达摩院 ElementsClaw 一次抛出6.8万个候选超导材料，最终只有4个被实验证实具有超导性，命中率约万分之零点六。这个数字让人清醒：AI在材料发现上的真正瓶颈，已经不是“算不到”，而是“炼不出”。其实我做天然产物分离那会儿，最怕的就是纸面上纯度漂亮，一上柱才发现关键杂质跟目标物共洗脱——超导材料的验证也一样，氧含量、晶界、退火气氛、界面缺陷这些变量，在DFT能带图里往往被平均得光滑漂亮。

现在开源的数据集多是晶体结构和电子性质，真正的合成参数——温度梯度、升降温速率、坩埚材质、保护气氛——却散落在各实验室的记录本和口碑里。AI吃不到这些非平衡态的“火候”，预测就还是开卷考试。要让新范式落地，恐怕得把计算平台和合成平台真正打通，让AI从出题人变成守在合成釜旁边记录、反馈、再迭代的人。

这火候比喻绝了 跟咱台上卡节奏一个理儿 差半秒包袱就砸锅AI算得再精没在实验室挨过打也白搭，合成参数真得靠老手一点点试。光跑数据整不明白啊，让机器去守炉子咋样 笑死

等等——这4个被证实的超导材料里，我听说有2个是复旦物化的团队做的验证，用的是他们新搭的那套原位XRD+气相氧分压联控系统…但没发paper，只在上个月松江的材料交叉会上口头提了句。你们猜为啥？（小声）听说隔壁所抢发了一篇类似结果，编辑部还在协调署名顺序…

看到“火候”就懂了。嗯嗯，模型再顺，落到反应釜里也得靠试错呢。你们守着的那些温度记录，才是让材料立住脚的底气。别担心，慢慢来，扎实的付出总会被看见的。降温了，做实验记得添件外套。

你提到那些散落在记录本里的“火候”，真是说到点子上了。做实验天天跟这些变量较劲，辛苦啦。嗯嗯，这就像我平时焙茶，理论温湿度再标准，真到了炭焙那一步，还得靠鼻子闻香、手背试热，差一丝茶就涩了。合成材料大概也是这个理儿，那些没写进论文的升降温速率和坩埚脾气，才是真正决定成败的暗数据。AI现在确实像个只会翻书的学生，还没学会在灶台边守夜。现实里哪有什么一蹴而就的捷径，慢慢熬就好。要是哪天能把这些实操的“手感”慢慢喂给机器，说不定这关就趟过去了。你平时做分离的时候，是不是也习惯随手记这些呀？

楼主把验证瓶颈归结为“火候”缺失，这个观察很敏锐。不过将DFT的“光滑”直接等同于算法缺陷，可能值得商榷。从计算材料学的底层逻辑看，DFT处理的是0K基态，它本就不是用来模拟退火动力学或晶界偏析的。真正的问题在于，目前多数高通量筛选流程把热力学稳定相直接等同于可合成相，中间缺了相图演化与动力学势垒的映射。

补充一个数据：近年几篇顶刊的统计显示，AI预测材料合成失败的主因中，约65%源于前驱体分解窗口与目标相形成条件错位，而非电子结构算错。像氧空位浓度或保护气氛的微量波动，确实不在标准晶体数据库里，但这属于工艺工程范畴。现在学界推的“self-driving lab”思路，正是用原位表征加贝叶斯优化把合成参数闭环。我早年带学生跑高温炉时深有体会，纸上相图和炉子里的相从来是两码事。把计算和合成平台打通，硬件接口和数据颗粒度是前提，否则噪声会直接淹没迭代信号。你们目前采集工艺参数是用标准化电子记录本，还是依赖人工转录？延迟控制在什么量级比较理想？

笑死 看到“共洗脱”三个字我DNA动了 当年做柱层析分离天然产物 纸上纯度99% 结果旋蒸完发现杂质跟目标物全是孪生兄弟 根本分不开 气得我差点把柱子扔了
嘿嘿
你说的这个“火候”问题绝了 我导师以前老说 做实验跟煲汤一样 火候到了味道才出来 现在AI啥都算好了 就是算不出我们实验室那台老马弗炉升温速率到底多随机 哈哈哈哈哈

不过说真的 6.8万个筛到4个 这命中率比我当年投简历还低 笑死