近年来，“AI+材料”已成为科学界和产业界的热门话题。深度学习、生成模型和自然语言处理等技术被广泛引入材料发现与设计流程。其中，大语言模型（LLM）因其在文本生成、知识整合和模式识别方面的卓越能力，也进入了材料研究者的视野。然而，LLM及与LLM相关的ai框架及机器学习方法真的能代替人类实现真正意义上的材料研发吗？

我觉得大语言模型在材料研发领域是有诸多限制的。大语言模型最直接的贡献在于处理海量科学文献。材料科学百年积累，文献浩如烟海，人类研究者难以全面掌握。LLM能够快速提取关键信息，识别材料特性与合成方法之间的关联，为人类研究者提供“知识地图”。这种能力类似于一个拥有超强记忆和快速阅读能力的科研助手，但它的“理解”始终停留在统计模式层面，而非真正的科学认知，仅仅是拥有了一个超级记忆体凯时。

通过对现有文字资料中知识的整合，LLM可以提出新的材料组合或改性思路，这些“灵感”可能超出人类研究者的常规思维框架，形成人类不常用的或者思考遗漏的排列组合，但不会跳跃出现有的知识体系和框架，我觉得最多是配方捡漏罢了。虽然它还可以帮助设计实验方案，优化参数空间。然而，这些建议的合理性完全取决于训练数据中包含的知识边界，对于突破性、跨越性，创造性的材料发现，存在底层的局限性。

就像我们在推荐今天晚上吃什么的过程中，我们人类不可能只局限于历史上所有吃过的东西进行选择，也不是基于一个概率来选择今天吃什么；而是一个负责的类似世界决策模型的问题。我们不仅要考虑过去吃过的东西，还要考虑环境因素，身体因素，和谁吃，价格，时间等等，最终在一系列复杂的因素中决策吃哪样食物。这和决策该做什么样的实验，该选择何种元素，在何种条件下进行什么样的合成一样，是多层次复杂模型来决定的，光靠LLM是非常受限的，所以这也导致在ai for science领域尤其是ai材料研发领域，所获得成果不多的原因。

所以未来材料领域借助人工智能进行研发，不仅需要有基于第一性原理的材料计算、材料实验、LLM，科学家的参与，更需要建立一套负责的，符合材料研发的决策体系，我把它定义为“材料界的世界模型”。（一鹿，原引材慧新材料CEO）