願承擔風險。

創投公司SOSV的科技投資人與合夥人雪佛（Susan Schofer），對這個領域抱持謹慎樂觀的態度。她曾在2000年代中期在一家新創企業擔任催化劑研究員，該公司當初率先使用自動化與高通量篩選技術研發材料，但最後無疾而終。她在評估要投資哪家新創企業時，希望看到技術能夠成功商用化的證據。

更具體來說，雪佛希望AI新創企業已經「發現創新又與眾不同的潛在材料，也知道如何從中迭代」。此外，她也想看到能夠展現新型材料價值的商業模式。她說：「我認為最理想的情況是：我從業者拿到規格，知道他們的問題在哪裡，我們雙方也確定解決方向。接下來動手開發，做出能夠銷售的新型材料，可以擴大規模，證實這個材料確實可行。最後合作生產，但公司的收入是來自材料銷售。」

雪佛說，對於新創企業志在重新定義科學，她雖然能理解，但建議業者要「讓我們看到如何達到目標，尤其是最開始的幾步。」

展現初步成果是關鍵，有助於吸引既有大型材料業者全面擁抱AI 技術。企業研究人員先前吃過幾次悶虧：幾十年來，電腦性能愈來愈強大，看似能夠神奇研發出新型材料，最終還是落空；2000年代初，材料實驗室掀起組合化學（Combinatorial Chemistry）熱潮，最後不見實質成果；合成生物學承諾能產出次世代化學品與材料，也是夢一場。

一直到近幾年，材料界又被AI熱潮席捲，一部分熱度在於，DeepMind在2023年宣布發現「數百萬種新型材料」，但事後看來顯然是誇大其詞。另外在2024年底，麻省理工學院一名經濟系學生發表論文，聲稱某家不具名的企業研發實驗室利用AI技術，以有效率的方式研發出一系列新型材料，為這股趨勢推波助瀾。在當時看來，AI已經開始翻轉材料產業。

幾個月後，麻省理工學院經濟系得出結論，認為「該篇論文不應再受到公開討論」。論文註釋致謝了麻省理工學院兩位知名經濟學家，但兩人後來補充說，對「研究數據的來源、可靠性或有效性，以及研究的真實性沒有信心」。

AI能否擺脫炒作與空歡喜一場的下場，真正翻轉材料研發領域？確實不無可能，因為已經有充分證據顯示，AI正在轉變材料科學家的工作方式，最起碼提供了實用的實驗室工具。研究人員愈來愈常使用大型語言模型查詢科學文獻，並從實驗數據中找到模式。

然而，要將這些AI工具轉化為實質的材料研發，目前仍在起步階段。尤其是以AI來主導自主實驗室的做法，目前才剛開始，製造與測試都需要時間與財力。我造訪里拉科學的那天早上，幾個實驗室大多空蕩蕩的，他們正準備搬遷至幾哩外更大的空間。週期實驗室也才剛開始在舊金山成立實驗室，目前先由AI預測引導人工合成，未來不久會導入以機器人為主的高通量實驗室。銳迪科AI則指出，旗下實驗室已將近完全自主，但計畫在近期搬遷到更大的空間。

我訪談了這幾家新創公司的科學創辦人，可以感受到他們對材料領域再度燃起熱情，不像過去長期被新藥研發與基因組醫學蓋過光芒。其中一個原因在於資金。「大家很積極，希望把AI與材料結合在一起。」希德指出：「我從來沒看過這麼多資金湧入材料領域。」

然而，想振興材料產業，光靠科學進展還是不夠的，另一個考驗是說服企業接受全新的研發方式。

所幸，這些新創企業有其他AI領域可以參考，信心大振。打了多年的安全牌後，信心或許正是材料產業最需要的臨門一腳。

羅特曼為《麻省理工科技評論》特約編輯
Copyright©2026, Technology Review. All Rights Reserved.