🔬 The Self-Driving Lab — Joseph Krause, Radical AI

在 Science podcast 中，我們已經討論了 AI 如何革新 STEM 的許多領域，但自從我們啟動以來，我們最喜歡的非正式話題之一是：哪個領域更難加速——數學、生物或物理？ 今天我們回到材料科學領域，與 Radical 一起探討——不同於可用符號字串表示（甚至預測！）的生物分子，材料的成功涉及更多宏觀複雜變數，例如供應鏈、微觀結構和製造流程。 如果你還記得 2023 年的 LK99 爆炸性事件，雖然基本成分已知，但部分混亂來自於製造過程缺乏披露，導致無法重現。 很可能不存在能一次就設計出在大規模生產中完美運作的「一次性」模型。 Radical 如何以超過 DARPA/GE MACH 10 倍的速度推進材料發現。 Joseph Krause 是一位純粹的材料科學家。經歷了整個職業生涯觀察產業因等待更佳材料而停滯不前，他創立了 Radical AI 以解決這個問題。 我們最近與 Joseph 會面，討論 Radical AI、材料發現、自動化實驗室以及 AI 科學的未來。 Joseph 並未粉飾事實：加速材料發現流程是一個艱鉅的問題。 但他堅信我們必須投資於此，為消費品、航空航天、計算與防禦領域的未來奠定基礎，並將其普及到日常使用：「當你拿起手機，裡面有一種新材料，我們就視之為一次發現。」 Joseph 如何計畫加速發現速度？要理解這點，首先必須瞭解為何這是一個如此艱難的問題。 首先要記住，製造出的材料遠不止一個化學式。 混合、退火、成長或生成最終材料的過程可能導致截然不同的結果。 從早期發現到大規模製造，整個材料發現過程都必須被理解與特徵化。 自動化實驗室：這種理念已成為 Radical AI 的關鍵洞見——自動化實驗室的建構。 這個實驗室不僅是自動化的，實際上還使用「AI 科學家」，結合科學知識、計算技術與人類直覺，在自動化實驗室中生成並測試假說。 建立 AI 科學家是讓 Radical 的自動化實驗室運作的關鍵，因為 Joseph 認為沒有單一 AI 模型能一次性設計材料。 「在材料領域，真實情況就是材料本身。你必須能夠測試並特徵化它。」 Joseph 詳談了 Radical 的自動化實驗室。 Joseph 認為實驗資料是該產業真正的「護城河」。 SDL 作為一個閉環系統運作：AI 科學家生成假說，機器人自動合成並特徵化材料，並行執行研究活動，而非序列。 這裡的成功既體現在自動化方面，也體現在科學方面。 Radical 已將其合金發現流程擴大至六個月內生產並特徵化 1200 種合金——這比 DARPA/GE MACH 旨在一年內創造 500 種新合金的計畫快近 10 倍。 Joseph 表示他們可以進一步擴大規模，估計每天可測試並特徵化一百種新合金。 這是一種真正的新高通量合金實驗範式。 在科學方面，他們的 AI 科學家提出並測試了 300 種新材料，其中十種被發現具有創新的最先進特性，已被進一步開發為商業應用。 這次首輪材料活動的穩健性強化了 Joseph 的主張：護城河在於實驗室和資料。 「它已進入前所未有的元素族或合金族。」 有趣的是，Radical 的 AI 科學家發現了一些新穎的材料，擴充套件到之前未被探索的元素。 從科學角度來看這很吸引人，但它也對減少關鍵產業的供應鏈瓶頸具有重要意義！ Joseph 在創立 Radical 之前在華盛頓特區度過了許多時間，並對競爭威脅保持清醒。 中國的集中式模式允許其建立製造中心，並立即將新材料從實驗室推向生產。 我們無法複製這一點，Joseph 也非常清楚我們不應該嘗試。但我們確實需要答案。 對 Joseph 來說，這意味著改造科學工作者、在國家實驗室層面投資自動化實驗室基礎設施，並大力推動公私夥伴關係。 「想像一下美國每位科學家產出是現在的十倍。這是根本性的，這將改變發現的軌跡。」 在結束之前，我們想對 Joseph 和 Radical 表示感謝，感謝他們發布並開源了大量內部工具流程。 其中包括：* TorchSim（預印本、部落格）：一個基於 PyTorch 的開源分子動力學模擬框架，已被分拆為獨立非營利組織。 * MATRIX/MATRIX‑PT（預印本、部落格）：一個用於評估自主自動化實驗室（MATRIX）的開源資料集，以及基於該資料集的開源模型（MATRIX‑PT）。 我們可以廣泛討論這個話題，但一個有趣的資料點是：提升材料領域的推理也改善了生物系統的推理！ 這是一個真正意外的結果。 衷心感謝 Radical 團隊分享他們的工作！ 材料發現已經在 20–30 年的時間軸上停滯了世代。 Joseph 認為這即將改變，Radical AI 正在實驗室中以逐樣本的方式驗證這一論點。 我們與 Joseph 的對談十分愉快。希望你們聆聽。 時間戳 * 0:00 AI 在材料科學中的挑戰介紹 * 0:52 歡迎與 Joseph Krause 及 Radical AI 介紹 * 1:38 Radical AI 的不同之處：專注於實驗資料與自動化實驗室（SDLs） * 6:19 過程：候選物質生成、合成與特徵化 * 11:05 對極端環境（航空航天與防禦）的奇異合金應用 * 13:20 進入門檻：資格審核與製造的緩慢流程 * 16:06 材料科學中的供應鏈限制 * 19:24 人機互動：以科學直覺訓練 AI * 20:35 自動化實驗室的工程挑戰 * 23:17 定義「自動化實驗室」：研究活動 vs. 只做自動化 * 24:39 機械挑戰：處理高溫樣本 * 27:41 未來擴充套件計畫與「垂直整合」策略 * 30:08 高科技產業（半導體、航空航天）的驗證時程 * 31:47 主動學習迴圈與處理「負面結果」 * 35:32 AI 探索超越人類偏見的元素族 * 39:13 通量目標與 AI 與人類探索的差異 * 43:52 為何資料集大小不如實驗反饋質量重要 * 46:20 解決材料領域缺乏「AlphaFold」的問題 * 53:49 實驗室的戰爭故事：建立基礎設施 * 58:12 業界情緒向 SDLs 與工具介面轉變 * 1:01:14 地緣政治考量與材料科學創新競賽 * 1:06:12 呼籲機器學習與 AI 工程師：重新思考科學堆疊 * 1:09:53 Matrix 模型與使用 VLM 進行科學知識提取 * 1:13:10 為何 Radical AI 開源其工作 這是一集公開節目。如您想與其他訂閱者討論此內容或獲得額外集數，請訪問 www.latent.space/subscribe