人工智能正以前所未有的速度“梦想”出数百万种新物质，但这些虚拟材料是否真正有用，正引发科学界的激烈争论。 2023年，谷歌旗下DeepMind宣布利用AI发现220万种新型晶体材料，其中包括大量类似石墨烯的层状结构和潜在锂离子导体，引发广泛关注。随后，微软、Meta等科技巨头也相继推出AI材料发现工具，旨在加速新材料研发。然而，这一热潮很快遭遇质疑。多位材料科学家指出，许多AI生成的化合物要么结构荒谬，要么含有极稀有或放射性元素（如钷、镤），根本不具备实际应用价值。加州大学圣塔芭芭拉分校的安东尼·奇塔姆直言：“发现一种化合物，和发现一种真正有用的材料，是两回事。” Meta与佐治亚理工学院合作，利用AI筛选出100多种可能用于直接从空气中捕获二氧化碳的金属-有机框架材料（MOFs），但瑞士联邦理工学院的伯伦德·斯米特指出，这些候选材料在现实中并不具备可行性，AI模型的“兴奋感”可能掩盖了现实局限。 问题的根源在于AI模型的训练基础——密度泛函理论（DFT）。DFT虽能高效预测晶体稳定性，但通常只生成高度有序的结构，而真实材料往往存在原子无序现象。伦敦大学学院的罗伯特·帕尔格雷夫研究发现，DeepMind的机器人实验室A-Lab声称合成的“新物质”中，许多其实是已有材料的无序变体。他与普林斯顿大学的莱斯利·舒普等学者联合批评，A-Lab并未真正发现新物质，其结果存在严重误判。 德国拜罗伊特大学的约翰内斯·马格拉夫团队进一步研究发现，DeepMind列出的约38万种“稳定”晶体中，高达80%在现实中会因原子无序而无法形成理想结构。这导致AI预测与实验结果严重脱节，甚至可能产生“假阳性”或“假阴性”。 尽管如此，研究者们并未否定AI的潜力。加州大学伯克利分校的克里斯汀·佩尔森指出，AI在加速材料探索方面已不可替代。关键在于，AI应被视为“导航工具”而非“终点”。DeepMind前研究员埃金·多古斯·库布克承认，GNoME预测的许多结构最终会呈现无序状态，但其价值在于为后续实验提供方向。 目前，已有超过700种GNoME预测的材料被其他团队独立合成，部分钙基化合物也因AI指引而成功制备，展现出应用前景。但科学界普遍呼吁：AI材料研究必须与实验化学更紧密协作，正视当前技术的局限，避免过度宣传。真正的突破，不在“做梦”，而在将AI的“灵感”转化为实验室中的真实成果。