阿里达摩院发布超导材料 AI 智能体 Elements Claw：筛出 6.8 万候选，4 种新材料获实验验证
7 月 3 日消息，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超导材料发现 AI 智能体 Elements Claw。据来源显示，该系统已从大规模晶体结构中预测出 6.8 万个可能具备超导性的候选材料，其中 4 种全新材料已经完成合成并被证实存在超导性。相比国际主流超导数据库 SuperCon 数十年积累约 2000 种材料的规模，这一结果显示出 AI for Science 在材料发现流程中的加速潜力。相关预测数据目前已开放，供科研人员使用。
从“预测模型”走向“材料学智能体”
传统材料发现通常依赖文献积累、专家经验、理论推导与反复实验验证，周期长、成本高，尤其在超导材料这类复杂体系中，候选空间庞大且筛选难度高。阿里达摩院此次推出的 Elements Claw，并不只是单一的性质预测模型，而是试图把材料科学中的多个环节串联成自动化工作流。
来源显示，Elements Claw 采用“专通融合”架构：一方面由面向原子、分子和晶体结构的专有模型负责材料表征和性质预测；另一方面借助通用智能体框架完成工具调用、流程编排、文献复核和实验方案设计等任务。也就是说，它不仅判断某种结构是否可能具有超导性，还会进一步评估这种材料是否具备合成可行性，并参考文献线索优化筛选路径。
在专有模型层面，团队基于包含 1.25 亿个分子和晶体结构的数据库，预训练出 1B 参数原子基础模型 Elements。来源称，该模型在判断材料是否具有超导性时 AUC 达到 0.996，对超导临界温度的预测平均误差在 1K 以内。这类能力为后续大规模候选筛选提供了底层支撑。
28 个 GPU 小时筛选 240 万稳定晶体
据报道，Elements Claw 使用 28 个 GPU 小时完成了 240 万个稳定晶体结构的筛选，并预测出 6.8 万个超导候选材料。对科研场景而言，这一数字的意义不只是“算得快”，更在于它将原本需要大量人工排查的候选空间提前压缩到更值得验证的范围。
研究团队已对其中 4 种材料进行了实验合成和验证，来源列出的结果包括：
- Hf21Re25：从现有数据库中识别出的“漏网之鱼”；
- Zr4VRe7：在纠正数据库构型错误后被重新确认的材料；
- HfZrRe4：由 AI 从头设计生成的候选材料；
- Zr3ScRe8：基于相似结构进一步拓展得到的材料，临界温度最高达 6.5K。
这些案例覆盖了数据库再挖掘、结构纠错、AI 生成设计和结构类比扩展等不同路径，说明 AI 智能体在材料发现中可以承担的不只是“预测器”角色，还可能成为连接历史数据、理论模型与实验验证的中间层。
影响与解读：AI for Science 正进入“可验证成果”阶段
过去几年，AI for Science 被广泛用于蛋白质结构预测、药物筛选、材料模拟和化学反应规划等方向。但对于科研界和产业界来说，真正关键的衡量标准并不是模型指标本身，而是 AI 能否提出可被实验验证的新结果。此次 Elements Claw 发现的 4 种材料已经过合成验证，因此更接近科学发现流程中的“闭环”示范。
达摩院科学智能负责人荣钰表示，这是 AI 智能体发现并获验证的第一批超导材料，初步验证了 AI 智能体框架在材料发现领域的潜力。来源还提到，后续仍有大量候选材料等待探索。对于超导研究而言，6.8 万个候选并不意味着都会成为重要突破，但它为科研人员提供了一个更大的起点，也可能帮助发现此前被数据库遗漏、结构记录存在偏差或尚未被充分研究的材料。
从产业趋势看，这类系统的价值还可能外溢到其他新材料方向。中国人民大学高瓴人工智能学院副教授黄文炳表示，该 AI 智能体也有望应用于发现固态电池电解质、多相催化剂和热电材料等新材料。对于电池、能源、电子器件和先进制造等领域来说，材料研发效率的提升，往往会影响后续产品迭代速度和产业化窗口。
值得注意的是，AI 预测仍不能替代实验验证。超导材料的性能还受制备条件、结构稳定性、杂质、测量方法等多因素影响。因此，Elements Claw 更现实的定位是提高候选筛选效率，帮助科研人员把有限实验资源投入到更有希望的方向上。此次达摩院开放 240 万稳定晶体的预测数据库，也将有助于更多研究团队复核、扩展和验证相关发现。
整体来看，Elements Claw 的发布代表 AI 智能体正在从通用办公、代码和信息处理，进一步进入高专业门槛的科学研究流程。若类似框架能在更多材料体系中持续产出可验证结果，AI for Science 将不再只是辅助工具，而可能成为新材料发现的重要基础设施。