AI agent攻材料科學：100萬美元五題的意義與限制
三藩市初創 Discovered Materials 宣布設立總值 100 萬美元的獎金池，邀請研究者與 AI 模型解決五個尚未解開的材料科學問題。該公司主力以 AI 尋找先進晶片所需的新材料；這次計劃的目標，不只在於找出答案，也在於為 AI agent 在材料科學的能力建立可觀察的「目標柱」。
不過，獎金本身不代表技術已突破。材料科學的難處在於，許多問題不像數學題般有清晰的是非答案；題目的解答、可重現性及評審準則如何獨立驗證，將決定這項挑戰能否成為有用的能力指標，而非一場由公司主導的宣傳活動。
五題瞄準晶片與材料建模瓶頸
Discovered Materials 邀請全球大學的學者組成顧問群，提出五項公開難題：
- 解釋銅氧化物超導現象的理論；這類材料在極低溫下可呈現零電阻。
- 預測矽與二氧化矽界面結構的數值方法；這個材料組合見於幾乎所有半導體。
- 將晶粒結構映射至熱性質的數值方法，以協助設計更有效散熱的材料。
- 預測光照為何能改變材料行為、尤其與超導相關現象的理論。
- 改進密度泛函理論（DFT）的數值方法；DFT 是模擬原子及分子結構的重要材料科學工具。
這五題涵蓋基礎物理、界面工程、散熱與計算方法，與半導體研發的關係並不抽象。例如晶片愈來愈受限於熱管理，能否由微觀結構推算材料導熱等性質，理論上可縮短篩選候選材料的過程；而矽／二氧化矽界面的預測能力，亦直接關乎半導體材料研究。
先把驗證問題定下來
公司共同創辦人 Advaith Sridhar 向 TechCrunch 表示，團隊先讓前沿 AI 實驗室的模型處理這些題目，容許 AI agent 使用互聯網及其他資源，自主工作數天；結果是模型在各題上都未有明顯進展。
這個結果至少說明，目前的 agent 工作流程未能在短時間內輕易攻克這批問題；但它不足以量度模型的科學上限。測試所用模型、運算資源、工具配置及成功門檻均未見完整公開，因此外界不能將「未有明顯進展」直接解讀為 AI 無法解題。
較有意思的設計在於先定義問題，再容許人類、學界或 AI 提出解法。材料科學往往面對觀察到現象、卻未能完整解釋的情況；若挑戰能訂出可檢驗的預測、計算結果或理論要求，日後便可持續比較不同模型與研究方法是否真的推進理解。反過來說，若驗證只依賴少數專家的主觀判斷，模型即使交出看似合理的說法，也未必能轉化為可靠知識。
對晶片研發的影響仍取決於落地驗證
Discovered Materials 正與大型晶片公司合作研究，亦自行資助科研。Sridhar 表示，公司現時較早前更有信心在一年內找到具工業用途的新材料；不過，這是公司的預期，並非已公開驗證的成果。
對半導體研發而言，最值得追蹤的並非哪個模型率先交出答案，而是這些答案能否通過公開的科學驗證，並在後續實驗、製程或材料表現中成立。若五題能形成清楚而可重現的評估框架，AI agent 才有機會由協助查找文獻與提出假設，逐步成為材料探索中可量度的研究工具。
延伸閱讀
AI 輔助說明： 本文由 AI 協助整理，並經兩輪獨立自動品質審核；資料及連結仍以原始來源為準。
參考來源
- TechCrunch — A YC startup is putting $1M behind five unsolved materials science problems for AI — original report
本文根據原文及公開資料整理；資料有出入時，以原文及官方資料為準。
