在近日举办的FII（未来投资倡议）研究所PRIORITY亚洲峰会上，维港投资的创办人周凯旋提到，相比于AI和芯片，当前自己更关注的领域是新材料以及合成生物，“现在制造业要思考的不是自己改变与否，而是思考怎么样采用新材料，把握科技变革带来的机遇”。
这句话在当下的生成式AI热潮中仿佛有些不合时宜，毕竟新材料位于产业链最上游，投资周期长，距离落地变现又太过遥远。但这也正是其颠覆性所在。
回顾人类社会的发展，可以说与材料的进步迭代关系紧密。从石器时代到铁器时代，再从石油时代到半导体时代，正是材料进步推动着人类适应和改造自然的能力不断的提高。如今，人类社会正站在新的科技周期门槛上，AI、生命科学、新材料技术等热点领域不是处于规模化应用阶段，就是处于爆发的临界点。
算力的快速的提升，给新材料领域带来的惊喜显而易见。在以往漫长的历史中，新材料的发现往往只能依靠撞大运式的大海捞针，然而随着人工智能技术的加入，新材料的探索及应用落地过程将大大加速。
美国加州大学伯克利分校团队近日就开发了一种自动实验室（A-Lab）系统。这个A-Lab其实是由AI根据现存科学文献训练，随后结合主动学习创造出初始材料合成配方，再指导机器人，在最少的人为干预下不眠不休连续实验，以最快的速度批量发现新材料。最新多个方面数据显示，A-lab每天合成的材料数目已经是人类实验室的100倍了。
而在需求端，作为工业发展的先导，新材料产业是基础性、支柱性产业，新科技的发展往往需要新材料的参与加持，甚至在一些高端制造及国防安全的关键领域，新材料还会是一个国家从低端制造走向高端制造的关键一环，有很大的可能性具有决定性的影响。新材料的市场规模预期也在一直上升，据我国工信部数据，2025年中国新材料产业将达到10万亿市场规模，复合增长率达13.5%。
前阿里巴巴集团首席执行官张勇曾在2023年4月一次演讲中提到，“所有行业、所有应用、所有软件、所有服务都值得基于新型人工智能技术重做一遍”。这句话是否成立或许会有争议，但套用这一逻辑，在新能源产业、半导体等领域，新材料的确已经着手，慢慢开始“重塑”整个行业。
新能源领域分为狭义的和广义的，狭义的新能源就是我们常常讨论的汽车相关领域，包括动力电池、整车材料轻量化等等；广义的新能源指的则是整个能源产业链的变革，包含光伏、风电等清洁能源产业链。
无论哪个定义范围下的新能源领域，新材料都处于产业链的最上游环节，甚至大多还在实验室阶段，下游的头部厂商们却对新材料相关企业趋之若鹜，只要有余力一定会押注相关企业。这也很好理解，以新能源汽车为例，如今国内新能源汽车的发展规律与趋势实际上不像是传统的汽车产业，而是更像互联网电子消费品。
其中，包括智能座舱和无人驾驶在内的智能化是一条要一直精进却瓶颈明显的竞争路径，厂商们光是要解决如何在城市道路中实现智能驾驶这一难题就已经足够焦头烂额；另一个竞争重点则在于电池续航，续航能够说是从新能源汽车诞生之日起就束缚在身上的“紧箍咒”，唯有不断突破才能使其真正超越燃油车。
而在新能源汽车生态中占了重要位置、决定电车续航能力的动力电池，正是新材料实践的最佳地带。
过去两年内，不管是三元锂电池还是磷酸铁锂电池，由于锂矿的突飞猛涨，下游需求旺盛，整个市场格局都一直处在拼产能的状态。好在随着行业头部企业格局的确立，以及锂价下滑，整个行业产能和估值也更趋于理性。不过，经此一役，动力电池一些细分技术路线逐渐受到关注。
动力电池可谓是我们国家新能源汽车产业链的“护城河”，其成本迭代与技术迭代攸关下游整车产品的竞争力。而动力电池的技术迭代有两个方向：一个是系统结构创新，比如宁德时代的麒麟电池和特斯拉的“4680”这种对电池集成方式变革；另一个方向就是材料体系的创新，而电池迭代本质上就是材料体系的竞争。
有一点需要明确，新材料不是凭空蹦出来的，而是升华、净化已有的材料，把它变得更符合未来需求。现在动力电池的主材料是锂、镍、钴，业界材料体系创新的目的，是用其他材料完全或部分取代它们，以求在安全性、环保性、单位体积内的包含的能量高、经济性、便捷性（充电速度快）等方面达成比传统锂电池更好的平衡。
其中有代表性的莫过于液态电池体系下，基于无机熔融盐的铝硫电池、钠离子电池，以及有三种不同电解质解决方案的固态电池。
先说铝硫电池，这一技术路线国内团队其实已经走在前列。去年，北京大学材料科学与工程学院助理教授、博士生导师庞全全及其科研团队首次开发出基于无机熔融盐的铝硫电池。这种新型电池的正极是硫属元素，比如硫和硒，负极是铝，电解液是熔融氯铝酸盐，所有元素都是常见的化学物质，储量丰富，实验中哪怕负极用类似食品包装铝箔等劣质铝都不会影响电池性能。因此，铝硫电池成本仅为锂离子电池的六分之一，尤其能满足大规模的储能需求。
那么铝硫电池的安全性如何？由于热效应，一般的锂离子电池都需要冷却系统让电池保持在最佳运行温度，提高效率。而该铝硫电池中作为电解液的熔融氯铝酸盐共晶点约为93ºC，保证了电池在110ºC的情况下也能运行，并能在使用中还能通过恰当隔热维持自身温度，不需要主动冷却系统。最重要的是，哪怕温度超过500°C，熔盐电解质依然具有热稳定性和非挥发性，不会在高温下汽化导致电池爆炸、起火。
同时，这块电池充满也仅需要1到3分钟。能快充、安全性高、成本更低的铝硫电池能不能成为最优解，还需要真正上车验证。庞全全在采访中表示，自己的团队正在该项电池的产业化方面布局，接下来将完成大尺寸电芯的技术开发和工艺优化，“锂离子电池经过了30年才能达到我们现在所看到的局面。总的来讲，铝硫电池走到大规模应用可能是一个比较漫长的过程，但是我们有信心能够在3到5年内能清楚看到它的落地”。
钠离子电池同样是到目前为止，产业界的人表示最具有革命性且能带来市场变革的创新之一。实际上，把钠离子用于电池并不算新鲜事，对钠电池和锂电池的研究几乎在20世纪70年代同步开始，两种电池的工作原理和结构也很类似，均由正负极、隔膜和电解液组成，依靠钠离子或锂离子在电池正负极之间移动实现电能的存储和输出。且二者都可以重复充放电，统称为“摇椅式电池”。
钠离子电池之所以长期坐冷板凳，一是因为单位体积内的包含的能量偏低，一般在80-170Wh/kg之间；二是循环性能较差。所以直到近两年，为了平抑锂需求，大规模生产钠离子电池的想法才开始得到重视。由于钠离子体积要比锂离子大得多，所以正负极、隔膜和电解液都需要不同的材料补位调整，才能线月，宁德时代生产的钠电池就已经首次应用于奇瑞汽车新能源车型。
上述两种电池和锂电池在结构上仍然是一脉相承，变来变去还是四大主材“正极、负极、电解液和隔膜”的各种重新排列组合——正、负极材料决定电池单位体积内的包含的能量，电解液和隔膜的作用是使锂离子自由穿梭完成能量转换，同时正负极不会接触短路。但是整个体积占到电芯30%的电解液依然是不稳定因素，一旦电池收到外部作用力撞击，电解液泄漏或者正负极短路出现火花，整车都会有报废风险。
业内更激进的材料体系创新路线是全固态电池，也就是用固态电解质替代电解液，不会漏液、起火，从根本上解决电池安全风险。而对固态材料的选择就显得很重要。
固体电解质的选择其实和电解液有差不多的标准，都要考虑离子导通、电子绝缘、抗正极氧化、抗负极还原、电化学稳定、热稳定等性能需求，以及综合成本低廉的规模推广需求。目前，中国头部固态电池公司北京卫蓝、江苏清陶等，多以氧化物材料为基础的固液混合技术路线为主；日韩企业如丰田，多采用硫化物固态电解质技术路线；欧美企业选择则更多样化，如Solid Power主要走硫化物路线，Quantum Scape则选择氧化物路线。
固态电池研发人士提到，如果有一种固体电解质或者几种固体电解质的复合体，可以同时具备稳定、高锂离子电导、高电子绝缘、易于生产加工、原料廉价易得等特征，那么我们就可搭配更强氧化性的正极、更强还原性的负极，这将是“近乎颠覆的科技突破”。
但很可惜，具备上述特性的“完美固体电解质”尚未出现，现有的三种技术路线几乎各有缺憾，这在我们之前的报道中也曾提到过。
一位高校研究员曾感慨，研发就像做一块木板，你只要保证它足够长就行了；但将实验室成果产业化就像做一堆木板，每一块不一定要多长，但一定要保证每一块都不能有短板。
就拿动力电池上车来说，想要完成把电池包与电池管理系统模块、配电模块等组装进汽车，通过相关认证、测试后，最终实现整车量产应用这一过程，需要电池厂商与汽车厂家互相信任紧密合作。
不过也要面对现实：新材料的实际应用往往要经历漫长的过程。比如电解液领域几年前就提出用导电性和安全性更好的双氟磺酰亚胺锂(LiFSI)来替代常用的六氟磷酸锂，但直到现在都没有在量产环节出现大规模替代。
但是现在，下游高端车企希望能够通过搭载续航里程更长的高密度电池来增加卖点，而新能源车销量落后的车企则希望能够通过押注下一代电池技术来保障自身竞争力……新能源汽车终端暗流涌动，对于新电池技术产业化或许是个难得的好机会。
随着科学技术进步新材料研发已经从宏观结构优化，进入到皮米（皮米是纳米的千分之一）尺度下开发和优化了。现在已经有一些工具可以监测和指导研究人员在亚原子尺度精确调控材料了，这项工作被叫作“微科学（Picoscience）”。
耶鲁大学的研究人员正在发明一种新型半导体材料，他们盼望这样一种材料小、速度快，还能够以多种方式运作，比如模仿神经元、用磁力进行计算、用量子进行计算。
他们从元素周期表中选择了镧、钛、钴和氧，组成一层氧化钛一层氧化钴的层状晶体，微科学的精密技术帮助研究人能铺出一层厚度仅2个原子直径的平面，并在亚原子水平上对它们进行修饰，保证每一层都十分平整。这样氧化钛薄片可以将一个电子转移到氧化钴薄片上，从而改变氧化钴薄片的电子结构和磁性。
这种晶体材料具备磁性可拿来存储数据；可以转移电子就能构成极微小的类晶体管装置。在这种不足1纳米的尺度下，装置的性能优于今天的晶体管，而晶体管是计算机中最关键的基础元件。因此这种新材料可能对计算机有重大的促进作用。
扫描透射电子显微镜（STEM）图像显示了钴（绿色）和钛（红色）原子的分层
2023年，超导概念随着迪亚斯的镥氮氢和韩国LK-99两个室温超导闹剧从物理圈火到了大众媒体。但事实上这些允许电子完美、无损流动的材料，大多数都必须在40 K（约-233.15℃）以下才能表现出这种宏观量子特性。
最近，美国哈佛大学一个研究团队突破了从改变化学成份寻找超导体的传统思路，他们向我们展示了一种全新策略，从材料成分和材料微观结构两个方面提高超导转变温度，制造出了可以操纵的超导二极管。这种新材料不仅是高温超导领域的新突破，在量子计算中的应用前景也非常广阔。
铋锶钙铜氧化物（BSCCO）是一种高温超导材料，它的临界温度是零下177℃，这比理论家认为的临界温度高得多。研究之后发现它本身的二维层状结构是其产生超导的关键。
图注：铋锶钙铜氧化物的二维层状结构，铋（蓝）、锶（绿）、钙（红）、铜（黄）、氧（黑）原子
然而，这样一种材料复杂的电子和结构特征使得我们很难处理和利用它，因为我们一定要避免破坏其超导相。为此，研究人员首先将BSCCO分成几十纳米厚的两层，然后用超纯氩气在两层之间做出了一个干净的界面，最后将两个层以45度扭转的方式堆叠在一起。这样在零下90℃时，两层界面间就出现了超导现象。而且这个界面的超导性还有方向，虽然通过时电阻为零但不同方向可以通过的最大电流却有明显差异。该团队还通过反转这种极性，展示了对界面量子态的电子控制。
超导材料中电子以配对移动、以量子位形式存储信息，本就是量子计算机的理想材料，这种新型超导材料还具有可切换方向的特性，正好可拿来制造高温超导二极管（二极管的特点是单向导电），而二极管正是计算机的最基础元件之一，因此这项可能推动量子计算机飞跃的新发现可能才是2023年超导领域的重要发现。
刚才两项新材料的研发思路其实都是2D材料的堆叠与扭曲，这会触发电子的奇特运动，而这种思路正是来自当时不到22岁的天才少年曹原的发现。他因发现超导“魔角”石墨烯而被《自然》杂志评为2018年度最具影响力的科学家。
超导“魔角”石墨烯是将两层石墨烯叠加并扭转1.1度并冷却到接近绝度零度，此时本该是半导体的石墨烯竟具有了超导性，电子可以在两层之间不受阻碍的自由流动了。这是因为以较小的角度堆叠时，未对齐的两个晶格能形成“超晶格”结构，电子得以在超晶格中移动。
此后很多研究人员就开始把所有能二维化的材料都试着叠放并旋转，看看材料属性会发生什么样的意外变化，以及需要扭转多少度才会发生这种变化。
在过去几十年中，人类一直期望计算机可以帮助科学家设计新材料的研发和合成路径，但直到基于神经网络的机器学习算法实用化之前，计算机对人类在研发新材料方面的帮助非常有限。直到本次AI 2.0浪潮兴起。
神经网络的出现改变了材料研究的方式。神经元是哺乳动物神经系统中的基本单位，其特点是要么处于激活状态，要么处于非激活状态，没有中间状态。只有当外部刺激超过阈值（电压大于-55毫伏）时，神经元才会被激活，并通过轴突向突触发送信号。1943年，神经学家沃伦·麦卡洛克和数学家沃尔特·皮茨注意到了神经元的这一特性，并在数学上提出了神经元的计算模型。
直到2006年，Geoffrey Hinton提出了深度置信网络（DBN）模型，该模型充分的利用高性能的GPU和FPGA来处理大量未标记的数据，从而快速缩短了深度学习的训练时间并提高了准确性。这使得图像识别、自然语言处理、推荐系统等问题得以解决，深度学习成为AI领域最热门的应用方向之一。
当前，人工智能正在加速科学家们研发新材料的进程。利用神经网络和深度学习技术，研究人员能够更快速地探索材料的性质、功能和合成路径。AI可以分析大量的材料数据和实验结果，并预测新材料的性能和特性，从而指导实验设计和优化过程。这种基于AI的材料研发方法不仅提高了效率，还提供了更多创新的可能性。
技术的进步已经提高了计算机程序识别新材料的能力。然而，目前这样的一个过程仍然面临一个主要障碍，即学习算法怎么样产生与其所学相反的结果，因为新发现本质上是通过新的、创造性的方式理解数据并找到之前未知的东西。
深度思维团队设计的GNoME（材料探索图形网络）模型经过使用现有文献进行训练后，能够生成多样的潜在化合物候选结构，并通过一系列学习一直在改进这些结构。该模型能够预测出220万种可能具有稳定结构的潜在化合物，并将结构稳定性的预测精确度提高到80%以上。在预测成分时，每100次试验的准确度提高到33%，相比之前的工作，这一个数字提高了很多，之前的工作中该数字仅为1%。
图注：GNoME设计的化合物Ba6Nb7O21，其中包含钡（蓝色）、铌（白色）和氧（绿色）
如果说GNoME还停留在纸面，前面提到过的A-Lab则更进一步，已经能自主研发新的化合物。
经过训练的AI会从200多种含有不同元素（如锂、铁、铜、锰、镍等）的氧化物中自主选择原材料，并为拟定的化合物设计了5条合成路线，然后由AI控制的实验设备会自动开始试制。在连续加班工作了17天后，AI进行了355次实验，它成功合成了58个目标化合物中的41个（成功率71%），其中9个化合物的产量低于50%，AI自行优化了配方。此外，17种未能成功合成的新材料，其中部分失败是由于实验操作过于困难，在人工干预后也成功合成。
相比之下，人类研究人需要一个小组几个月的时间才能完成这些工作量。据悉，研究人员已经给A-Lab安排了测试3万多种合成配方的任务，看来AI真的没人权。
AI在有机化学领域发挥着重要的指导作用。它可以识别很多类型的催化机理，并预测复杂天然产物的合成路线。
传统有机反应研究中，阐明反应机理是一个核心问题。传统方法通常依赖于使用初始速率和对数图，并结合速率定律进行人工推导。然而，这个推导过程中使用了大量的数学近似，有可能会出现人为错误，并且仅限于在稳态下运行的具有少数步骤的反应网络。
为了克服这些限制，英国曼彻斯特大学使用深度神经网络模型对动力学数据来进行训练，AI能自动解释相关反应机理的类别，包括涉及催化剂活化和失活步骤等非稳态机理。这对于合理改进合成方法、设计新催化剂和安全扩大工业过程至关重要。
另一方面，逆向合成复杂天然化合物的难度很高。波兰科学院开发的Chematica程序参考了经典的全合成逻辑策略，包括连续反应、官能团转化、旁路算法和串联反应等，以解决预测合成路线的问题。
AI提供了一种“优雅且反直觉”的合成策略，让研究人员大为惊讶。这些合成路线通过两步连续反应，先产生复杂分子，然后再通过简化方法克服了合成局部复杂结构的难题。波兰科学院已经从数百万个组合反应中选取了20万个成功的合成路线，并整合到程序的数据库中。
AlphaFold“蛋白质折叠结构预测模型”的出现改变了生命科学。它仅凭蛋白质的氨基酸序列就能预测其3D结构，AlphaFold极大地改变了生命科学的研究方式。它预测了超过100万种蛋白质的结构，几乎覆盖了人类已知的所有蛋白质，这个数量比科学家在实验室中确定的蛋白质结构数量多上千倍。
蛋白质在生命中扮演着关键的角色，几乎涉及到生命的每一个功能。蛋白质的功能取决于其特定的3D结构，而蛋白质是由氨基酸模块组成的长链，通过缠绕和折叠形成特定的结构。例如，抗体蛋白质具有Y形状，可以夹住入侵体内的病毒或细菌，并标记它们供免疫系统识别。
在AlphaFold出现之前，要从蛋白质的氨基酸序列推导出其3D结构几乎是不可能的。生物学家需要耗费大量的时间和资源，利用X射线或冷冻电镜等实验方法来拍摄蛋白质的照片，并描绘其结构。
目前，最新版本的AlphaFold已经能够解决多条蛋白质链、更大的复合物、结合抗体和配体等的结构预测问题。这使得AlphaFold成为药物研发中强大的工具，研究人员只需提供蛋白质序列、核酸序列、配体的SMILES式以及共价修饰的位置，就能轻松的获得预期物质的三维结构图像。
AlphaFold在性能上的巨大突破表明，人工智能能够极大地增强人类对构成生物体和更广泛的自然界的分子机制的理解。这将有利于以数字化的方式来进行生物学和医学领域的科学探索。
目前神经网络的耗能和耗水问题已很严重了，当ChatGPT每回答20～50个问题（取决于信息量和天气），为了散热就需要消耗500毫升清水。加州大学的研究人员利用超导材料和Mott绝缘体-金属构建了一种运行在超低温度的环境下的人工神经网络。这种人工神经网络可以突破半导体材料的限制，实现高效、节能的人工智能设备。
他们使用铜基氧化物超导器件和基于氧化镍的Mott绝缘体-金属过渡材料的可调电阻器件来构建基本晶胞，并通过精确注入氦气和氢气等轻离子来调节超导隧道结的有序度，以此来实现具有指数级相干态的超导神经元阵列。这种基于量子材料的人工智能网络计算机有望拓展量子计算机的应用前景，为未来的神经网络和人工智能技术提供更广阔的可能性。
壹零社：用图文、视频记录科技互联网新鲜事、电商生活、云计算、ICT领域、消费电子，商业故事。《中国知网》每周全文收录；中国科技报刊100强；2021年微博百万粉丝俱乐部成员；2022年抖音优质科技内容创作者
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
傅佩荣教授 2024年中国哲学传承班（第三期）开始报名！线下小班授课，额满即止~
两会之声｜中国商飞张玉金：预计今年C919产能逐步扩大，三至五年内投百亿扩产
苹果Vision Pro发布2月才提货 黄牛已经将价格炒到了10万块！
【带你看展】从小镇青年到巴洛克的奇迹，卡拉瓦乔一生都在黑暗中寻找那道光
外网热议LNG不敌TT：Tarzan被冤枉了！scout可能比Faker更早退役
换掉Tarzan，LNG沦为弱队？首秀不敌TT，涵艺喊话：Tarzan回来吧
