0:00 / --:--
Latent Space · 6 月 17 日
Radical AI 首席执行官 Joseph Krause 认为，材料 AI 的核心竞争力不在于生成新配方的模型，而在于建立从实验假设、合成、表征到测试的闭环系统，用真实实验数据持续训练 AI。
Radical AI 首席执行官 Joseph Krause 认为，材料 AI 的关键不只是提出新合金配方，而是让实验室持续制造、表征和测试材料，把真实实验数据送回 AI 系统，并最终打通从发现到制造的漫长链条。
这集还没有学习卡。生成后会保存在这一集，下次直接打开。
Latent Space· 2026-10-08合成超级智能：从半导体到超导体——Periodic Labs 的 Liam Fedus 和 Ekin Dogus CubukSynthesis Superintelligence: from Semiconductors to Superconductors — Periodic Labs’ Liam Fedus and Ekin Dogus Cubuk同主题：物理与材料科学Latent Space· 2026-07-16🔬 未来的实验室应该像数据中心一样——Andy Beam、Rafa Gómez-Bombarelli｜Lila Sciences🔬 The Lab of the Future Should Feel Like a Data Center — Andy Beam & Rafa Gómez-Bombarelli, Lila Sciences同主题：AI 科学研究
No Priors主持人以日益拥挤的材料 AI 市场开场，点名 Lila、Cusp、Periodic，追问 Radical AI 凭什么与资金雄厚的竞争者区分。Krause 的回答是实验数据：在他看来，无机材料，特别是结构金属与合金，不能只由一个成分式定义。材料实际做出来后形成什么微观结构、经过怎样的热处理或制造工艺、能否承受应用环境，以及供应链与成本是否允许采用，都会改变“好材料”的含义。
因此，节目中的“自驱实验室”不是单纯让机器人多做实验，而是让系统围绕研究目标提出假设、执行实验、判断结果，并将数据用于下一轮决策。Krause 同时明确区分了公司已经运行的发现与小规模测试环节，和尚未进入的制造环节。这一边界，是理解整场访谈的前提。
这期访谈的主线，是把材料 AI 的评价标准从“能否生成新配方”推向“能否形成可追踪、可验证、最终可应用的材料生命周期数据”。Krause 并不否认 AI 擅长候选成分与研究假设生成；他指出，合金一经合成，就会遇到均匀化、枝晶、相组成等问题，之后的铸造、增材制造和热处理还会再次改变性能。因此，Radical AI 选择投入昂贵且难以自动化的实体实验室，用合成、表征和早期性能测试为模型提供反馈，而不是等待模型一次性给出可装进产品的答案。
访谈也不断收紧这一愿景的现实边界。Krause 称公司在五六个月内制作了约 1,200 种合金，其中约 300 种是文献未见的新合金，约 10 种的表现令团队兴奋；但他同时承认，这些数字不等于完成吨级制造，更不等于通过航空资格认证。高风险应用的漫长测试有安全理由，不能为了加速而简单取消。实验室内部也并非无人化：科学家仍在解释显微图像，设备供应商的数据接口、样品搬运和跨设备调度仍是具体障碍。
后段将问题扩展到科研组织方式：Krause 主张设备应更适合机器人和智能体，机器学习工程师与材料科学家应各守专长、协作解决问题；其 AI 系统则结合多智能体、文献、商业数据、过往实验与图像模型。他认为模型可以开放，真正难复制的优势在实验。但节目给出的主要是嘉宾陈述和案例，而非独立审计结果。最值得持续追踪的，不是哪一个模型最会预测成分，而是实验吞吐量、数据质量、规模放大与资格认证之间能否真正接续。
💬 他们说了什么：开场片段先比较了生物或小分子 AI 与材料 AI。Krause 说，SELFIES、SMILES 之类的字符串可表达分子的元素及键，因此承载了许多所需信息；但合金还涉及供应链、成本、微观结构，以及采用增材制造还是铸造。主持人随后介绍嘉宾是 Radical AI 首席执行官 Joseph Krause，并以 Lila、Cusp、Periodic 等同行为例追问其差异。Krause 的答案是公司对实验数据的深度信念：材料的真实依据是材料本身，必须制造、测试、表征，并最终考察实际应用。他说公司约两年半来集中建设的，是把实验所得反馈给“AI 科学家”的闭环系统。
💡 为什么重要：这为整集划定了研究对象：模型提出候选物只是开始，实物与应用条件才会检验候选物是否有意义。所谓竞争差异，按嘉宾的说法，也首先体现为获取与利用实验反馈的能力。
⚡ 争议点：“字符串无法捕捉”是针对本访谈所列材料全链条信息的概括，不应读成所有材料信息都完全不能数字化。同行公司的路线仅被点名，访谈没有逐一比较。
💬 Krause 说，Radical AI 研究结构金属或合金，性能很大程度上取决于后续处理与制造。AI 可以生成新成分，但合成后仍须查明究竟制成了什么、实验室性质怎样、能否放大并进入客户应用。他特别提到，现有模型不能独自走完喷气涡轮新合金的资格认证流程。主持人提出一个尺度问题：发现阶段面对少量样品，商业化阶段面对的规模则截然不同。Krause 回答时以微观结构为例，指出材料可能未充分均匀化、出现枝晶，或形成不同的相；退火、热处理、粉末增材制造与原料金属铸造又会带来不同结果。
💡 同一配方在不同制作路径下未必呈现同一性能，因此成分预测准确，不自动等于产品预测准确。把过程数据带入反馈回路，是他提出的跨尺度路线。
⚡ 主持人追问的“从少量到大规模”问题并未因此得到完全解决。嘉宾说明了需记录哪些变化，却没有宣称公司已经完成规模制造。
💬 Krause 说，今天的研究假设由其“AI 科学家”生成，再送去实验室合成。公司能够捕捉发现、合成、表征及早期测试的数据；他列举了 SEM、EDS、XRF、TGA 等工具，并解释这些缩写代表从不同角度观察材料的仪器。实验室测试包括氧化表现、拉伸试验得到的应力—应变曲线，以及用于获取维氏硬度的微压痕。他还说团队从微压痕建立了判断延展性的代理指标，但不是延展性的精确测量。对于风洞或火炬测试等需要行业专门能力的项目，公司使用第三方；制造数据仍属希望日后接入的“北极星”，而非已运行能力。
💡 这一区分避免将“自驱实验室”误写成端到端工业生产线。代理指标与第三方测试的说明，也交代了早期筛选和最终应用验证之间仍有距离。
⚡ 代理指标能否稳定预测目标应用中的性能，需要与更直接的测量对照。转写没有提供各项测试的误差、复现率或第三方验证结果。
💬 Krause 明确表示，公司看的是克级样品，也提到 200 克、500 克，而非 10 吨规模。他估计，过去五六个月制作了约 1,200 种合金，其中约 300 种是此前文献未见的新合金，约 10 种的表现让团队对潜在行业用途感到兴奋。他举高熵合金为例，称其通常包含约五至七种、原子比例大致接近的元素，并面向高温、高压、腐蚀或氧化等严苛环境。随后，他借用其所称 SpaceX 材料副总裁 Charles Kulman 的“concurrent engineering（并行工程）”说法：设计火箭助推器、涡轮等产品时，同时设计满足其性能要求的材料。他还以乘坐的飞机为例，强调一些现用合金源自较早年代，说明新材料进入既有产业并不容易。
💡 1,200、300、约 10 是三个不同层级：制作数量、嘉宾所称的文献新颖性、令团队兴奋的早期性能信号。并行工程的目标，则是减少产品设计只能从既有材料库选材的限制。
⚡ “文献未见”不等于已经证明独一无二，“令人兴奋”也不是合格产品的量化标准。转写没有给出这约 10 种材料的具体测试值或商业采用记录。
💬 面对主持人以药物研发后期风险所作的类比，Krause 指出，载人飞行材料要面对资格认证；他提及 FAA，以及美国军用规范对应的流程。他称相关流程今天通常需要约 10 年，要制造多批材料锭并完成标准化测试。主持人追问能否像“Operation Warp Speed”那样并行推进，嘉宾则提到 DARPA 有人探索利用增材制造逐层考察材料资格的新方法。他强调不应取消保护乘客的门槛，而应研究能否以不同机制取得同样的安全结果。讨论随后转向其他限制：嘉宾称铪因供应链因素价格上涨了 10 至 15 倍，并说团队做过从一种常见航空航天合金中去除铪、仍满足相同性能规格的问题。
💡 材料发现的成功标准随应用而变：航空安全、原料可获得性与消费电子成本，不能压缩成单一性能分数。加快认证与降低认证标准，也在此被明确区分。
⚡ 约 10 年及铪价格涨幅是嘉宾在访谈中的说法，未附适用时间、市场口径或认证项目清单。去铪成果的具体配方、测试条件和认证状态，转写均未提供。
💬 Krause 说，人在今天的系统中仍扮演重要角色，尤其是教 AI 理解他称为“科学直觉”的判断。他举扫描电镜图像为例：科学家在系统中标注哪里出现枝晶，AI 科学家再读取这些评论。另一重障碍是实验室设备不易自动化；有些问题是工程难题，有些则是供应商没有便于接入的 SDK 或 API。他说，约两年前，部分大型仪器厂商对开放软件层和原始数据并不积极；从他的理解看，数据分析软件本身也是其产品价值的一部分。他同时认为，学术界、国家实验室、科技公司与私人企业对自驱实验室的投入，正在改变这一对话。
💡 闭环不只需要机器人运转，还需要把专家判断变成可读数据，并拿到设备产生的数据。若仪器只方便人操作、数据难以取出，实验规模增加也未必转化成可用的学习反馈。
⚡ 供应商动机是嘉宾的理解，不是供应商在本期节目中的回应。专家图像评论能否可靠迁移为 AI 判断，仍需要独立评估。
💬 Krause 区分：自动化实验室可无人执行高通量实验，自驱实验室则要替研究者运行一个研究项目。他把前者比作仍须人决定何时转弯的辅助驾驶，后者比作乘客只需提出目的地的 Waymo。放到实验室，这意味着系统不只控制单台工具，还要追踪样品、判断样品是否该进入下一道测试，并在质量不合格时停止实验。他举例说，若合成后的样品已显然不适合继续，系统应避免再浪费后续表征时间。视觉、设备传感器与软件共同构成他所说的实验室“操作系统”，机器人则负责连接各台设备之间的实物流程。
💡 定义上的分界在于研究决策权，而不只是机械臂数量或单项实验吞吐量。中途淘汰无效样品，也说明有效吞吐量不能只按执行实验的总数衡量。
⚡ Waymo 是解释愿景的类比，不是 Radical AI 已达到完全无人监督研究的证明。嘉宾在同一访谈中已说明，人仍参与图像解释等环节。
💬 嘉宾说，合金合成后会得到行业称作“buttons”的小块样品；在其描述的高温处理后，样品可能粘在托盘上。人可以用小凿子敲下、翻面再继续，机器人却需要专门设计的执行器，而且搬运时还要顾及样品状态。他又提到 XRD 等设备的装卸几何形状别扭，需要定制夹具。公司现有实验室面向合金建设：部分表征工具可用于其他材料，但氧化测试装置及与第三方合作定制的高通量合金合成工具，有明确的目标材料范围。当被问到是否扩展至聚合物、陶瓷时，他回答要兼顾纵向整合与扩展的时间次序；所给转写随即在中段省略，不能据此还原完整路线。
💡 实体科研自动化常被看作软件编排问题，但取放一个样品就可能决定流程能否连续运行。面向合金定制的设备能力，也不能直接等同于适用于所有材料体系的通用平台。
⚡ 转写没有给出机器人搬运成功率、故障率或相对人工节省的时间。扩展路线的具体优先级位于缺失语境附近，不能从现有片段推断。
💬 以下只概述转写恢复后可见的讨论，不概述被省略的中段。主持人问及中国在材料开发、端到端实验室及制造方面的进展，Krause 回答说，美国应设法缩短漫长的材料开发周期，但不应照搬他所描述的中国组织方式。他把人才训练、公共与私人投资、国家实验室和企业合作列为方向。他称自己的实验室可以让一位冶金或合金博士同时运行 10 个研究项目，并将其与过去 10 位科学家专注一个项目的经历作比较。他还提及 Genesis Mission、能源部及多家国家实验室对自驱实验室的关注，主张结合高性能计算、研究人员、仪器基础设施与既有实验数据。
💡 这一段把单家公司实验闭环放到科研基础设施与产业竞争的尺度上。嘉宾所重视的不仅是增加一次实验的速度，还包括让研究者并行管理更多项目，并让公共机构的数据和设备更容易形成反馈。
⚡ “一人同时运行 10 个项目”不自动等于每个项目的完成质量或有效发现数提高 10 倍。关于国家间竞争和实验数据规模的判断属于嘉宾观点，转写未提供可供逐项比较的统计依据。
💬 被问及最想移除的行业瓶颈时，Krause 首先指出科研反馈周期长，而且认为这在根本上难以消除。他以数学 AI 为对比，说有些数学实验可在数小时内完成，而科学实验可能要数周或数年。大规模自动化系统是他提出的缓解方向；他设想过拥有 1,000 台 XRD 或 SEM 的设施，但没有说公司已建成。若只能改变一个非根本性障碍，他希望仪器供应商重做技术栈，让设备从为人设计转向为智能体和机器人设计。谈到人才，他又强调机器学习工程师不必先变成材料科学家：团队中的跨学科成员会以图像分割等方法，为材料研究者带来不同的问题解法。
💡 增加并行实验量，和缩短单次实验所需的物理时间，是两个不同目标。接口重设计与跨专业协作，则可能减少专家耗在设备操作及重复分析上的时间。
⚡ “1,000 台”是举例设想，不能列为已部署设施。设备重做是否经济，以及哪些实验能有效并行，转写没有给出成本—收益验证。
💬 Krause 将公司的“AI 科学家”描述为多智能体架构：顶层编排智能体提出假设，并在送往实验室前进行内部检验。系统还会使用公司付费获取的 CalFAD 数据、由团队构建的文献检索智能体，以及过去实验的数据库；他称客户演示可以显示一个新假设参考了哪些既有实验。他介绍名为 Matrix 的视觉语言模型，称它在实验室图像和实验数据上训练，用于提取科学信息。按他的说法，基于公开数据的模型与基准可以在相关公开页面找到；预印本报告了他记忆中约 5%—16% 的一般科学推理提升。他同时答复主持人的追问说，数学是没有呈现同样效果的一个领域。
💡 这里的核心不是由一个通用模型“扮演科学家”，而是使文献、商业数据、图像理解、历史实验与假设生成相互连接。能追溯假设使用了什么实验，是判断系统是否真正利用反馈的一条重要线索。
⚡ 5%—16% 是嘉宾带有“我认为”保留的转述；具体基准、比较对象与统计条件需查原预印本。数据阅读能力提升是否足以解释更广泛的科学推理提升，也不能仅凭访谈确定。
💬 面对开源动机的提问，Krause 给出三点：推动社区采用新的科研方式；从社区得到公司独自无法产生的反馈；以及公司认为模型本身不是其主要护城河。他说，一项已开源的软件包因社区反馈而被分拆为非营利组织，但这段转写中的包名不清晰。他进一步区分公开数据构建的模型与公司内部叠加的专有实验数据，并表示若外部出现更好的基础模型、机器学习原子间势模型或扩散模型，公司乐于接入。他明确说 Radical AI 不销售模型，也会在大语言模型层使用 ChatGPT、Claude 等外部产品。其结论是：公司认为真正难复制的优势在实验，而非模型。
💡 这解释了为什么开源与商业化在其叙事中并不冲突：外部模型改进可增强内部科研系统，而持续产生的实验数据仍由实验能力支撑。它也把企业策略和开场的“材料本身是真实依据”连接起来。
⚡ “模型不是护城河”及未来多数模型会开放，是 Radical AI 的判断和预测，不是访谈已证实的行业结论。未清晰辨认的软件包名称不宜据音近字形补写。
引文取自所给英文转写；中文为对应翻译。
reused_en_transcript（用户提供的英文转写；中段有明确省略）
