一天造 20 種合金，AI 卻一個都「想」不出來：Radical AI 的 Joseph Krause 講了一件大家都搞錯的事

TL;DR

• 材料科學跟生物、藥物開發最大的差別在於：分子可以寫成一串文字（SMILES、SELFIES）餵給 AI，但合金沒辦法。供應鏈、成本、微結構、製程，這些東西塞不進一個字串裡。
• Radical AI 做的不是「自動化實驗室」，是「自駕實驗室」（self-driving lab）。前者像有車道維持的輔助駕駛，後者像 Waymo，你上車閉眼睛它自己跑完整個研究流程。
• 過去五六個月做了一千兩百種合金，其中三百種是文獻上從沒出現過的全新材料，十種性能好到讓團隊很興奮。對照組是 DARPA 一年做五百種。
• 材料業的瓶頸不是算力，不是模型，是「實驗做不夠快」。資料少得可憐，一千兩百種合金的資料集小到 ML 工程師會嚇到。
• 真正的護城河不是模型（他們認為五年內多數模型都會開源），是實驗資料本身。

這集是 Latent Space，矽谷圈最硬核的 AI 工程 podcast 之一，主持人 Brandon 跟 RJ 找來 Radical AI 的共同創辦人兼 CEO Joseph Krause。Radical AI 是一家 2024 年成立的紐約新創，在 Brooklyn Navy Yard 蓋了紐約第一座全自主材料科學實驗室，用 AI 加機器人加自駕實驗室來發明新材料，2025 年七月拿了 5500 萬美金的 Seed+ 輪，由 RTX Ventures 領投，NVIDIA 的創投部門 NVentures 也有進來。Krause 本身是材料科學家出身，從 Rice University 的博士班休學，先去創投 AlleyCorp，然後跟另一位共同創辦人想出這家公司，再把第三位共同創辦人、Berkeley Lab 自主實驗室的負責人 Gerbrand Ceder 拉進來當首席科學家。這集講的東西，跟我之前寫過的那些「AI 一鍵解決一切」的故事剛好相反，所以特別值得記下來。

為什麼 AI 在材料上比在生物上難這麼多

先講一個概念，這是整集最關鍵的一句話。

在生物或小分子的世界，你可以把一個分子寫成一串文字。化學界有 SMILES、SELFIES 這種字串表示法（簡單說就是把分子結構編碼成一行字母符號），因為你知道有哪些元素、知道它們之間怎麼鍵結，基本上你需要知道的資訊都在那串字裡了。這就是為什麼 AlphaFold 在蛋白質上能成，因為「胺基酸序列 → 立體結構」這個問題的輸入輸出都能被乾淨地定義。

合金不行。

Krause 舉的例子很到位：一個合金的性能，取決於它的微結構（microstructure，材料內部晶粒的排列方式），而微結構取決於你怎麼製造它。同樣的成分，用鑄造（casting）跟用積層製造（additive manufacturing，也就是金屬 3D 列印）做出來，性能天差地遠。再加上供應鏈、成本、後處理的熱處理。這些東西你要怎麼塞進一個字串？塞不進去。

所以他講了一句我覺得該被很多人聽到的話：

沒有任何一個模型可以「一發入魂」生出一個能用在你 iPhone 裡、或裝在 Starship 上的新材料。材料不是這樣運作的。

這跟我們這兩年聽到的 AI 敘事完全反過來。你寫程式可以 one-shot，你做簡報可以 one-shot，但你做一塊要上 787 客機渦輪的合金，沒有 one-shot 這回事。

自動化實驗室 vs 自駕實驗室，差在哪

Radical AI 一直強調自己做的是 self-driving lab，不是 automated lab。這兩個詞聽起來很像，但 Krause 用開車的比喻講得很清楚，這也呼應到我之前在Waymo 的 20 年是怎麼熬過來的裡聊過的那套自駕分級邏輯。

自動化實驗室像有車道維持的輔助駕駛。它能幫你做實驗、不用人、跑很快，但前面要左轉的時候，你得自己注意、自己打方向燈、自己知道要轉。

自駕實驗室像 Waymo。你不需要知道要左轉，甚至不在乎它走哪條路，你上車閉眼睛、滑手機、寫論文，然後就到目的地了。差別在於前者是你在控制、只是用自動化提高產量；後者是它幫你跑完「整個研究流程」（research campaign）。

這個區別不是文字遊戲。實際上，自駕實驗室裡藏了一堆人類覺得理所當然、但機器超難搞的事。比方說合金合成出來會變成一個小圓餅，業界叫它 button，因為是用三四千度的電漿炬燒出來的，會黏在盤子上。怎麼弄下來而不破壞微結構？他們得自己設計裝在機械手臂上的客製夾爪。這事跟「發明新合金」一點關係都沒有，但你想做自主合金科學就非解決不可。

還有更現實的坑：很多儀器廠商根本不給你 API 跟 SDK。兩年前 Radical 想付錢取得儀器軟體層的資料存取權，大廠都不太情願。為什麼？因為這些廠商賣的就是「分析儀器資料的軟體」，你要是拿得到原始資料、不需要他們的軟體了，那你幹嘛買他們的儀器？Krause 講到這段時還開玩笑說他的公關團隊聽到要氣死了。這個心態這一兩年才開始鬆動。

真正的瓶頸：不是算力，是實驗

這集有個觀點我很想拿出來講，因為它跟主流敘事完全相反。

主持人問 Krause，你資料這麼少（一千兩百種合金、每種大概 50 到 150 個資料點），ML 那邊的人不會跟你說要幾百萬筆資料才夠嗎？

Krause 的回答很乾脆：我就是不覺得需要。我們已經做出一堆新發現了，很多都在申請專利、在跟潛在客戶談，我們從來沒需要幾百萬筆資料。

然後他講了一句在 NVIDIA 的 GTC 大會上跟人吵起來的話：材料業不是被算力卡住，是被實驗卡住。這不是模型問題，不是語言問題，是「你能不能跑夠多實驗」的問題。

這點對照我之前寫的一間公司一年燒七百萬美金在 Claude Code 上那種「token 無限需求」的世界，剛好是兩個極端。軟體業的瓶頸是算力跟 token，材料業的瓶頸是你手上能不能做出那塊金屬。AI for science 之所以難，根本原因是回饋迴路太長。數學可以幾小時跑完幾千次實驗，材料要幾週甚至幾年。這是物理上的限制，不是工程能解決的。

用數字感受一下規模。合金的可能組合大概有 10 的 40 次方種，他們估計人類要花七百萬年才能全部做完。就算你一年做三萬種，也只是滄海一粟。所以材料這行真正的本事不是「窮舉」，是「篩選」加上「敢試人類不敢試的地方」。

AI 科學家會走進人類不敢去的地方

這段我覺得最有意思。Radical 的所有假設，現在都是由他們的「AI 科學家」生成的。偶爾人類博士手癢想跟 AI 比一比，丟一個合金成分進去，AI 科學家會說「這個強度不夠，拿走」。Krause 說人類科學家很討厭他講這個故事，但這些人其實對流程超級重要。

更關鍵的是，他們有一張圖：把過去五十年文獻上所有高熵合金（high entropy alloy，一種由五到七種元素近乎等比例混合的奇特合金，在超高溫、高壓、腐蝕等極端環境下有特殊性能）用過的元素組合畫出來，再疊上 AI 科學家探索過的範圍。結果 AI 跑進了「沒有人發表過」的元素家族。

問人類科學家「你為什麼從來不去那裡」，答案幾乎都是各種「我以為」：我以為它跟其他元素混不起來、我以為它鑄造時會蒸發掉、我以為微結構會壞掉。結果 AI 試了，它就是成了。

人類科學家有一種自己都沒察覺的偏見，因為每個實驗都很貴、很花時間。Krause 自己博士班一年大概只做五十個實驗，每一個都得珍惜。但 AI 科學家不這樣想，它今天做八個、二十個，等工具升級後一天做一百個，它根本不在乎「賭一把然後從失敗中學」。這是一個心態的轉變。

一個實驗多少錢？看用什麼元素，便宜的鋁、鈦，貴的鉑、鈀，大概 60 到 300 美金一個。現在一天能做八到二十個，難搞的難熔金屬（refractory）做八個，標準合金做二十個，目標是今年六七月做到不分材料系統一天一百個。

不過這裡我得幫讀者踩個煞車。主持人 RJ 來自藥物開發領域，他點出一件很實在的事：這種「小資料、找局部規律」的玩法，在化學資訊學裡很常見，但歷史經驗是，很多時候等 AI 模型終於做出有用的東西，真正的科學家其實早就能自己做出來了。Krause 沒有迴避這個質疑，他的反駁是「吞吐量」這個數字本身就是價值：DARPA 跟 GE Aerospace 跑過最大的合金計畫，一年五百種，Radical 三個月做了一千兩百種。這是一個數量級的跳躍。誰對誰錯，我覺得還要再看幾年，但至少他願意正面接球，留下紀錄。

從發現到上飛機，中間死一堆

Krause 對「什麼叫新發現」有個很硬的定義。設計出新成分，是個里程碑；合成出來，里程碑；做完表徵，里程碑。但這些都還不算新發現。他說，真正的新發現，是你拿起手機、裡面有一塊新材料坐在那裡。

中間死一堆。

最大的關卡叫資格認證（qualification）。如果材料要用在載人飛行，這流程由 FAA 管，軍用的有 mil-spec。今天一個合金要通過認證，通常要十年，你得做出一堆不同的金屬錠跑標準測試。這個關卡有部分是法規（畢竟 FAA 是政府機構），但更麻煩的是它本身就慢、就保守。Krause 自己也說，他今晚要搭飛機回紐約，他一點都不希望這個門檻被拿掉。但他覺得我們做這件事的方法太老舊了，DARPA 現在在研究能不能用積層製造一層一層去做認證。

然後是供應鏈。這是材料跟藥物最不一樣的地方之一。鉿（hafnium，週期表上的一個元素，常見航太合金 C103 裡大概佔 10% 重量）這幾年漲了十到十五倍，因為供應鏈大半在中國手上。現在客戶會直接問：能不能把這個元素從材料裡拿掉，但性能不變？Radical 接過這種題目，而且做出來了。

還有成本敏感度的差異。太空業對高成本忍受度很高，做火箭引擎的錐體，性能第一，成本不是不重要，但不是第一順位。換成消費電子或醫療器材，成本立刻變得超級敏感。Krause 說，今天可能真的有些合金可以放進手機裡，但會貴到不像話。

至於那個 35 年老兵的故事我特別喜歡。他們問一位在 3M 做了 35 年的顧問，你們量產時都在注意什麼，對方說「你們要學的可多了」。最難捕捉的資料是什麼？是一個在公司待了 35 年的人，知道在哪個製造工具上、在哪個精確的時刻、該把旋鈕轉到哪個位置。這種直覺你怎麼變成資料？就算寫成公式，每次都一樣嗎？這就是製造端最難的地方，而 Radical 自己也坦白還沒碰製造，目前只做到發現跟測試。

開源模型，但守住實驗資料

最後講一個我覺得很聰明的策略選擇。Radical 把很多東西開源了，包括一個叫 Matrix 的模型（一個基於 Qwen 微調的視覺語言模型，能讀實驗室的影像跟資料、抽出科學知識），放在 Hugging Face 上。有趣的是，這個模型在學會讀懂實驗資料後，連帶在「當一個科學家」這件事上也變強了，論文裡顯示一般科學推理能力提升了大概 5% 到 16%。

為什麼要開源？Krause 給了三個理由，第一是社群、第二是回饋，但第三個最關鍵：他們認為模型不是護城河。

他的判斷是，五年內多數模型都會開源，頂多剩一兩個像 Claude、ChatGPT 這種專有模型。在科學領域，護城河不是模型，是實驗。他甚至說，如果別人做出更好的基礎模型，那太好了，他直接接進自己的系統用就好，反正他們又不賣模型。整個社群一起把材料這個領域往前推，他們受益、別人也受益。

這個想法跟我之前在Anthropic CFO 拆解一季衝三百億的內部邏輯裡看到的「算力是顏料」那套剛好可以對照來看。在大模型公司眼裡，前沿模型本身就是價值；在 Radical 眼裡，模型是會被商品化的東西，真正稀缺的是你蓋了一座別人蓋不出來的自駕實驗室，跑出別人沒有的資料。Krause 說這座實驗室本身就是護城河，因為無機材料的自駕實驗室真的不好蓋，你把機械手臂擺在儀器前面，後面那一長串問題全部會冒出來。

關於跟中國競爭，Krause 的看法也值得記一下。中國的優勢是「一個實體擁有一切」，可以說建製造創新中心就建，要量產一個新材料就傾國家之力下去。這個我們不該模仿、也模仿不來。他覺得美國能贏的方式只有一個，就是改變做研發的系統本身：教未來的科學家用這種方式做科學（一個博士同時跑十個研究計畫，過去是十個人跑一個），靠公私合作把國家實驗室的算力、人才、資料跟私人企業的閉環能力綁在一起，用原始產出去拚，而不是去拚誰人多、誰成本低，那場仗注定會輸。

寫到這我自己最大的收穫是這句：材料的真相，藏在發現之後。我們這兩年太習慣把 AI 想成一個會「一鍵生成答案」的盒子，但有些領域的瓶頸根本不在那個盒子裡。它在物理世界，在一塊要被燒到三千度、被中子轟炸、被氧化、最後還得通過十年認證才能上飛機的金屬裡。AI 能把發現的速度推快一個數量級，但它沒辦法替你把那塊金屬做出來、也沒辦法替你縮短那十年。搞懂哪些事 AI 能做、哪些不能，比相信它什麼都能做重要太多了。

這類「AI 撞上實體世界」的主題我之後會繼續追，想看更多就訂閱 wilsonhuang.xyz，不會漏掉。