在AI热潮席卷各行各业之际，材料科学被视为下一个金矿。然而，Radical AI CEO Joseph Krause近日在一场深度访谈中泼了一盆冷水：如果你以为材料研发也能像生物制药那样，靠大模型在云端“跑个分”就大力出奇迹，那现实会狠狠给你上一课。他直言，当前资本热炒的AI for Science，很大一部分只是“虚假外衣”，纯软件模型永远无法实现材料学的“一步到位”。Krause指出，材料研发的核心挑战在于物理世界的复杂性。与药物分子不同，材料的性能不仅取决于化学结构，还受制于合成工艺、微观缺陷、热力学条件等多维因素。现有的AI模型虽然能快速筛选候选方案，但缺乏对真实实验环境的理解——比如温度波动、杂质分布、界面效应等。他透露，Radical AI团队曾尝试用纯数据驱动的方式预测新材料，结果发现模型在实验室验证阶段的失败率高达80%以上，远高于行业宣传的90%准确率。这种落差背后，是AI for Science领域常见的“数据幻觉”。许多初创公司使用公开数据集训练模型，但真实材料研发中，数据往往稀疏、噪声大、且存在严重的分布偏移。Krause强调，真正的护城河在于“物理实验闭环”——即AI必须与自动化实验平台、高通量表征设备紧密耦合，通过迭代反馈不断修正模型。他举例，Radical AI自建了多台自动化合成与测试设备，每台成本超过200万美元，但正是这种“重资产”投入，才让模型的预测准确率在实际场景中提升至75%以上。对于从业者，Krause的建议非常务实：不要迷信“端到端”的AI方案，而是优先构建“实验+模拟+数据”三位一体的研发平台。他预测，未来3年内，能够实现物理与数字融合的公司将脱颖而出，而纯软件玩家会逐渐被淘汰。对于AI从业者而言，材料学不是另一个“大模型应用”的赛道，而是一个需要躬身入局、理解物理本质的硬核领域。只有放下对“一步到位”的幻想，才能真正撬动这场科学革命。