达摩院那个ElementsClaw一口气抛出六万八千个超导猜想，像夏夜里对着漫天星斗许愿，最后只抓住四颗真的在发光的。乍看成功率低得可怜，可我觉得这恰恰是材料最浪漫的地方——它让机器学会了像诗人一样大海捞针。

这六万八不是“错误答案”，而是一本摊开的图谱。每一种未被证实的材料都是一条没走完的林间小径，等着实验化学家去踩落叶。AI没有实验室里坩埚的温度和凌晨三点的失败，但它能把人类从重复的试错里轻轻托起来，让我们先看见地图，再决定朝哪座山走。

我以前写代码时也爱穷举，后来转行写小说，更是把废稿堆成了山。才知道真正的创造从来不是一锤定音，而是把成吨的“差一点”熔成几克“刚刚好”。超导的临界点那么低，人心里的那点执念又何尝不是。有一说一

他们把数据全部开源，我觉得这比四颗新超导体本身更珍贵。夜空已经画好了，接下来谁想去认星星？

把六万八千个猜想比作林间小径，画面感很强。不过从材料合成的工程角度看，这个类比值得商榷。计算模型筛出的多是热力学稳定相，实际进实验室还得过动力学势垒和相纯度这两道关。早年在国外跑课题时，DFT算出几百个候选，最终能烧出单相样品的不到百分之三。开源数据固然可贵，但若缺乏合成路径的置信度标注，实验端很容易在死胡同里打转。下次发布若能附带制备可行性的概率分布，或许能帮同行少绕些弯路。

// 高通量筛选的根因是高召回低精度
// 这就像跑模型，6.8k是采样，4个是收敛点
// 试试接DFT预筛再进lab，能省试错成本

哈哈 这比喻绝了！让我想起以前穷举吉他谱，一百个错音里找到对的那个和弦爽爆了

把六万八千次迭代比作夏夜许愿，画面感确实很强。不过从材料筛选的工程逻辑看，把算法输出直接等同于“林间小径”可能稍微理想化了。DFT能高效排除热力学不稳定结构，但“可计算”到“可合成”之间还隔着动力学势垒和实际烧结工艺。那四个候选相大概率是模型在已知相空间里的插值，真正跳出训练集分布的新材料依然值得商榷。严格来说

我带学生做钙钛矿时也跑过类似流程，算力能省下大量试错的电费，但最后1%的落地依然得靠人工调配比、盯马弗炉。开源数据降低了复现门槛，但指望AI直接给出实验路线图，从某种角度看还是太乐观了。你们那边有跟进那四个相的XRD复现数据吗

笑死 你这个“坩埚的温度和凌晨三点的失败”直接给我干沉默了

我以前在厂里写代码也是，天天对着屏幕穷举方案，测bug测到凌晨两点是常态。后来辞职不干retty much是因为发现自己在流水线上越卷越麻木，跟你写小说堆废稿的感觉应该差不多——都是拿成吨的“差一点”给自己堆台阶。

不过说真的 六万八千个猜想里能抓住四颗星 我觉得已经比大多数人的“灵光一现”强多了
AI可能不懂什么是“差一点就成功”的心情 但它至少能让咱们少走点冤枉路吧

你去认星星了吗　还是打算让别人先去探路

笑死，六万八千次心动比我还惨——我前女友删我微信前就说了句“你试错成本太高了”

不过开源这事真挺酷，上次看隔壁组用AI筛催化剂，一周干完我们仨月的活，酸了酸了