AI正在开启材料研发新纪元
贝佐斯押注的下一代AI， 开始寻找"世界上还不存在的材料"4.5亿美元、300万亿种结构，以及AI从屏幕走进物质世界的关键一步2026年7月20日｜深度科技观察当AI能够在几个月内检索300万亿种潜在材料结构，问题就不再是它会不会写文章、做视频，而是：它能否为芯片、能源、净水和制造业，设计出自然界与实验室尚未提供的答案？材料科学的故事，通常没有大模型发布会那么热闹。一种新材料从构想到可用，往往要经历计算、合成、测试、失败、重新设计，再进入漫长的工程化验证。许多技术不是没有想法，而是一直等不到那块更耐热的材
AI如何重塑3D制造行业
未来，也许不是AI在制造产品，而是AI正在重新定义产品的创造方式。 ⸻过去几年，很多人热议AI是否会取代画家、程序员或教师。但鲜有人探讨：AI将如何变革制造业？如果用一句话回答，我会说：AI不会取代制造业，而是会重塑制造业的每一个环节。而3D制造业，或许是最先迎来变革的领域之一。 ⸻ 第一，它将革新产品设计。如今设计一双鞋，我们需要考虑诸多因素： * 它该是什么样子？ * 鞋底需要多柔软？ * 适合哪些人群？ * 多久不会变形？ * 使用何种材料？ 过去，这些问题需要设计师和工程师反复试验修改。未来，AI
北京发力AI驱动科研革新
聚焦Generative AI与General AI等新一代人工智能治理议题，共建智能创新生态，筑牢科学安全治理体系。欢迎「关注」AIGverse并设为星标⭐️为充分释放本市教育、科技与人才优势，加速人工智能赋能科学研究，引领科研范式变革，推动各领域科研突破，提升创新效能，促进科技与产业深度融合，特制定本方案。（一）构建科学智能中枢。到2028年，人工智能赋能科研的基础理论与关键技术实现重大原创突破。形成对标国际一流的“基础模型+专业模型”协同体系。建成具备自主感知、决策与执行能力的标杆实验室，重大科技基
AI智能体能助推钙钛矿研发吗？可行与不可行边界全梳理
这一年，"AI agent" 这个词被用得和前两年的"大模型"一样重。每个行业都在讲：agent 会替代 XX、agent 会颠覆 XX、agent 会让一个研究生顶十个。钙钛矿行业不能免俗。融资 PPT 上开始出现"AI 驱动的材料发现平台""智能产线""自动化工艺开发"。我想把这件事拆一下。不是泼冷水，也不是唱高调——就把 agent 在钙钛矿这件具体的事情上，真能做什么、真做不了什么，按物理、按工艺、按产线的真实颗粒度，
坚守初心担使命 刘建军：赋能材料研发 打造科技自强“智慧引擎”
新华社上海6月18日电题：刘建军：赋能材料研发 打造科技自强“智慧引擎” 新华社记者董雪、樊相龙 一名扎根科研一线的党员，怎样践行初心使命？中国科学院上海硅酸盐研究所研究员刘建军给出了铿锵有力的答案：“对我而言，就是勇攀材料智能科学的最高峰，为国家的科技自立自强添砖加瓦。” 凭借只争朝夕的拼搏精神，刘建军率领团队深耕“AI+材料”的交叉领域，成功搭建材料智能创制平台，极大缩减了新材料的研发耗时。他荣膺上海市科技系统优秀共产党员等称号，其所在党总支亦获评上海市科技系统先进基层党组织及党支部建设示范点。荣誉背
中国团队推出高分子材料智能体：让材料研发从经验摸索迈向数据驱动
过去数十年间，高分子材料研发始终是一个高度依赖个人经验的领域。无论是光刻胶、功能涂料、高性能树脂，还是各类特种聚合物，研发人员往往需要在庞大的配方空间中反复试验。一个性能指标的微小变化，背后可能涉及单体结构、添加剂比例、工艺参数等多个变量的耦合影响。大量知识沉淀在论文、实验记录和资深研究人员的经验之中，难以被系统化复用。这种特征也让高分子材料成为人工智能进入科研领域（AI for Science）后最具挑战性的方向之一。近日，苏州材科源图（MatSource）发布了一款面向有机高分子材料研发的应用智能体（
AI 驱动材料革命：从被动发现到主动设计
传统材料研发往往是一场漫长的试错马拉松——爱迪生曾尝试上千种灯丝材质，锂电池从概念走向商用也耗费了约二十年光阴。然而近两年，人工智能正将这场长跑转变为百米冲刺。一组数据足以说明变革的深度：Google DeepMind 推出的 GNoME 系统一次性预测出 220 万种新型晶体结构，其中 38 万种被确认为稳定状态。在此前，人类科学史上累计发现并确认的稳定晶体总数仅约 4.8 万种。AI 技术将已知稳定材料的版图扩展了近十倍。这并非"未来已来"的空洞口号——这是 2023 至 2026 年
直播预约|AI能否将20年材料研发压缩至数月？
人工智能能否发现新材料？若回到三十年前，答案几乎是“绝无可能”。上世纪90年代，国内学者曾尝试利用神经网络预测合金性能，但当时算力迟缓如蜗牛，数据零散似沙砾，AI在材料科学领域更像是一个超前的思想构想。然而时至今日，AI不仅能筛选既有材料，更能推演新材料，材料大模型正将“设计—验证”的周期从20年大幅缩短至数月乃至数周；与此同时，AI已不再局限于计算，它开始介入样品制备环节，接管人类经验，实现无人值守、连续8小时的高效作业。这场跨越“不可能”的飞跃，背后蕴含着哪些可复制的方法论？又面临何种挑战？AI fo
AI助力国产光刻胶突破，手机降价有望？
感觉很专业？别担心，我用通俗语言解释下，这和你的消费成本有什么关联。制造芯片好比冲洗照片。光刻胶就像感光底片，光线照射后，需要保留的区域留下，该清除的部分被洗掉，电路图案就这样转移到硅片上。没有光刻胶，芯片就无法生产。而高端光刻胶市场长期被日本JSR、信越化学等少数公司控制，我们不仅价格上受制于人，还常常面临供应不稳定的问题——产能紧张时优先供给国内，价格也由他们说了算。更重要的是，光刻胶的配方属于技术黑箱。即使买到了产品，也难以通过逆向工程掌握其核心工艺。树脂的分子结构、纯度控制、批次稳定性，这些都依赖
机器学习正在重塑合金材料研发新范式
机器学习在合金设计中的应用正深刻变革传统材料研发模式。长期以来，合金开发主要依赖"试错法"，面临研发周期长（10-20年）、成本高（单次实验达数万美元）等瓶颈，尽管第一性原理计算提供了理论支持，但其计算复杂度随原子数指数级增长，难以处理多组分体系。这一困境随着材料数据革命的到来得到破解：Materials Project等开源数据库已收录超过15万种材料计算数据，结合高通量技术（如组合材料芯片可单次生成10^4-10^5个成分样本），为机器学习提供了坚实基础。通过随机森林、图神经网络（如MEGNet在带隙