--- author: Latent Space date: '2026-06-17' guest: '' layout: post.njk source: https://www.youtube.com/watch?v=4-sWFytOfRw speaker: Latent Space tags: - self-driving-labs - materials-science - ai-for-science - experimental-data - high-entropy-alloys title: AI材料科学的极限：为什么“自动驾驶实验室”是连接发现与制造的关键 summary: Radical AI的首席执行官Joseph Kraus深入探讨了人工智能在材料科学领域的应用瓶颈。他指出，与生物信息学不同，材料的性能不仅取决于其化学成分，还受到加工、供应链、成本和微观结构等复杂因素的深刻影响，这些都无法用简单的文本字符串（如SMILES）来表征。因此，仅靠计算模型无法实现“一蹴而就”的材料发现。Kraus强调，真正的突破依赖于“自动驾驶实验室”（Self-Driving Labs），通过整合实验数据与AI，形成从假设、合成、表征到测试的闭环，从而加速从发现到工业应用的进程，并应对与中国等国家在材料创新上的竞争。 insight: '' draft: true series: '' category: ai-ml area: tech-engineering project: [] people: [] companies_orgs: - Radical AI - Google DeepMind - SpaceX - DARPA products_models: - Matrix media_books: [] status: evergreen --- ### AI在生物与材料领域的根本差异 **Joseph Kraus**: 这就是生物领域AI和材料领域AI的区别。如果你看生物领域，或者更广泛地看小分子这个类别，你会看到SELFIEs和SMILES字符串，对吧？这一直是将这些材料、这些分子以文本形式表示的重要方式。然后你就可以使用它。这是因为你知道元素，也知道化学键。所以，你知道了大部分你需要知道的事情。但我刚才告诉你的关于合金、供应链、成本、微观结构、你的加工方式，是增材制造还是铸造？你如何在一个字符串里捕捉所有这些信息？你做不到。这就是困难所在，没有一个单一模型可以一蹴而就地创造出一种新材料，最终用在你的iPhone或星舰上。材料科学不是这样运作的。因此，这里有一个非常棘手的挑战：你如何捕获所有这些数据，并将其反馈回来，真正地改进你的AI引擎，使其涵盖的范围不仅仅是发现？ **Brandon**: 欢迎来到Latent Space。我是Brandon。 **RJ**: 我是RJ。我们今天和Radical AI的CEO Joseph Kraus在一起。Joseph，你所在的是一个迅速变得拥挤的市场。有Lila，有Citrine，还有Periodic，都在为材料领域开发AI相关的技术。你试图做的事情有什么不同？你打算如何击败那些资本雄厚的竞争对手？ ### 实验数据是核心信仰 **Joseph Kraus**: 伙计们，很高兴来到这里。非常感谢你们邀请我。我必须先说，我是这个节目的忠实粉丝。我每天通勤到纽约市，你们的节目是我轮播列表中的首选之一。我总是喜欢学习，而我本身是材料科学家出身，所以我能从你们节目中学到的东西，太棒了。因此，我非常兴奋能来到这里，尤其是亲自过来。谢谢你们促成此事。我们的不同之处在于我们对**实验数据**的深刻信念，对吧？我想现在你开始看到整个行业对此更加关注。你看到“自动驾驶实验室”（self-driving labs）这个概念，从学术界到像**Google DeepMind**这样的人，再到你提到的这个领域里几乎所有正在建设SDL的竞争对手，无处不在。但情况并非总是如此。两年半前我们创办公司时，人们会觉得我们疯了。那是资本密集型的。你真的能获取到数据吗？如今的模型并非真正为那种数据而构建，我们可以深入探讨为什么模型在材料科学，特别是在无机材料科学领域会遇到困难。所以，你为什么要那么做？而我有一个深刻的信念，我的联合创始人们也有一个深刻的信念，那就是，在材料领域，**基准真相（ground truth）就是材料本身**。你必须能够制造它，必须能够测试和表征它，然后你必须在某个时刻能够看它是否能进入实际应用，如果你想让它在工业界被使用的话。这就是我们理论的真正起点，即你将构建这个循环，这个闭环系统，我们称之为自动驾驶实验室，它能够实际运行那些实验，捕获数据，并将信息反馈给你的AI科学家，以便它能学习并真正预测与工业相关的材料。这就是我们整个公司所围绕构建的，在过去的两年半里，我们一直专注于此。 **Brandon**: 很棒。那么，为什么？为什么你相信这个，而不是那些被轻视为“先构想宏大理论，提出想法，以后再尝试”的做法？ **Joseph Kraus**: 是的，因为决定一种材料是否真实可用的很多因素，都处在发现过程的后半部分。我特指表征和合成阶段。所以，嘿，我们做了什么？它在实验室里有没有一些很酷的性质？但那之后呢？我们从事一个叫做结构金属或合金的领域。决定这些合金性能的很多因素实际上在于**加工过程**。你如何制造它？你在后处理和制造中使用了什么技术来提升或改变性能？所以，是的，你可以生成一个新的化学成分，这非常重要，我们也确实用AI来做这件事，但真正影响你是否有一个新发现、这个新发现是否与你目标应用领域相关，以及你最终能否制造它、能否规模化、能否真正进入那个应用领域并被最终客户使用的，是那之后的一切。后两个和第三个问题如今的AI是解决不了的，对吧？一个模型无法为你搞定一种新型喷气涡轮合金的认证流程。你必须通过实验来做到这一点。所以那里的基准真相对于我们来说非常重要，以便回归并理解，好的，我们知道我们想做什么，我们是否真的在制造那些东西，它们是否真的具有我们关心的性质，以及我们是否能将它们推向工业界？后面这些问题是材料领域最难回答的问题。而且，你总会听到一个说法，在材料领域这是事实，那就是**研发周期长**。我们听过各种说法，从15年到30年，选一个你这周感觉不错的数字吧。但关键是，这是真的。原因在于今天的材料领域非常碎片化。学术界把发现交给别人，比如小规模测试，有一些小公司会关注它，通常得到战争部、能源部或其他政府项目如NSF的支持。然后到了后期，像那些真正优化其现有系统的大公司介入。对吧？他们不专注于室温超导、高熵合金或新型陶瓷。他们专注于如何把我现有的材料系统改进5%、10%，并从中获取利润。所以，整个行业如此碎片化，数据从未被共享，从发现到制造的联系通常在那个过程中丢失了。这正是我们想带回给材料科学的联系。我们认为，这才是AI和自动化在材料领域的真正机会所在，即在一个完全闭环的系统中将这两者连接起来。 ### 规模化带来的问题转变 **RJ**: 我想深入探讨一下。我有一个经验法则，在思考问题时经常遵循，那就是每当你在一个扩展系统中改变数量级时，你的问题就会完全改变。对吧？所以你谈论的问题的数量级是截然不同的，对吧？在发现阶段，你的样本量是1或者某个小数。而在商业化阶段，你的样本量是百万级或更多，对吧？那么，你为什么认为自己有能力解决所有这些中间问题呢？ **Joseph Kraus**: 是的，这是个好问题。我想用一个真实的实践例子来解释它到底有多难。在我们的领域，对于这些合金，决定性质的一个重要因素是**微观结构**。那么，微观结构是如何在这种合金中形成的，以便你能看到像强度、延展性、发射率或你喜欢的其他任何机械性能。所以在生成层面，也就是候选物生成、假设生成阶段，你可以预测一个新的成分。对吧？AI在这方面其实相当擅长。我们所有的假设今天都是由我们的AI科学家生成的。你会拿着那个成分，去实验室合成它。好了，第一步，情况就变了。对吧？它可能没有被均质化，表面可能出现树枝状晶体，你可能会看到不同的相，或者它会是单相吗？这些决定了性质会是什么样。然后一旦你过了那一步，你真正进入到可制造性阶段，你知道，退火或热处理，并实际研究你如何制造它？是用粉末进行增材制造，还是用原生金属进行铸造？两者在性能上会产生截然不同的结果。所以，回答你的问题，解决这个问题的**第一步是捕获数据**。我们今天在发现和测试阶段就是这么做的。需要澄清的是，我们不负责制造，但我们在发现阶段做这些。所以我们做合成和表征。我们的实验室里有一堆表征工具：SEM, EDS, XRD, XRF, TGA。然后， **Brandon**: 等等，哦，稍等一下。那是一大堆缩写。[笑声] 你想现在解释一下它们吗？如果之后讲更合理，我们也可以暂停一下，或者我们现在就谈谈。 **Joseph Kraus**: 我们可以稍后再回来谈，我也很乐意深入探讨我们正在做的每一件事。 **RJ**: 那么现在为了听众，那些只是一堆你不需要知道意思的缩写。 **Joseph Kraus**: 只是一堆在实验室里告诉你关于材料不同信息的工具，我们可以谈谈它们的作用。然后我们在实验室规模上做性能测试。所以我们今天会在实验室里看氧化性能，这对于了解这些合金在氧化或腐蚀环境中的表现非常重要。我们会看机械性能，你知道，一种叫做拉伸测试的东西，它能给你材料的应力-应变曲线。然后我们会看显微压痕。在这里你可以得到材料的所谓**维氏硬度**，同时我们也建立了一个延展性的代理指标。它不是延展性的精确测量，但我们能从中判断材料是否具有延展性。所以，这就是在发现端和进入测试端发生的一切。我们还没有跨入到，好的，现在我们进入可制造性阶段，但我们希望能做到。所以回到你最初的问题，如果你也能在制造端捕获数据，那么现在你就拥有了我们称之为材料“生命周期”的整个套件。我看到假设，我看到合成，我看到表征和我们制造出的东西。我看到了显示良好结果的早期性能，然后我看到了制造过程以及最终产出的是什么。它最终进入系统了吗？现在我看到了这种材料的生命周期。现在我可以用它来挑选更多针对正确应用的材料。这就是，这就是公司想要实现和做到的北极星。 ### 从发现到制造的漫漫长路 **Brandon**: 我们今天在这方面进展如何？ **Joseph Kraus**: 我想说，我们在第一部分，也就是发现和我说过的小规模测试上做得非常好。有一些测试机制我们是使用外部第三方，在行业本身需要深厚专业知识的领域。航空航天就是一个完美的例子。如果他们做风洞测试或火焰测试，Radical今天没有这些能力，而且，到目前为止我们也不需要拥有这些。我们想使用第三方。 **RJ**: 那是一个很长的尾巴。 **Joseph Kraus**: 嗯，完全正确。 **RJ**: [笑声] **Joseph Kraus**: 嗯，非常长，然后你再看看一个风洞的成本，你就会觉得，“是的，我永远也搞不定那个的更新。”[笑声] 嗯，最后，我们还没触及制造。我们和从事制造的人聊过，也确实知道他们关心的一些事情。所以，可加工性就是一个很好的例子。你知道，这种材料能否成型？对吧？如果你要铸造它，我能把它塑造成我需要的形状吗？我们确实关注这一点。嗯，但我们是在小规模上关注，而不是10吨的规模。我们看的是，你知道，几克，200克，500克的材料。所以，还没有到那么大的规模。但第一部分已经完成了，今天正在运行。我们在过去五六个月里大概制造了**1200种合金**。其中**300种是新的、新颖的、文献中前所未见的**。我想说其中大概有**10种合金**的性能让我们对它们在行业中的未来感到非常兴奋。所以，这大概就是我们今天作为一家公司的规模。 **Brandon**: 这就引出了一个后续问题，你们在多大程度上只是在一个被充分理解的领域内进行优化，挑选出新的、新颖的排列组合，而又在多大程度上是在尝试那些真正推动科学前沿的实验。 **Joseph Kraus**: 是的，后者。我们确实在制造推动前沿的新材料。举个好例子，我们从事一个叫做**高熵合金**的领域。这些合金非常奇特，因为它们在一个系统中含有五到七种元素，原子比例大致相等，它们在极端环境下表现出非常奇特的性质。所以，想象一下超高温，通常在2000-3000摄氏度以上。它们承受非常高的压力，想想从太空返回。然后它们所处的环境可能是腐蚀性的，比如核反应堆，在那里你感受到中子轰击；或者是氧化性的，比如你在国防应用或喷气涡轮机中飞行。所以，这些合金在这里非常令人兴奋，而且，你知道，过去50年来，所有这些行业使用的都是相同的合金。原因就是我们谈到的那些漫长的发现周期。所以，这是一个完美的例子，我们正在一个已有的行业中工作，我们不是在创造一个新行业，当然涡轮机是一个巨大的行业，它很棒。它现在正迎来第二股顺风。 **RJ**: [笑-听起来像是在说“Are they having a”后面被笑声打断] **Joseph Kraus**: 嗯，但我们试图在那里推动的是一种新的性能，一种他们现有材料所不具备的性能。我们从SpaceX的材料副总裁Charles那里借用了一个术语，叫做“**并行工程**”（concurrent engineering）。它的理念是，我可以在设计我的产品的同时设计我的材料。对吧？所以，当我制造一个新的火箭助推器、一个喷气涡轮机、一个导弹或者一个太阳能电池时，我实际上是在发明满足其性能规格的新材料。我在工程设计过程中反复迭代以达到应用要求。我们今天不这么做。对吧？我飞来这里坐的飞机上的合金是1950年代、1960年代、1970年代的。它们可能涂覆了一些1990年代末的CMZ涂层。所以，这里确实存在一个机会，你知道，我们正在攻克那些已经存在、拥有巨大市场的行业，但我们带来的是新颖的材料，这些材料在历史上他们从未有过足够高的吞吐量和足够大的规模去研究。 ### 克服研发瓶颈：以药物发现为鉴 **RJ**: 那么，回到你之前谈到的瓶颈。你说过，一种材料需要15到30年才能上市，部分原因是在研究和产品化之间存在脱节。你如何验证你正在做的事情会成功，并且不会在整个过程中被另一个意想不到的瓶颈扼杀？我来自药物发现领域，在那里即使你认为早期数据很好，在临床试验的不同阶段，所有这些事情都可能让你失败。我想知道材料领域是否有类似的情况，你认为这些问题会在哪里出现，什么会阻止你刚刚开发的这个超级酷的合金最终进入市场？ **Joseph Kraus**: 问得非常好。材料领域绝对有这些问题。如果我们以我刚才给的合金为例，其中一个领域叫做**资格认证（qualification）**。所以，资格认证是一个过程，如果它要用于载人飞行，就由FAA（联邦航空管理局）来执行。美国军方也有一个军用规格（mill spec）认证。基本上，你的合金必须通过认证才能用于航空航天或国防应用。这个过程非常缓慢。今天通常需要10年。你必须制造出许多不同批次的材料锭，并对它们进行一系列标准化测试，以证明你的材料可以在那些系统中使用。所以，确实有很多事情会在后期给你带来“惊喜”。我认为，实际上，尝试捕获那些数据，理解这些事情在何时何地发生以及为什么发生，才能真正影响你的发现循环。 **Brandon**: 它需要10年，是因为像临床试验一样，你有一系列递进的阶段吗？你能像“曲速行动”（Operation Warp Speed）那样，把这些都并行处理吗？还是说你真的需要按顺序来做这些事？ **Joseph Kraus**: 有些人正在努力改变按顺序进行的方式。所以现在确实有一些非常好的工作。例如，在**DARPA**，他们正在研究新的资格认证方法，对吧？他们可以利用增材制造逐层构建，并实际研究，你知道，我们能否以这种方式看待材料的资格认证？我想说那是一种新技术，正试图完全重塑我们今天做那个流程的方式。 **Brandon**: 所以这不是监管问题。这只是…… **Joseph Kraus**: 这是挑战所在。我的意思是，有些东西本质上是监管性的，因为它是由像FAA或军用规格这样的政府机构来执行的。而且你还得看到这件事的人性化一面。你知道，开发一种用于iPhone的新合金可能更容易——“更容易”可能不是合适的词。它的情况不同。我的意思是，如果它在你的测试中弯曲了，你可以扔掉它或继续前进，或者在最坏的情况下，你知道，召回iPhone。这对公司来说显然是一个可怕的情景，但你可以这么做。但如果它要用在喷气涡轮机里，你要把它装在一架787上飞行，那么必须达到一个非常高的标准，而且理由很充分。没有人希望那个标准被取消。我今晚要飞回纽约。我当然，我当然不希望那个标准被取消。要非常明确，确保这被记录在案。 **RJ**: [笑声] **Joseph Kraus**: 嗯，但我认为我们处理这个过程的方式非常陈旧。这正是人们试图攻击的地方，我们必须那样做吗？还是有其他方法可以得到相同的结果，但通过不同的机制？这就是AI有趣的地方，但同时，自动化也一直非常有趣。而且，当你使制造过程更加自动化时，就会有更多的传感器，因此有更多的数据，因此有更多你可以捕获和分析的东西，因此你可以围绕它构建一个更大的循环。这一点在今天的材料制造业中还没有被深入地推广。 **RJ**: 所以也许药物发现和材料之间的一个区别是，在药物发现中，你有不同的阶段，每个阶段都旨在基本上不致人于死地。而在材料领域，在某种意义上，除了预算之外，没有理由你不能…… **Joseph Kraus**: 一次性解决。 **RJ**: 而且连续的资格认证级别除了预算限制外，并不依赖于之前的级别。 **Joseph Kraus**: 以及你必须关注的其他一些矩阵。这就是让材料变得如此困难的原因，实际上。一个完美的例子是**供应链**。大概5年，也许更久一点，10年前，我们还没有感受到今天来自金属行业或矿产行业的限制。**铪（Hafnium）**的价格涨了10到15倍，因为中国拥有大部分供应链。像耐火材料…… **Brandon**: 钽（Tantalum）和铌（Niobium）。 **RJ**: 铪是什么？ **Joseph Kraus**: 嗯，铪是元素周期表中的一种元素，用于像C103这样的材料中。C103中大约有10%重量比的铪，这是一种今天非常常见的航空航天和太空合金。所以现在我们开始在对话中看到要求，你知道，你能否从那种材料中去除那种元素？这是一个不同的问题。在那里你实际上是在尝试维持相同的性能规格，或者说你试图完全移除方程中的一半信息。我们专门研究过这个问题，并且我们已经成功做到了。所以，这就回到了，你知道，供应链是一个问题，成本和利润是一个问题，谁在为此买单并感受到压力。我可以告诉你，航天工业对高成本的容忍度要高得多。性能就是一切。当我设计一个新的隔热罩或一个新的火箭发动机喷嘴时，性能是我最关心的事情。成本不是我首先考虑的。它并非无关紧要。我不想为一个喷嘴花一亿美元，但我仍然需要……它仍然不是我最先考虑的。你再想想消费电子产品或者医疗设备应用，合金也会用在这些领域。嗯，现在成本绝对敏感得多，你知道。我们今天可能可以把一些合金用在智能手机里，但这会让它们变得贵得离谱，而且可能无法兼容我们需要放入的其他一些东西。所以，关于一种材料，有太多的事情让它变得困难得多。而且你知道，这也是我们深信自驾实验室的原因之一。只是为了回到这一点上。在我看来，从材料的角度看，这就是生物AI和材料AI的区别。你知道，如果你看生物，或者更广义地看小分子这个类别，嗯，因为你可能可以把一些有机材料也包括进去。你看到SELFIEs和SMILES字符串，对吧？这一直是将这些材料、这些分子以文本形式表示的重要方式。然后你就可以使用它。这是因为你知道元素，也知道化学键。所以，你知道了大部分你需要知道的事情。但我刚才告诉你的关于合金的一切呢？供应链、成本、微观结构、你的加工方式，是增材制造还是铸造。你如何在一个字符串里捕捉所有这些信息？嗯，你做不到。这就是困难所在，没有一个单一模型可以一蹴而就地创造出一种新材料，最终用在你的iPhone或星舰上。材料科学不是这样运作的。因此，这里有一个非常棘手的挑战：你如何捕获所有这些数据，并将其反馈回来，真正地改进你的AI引擎，使其涵盖的范围不仅仅是发现，甚至肯定不仅仅是成分。 ### 人机协同与实验室自动化 **Brandon**: 你提到了这种循环，对吧？你实际上在用自动化做两件事，对吧？一是在收集数据，二是在进行实验和制造东西，对吧？那么这个过程的迭代性如何？在不同的步骤中，人类可以参与循环的样子是怎样的？ **Joseph Kraus**: 是的，人类今天在我们的循环中以一种非常重要的方式参与，实际上是在训练和教导我喜欢称之为“科学家”的东西，关于他们所知道的知识。我们在公司称之为“**科学直觉**”。所以具体来说，我们有一张扫描电子显微镜（SEM）图像，就是一张给材料拍照的图片，我们的科学家会进去分析那张图片，并在我们的系统中做评论。嘿，我在这张图片的这些位置看到了树枝状晶体的形成，对吧？AI科学家会去看那些评论，所以这是一个非常棒的人在回路中的例子，我们试图下载一个冶金学博士的大脑，关于当你看到这张图片时，你作为一个博士科学家看到了什么？我们需要能够作为一个AI科学家来复制这一点。所以这是他们在循环中的一种方式。第二件事，如果你们愿意，我们可以深入探讨。实验室自动化并不容易。 **Brandon**: 是的，它[笑声]是…… **Joseph Kraus**: 我们正在努力。 **Brandon**: 它超级难自动化，而且，从像硬核工程挑战的方式来看，我们可以谈谈那些，然后到一些恼人的方式。比如，你知道，工具供应商就是没有SDK或API来配合，所以是的，有一些工程上的事情我们可以谈，但即使是这个工具提供商通过他们的软件层让你访问数据的想法，在两年前还不被理解，但我可以告诉你，几家非常大的工具供应商两年前对自驾实验室并不太兴奋。他们并不急于给我们访问软件和提取数据的权限，即使我们付钱。那种调子现在已经变了。 **RJ**: 他们是想自己拥有这个市场吗？是这个原因吗？ **Joseph Kraus**: 根据我的理解，我不是工具供应商，所以他们可能会给你不同的答案，但根据我的理解，你知道，他们销售的很大一部分是分析从他们工具中出来的数据的能力。嗯，让那些工具与众不同的其中一件事是他们如何实际使用软件来生成你的光谱。他们喜欢以此为卖点，这对他们来说是一件非常大的事。所以，如果他们给你访问原始数据的权限，而你不再需要他们的软件，那你为什么要买他们的工具呢？是的。现在，我们告诉他们，“不，不，不，你们大错特错了。”我们正在让他们明白这一点。这是一个正在进行的工作，而且我确实认为在AI for science领域有很多关键时刻。第一，它正经历一个不可思议的时刻，这对世界将是如此之好。我们可以谈谈这个。第二，你看到了我认为的学术界和国家层面的认同，以及私人领域的认同。所以，你看到了Genesis任务，你看到了能源部和国家实验室朝着这个方向发展。你看到像Google DeepMind，微软，以及像Meta这样的其他地方，要么建立自己的实验室，要么在别人的实验室进行实验以获取数据。然后你有私人公司正在组建自驾实验室，并关注科学设备的自动化。这真的开始推动这股浪潮，哦，现在我们不再真正争论AI实验室或自驾实验室是否是未来的一部分。而是我们将在其中扮演什么角色？这是一个更有帮助的对话，因为现在我们可以更快地获得访问权限。 **RJ**: 生物学中的自驾实验室是出了名的困难。比如，你可以自动化其中的某些部分，但你不可避免地会有人在周围走动，把托盘从一个区域搬到另一个区域，这实际上并不会经常加快速度。有时甚至会减慢速度。对于非研究活动或你知道的，对于制造业，我们非常擅长完全的端到端自动化，但是当过程改变时，你如何处理？你知道，你有没有找到某种方法来自动化你正在解决的问题类型？ ### 自动实验室 vs. 自动驾驶实验室 **Joseph Kraus**: 你知道，自驾实验室，首先我认为谈论什么是自驾实验室很重要，因为这会影响到你的答案。**自动实验室**（automated lab）和**自驾实验室**（self-driving lab）是有区别的，对吧？一个自动实验室是为你自动进行实验，无需人工，并且是高通量的。这可以非常有效。而一个自驾实验室是为你运行**研究活动**（research campaigns）。这有很大的不同，我喜欢这样描述它，你知道，其中一个就像是解放双手的驾驶，是的，我不需要碰方向盘，它能让我在车道内，能保持我设定的速度，但是当一个左转弯快到的时候，我必须注意，我必须打转向灯，我必须转动方向盘，我必须知道要左转。现在把它和Waymo比较一下，我喜欢提起这个，因为每次我来这里，我都会特意去开一圈，有时候只是绕着街区开。这就像生活在未来。嗯，你不需要左转。实际上，你甚至不需要知道要左转。你不在乎它带你走什么路线。你上车，如果你想，你可以闭上眼睛，你可以，你知道，刷X（推特），你可以写一篇研究论文，然后你到达了你的目的地，却不知道你是怎么到那里的。这就是你控制的，只是使用自动化来提高吞吐量的自动实验室，和它为你完成整个过程的自驾实验室之间的区别。所以在自驾实验室里，有些人类科学家做的事情其实非常困难。样品操作就是一个完美的例子。你知道，当我们合成这些合金时，我们得到这些出来的小圆片。在行业里它们被称为“钮扣”（buttons）。因为你用3000、4000度的高温去轰击它们，它们会粘在托盘上。你怎么把它们取出来？而且你不能……你得小心，因为你不想弄乱微观结构或者把它的一部分弄掉。当然，它足够坚固，你不会真的那么做，但我们不得不设计定制的执行器装在我们的机械臂上，才能操作它们。而那与发现这种新型高熵合金几乎没有任何关系。那只是如果你想运行自主的合金科学所必需的。所以，这是一个答案，存在这些挑战，人类要么不会面对，要么如果我们面对了，它们也非常直观，对吧？钮扣粘住了，我拿个小凿子，敲一下，翻过来，然后继续。我甚至不会多想一下。没那么复杂。第二，我们之前稍微谈到的是软件。这不仅仅是关于控制工具，而是关于**运行实验室**，对吧？我如何追踪我的样品？我如何知道哪个样品应该放进一个工具，哪个不应该？有没有一个质量检查环节，如果我在合成后看一个样品，我其实想终止那个实验。我不需要浪费时间去通过XRD和SEM以及实验室里的其他工具。我只想停止那个样品，保存状态，然后把它扔掉。它怎么知道如何做那个？这就是你开始引入，你知道，所有这些不同因素的地方，从视觉、实验室里的不同传感器、工具本身的传感器，嗯，来构建我们称之为运行自驾实验室的“操作系统”。然后第三部分是自动化。而自动化包括我喜欢说的**实验室的连接**。所以，我有一个自动化的工具，我还有另一个自动化的工具。你有这个操作系统在独立运行它们。机器人就是你连接它们的方式。就像一个人类科学家会进来，你知道，查看结果，取出样品，然后去下一个工具一样，我们的机器人今天就是这么做的。所以，这就是我们真正看到的构成这个自驾实验室的三个部分，我想说它们各自都有自己的困难。我们可以逐一探讨。有些就像我提到的，工具供应商的问题。有些是没有执行器。有些就像，装卸XRD真的很难。你必须把它放进一个坚固的样品架上，而且它的几何形状很奇怪、很别扭，你需要一个定制的夹具，事实就是如此。嗯，但所有这些都构成了自-驾驶实验室的样子。我们今天在合金方面非常擅长，因为我们实验室的工具是为合金而建的。有些工具是共享的，XRD, XRF, SEM，甚至拉伸测试，尽管主要用于结构金属领域，但也可以用在别处。但是，我想说像我们的氧化室，那是为我们追求的特定客户应用量身定做的。我想说我们的合成机制是专为合金设计的。我的意思是，我们与第三方合作定制了一个工具来做合金合成和高通量。那是为做合金而建的。它不是为做陶瓷或聚合物或今天任何其他材料系统而建的。 **Brandon**: 目标是扩展到聚合物和陶瓷以及所有东西吗？还是说，我们要做合金，并且基本上在合金上实现从头到尾的制造，然后再扩展？ **Joseph Kraus**: 是的。或者永不扩展。 **Brandon**: 两者都有，但在正确的时间线上。所以，第一个是**垂直整合**，这非常重要。你知道，当我们创办公司时，我不怕承认，我们当时想，“我们要做七个不同的实验室，七种不同的材料系统，全面覆盖。我们要捕获所有这些数据。这将会非常棒。”然后我们开始和客户谈论这个。是的，完全正确。完全正确。而且那会随着时间推移再回来的，但是开始和客户交谈，他们就说，“你们要怎么做这个？你们考虑过这个测试吗？当你们要扩大规模时怎么办？当你们需要做到300磅时怎么办？”我们就想，“哦，不，我们还没想过那个，可以说。我们更担心的是要扩展到聚合物和陶瓷以及其他所有东西。”所以，为什么那很重要？嗯，因为我们是一家**材料公司**。对吧？而且你会看到公司经常谈论这个。我们真的相信发明新材料能改变世界的未来。我们认为这就是AI和自动化的机会所在。我的意思是，有太多我们都关心的行业因为缺乏新颖的材料进步而受阻。汽车、航空航天、制造、国防、气候、能源、半导体、电子。 **Brandon**: 你最喜欢的例子是什么？比如，有什么问题是通过一种神奇的材料解锁的。 **Joseph Kraus**: 航空航天和半导体，立刻想到。 **Brandon**: 嗯，比如具体是什么？好吧。 **Joseph Kraus**: 在半导体的后端线集成中，有一些我们长期使用的特定材料叫做互连材料。整个行业都在这里进行研发。它们是导致效率不高和后端能源账单非常昂贵的原因。一种新材料可能会完全消除这个问题。这是一个可能的例子。 **Brandon**: 是否有某种理论上可以达到的效率，我们现在与那个相比处于什么位置？ **Joseph Kraus**: 我们对于哪些材料能够解决那个问题有想法，但是但是但是……我们将在未来几个月发布更多相关信息。我们有一个…… **RJ**: [笑声] **Joseph Kraus**: 我们有一个我们正在进行的特定项目，就是直接围绕那个问题的。但这是一个非常令人兴奋的项目，而且行业内对于超越当前材料系统，新材料能带来什么，有一些估计，但也存在其他挑战。 **Brandon**: 我们谈论的是效率提高2倍、5倍、10倍，还是1.1倍，后者通常也相当巨大了？ **Joseph Kraus**: 是的，当然。是的，是的，是的。我想在不久的将来，通过一些今天已经被推荐的系统，你会看到大约2到5倍的提升，特别是当你考虑到集成时。嗯，在这些材料中，你需要阻挡层，还有所有这些界面问题，你必须能够理解。嗯，我想在那之后，你可能会开始看到它超过10倍。我不知道能到什么程度，但有一些很酷、很令人兴奋的材料，我们会在未来分享更多信息。 **RJ**: 这个的验证时间尺度是多久？ **Joseph Kraus**: 从哪个方面来说？是实验室开始研究这些材料，还是一种材料用在一块新芯片里，用在iPhone里？ **RJ**: 所以，你有一种你刚创造出来的材料，你认为它将彻底改变世界。你认为需要多长时间才能让那个东西进入iPhone或Nvidia的GPU？ **Joseph Kraus**: 那仍然很长。那仍然相当长，是的。嗯，我们在半导体领域还是新手，而且，实际上，关于那个漫长周期的原因是，当你从零开始时，你必须从头构建一切。所以，即使是我们今天为那个行业做材料测试的方式，而且我想说他们是实际上遥遥领先于其他所有行业的行业之一，因为他们在研发上投入如此之多，而且材料真的决定了他们性能的成败。即使在那里，你知道，那个集成时间线也非常缓慢。第二，没有人能得到足够的芯片，所以那个行业里的一切都被延迟了，这很重要。我甚至今天或这周看到台积电告诉阿斯麦，他们将推迟一些新工具，直到他们完成2029年的生产运行，或者类似的故事。那个行业…… **Brandon**: 去吧去吧。 **Joseph Kraus**: 我相信是这样，是的。嗯，所以，我会找到它然后发给你们，但我当时就想，“天啊，这个行业真的被推到了极限。”我想说在合金方面，比如航空航天，我们觉得有很好的机会，时间线在**3到5年**。 **Brandon**: 那相当短了。 **Joseph Kraus**: 是的，没错。我认为会是一个应用，但不是像载人飞行那样的。比如我-我不认为会是喷气涡轮机，因为有人类在其中的限制。我认为像国防和航天系统，在那个时间线内绝对是可行的。过去有过人们在那个时间线内完成的例子，我们对我们执行这个的能力非常有信心。 ### 负面结果的价值与AI的探索能力 **Brandon**: 我想回到验证的问题上，因为我觉得这是自动化的症结所在，对吧？就是每个使用代码助手的AI工程师都有过一次性生成某些东西，然后……嗯，然后[清嗓子]当你看着它时，你会想，“这是什么垃圾？”对吧？所以，嗯，如果你在谈论的本质上是主动学习，你在……你提出假设，制造，测试，然后在此基础上形成假设，一遍又一遍地做。如果你的错误，它们显然会随着你这样做而累积。所以，你是如何思考这个问题的？ **Joseph Kraus**: 是的，我们称这些错误为“**负面结果**”，我们今天已经构建了这个循环的一个版本。所以，它不包括制造数据，就像我提到的，我们今天在实验室里没有可制造性，但它确实包括合成、表征和我向你们描述的那些早期性能测试。这个系统所做的是，它有一个AI科学家，非常擅长设计我跟你们谈到的那些研究活动。所以，它能构思这些活动，它会提出它有信心要去制造和测试的材料数量，然后它会启动那个活动。它会把它发送到实验室，它会开始自主运行，然后它会通过整个表征套件，我们会得到所有数据。那些数据都是自主提取的，其中一些是用机器学习模型如计算机视觉来分析的。其中一些，同样，也有人在回路中进行分析，然后它会被放入我们的数据库，那个AI科学家在设计下一个后续活动时会回顾这些数据。所以，你知道，这是一个基于每个活动的主动学习循环。所以，它不是每个实验都迭代。老实说，我们不需要它那么快。我们实际上想多尝试几次，得到足够的数据来改变我们的假设，但它非常迅速。我想说，我们现在可能在实验室内部同时运行着七到十个不同的活动，跨越不同的系统，嗯，而且你知道，你每天都在用你从实验室得到的结果来更新它们，嗯，或者至少每隔一天。人类在其中做什么？因为，你知道，我发现，好吧，做，你知道，嗯，转录组分析之类的，Claude帮我做了一些工作，然后我最终，你知道，进行方向修正。哦，这大概就是你实验室里发生的事情的要点吗？在某些部分，是的，尽管有些部分更复杂，老实说。合成就是一个很好的例子。我们仍然有冶金学博士在运行我们的合成机制。那个工具还没有完全自动化。嗯，它应该在夏天之前自动化。那是我告诉你们的我们正在和那个供应商一起建造的定制工具。而且它不仅仅是开关自动化。合成机制本身就需要自动化。所以，如果你见过如何铸造这些合金，我的意思是，基本上你拿一个等离子炬，然后你用它来轰击它们，你把这些原始前体融化成液体，然后你把它铸造成你设定的形状，然后它凝固成那个形状。所以，这里面有很多直觉。比如一个科学家盯着它看，然后说，那个还没融化。让我打一下那个角。所以我们建立了模型，可以实际开始学习如何以与人类科学家同等的性能来做这件事。所以，我们正在接近那个水平。所以那个还没有完全自动化。表征是完全自动化的。我们只是让科学家在事后注释图像或结果，以便训练AI科学家。我们所有的表征工具都可以通过我们的后端操作系统加载、卸载和控制来进行表征。性能测试，三个性能测试中有两个是完全自动化的。所以显微压痕和氧化是自动化的。拉伸测试几乎自动化了，未来应该会自动化。所以，我们……这就是人类所在的位置，这就是人类所在的位置。现在，在生成过程之后，我们所有的材料今天都是由我们的AI科学家生成的。偶尔，一个人类科学家会尝试竞争，我我喜欢讲这个故事。他们讨厌我讲这个故事。嗯，他们会扔进一个成分，然后AI科学家会说，“把那个拿走。那个不够强。”或者我们会看看，我们如何思考一些新的东西？ **Brandon**: 实际上，这就像你在做红队演练。 **Joseph Kraus**: 是的，这么描述很好。是的，我不知道他们会不会这么叫。我想他们会称之为失业，但他们实际上没有。他们对这个过程实际上超级重要。而且我认为很酷的是，有时候科学家会认识到一个新的学习点。哦，真有趣，你把那个元素扔进去了。嗯，那很酷。另一部分是去人类科学家不会去的地方。我们有一张非常漂亮的图表，我可以给你看，它显示了在高熵合金领域，所有不同的元素，在出版物中，也就是在文献中，我们能接触到的，科学家们去过的所有地方。然后我们在那张图表上有一个第二层覆盖，显示了我们的AI科学家去过的地方。 **Brandon**: 嗯哼。 **Joseph Kraus**: 它进入了元素家族或者说合金家族，之前从未有人发表过文章。问题是，为什么？ **Brandon**: 嗯哼。 **Joseph Kraus**: 比如，它为什么会想到那么做？所以我们问我们的科学家，比如你为什么从没去过那里？你为什么从没用过那个元素或那个元素？它的回答是，我就是不觉得它会……我不觉得它会和混合物里的其他元素协同工作。我不觉得它能铸造。嗯，我以为我们尝试制造它时它会蒸发，但我……它没有……我们能够合成它。我不觉得它会在微观结构中起作用，或者……或者会导致晶粒不是我想要的样子，并且不会得到我以为的机械性能。所以我就是从没考虑过它。但它实际上在那个构造中是有效的。所以这里有一个非常有趣的反馈，你知道，现在科学家擅长探索那些我认为人类天生就有偏见的地方，即使那可能是无意识的偏见。那是一个AI科学家的巨大力量。 **Brandon**: 但这部分原因不就是因为你们有更高的通量，并且你们让你们的AI科学家做它自己的事情吗？我想知道如果你们让同样的科学家，说，好吧，没有限制，尽情发挥。你们可以做任何你们想做的事。所以……你知道，如果你有一个AI科学家，它没有……它可能没有先入为主的观念。我实际上……老实说，我有点惊讶它不只是在重申已知的东西。但我……我想知道其中有多少是……嗯，你只是提高了你采样器中的“温度”。 **Joseph Kraus**: 是的。这是一个重要的指标。加工过程非常重要。所以……你知道，需要澄清的是，有时候它确实会倾向于它所知道的，特别是当它引入文献时。它会说，哦，这就是它的位置。实际上，文献是一个伟大的老师。比如，如果某些东西有效，那实际上是一个很好的起点，去立足于为什么它们有效，并试图理解为什么它们有效。这对材料领域来说是一个大问题，我们可以谈谈。但是……但它也有这个，你知道，很好的能力，因为它是高通量的，所以不害怕去测试。你知道，当我在读博士的时候，我大概一年做50个实验。我不知道，粗略估计，你知道，大概是那个样子。所以每个实验都有点重要，对吧？而且……还不算像……精神负荷，比如一次花两周时间来……制造这个东西并合成它，然后去测试。我们不那么想……但是科学家……AI科学家，对不起，它不那么想。它想的是，我今天要做八个，今天要做二十个。一旦那个工具完成了，我一天要做一百个。我……我真的不在乎去尝试一次，并从那次尝试中学习。所以这就像是一种心态的转变。 **Brandon**: 一个实验的成本大概是多少？ **Joseph Kraus**: 嗯。所以这取决于你用什么元素。有些元素，比如铂、钯，比铝、钛贵得多，大概从60美元到300美元不等。 **Brandon**: 好的。 **Joseph Kraus**: 而且完全取决于元素，通常是这样。 **Brandon**: 你们的吞吐量是多少？ **Joseph Kraus**: 今天，大概在8到20个之间。这也取决于元素。特别是耐火材料，如果我们做耐火材料，它们铸造起来要困难得多，所以我们会降到8这个数字。如果你做像钛、铝这样的东西，你标准的Ti-64合金，那些就容易铸造得多。它们……它们立刻或很快就融化了。我们会提高吞吐量到20。到六七月份，我们应该能做到每天100个，不分系统，粗略估计。嗯，上下浮动。 **RJ**: 这是整个实验室的吞吐量，而不是每个工作流程？ **Joseph Kraus**: 是的，没错。这是整个实验室的。 **Brandon**: 好的。8到20个，而且你们可以想象让人们检查其中的大部分，还是说…… **Joseph Kraus**: 我不知道。你可以……你知道，有一件事我想补充一下，你刚才让我想起来了，就是AI的运作维度和人类不同。让我解释一下我的意思。当我还是个科学家时，你经历一个非常串行的过程。我提出一个新假设。实际上，退一步说。我读一堆论文。我提出一个新假设。我可能会运行一些计算工作流，DFT或MD或ML。我去实验室合成它。然后我转向我的表征。我花两周时间研究我的表征。我从一张图片或我看到的东西中得到一个新想法。我再回头，重复整个过程。这就是人类所做的，而且它非常串行，因为……如果我拍100张SEM图像，我记不住所有100张。我很想认为我能。我的导师会希望我能，但我……但我……但我不能。所以我从中提取出一件事或几件事，我想学习。现在切换到AI科学家在同样的过程里。现在它是并行的。现在我可以读10万篇出版物，然后直接将它们与10万张SEM图像在同一时间进行比较。实时地。而且我可以研究，我可以学习，我可以记住我在那10万张SEM图像中看到的所有东西，并直接得出结论，反馈到我的论文，反馈到我的假设，或者反馈到我的机械性能测试，在那里我想看看实际结果是什么。我作为一个人类科学家做不到那个。所以这种**并行性**让它能以一种人类科学家无法做到的方式运作。 **RJ**: 好的，但你仍然在谈论每周、每月生产大约10个或100个数量级的材料。是的。总体规模与许多生物学方法相比并不大，你有办法将规模扩大到，你知道，百万级，如果你在做……比方说，基于下一代测序的分析，你可以……十亿级，你知道，等等。所以，你知道，这更让人想起……比如基于配体的建模，你在……你真正在看的是少量例子，并试图从中找出……局部模式。对于，你知道，小分子，你可以……你有真正的预测能力。这就像……这些是有用的技术。但是，从化学信息学的经验来看，几乎普遍的规律是，当这些技术变得有用时，实际的科学家已经可以直接去做了。就像……他们本可以在……你知道，他们本可以在AI模型达到那个水平之前就找到他们想要的分子。是的。抱歉。所以，这就像一个非常特定的领域，但它是一个已经被很好地确立的领域。所以我有点好奇，因为看起来在这个数据类型下的时间尺度似乎非常相似。这居然能如此有效，有点令人惊讶。 ### 实验数据的稀缺性与AI的机遇 **Joseph Kraus**: 是的，有两点。第一，吞吐量是一个非常重要的数字。据我们所知和已公开发布的信息来看。所以，如果有谁在幕后做到了我不知道的…… **RJ**: 是的。 **Joseph Kraus**: 请，我非常想和他们谈谈。最大的合金项目是MACH项目。它由DARPA和GE航空航天公司运营。他们在大约12个月内做了500种合金。他们在那之前做了大量的AI和模拟，然后在那一整年里合成了500种新合金。所以，这可以说是一个基准，关于一个人一年能做多少种合金。再说一次，我们……我们正试图在五个工作日内做500种。我们在三个月内做了1200种。所以，我们正在朝着数量级上的提升迈进。第二点是，我认为在合金领域特别具有挑战性的，而且我认为这可能特定于合金，尽管我确实认为它会延伸到其他一些行业，那就是有太多的变量会影响你的最终产品以及该产品的最终性能。这使得发现工作实际上更难进行，因为有无穷无尽的潜在组合。我的意思是，有像10的40次方种不同的潜在合金你可以去合成。那么你怎么做呢？即使你能做到高通量，就像你说的，它仍然不是那么高的通量，对吧？我们……我们认为人类需要700万年才能把它们都做出来。所以，即使你一年只做3万种，你又能做什么呢？对吧？嗯，筛选机制在这里非常有用，我们都知道。那是AI擅长的地方。但我认为另一点是，实际上因为行业中缺少数据。我们没有实验数据。我们确实从100、200、300个实验中看到了相当积极的结果。嗯，我们从我们今天运行的1200种合金的实验结果中看到了300种我们以前从未见过的新合金。而且你……你可能认为每种合金大概有50到150个不同的数据点，取决于你拍了多少张照片，运行了多少次光谱分析等等。那是一个相当小的数据集。嗯，相比之下，这个小数据集非常小。有趣的是，当我和机器学习方面的人交谈时，他们会说，“你们要怎么得到数百万个数据点？”我就会说，“我就是不觉得你需要。我们至今还没看到你需要那么多数据来做新的发现。我们有很多新的发现，其中许多正在通过专利保护，我们正在和潜在客户讨论。我们就是不需要数百万个数据点。”而且你知道，这就引出了……我之前在GTC上就计算问题争论过。嗯，我当时在GTC就此争论。比如，我们……我们在材料行业不受计算能力的限制。 **Brandon**: 是的。你们在创造东西。 **Joseph Kraus**: 是的。我们受实验的限制。 **Brandon**: 我的意思是，这甚至是我做的，也就是计算，它通常受数据移动的限制，对吧？不是说我能……我听说……我看到这些人，我很嫉妒他们，他们晚上有14个云会话在运行。 **RJ**: [笑声] **Joseph Kraus**: 他们有所有这些不同的实验在进行，而我做不到，就因为我无法足够快地移动数据。 **Joseph Kraus**: 是的。是的。这几乎可以很好地类比我们的世界，它不是一个模型问题。它不是……它不是一个语言问题。它不是……我们没有那些同样的问题。这是一个**实验问题**。它真正关乎你如何能运行足够的实验来开始改变一个AI科学家的输出，并捕获你需要的数据来发现新东西。所以，对我们来说，它真正关乎那个。那是我们的瓶颈。那就是吞吐量。那就是为什么我们如此看好自驾实验室。那就是为什么当我开始对话时，你们问我们做什么？一切都关乎自驾实验室、自动化、实验数据。我的意思是，我们正试图为材料建立蛋白质数据库。而且它比晶体学结构或那里面其他的任何东西都复杂得多。嗯，有所有这些你今天谈到的不同性质，必须包含在那个数据集中才能使其具有相关性。所以，这很难，这很难做到。 **Brandon**: 这让我想起了April Kulick's，哦不，是Heather Kulick的那一期，她说**没有材料领域的AlphaFold**。所以，首先，你同意吗？好的。 **Joseph Kraus**: 我同意。我认为你可以为材料的特定领域创造“AlphaFold时刻”，比如显微镜学，就是一个完美的例子。读取，你知道，在SEM图像上使用分割模型，我们的团队今天就这么做。就像，那是个很酷的……无论你称之为“AlphaFold时刻”与否，我不知道，但现实世界的模型在能够做到这一点上产生了巨大的影响。我**不认为**你能从“我有一个新假设”直接跳到“哦天哪，我有一种新材料。它已经规模化了，完成了，已经用在你的iPhone产品里了。”你今天做不到那个。我同意那个说法。 **RJ**: 好的，但是即使是AlphaFold也解决了一个科学问题，那就是如何从一个蛋白质序列推断出那个蛋白质的三维结构。而且我想加入很多限定条件，这样我的结构生物学家朋友们就不会…… **Brandon**: 是的，是的。 **RJ**: ……找我麻烦。但无论如何…… **Joseph Kraus**: 幸运的是，我不是结构生物学家，看节目的也不是，所以我可以免责。 **RJ**: 但是……但是这里看起来有用的东西是，你输入一个化学式和某种处理方式，然后你得到的是……所谓的微观结构，你可以从X射线衍射中得到部分信息，但不是全部。嗯，所以，那个问题在很多方面听起来比生物学问题要难得多。可以吗，是的。你能否再多解释一下那个？ **Joseph Kraus**: 是的，而且……它甚至比你刚才描述的还要难，意思是，可能有些东西你还不知道你需要测试，或者当你规模化时你可能会看到，而你之前不知道你应该预测或注意。围绕那个构建一个数据集真的很难。所以，我喜欢告诉人们，他们确实会问这个，你知道，你能为材料建立数据库吗？就像，嗯，我的意思是，再说一次，如果你想做SEM图像，扫描电子显微镜图像，然后看……你知道，使用分割模型，是的，你可以建立一个非常大的SEM图像数据集，非常擅长在材料中找到枝晶或裂纹或缺陷，而且模型会非常非常擅长用它来预测，你知道，并将其与机械性能联系起来，因为你在寻找裂纹扩展对强度的影响。好的，追踪到了。但那和，好的，你能……你能制造它吗？你能雾化它吗？你能用粉末制造它吗？你能用增材制造吗？你能铸造它吗？是完全不同的事情。相关的，显然，微观结构与那个问题相关，但仅仅因为你理解了微观结构，仅仅因为你看到并能预测裂纹扩展，并不意味着你必然能完美地搞定制造。所以，天啊，有太多事情我们看到堆积起来，还有一些我们……我们学到了很多新东西。嗯，每当我们……我想我们知道了一切，然后我们去某个地方，沿途又学到了新东西。所以我确实认为它是多方面的，肯定的，而且每种无机材料都有不同的限制，对吧？我谈到了那个供应链。那对于国防应用来说非常相关，是一个完美的例子。嗯，供应链不是我们在消费电子产品中担心的事，可以说。你知道，比如Ti-6-4还在那里。我的意思是，它有货。就像，是的，人们关心它来自哪里，但那和美国今天对关键矿物的关注不一样，后者关注的是我们从哪里得到这些我们无法控制绝大多数的矿物。那是不同的问题。所以，有不同的输入，你会得到不同的输出。我觉得这就是为什么材料如此困难。就是所有这些在发现之后才出现的数据。我总是告诉人们，你设计出一种新材料的那一刻，那是一个里程碑。你确定尺寸的那一刻，里程碑。你表征它的那一刻，里程碑。那**不是一个新发现**。我们把新发现定义为当你拿起你的手机，里面有一种新材料时。我认为那才是一个对规模化材料的新发现的公平声明。 ### 从实验室到市场的“漏斗”与隐性知识 **Brandon**: 所以，当你经过……所以在那些步骤的每一步都有损耗，在每个里程碑都有。而且想必在制造过程中也有单独的步骤，那里也有损耗。所以，当你越来越接近消费者或应用时，你的数据就越来越少，对吧？所以，你……你从根本上如何克服这个问题？因为我认为在制药领域，现在人们开始思考……有一些经验法则，我想说，可以用来从临床反向转化回发现过程。嗯，你知道，你们在材料领域是怎么做的？ **Joseph Kraus**: 你知道，这很有趣。我喜欢讲我公司一位顾问的故事。他在3M工作了35年。我们当时问他关于制造的问题。就像，“嘿，当你们去制造时，你们关注什么？”这还很早。这大概是公司成立的第三个月。他说，“哦，你们要学的东西还多着呢。”我就说…… **RJ**: [笑声] **Joseph Kraus**: “你什么意思？我可是个材料科学家。”他说，“不同的世界。”所以，有趣的是，他提到的挑战之一是，“你知道你们想要的或询问的数据最难的部分是什么吗？那是一个在公司工作了35年的人，他确切地知道在你要谈论的任何制造工具上，该把旋钮转到哪里。所以，你们在问的是，你知道，他或她知道在特定时刻把旋钮转到那个位置的能力。你怎么捕捉那个？我怎么给你那个？我的意思是，即使你给它一个公式，它每次都一样吗？”再次，这就回到了我们今天谈了很多的**直觉**，只是在制造的意义上。这是困难的部分。嗯，关于制造我没有答案给你，因为我们还没做过。但在发现方面我有很多答案，我们必须关注直觉在哪里重要。我谈到了之前提到的合金铸造的那个火炬。那是其中之一。读取SEM图像，那是其中之一。查看XRD光谱并识别相以及峰的强度如何。现在，那是随意的。那个非常强。那个有点强。那个不是很强。那个很糟糕。这些都意味着什么？我的意思是，我可以猜它们的意思，但如果你看一个XRD，你可能无法完全得到你或我所想的那样。所以，这个直觉方面非常重要。这就是为什么我们仍然有人在回路中，因为你想捕捉那个。现在，当你进入制造阶段时，我们认为我们必须做同样的事情。我们认为机会在于，你可以实际重建那些完全自动化的流程。所以，你实际上可以把所有这些……所有的传感器和所有的……捕获机制，姑且这么说，都部署好，这样你就能把所有那些信息都带回来。那是一个很难解决的问题。需要澄清的是，我们还没有解决那个问题。我们肯定还处在发现和测试的那一边，但那是我们想达到的地方。我们如何快速到达那里？**合作伙伴**。我们确实和我们领域里很多大规模生产合金的公司交谈，他们正在思考这个问题。他们从不同的角度看待它。你知道，他们并不都对AI for science充满热情。实际上，我告诉你，他们中很多人都有点看空。他们会说，“你们不知道我们知道的。”而且我们已经做这个很长时间了。那没关系。我认为那很健康。嗯，他们确实知道并且能带来的是，我们确实有那种直觉。当我们看到一个元素家族时，我们会告诉你我们认为什么会成功，什么不会。我们可能错了，但我们可以告诉你为什么我们那么认为。而且我们可以告诉你为什么那与业务的重要方面相关，比如供应链，比如成本，比如在某些环境下而其他环境下不存在的性能，例如极端环境，完美的温度压力。那些是非常重要的……那是非常重要的信息，你想带回来。这就是我们在近期内到达那里的方式，直到我们能自己做。就是与那些想把这个发现、这个涡轮增生的引擎引入他们流程的人合作。 **Brandon**: 所以，好的。现在，你们仍在实验室里寻找和完善那个流程。 **Joseph Kraus**: 绝对是。 **Brandon**: 实验室里有什么战争故事吗？给我……给我你最好的…… **Joseph Kraus**: [笑声] 嗯，这是个好问题。我喜欢这个问题。好的，所以关于实验室里的第一批工具，嗯，我说这个可能会惹上大麻烦，但是……但我请求第五修正案的保护。嗯，所以，有些工具不让我们与软件交互。顺便说一下，我们现在为那个软件付费，而且……我们很喜欢那个工具供应商。所以我们非常有策略地获得了访问权限。嗯，工程团队，软件工程团队，很聪明地想出了我们如何能做到这一点。所以，那是一个我们花了整整两周的冲刺才想出如何可能……以编程方式控制所有这个工具。嗯，第二个…… **Brandon**: 所以，内幕是什么，伙人？快说。 **Joseph Kraus**: [笑声] 嗯，你可以……你可以看看运行那些工具的东西，然后你就能找出你如何能控制你想要控制的东西。 **Brandon**: 有道理。有道理。 **Joseph Kraus**: 所以，那是其中一个。嗯……嗯，我的公关团队会因为那个对我非常生气的。 **RJ**: [笑声] 我们可以……我们可以剪掉它。 **Joseph Kraus**: 不，不，不。我开玩笑的。我开玩笑的。嗯，所以，我想，你知道，我们早期看到的另一个战争故事是团队需要多么跨学科。所以，我们开始时就知道它会是跨学科的。我想我们分配的每个领域都分裂成了更多领域。比如，你知道，材料科学大类，我们知道你会需要计算和实验，好的。但机械工程，你知道，我们有真正的机械工程师，他们建造工具，设计工具，并把它们组装起来。我们有机电一体化工程师，他们设计我们所有定制的机电一体化系统，以使那些工具自主运行。显然，在机械工程领域，但它们几乎是完全不同的工作。 **RJ**: 完全正确，是的。 **Joseph Kraus**: 软件，当然有你的标准全栈和像构建操作系统，但然后肯定更多的是我们称之为应用机器学习或类似我来自那种软件背景，我正在……我正在应用我们正在构建的系统，比如从SEM中提取图像到AI科学家，那很有趣。嗯，机器人学……像路径规划和感知这样的领域，我们可能没想到我们今天会需要那么多。就因为我们当时想，嗯，我们就用开源和现成的吧。然后我们开始意识到科学家们做的事情非常基于直觉，那就像是……感知或计算机视觉或……可以非常有效的地方。嗯，我用那个火炬做这个。所以……天啊，所有这些不同的领域都分裂了，我想我们必须边飞边造飞机。所以……所以创业公司的口头禅是我们必须不断增加人手。讽刺的是，那现在建立了一个巨大的护城河。你知道，在无机科学领域，建立自驾实验室并不容易，而且……天啊，如果你把我送回两年前，我会被……那是一条难走的路。[笑声]那是一条难走的路，而现在当然，这对我们来说是一个巨大的护城河，我们……我们觉得这不仅仅是在一个工具前放一个机器人。去吧，在一个工具前放一个机械臂，然后看看会发生什么。我刚才谈到的其他所有事情都会在你那么做的第二秒出现。现在我们觉得我们在真正运行用于无机材料科学的自驾实验室方面，比行业领先得多了。所以那个战争故事……你知道，我们笑谈它，但现在我们觉得那实际上是一个巨大的胜利和一个大的……我相信。 **Brandon**: 这个时刻有什么特别之处，使得自驾实验室成为可能，而不是，你知道，五年前，十年前？你已经……你已经做这个有一段时间了，所以……为什么是现在？ ### AI for Science 的时代浪潮 **Joseph Kraus**: 有几件事。第一，**AI for science**很重要，对吧？比如我拿力场来说，机器学习的原子间势……它们大概……我不知道，两三年历史了？或者不管它们的确切历史有多长。我的意思是，那很有趣。你实际上可以开始更快地做你过程中的某些部分，尽管它们仍然在计算意义上，在模拟意义上，用像DFT这样的东西，它们仍然对那个漏斗非常重要，以移动……以……以锐化那个漏斗，在漏斗的顶端移动得更快。第二，**机器人更好**了。首先，它们更便宜。其次，你在驱动、定制夹具、我们知道的甚至我们可以定制构建或可以得到的不同系统方面可以做更多。然后第三，**工具供应商的认同**，就像我之前谈到的。再说一次，我认为两年前我们看到的和今天看到的甚至有区别，现在有更多的可选性。你知道，我给你一个完美的例子。一些工具供应商现在有软件团队。或者如果他们以前有，他们不专注于这个问题，他们现在实际上提供支持，关于你如何能与界面工作，对吧？那对行业来说实际上是一个大的改变。所以，我们开始看到从基础设施和硬件的角度来看，建立自驾实验室变得更容易了。我认为最重要的是，甚至最大的变化。我认为其他一些事情也只是像……兴奋感。我的意思是，我去的每个地方，AI for science都是一个被谈论的领域。我这周在这里参加Unlock大会，你知道，感谢Michelle和MSR团队。房间里充满了来自这么多不同公司和领域的建设者的难以置信的能量，都在谈论AI for science。然后我认为甚至像我提到的在国家层面，我的意思是，我们早期做的一件事是在华盛顿特区花了很多时间，在国会山，在科学技术政策办公室，在能源部，战争部，你知道，让他们知道，“嘿，如果你们想在科学领域有竞争力，你们真的需要在这里注意。AI for science是一个严肃的领域，自驾实验室是一个严肃的领域，有其他人已经建立了这些系统。我们真的认为这是应该建成的国家基础设施”，而且在这方面，在联邦层面，在州层面，也得到了很大的认同。所以我认为你有很多顺风，就像……正在推动这个行业向前发展。你知道，加上兴奋感，加上风险投资的进入，开始巩固其中一些东西。而且我认为很快我们就会开始看到一些结果。就像，我认为我们还在等待一个我们看到的来自某人的大结果。希望我们是第一批。我认为那将是锦上添花，给最后的小费，让那些，你知道，持保留或谨慎态度的客户，真正看到这个……难以置信你做到了。我们已经在这个问题上工作了X年。我们从未在那个时间段内有过那样的产出。我信了。我是信徒了。我们来谈谈这个或一起做。而且我认为你看看机器人技术，我认为你已经看到那个时刻正在发生。就像……感觉我们正在机器人技术的上升期……我不知道，两年前当然在机器人技术中有趣的工作，如果你……像我这样的书呆子，你会……在你的空闲时间阅读。但我仍然觉得当我与那个领域的创始人交谈时，他们才刚刚度过那个难关，你知道，供应链和物流公司以及……大型仓库公司甚至大型人形机器人公司现在都像是，哦，好的。现在有我们想关注的真正的基础模型。我们想把我们的基础模型技术从99%推到99.9999%。我认为在未来两到三年内，我们将在科学领域看到这一点。我确实这么认为。一旦发现开始出现，这个领域继续更加成熟。记住，我们在这个领域还很早。我们从能源、从社区、从……从一个新技术的角度来看，才几年时间。所以。 ### 与中国的竞争：改变研发范式 **Brandon**: 稍微谈谈竞争格局，我的意思是，我们谈了一点，你知道，在美国或欧洲人们在做什么。但是中国既在材料开发上领先，也在思考很多关于……实验室一直到制造的想法，而且他们……他们确实有那方面的专业知识。所以，你对于我们如何与中国保持竞争力有什么看法？我们最需要关注的是什么？ **Joseph Kraus**: 是的。这是一个难以置信的问题。这实际上是我花很多时间思考的问题，当我在华盛顿特区时，也实际上在谈论这个问题。所以，中国有一个不公平的优势，我们不希望复制，但必须想出如何防御。所以，在中国，他们真的会不遗余力地，而且有像NIST和其他一些团体做了难以置信的工作来记录这一点，建立制造业创新中心，在那里他们看……他们制造一种新材料，然后他们会，你知道，通过资本或基础设施支持来扩大所述材料系统或……所述发明的规模。他们能做到这一点，老实说，因为在中国，无论你是公有还是私有，一个实体拥有一切。再说一次，那是我们不应该模仿、不应该复制的部分。我绝不是在建议那个。我想说的是，因为他们有那个，我们需要有类似的焦点。我们需要想出如何打破25年的时间线，当我来到这里告诉你们材料研发周期长时，对吧？你们会说，是的，我们一直听到的就是这个。我们听到的都是这个。我交谈的每个人都说同样的话。我们知道同样的事情。我们需要改变那个。你怎么做？我认为第一是，你开始教未来的科学家如何以这种方式进行科学研究。你知道我们实验室最令人印象深刻的是什么吗？我喜欢我们今天谈到的一切。最令人印象深刻的是，**我们可以让一个冶金学或合金学博士同时运行10个研究活动**。当我在读博士时，我们有10个科学家专注于一个研究活动，一个研究问题。这是一个科学家生产力的数量级飞跃。现在想象一下，美国的每个科学家，北美、全世界的每个科学家，都做10倍的研究产出。那是根本性的。我的意思是，那只是改变了发现的轨迹。 **RJ**: 但中国也能做到那个，对吧？ **Joseph Kraus**: 是的，他们能。他们能。所以我认为第二部分是**投资**。这就是我要说的，你知道，我认为我们正在私营部门得到投资，这很棒。我认为你会……我们将继续看到政府在这个领域投资，以试图开始弥合这些差距并建立这个劳动力。嗯，你看到Genesis任务是一个领域，那里有成吨的，你知道，数亿美元的投资。我知道国家实验室内部的团体正在建立自驾实验室。我的联合创始人Herd Seeder在伯克利有一个。阿贡国家实验室有一个。我知道……嗯，艾姆斯实验室正在考虑自驾实验室。利弗莫尔实验室正在考虑自驾实验室，或者可能已经有了。橡树岭国家实验室有一个制造示范设施，几乎是完全自主或半自主的。所以，这些实验室现在开始投资基础设施，以开始加快那个差距。开始表明你可以缩短那个差距。那很重要。第三个是……我认为也许是我们必须与众不同的地方，**公私合作伙伴关系**。这是我们经常谈论的。这是私营企业与公共研究合作创造最伟大的科学工具的完美机会，就像能源部喜欢说的，在世界上。为什么？因为我们拥有我们需要的所有HPC……嗯……高性能计算。我们拥有我们需要的所有研究人员。我们在国家实验室拥有一些世界上最优秀的科学家和……从材料工具或科学工具角度来看的基础设施。然后最后，你实际上拥有数据。你实际上在所有那些国家实验室中拥有比世界上任何地方都多的实验数据。或者……我们认为比世界上任何地方都多，从我们进行的所有科学研究来看。所以，如果你能把所有这三样东西结合起来，并且你能引入私营企业，你就能帮助你理解那个，帮助你关闭那个系统，帮助你把循环连接起来。现在，我认为整个国家基础设施都以这种方式运行。研究基础设施，无论是企业研发还是再次像……SBIR STTR……嗯，研发，都以这种方式运行，私营企业也以这种方式运行。现在，你已经改变了美国所有研发的结构。现在，你处在一个可以与中国竞争的位置，不是通过拥有一切和做他们可能采用的强迫劳动和……不道德的做法，而是通过改变我们进行研发的心态和方法。我认为我们就是这样竞争的。这是我们唯一能竞争的方式。我认为如果我们想前进。如果我们不那么做，那么他们将继续获胜，因为他们将在成本上超过我们，他们将在人力上超过我们。所以，如果你试图玩那个游戏，感觉就像……你知道，我们会输掉那个游戏。感觉就像……嗯，但如果你玩改变系统的游戏，和……和……建立一个比他们更好的劳动力和一个更好的研发系统，那么我们就可以用……用原始产出打败他们。 **Brandon**: 我们经常问我们的客人一个你现在已经有点回答了的问题，但我还是想问，看看你是否还有什么想补充的，那就是如果你能从行业中移除一个瓶颈，[清嗓子]那会是什么？ **Joseph Kraus**: 我不认为这个可以移除。所以，这不是一个好的答案。但是，AI for science最难的部分是我们的**反馈循环很长**。 **Brandon**: 对，我正要说……那是根本性的。 **Joseph Kraus**: 是的，完全正确，那是根本性的。所以，我不知道你是否能移除它。嗯，也许有办法让它更快，但我……我给一个完美的例子。你想想数学，比如AI和数学，对吧？你可以在几小时内运行很多实验，而这些实验在科学领域需要我们花费数周或数年才能运行。你怎么解决那个问题？那是一个非常难解决的问题，我认为一个答案是……是大规模的自动化系统。所以，一个完美的例子，如果你用1000个XRD或SEM建造一个设施，嗯，你当然可以建立我提到的那个模型，可以做，你知道，比世界上任何人都更好的图像分析。所以我认为有途径可以……可以跨越进行快速实验的挑战，但它是根本性的，所以对于这个问题来说是一个糟糕的答案。如果……如果不是根本性的东西，我会让工具供应商重启他们的技术栈。他们的工具是为人类建造的，他们应该为智能体和机器人建造它们。我觉得这在软件领域已经在发生了。 **Brandon**: 是的，我想你过去写CLI和MCP，就像你已经看到这个正在发生。 **Joseph Kraus**: 完全正确。如果你能在工具的基础设施层面做到那个，我认为它会极大地推动这个行业。因为现在你不想……训练某人运行XRD或SEM，你想训练某人如何运行可以做到那个的系统，而且那个扩展起来要有效得多。现在你不需要博士学位来分析你的SEM中的合金，现在你只需要专注于如何运行系统来为我做那个精确的分析。那将是变革性的，但会相当昂贵。 **RJ**: [笑声] 所以。 **Brandon**: 好的。你对AI科学家或者说AI工程师有什么行动号召吗？ **Joseph Kraus**: 是的，他们可以带来科学家们不知道的技术。我就是一个完美的例子，我根本不是机器学习科学家出身。我是一个材料科学家出身。我的研究生工作是在材料科学领域。我研究生毕业后的第一份工作是在材料科学领域投资。现在我经营一家材料科学公司。我骨子里是个材料科学家。那就是我做的。我的另一位联合创始人也是一位材料科学家。他是一位材料科学领域的学术教授。但是我们从我们团队的机器学习工程师和AI研究科学家那里学到了太多。因为他们不是材料科学家。所以他们处理一个问题时，他们不会纠结于树枝状晶体形成和晶界以及像这样的东西，对吧？他们只是想，你为什么不为那个保存一个材料模型？我就想，我不知道那是什么。他们会说，我……那不是……那不是我看SEM时的第一想法，但……但他们会。是的。所以他们能做的一件事是，他们实际上可以用他们自己的技能集为行业注入活力。你知道我不喜欢这个行业的一点吗？我看到太多人试图成为另一个人。比如我……我遇到一些机器学习工程师，他们说，我想成为一名材料科学家，我就想，为什么？我们需要在Radical工作的机器学习工程师。比如你应该是一名帮助我们做科学的机器学习工程师。然后我……这个我见得更多。材料科学家试图成为机器学习工程师。比如我……我读了材料学的博士，读了材料学的硕士，我必须进入AI领域，因为那是这个领域的发展方向。不，你只需要学习如何使用那些工具让你在你的工作上做得更好。对吧？我……我不在乎谁能从SEM中找出问题。我只想能够找出问题。所以有太多的跨学科工作，我……我会强烈鼓励机器学习工程师，一，关注AI for science。我想那实际上已经在发生了。我不认为他们需要再听一遍，特别是在这个播客上。我是一个巨大的支持者。但二，比如，深入你的专业知识。为我们做科学的方式带来第一性原理的视角。我们几百年来或者几十年来或者工具多老我们就在那上面运行多久，一直以同样的方式做科学。你可以从那个角度来，完全改变某些东西的工作方式。这个领域过去已经这么做过，未来也会继续这么做，而且我可以百分之百地保证，我们今天在Radical AI已经这么做了。**专业化**。完全正确。带来专业化，并深入你的专业知识。不要回避它。不要试图成为一个材料科学家。成为一个在材料科学领域工作的机器学习工程师。 **Brandon**: 太棒了。那么，你们的AI技术栈是什么样的？ ### Radical AI 的技术栈与开源理念 **Joseph Kraus**: 在一个高层次上，所谓的AI科学家实际上是一种**多智能体方法**。在AI科学家的范畴内有多个智能体，你知道，我们真的在顶层有一个**编排智能体**（orchestrator agent），它实际上会提出新的假设，并有一种特定的方式来实际测试那些假设，这是内部的，它允许我们……在我们将假设发送到实验室之前测试它们是否是一个好的假设。但是……但是同样进入那个科学家的还有一系列其他模型，对吧？我们正在接收像行业标准数据集这样的数据集，你知道，我们为Caltech付费，我们实际上引入了那些数据，这样我们就可以像我作为一个人类科学家一样使用它。那非常重要。我们有一个我们定制构建的**文献回顾智能体**。那个基准测试也在我们的网站上公开，它实际上可以去从与我们正在做的假设相关的科学文献中提取图表和信息。所以，那在那个技术栈里。我们有定制构建的模型，你知道，其中一个叫做**Matrix**，也在我们的网站上，我会……我鼓励所有的机器学习工程师都去看看。模型和基准测试都在Hugging Face上可用。你可以在我们的网站上找到一篇关于这个的博客文章。Matrix令人难以置信，因为Matrix实际上是一个VLM，你知道，我们用Quinn微调过，它实际上可以进入实验室的图像，实验数据，并从中提取科学知识。所以，我们在模型中看到的明显好处，你可以猜到，是它在读取实验数据方面变得非常擅长，这是有道理的。我们可能没预料到的一点是，通过理解那些数据，它在成为一个科学家方面变得更好。这真的……很酷，对吧？所以对于AI ML工程师，对于AI科学家，这就是你开始……我们谈了很多关于这个直觉，你读博士时得到的科学直觉。这就是你开始捕捉那个的方式。现在，我们实际上已经看到了这个，你可以去读那篇出版物，它在arXiv上，我们使用的公共数据集实际上显示了在一般科学推理上有5%到16%的改进，我相信。 **RJ**: 它是在为你的推理增加数学能力吗？ **Joseph Kraus**: 是的，实际上我认为数学是我们称之为不起作用的一个领域。 **RJ**: 不，但是[笑声]理论是一样的，对吧？你加入数学，然后你在其他领域最终得到提升。 **Joseph Kraus**: 而且……我们在论文中确实扩展到了生物领域，我相信，并且看到了同样的改进。你可以在arXiv上发布的预印本中找到所有这些。所以，关于这个酷的地方是什么？最酷的是，当你开始构建这些能像人类科学家一样做科学的系统时，你开始以我们之前谈到的方式复合知识，我可以在做假设时同时查看所有这些不同的东西。尽管一个人类科学家会喜欢认为我们可以引入Cal Fad，引入文献，并从文献中提取正确的信息，不仅仅是读一篇论文，而是提取出与这个假设相关的正确东西，查看我所有过去的实验，我们所有的实验数据库都在为那个AI科学家提供信息。所以，当我们做一个新的研究活动时，它正在查看过去的结果来做那个活动。我们有一个非常酷的演示，我们向客户展示，当你看到一个生成的假设时，它实际上会告诉你它正在引入哪些实验，它正在用什么来学习关于为什么它做了那个新假设。所以，那非常酷。然后再次，进入像Matrix或Matrix PT这样的模型，你实际上可以开始提取直觉，然后那个直觉实际上帮助你成为一个……一个更好的科学家。这个……这个多智能体方法这个非常重要的概念，我认为才是一个AI科学家真正的意义所在。我不认为它会是一个单一的科学家。也许未来会发生什么。如果你是一个机器学习工程师，也许那是一个值得 tackling 的好问题。嗯，但建立那个，我们很乐意成为你的客户。嗯，但如果不是，我……我认为你会有这些专门的模型，这些专门的智能体，它们在一个方面非常擅长，并且集体地，它们组成一个比Joseph更好的科学家。一个比我们今天拥有的科学家更好的科学家。那大概就是我们的技术栈在高层次上，在假设生成和新材料方面的样子。 **Brandon**: 然后只是一个快速的跟进。所以，嗯，我喜欢你们开源了很多你们的工作。你们为什么那么做？不是说我最不想阻止这个。 **Joseph Kraus**: 是的。这是一个非常重要的问题。第一，有三个原因。第一，我在这集里谈到了**社区**。嗯，我们需要社区转向以这种方式做科学。开源工作是做到这一点的最好方式之一，就像我们历史上看到的那样。所以，那是第一。第二，**学习**。我们实际上从开源事物中得到的反馈比我们自己可能做到的要多得多。你们可能知道Torch Sim，那是我们开源的一个包。我们今天不需要深入那个。我们可以。社区的反馈，社区的想法，我们实际上已经把Torch Sim分拆成一个独立的组织，一个非营利组织，它可以继续与社区一起运行，并且，你知道，我们称之为点燃一场材料革命，一场模拟革命，我们对此感到兴奋。所以，那是一个很好的例子。嗯，所以这个……这个你可以与团队一起构建更好技术的想法，嗯，是第二。第三，我们实际上不认为**模型是护城河**。我们实际上认为在五年内，大多数模型将是开源的。是的，可能会有一两个专有模型，就像今天有一两个专有模型我可以运行一样，无论是Claude还是嗯，ChatGPT或Grok或你最喜欢的任何AI。然而，我们认为在科学领域，模型不是护城河，**实验才是**。所以我们实际上认为我们能分享的越多的伟大模型，比如Matrix，它就在那里，嗯，数据集不是，对吧？那个数据是……我们构建并放在预印本里的模型是建立在公共数据上的。当然，我们有我们自己的专有数据在它之上。那就是我们写在Matrix里的……然后模型就可以出去了。我……我一直告诉人们，“如果别人拿出更好的基础模型，更好的MLIP，或更好的扩散模型怎么办？”我就说，“那太棒了。它会极大地推动我们的科学家。我们会把它直接放入我们的技术栈。”等等，那不是……我们不想卖模型。我们不卖模型。我们认为整个社区将继续有我们单独无法拥有的想法。那就是我们开源的原因。因为我们不认为那是优势所在。我们认为优势在实验方面。而且是的，那特定于Radical，显然我谈论的是Radical相信的论点，但那是我们为什么这么做的一个重要部分。如果整个社区能推动整个领域向前发展，我们从中受益，他们也从中受益。那对整个材料科学来说是一个双赢。那对AI for science来说是一个胜利。而且这是一个胜利，因为我们的技术栈现在有一个我们不必自己生产的更好的模型，这很棒。 **RJ**: [笑声] **Joseph Kraus**: 嗯，所以无论是我们……我们确实有内部构建的定制模型，或者别人报告那个模型，或者使用那个，甚至为专有模型付费，我们在LLM方面显然这么做。我们不构建定制的LLM，当然。我们使用ChatGPT或……或Claude。嗯，所有那些都只是为了造就一个更好的科学家。那就是我们开源的原因。为了让社区得到更好的想法，和……和……真正理解我们认为实验真的推动了……我们认为实验是护城河，而不是模型本身。好吧，是的，谢谢你的聊天。 **Brandon**: 是的，Joseph Cross。非常感谢你…… **Joseph Kraus**: 谢谢你们邀请我，伙计们。很高兴来到这里。 **Brandon**: ……你这么喜欢这个节目。我希望……那……我们可以，你知道，传播……传播好的氛围。 **Joseph Kraus**: 你们是的。而且我认为我们刚刚谈到了一个很好的结束话题，那就是这个行业有多重要。世界将从AI for science中感受到的影响是巨大的。能够从基层开始并实际推动那个向前发展的人，像你们自己，是必不可少的。所以谢谢你们做的一切。非常高兴来到这里，并期待着当实验室完全自主时再回来。我们……我们将在实验室里录一集。 **RJ**: 是的，我正要说那个。是的。 **Joseph Kraus**: 我们绝对应该那么做。 **Brandon**: 我们会回到纽约。 **Joseph Kraus**: 是的，没问题。不过选一个不是冬天的时间。我们今年冬天过得很难。 **RJ**: 好的，我们夏天做点什么。 **Joseph Kraus**: 完美。谢谢你们。非常感谢。 [音乐] [TRANSCRIPT_END]