中国科学院大学金士锋研究员给超导材料研究下过一个毫不客气的定义，叫“炒菜式科研”。多加点铜，少放点铁，今天升温，明天加压。一百多年来，物理学家就是这样在元素周期表的迷宫里来回游荡，运气好的撞上一种新超导体，运气不好的调同一个体系调了十年。
2023年韩国团队端出LK-99那盘“菜”时，全球从顶尖实验室到民科集体掏出了自己的“炼丹炉”。事后证明是一场大乌龙。但这件事揭示了一个残酷真相：人类对超导材料的探索，本质上仍停留在“爱迪生式试错”阶段。
三天前，达摩院联合中国人民大学高瓴人工智能学院、中国科学院大学扔出了一枚真正的炸弹。首个专攻超导材料发现的AI智能体ElementsClaw（元素虾）正式亮相。它仅用28个GPU小时扫描240万种晶体结构，预测出6.8万个超导候选材料。更关键的是，研究团队实际合成了其中4种，全部被证实是此前人类完全未知的新型超导体。
物理学找了一百多年的圣杯，终于有AI队友了。
物理学家能有多少个十年
超导体的诱惑从来不需要过多解释。当温度降到临界值以下，电阻归零，磁场被完全排斥在外。这意味着零损耗输电、磁悬浮列车、更小更强的医疗成像设备，甚至可控核聚变托卡马克装置的核心组件。谁能找到室温常压下的超导体，谁就拿到了终结全球能源问题的钥匙。
但找到它有多难？
国际主流超导数据库SuperCon历经数十年积累，总共只收录了约2000种材料。而这2000种里，临界温度能达到几十K（零下200多摄氏度）的，可能只有几十种。
问题出在底层。超导的物理机制至今没有被人类完全理解。从铜基、铁基到镍基，几乎每一个重磅超导材料都是偶然发现的。不是理论推导出来，而是做实验时碰上的。元素周期表上有100多种元素，可能的组合是天文数字，而物理学家没有菜谱。
金士锋提到过一个让人心酸的细节：他们曾经花近十年时间调控一个2010年就发现的铁基超导材料，到2019年才首次实现空穴掺杂。
一个物理学家能有几个十年？
单点AI不够，需要的是一个“AI材料学家”
用AI替人类大海捞针，这个想法并不新鲜。DeepMind的AlphaFold拿下了2024年诺贝尔化学奖，GNoME用AI预测了220万种理论上存在的稳定材料（发表于Nature），微软的MatterGen则反向思维，根据需求让AI去设计新材料（同样发表于Nature）。
但在达摩院科学智能负责人荣钰看来，这些模型有一个共同问题：太单点了。
“它们能告诉你这可能是超导，但又不能告诉你以前有没有人研究过，合成方不方便，有没有毒性，成本高不高。”荣钰说。在现实科研中，不是小手一点说“这是超导，那不是超导”就完了。光是确认一种结构有没有文献报道，可能就需要好几天。发现了一种新材料，要把它做出来并调控到最佳超导状态，又是另一轮漫长的“炒菜”。
达摩院和中国人民大学这次没有做一个单点模型，而是做了一个完整的智能体。这就是ElementsClaw，“元素虾”。
ElementsClaw采用“专通融合”架构。专有模型层面，团队基于包含1.25亿个分子和晶体结构的数据库，预训练出一个10亿参数的原子基础模型Elements。这个模型能精准“读懂”三维晶体结构。它是一个几何深度图神经网络，1B参数量在LLM领域不算什么，但在材料学AI领域相当可观。
在这个基底上，“元素虾”长出了好几只钳子。Elements-T负责预测超导临界温度，平均绝对误差仅0.99K，几乎逼近实验误差。Elements-C负责判断材料是否超导，AUC达到0.996。Elements-E负责预测能量和稳定性。Elements-G负责生成全新的晶体结构。
而通用智能体框架层面，ElementsClaw实现了工具制造、流程编排、文献复核等整套自动化材料筛选流程。它能像真正的材料学家一样查论文、搜数据库、分析可合成性、设计实验方案。当它在文献中发现新超导数据后，还能自动微调自己的模型，实现“自我进化”。
荣钰打了个比方：“如果说材料发现是大航海，那么通用模型就是帆船，专有模型就是指南针和六分仪。ElementsClaw把这艘船和这些仪器组装在了一起，能实现在材料的海洋里面自动航行。”
四种新材料，四条截然不同的路径
真正令人惊叹的部分，是AI实际找到并验证的4种新材料。它们通过4种完全不同的方法论被挖掘出来，每一个故事都揭示了人类做科研时难以逾越的盲区。
漏网之鱼：Hf21Re25（临界温度2.5K）
第一种材料其实早就躺在理论数据库中，但从来没被人试过。AI在文献和数据库交叉比对时发现了这个“漏洞”。人类扒拉了无数遍的数据库，AI绝不空军。
沉冤得雪：Zr4VRe7（临界温度3.5K）
第二种就更“冤”了。人类在数据库里把它的结构直接算错了。ElementsClaw预测了一个完全不同的结构并判定为超导。实验一做，AI说的全对。这个案例揭示了一个深层问题：当数据质量本身有瑕疵时，人类会沿着错误的方向一路走到黑，而AI没有先入为主的偏见。
无中生有：HfZrRe4（临界温度5.9K）
第三种材料不在任何已知数据库中，是AI从头设计出来的。它先锁定了Hf-Zr-Re这个有潜力的三元体系，基于结构预测工具生成全新结构，再自己验证超导性。这是人类从未走过的路径。
举一反三：Zr3ScRe8（临界温度6.5K）
第四种材料的发现路径展示了AI真正的推理能力。在验证Hf-Zr-Re体系的超导相后，AI自动总结出一个结构模体：保留P6/mmm富Re六方框架、保持Re子晶格完整。然后它开始按这个“规律”排查结构相似的“亲戚”，最终把Hf替换为Sc，找到了临界温度最高的Zr3ScRe8（6.5K）。
如果说前三种材料是AI在替人类“补课”，那么第四种已经展现出了初步的科学推理能力。观察规律，提取模体，举一反三。
没有完美方程的科学发现
当然，这4种超导体的临界温度最高只有6.5K，距离“室温超导”还有十万八千里。但走通AI智能体这条路本身的意义，远大于这几度温差的提升。
一组数据说明了质的飞跃。自然界的材料中具有超导性的比例可能只有3%左右，而ElementsClaw推荐的命中率达到了40%，高了一个数量级。这还不是它的能力上限。达摩院已经将240万稳定晶体的预测数据库全部开放，全球科研人员可以免费使用。
中国人民大学高瓴人工智能学院副教授黄文炳强调了一个更宏大的叙事转变。传统科学研究遵循“还原论”，把复杂现象拆解成简单方程和基本原理。但面对材料系统这种天文数字级别的复杂性，还原论遇到了“维度灾难”。AI带来的是一套完全不同的方法论。不需要知道底层每一个细节的“涌现论”，基于大量数据和基本物理约束，从系统的外在行为中学习规律。
这就是ElementsClaw做这件事的本质。它不是靠一个完美方程推算出超导材料，而是背靠240万晶体库和海量文献，直接从数据中给出答案。
这也不是达摩院第一次在AI for Science上出手。今年5月，Nature发表了北大与达摩院的合作成果。利用AI数清卫星影像上的风机和光伏板，从“上帝视角”摸清中国的新能源家底，提出跨省协同方案，一年能减少约1000亿千瓦时的弃风弃光，相当于一座三峡大坝的年发电量。上个月，达摩院又推出了虚拟细胞模型Lingshu Cell，用生成式AI模拟基因敲除和药物影响，降低新药研发的成本和周期。从电力能源到生命制药再到材料发现，AI for Science正在一个个地攻克人类凭借“肉身”难以驾驭的数据海洋。
黄文炳说了一句值得记住的话：“AI for Science从来不是要取代科学家的主体性，而是实现人机共生。AI负责大海捞针和重复性工作，科学家负责提出问题、引导AI思考、校对结果，并在此基础上形成新的科学知识体系。”
物理学家找了一百多年的圣杯，不是被AI抢走了，而是终于有了一个不知疲倦的队友。这个队友不需要睡觉、没有偏见、28个GPU小时就能干完人类上百年的工作。它不完美。它还不会自己做实验，它的发现还停留在液氦温区。但它已经让超导材料的探索从“炒菜”变成了“导航”。
下一步，当AI学会了自己设计和运行实验，当它把目标从液氦温区推向液氮温区甚至室温，物理学的游戏规则，恐怕要彻底改写了。
快报