▷AI会取代一线材料研发人员吗？
今年1月，斤风在《新材料都是算出来的？一文读懂“第一性原理计算软件”》一文中深度报道过龙讯旷腾。7月，龙讯旷腾把第一性原理计算软件融入AI，正式推出IntelliMat：一个面向材料研发的企业级Agent平台。
最近半年，垂直行业AI Agent的概念被炒得很热。但材料研发这个行当有点特殊：
最终能不能用，取决于底层材料技术与海量数据积累。
一线材料研发人员面对的问题不是如何补全代码，而是“下一组实验，我该试哪个配方？”
聚酰亚胺（PI）就是这个困境的典型缩影。例如折叠屏手机中的PI薄膜，必须同时满足若干互相打架的要求：足够透明让光透过去，足够耐热扛得住高温工艺，足够强韧经得起数十万次折叠。
那么问题来了：AI到底能不能帮上忙？不是那种在旁边查文献、写总结的“助手式”工具，而是真正介入研发流程，从一个性能目标出发，给出候选结构、设计理由、合成路线？
这篇文章，我们就用AI介入聚酰亚胺材料设计这个真实的行业难题。
▍01
透明、耐热、高强：难以兼得？
聚酰亚胺是一类主链上含有酰亚胺环的高性能聚合物，1960年代由杜邦实现工业化。经典的Kapton薄膜就是聚酰亚胺，那种黄褐色、耐温达到400℃的塑料薄膜，至今广泛用于航空航天和电子领域。
传统PI为什么是黄褐色？
这要从分子层面说起。PI的主链由苯环和酰亚胺环交替构成，相邻分子链之间形成“电荷转移络合物”（CTC）。这个络合物会吸收可见光中偏蓝紫的波段，剩下的光透出来，我们看到的就是黄褐色。
怎么让它变透明？
思路很直接：把分子链之间的距离拉开，或者把链扭曲，不让它们那么整齐堆叠，CTC形成不了，可见光就透过去了。今天的透明PI，400nm波长的透光率可以做到80%以上，有些接近90%，肉眼观察几乎无色。
然而，透明PI设计的核心矛盾是：透明度的提升，往往以牺牲链刚性、热稳定性和力学性能为代价。三个性能指标不是独立的，它们被分子结构这个共同变量绑在一起，牵一发而动全身。
这张表只是粗略的性能对比，但它说明一个基本事实：很难找到能够同时拿到三个高分的结构。材料研发人员要做的，就是在这个三角约束中寻找平衡点。
传统做法靠经验。
资深PI材料研发人员脑子里装着上百种单体的“性格”，然后基于经验设计多组配方，合成、测试、看结果，再调整。一轮实验快则几周，慢则几个月，甚至几年时间无法达到理想性能。
这种模式有两个根本瓶颈：
一是人的经验覆盖范围有限，面对全新结构组合，直觉往往失灵；
二是试错成本太高，每一组失败配方都意味着时间、原料和人力的巨大浪费。
如果有一个工具能在合成之前就预测出某个结构的Tg、强度和透光率，甚至直接从性能目标反推候选结构，材料研发人员就不用在黑暗里摸索了。
这，就是AI的切入点。
▍02
IntelliMat能做什么
在聊具体的PI设计之前，有必要先搞清楚IntelliMat到底是什么，它和龙讯旷腾之前做的第一性原理计算软件PWmat是什么关系。
PWmat是基于第一性原理的材料模拟软件，说白了就是一个物理计算引擎：你给它一个晶体结构，它用量子力学的方法算出这个材料的能带、态密度、力学性质、热力学性质等等。它很准，但也很“重”，一次计算可能需要几小时甚至几天，需要专门的计算资源，操作门槛也不低。
IntelliMat做的事情，是把PWmat这样的计算引擎，和数据库、AI模型、研发流程组织到一起，直接介入企业的真实研发场景。打个比方：PWmat像是一把高精度的手术刀，而IntelliMat是一整个手术室——里面有手术刀、有麻醉机、有监护仪、有呼吸机等等，还有一套标准的手术流程。
关于IntelliMat的功能模块，本文不作详细介绍，感兴趣的读者可以阅读龙讯旷腾《IntelliMat发布：面向材料研发的企业级Agent平台》。
回到聚酰亚胺的场景。
一个PI材料研发人员面对“高透明、高耐热、高强度”这个三重目标，IntelliMat能做两件核心的事：
正向设计和逆向研发。
正向设计就是你给它一个分子结构，它告诉你这个结构大概有什么样的性能；逆向研发就是反过来，你给它一组性能目标，它帮你找满足条件的分子结构。
让我们分别来看。
▍03
正向设计：准确预测未知材料
先从正向设计说起。
在传统材料计算中，材料研发人员需要先知道“该用哪个模型、输入什么结构、计算哪些性质”。而在IntelliMat中，自然语言本身就是研发入口。
用户只需输入一句话：“请告诉我PMDA-ODA聚酰亚胺的性质”，系统即可自动理解用户需求，并调用相应的性质预测模型完成计算。预测完成后，直接返回该材料的关键性能指标，包括玻璃化温度、熔融温度、分解温度、拉伸模量、屈服强度、断裂强度和介电常数等力学、热学及电学性质等。
一次预测不只是给出材料的性能数值，更重要的是帮助研发人员看懂这些数字背后的实际意义。比如，这项性能是否达到使用要求，材料的优势和短板分别在哪里，哪些结构可能影响了最终结果。基于这些判断，研发人员可以更有针对性地调整分子结构、筛选候选方案，并确定下一轮实验重点，让预测结果真正用于后续研发和材料设计。
▲IntelliMat材料性质预测过程（图源：龙讯旷腾）
把一个PI结构交给IntelliMat之后，底层模型的预测机理是什么？
本质上，这是一个复杂的“结构-性能映射”（Structure-Property Relationship）。
系统首先将聚合物结构编码成机器可学习的材料表征，包括原子组成、连接关系、刚性骨架、柔性连接、取代基以及局部化学环境等信息，随后利用历史实验数据中学习到的构效关系，对未知结构进行多性质推理。
这个“构效关系”是怎么来的？
靠数据。
比如，模型会从海量已有PI数据中自动学习到某些统计规律：
主链刚性与Tg的关系；
含氟结构与光学透明性的关系；
柔性连接单元与力学、热学性质之间的耦合关系；
等等。
这些规律并不是IntelliMat预先写进系统中的经验公式，而是AI从海量数据中学习形成的数据驱动材料表示。
但AI4S最终还是要接受实验的检验。
龙讯旷腾根据三篇外部文献中的PI实验结果，使用文献中的“实验值”来检验IntelliMat性质推理的“预测值”。
▲IntelliMat材料性质推理验证（图源：龙讯旷腾）
验证结果采用雷达图呈现：每个三角形的三个轴分别是玻璃化转变温度、断裂强度和400nm透光率，实验值与预测值的重合程度，可以直观反映模型对多性质的联合判断能力。
综合来看，IntelliMat的正向设计能力已经达到了一个相当实用的水平：它不是完美的，但它足够准，准到可以用来做高通量筛选。一个材料研发人员手里有500个候选结构，如果每组都要合成测试，可能要花一两年。用IntelliMat先跑一遍预测，半天之内就能把范围缩小到最有希望的二三十个，实验效率提升一个数量级。
但这里有一个需要冷静看待的点：
模型再准，也有它的盲区。
比如含有全新骨架类型的结构、或者性质处于数据分布边缘的样本，预测误差可能会显著增大。IntelliMat的定位不是替代实验，而是在实验之前加一道“筛子”，让每一次实验都更有价值。
▍04
逆向研发：一项真实任务
正向设计解决的是“这个结构行不行”的问题。
但材料研发人员真正想问的往往是反过来的：“我要这个性能，该用什么结构？”这就是逆向研发。
我们来设定一个真实的研发任务。
假设某家柔性显示材料公司需要一款透明PI薄膜，技术指标是：玻璃化转变温度Tg>345℃，断裂强度σb>150MPa，400nm透光率T400>82%。
这组指标不是随便拍的。
Tg>345℃是因为OLED器件制造过程中的退火工艺通常在300-350℃之间，基板必须在这个温度下保持尺寸稳定；σb>150MPa是柔性基板的基本力学要求，要经得起卷绕和折叠；T400>82%是显示面板对光学透过率的要求，400nm是可见光的短波端，这个波长的透光率直接影响屏幕的色彩还原。
这三个指标单独看并不罕见，难点在于让它们同时成立。
传统芳香族PI通常拥有更高的Tg和较好的力学性能，但透明性往往不足；含氟、脂环或非共平面结构可以显著改善透明度，却可能同时带来热性能或力学性能下降。
因此，材料研发人员面对的并不是一道简单的“结构优化题”，而是在一个存在多重性能冲突的材料空间中寻找少量可行解。
这也是AI真正开始参与研发决策的地方。
把这个任务交给IntelliMat，它会怎么做？
第一步，构建材料搜索空间。IntelliMat调用长期沉淀的PI材料知识库，将已报道的二酐、二胺、结构单元及其合理组合组织成可计算、可搜索的候选空间。此时AI面对的不再是几个材料研发人员熟悉的配方，而是一个远大于个人经验覆盖范围的数字材料空间 （Digital Materials Space）。
第二步，高通量性能推理。对于候选库中没有现成性能数据的结构组合，IntelliMat调用正向设计模型，快速算出每个候选结构的Tg、σb和透光率。这一步是高通量的，数千个结构的预测可以在很短的时间内完成，使大量明显偏离目标的方案在真正进入实验室之前就被排除。
第三步，多目标优化决策。这是逆向研发的核心。多个性能目标同时优化，本质上是一个多目标优化问题。IntelliMat采用的方法是寻找Pareto前沿——在多目标优化中，Pareto最优解是指那些无法在不牺牲至少一个目标的前提下改进任何其他目标的解。打个比方：如果结构A的Tg比结构B高、强度也比B高、透光率还不比B差，那B就被A“支配”了，可以直接淘汰。Pareto前沿上的结构，就是那些没有被其他结构支配的、各有取舍的候选者。AI在这里做的，已经不只是“预测”，而是在复杂性能约束下帮助材料研发人员做选择。
第四步，化学规则过滤。这一步非常关键，也是很多纯算法驱动的逆向研发工具容易忽略的地方。数学上找到的Pareto最优解，不一定化学上可行。比如，算法可能推荐一个含有五个连续三氟甲基取代的结构，数学模型预测它透光率极高，但这个结构可能根本合成不出来，或者合成成本高到无法工业化。
▲IntelliMat逆向研发工作流程（图源：龙讯旷腾）
因此，IntelliMat进一步将化学规则、透明PI设计经验、单体可获得性和反应合理性等材料知识嵌入筛选过程，对AI产生的候选进行Knowledge-guided Filtering。
具体到PI设计，这些规则包括：卤代取代的位置和数量限制（避免过度取代导致合成困难）、非对称共轭设计的合理性（扭曲结构要在可合成的范围内）、单体的商业可得性（优先推荐已经工业化或有成熟合成路线的单体）、反应活性匹配（二酐和二胺的反应活性要匹配聚合）等等。
经过这四步，IntelliMat最终输出的不是一个单一的“算法最优解”，而是一组面向研发目标的高价值候选结构，每个结构都附带设计理由——为什么选这个二酐、为什么用这个二胺、哪个取代基在起什么作用。材料研发人员可以在这组候选中，根据自己的经验、原料供应情况和工艺条件，做最终的判断和选择。
至此，AI介入研发的角色已经发生了变化：
正向设计中，是材料研发人员提出结构，AI帮助判断材料性质；逆向研发中，则是材料研发人员提出目标，AI开始参与寻找下一批值得实验验证的结构。
这也是IntelliMat从“材料性质预测工具”走向“AI辅助研发决策系统”的关键一步。
▲IntelliMat最终输出候选结构（图源：龙讯旷腾）
这里有一个值得深思的问题：逆向研发给出的候选，就一定能合成出满足指标的材料吗？
诚实的回答是：不一定。
预测模型有误差，合成过程有波动，工艺条件会影响最终性能。但逆向研发的价值不在于“一次命中”，而在于把搜索空间从“几乎无限”缩小到“几个有希望的方向”。以前材料研发人员可能要试50组配方才能找到一个接近目标的，现在可能只需要试5组。这个效率的提升，是实实在在的。
▍05
一句研发需求到一份可执行报告
到这里，我们已经看了IntelliMat的正向设计和逆向研发。但如果故事停在这里，它还只是一个“高级计算器”。
真实的材料研发不是这样工作的。一个研发项目从立项到交付，中间要经过文献调研、方案设计、候选筛选、合成建议、性质预估、风险评估、报告撰写等一系列环节。每个环节都需要人来串联，都需要上下文的传递。如果AI只能做其中一个环节，那它带来的效率提升就有限。
IntelliMat想做的，是把这些环节串起来。整个过程的起点很简单：
用户只需提出一个目标。
比如：“我需要一款用于柔性OLED基板的透明聚酰亚胺，要求Tg>345℃、拉伸强度>150MPa、400nm透光率>82%，请给出候选方案和应用报告。”
就这一句话。然后IntelliMat自动完成以下全流程：候选库调用、性质预测、多目标优化、规则过滤、候选结构推荐、单体识别、合成路线组织、应用报告生成。
具体来说，候选结构推荐环节会从过滤后的Pareto前沿中选出3-5个最有代表性的候选结构，每个都标注关键性能预测值和设计理由。单体识别环节会对每个推荐的聚合物结构，自动识别出所需的二酐和二胺单体，给出单体的化学名称、结构式、CAS号，以及商业可得性评估。合成路线组织环节会根据单体的结构和反应类型，自动组织合成路线——包括聚合方法、溶剂选择、反应温度和时间、亚胺化条件等关键工艺参数的建议。
最后，应用报告生成环节把以上所有信息整理成一份结构化的应用报告，包含项目背景、性质目标、候选方案对比、设计原理分析、合成建议、风险提示和参考文献。
▲IntelliMat应用报告编写过程（图源：龙讯旷腾）
整个过程，用户不需要写一行代码，不需要手动调用任何工具，甚至不需要知道背后有多少个模块在协同工作。他只需要提出需求，然后拿到一份可以直接拿去讨论、甚至可以直接指导实验的报告。这背后有一个很朴素的产品哲学：
改变“下一组实验怎么选”的决策方式。
实验是材料科学的根基，是检验真理的唯一标准，这一点不会因为AI的出现而改变。但AI可以改变实验的效率和质量。以前，一个研发团队一年做100组实验，其中可能80组是“试错”。但是IntelliMat这样的工具，可以把这80组中的大部分在计算阶段就被排除掉，实验资源集中在20组真正有希望的候选上。
材料研发不会因为AI而不再需要实验。
而是让每一次实验都更有价值，每一次失败都更接近成功。
▍06
结语
写到这里，我们可以回到文章开头提出的那个问题了：AI到底能不能解决聚酰亚胺设计中“高透明、高耐热、高强度”这个行业难题？
答案是：不能完全解决，但能显著改变解决问题的方式。
IntelliMat不是一个“输入目标、输出奇迹”的黑箱。它的预测有误差，它的逆向研发需要人的最终判断，它不能替代合成和测试。
但同样是事实的是：它把一个原本需要材料研发人员花几个月、试几十组配方才能摸到门道的问题，压缩到了几天、几个候选结构的范围。它让材料研发人员的每一次实验，都站在AI已经完成的数千次虚拟实验的肩膀上。
这背后有一个更深层的变化。
对于一线材料研发人员来说，这不是“AI会不会取代我”的问题，而是“我怎么用好AI”的问题。就像计算器没有取代数学家，而是让数学家从繁琐计算中解放出来去做更有价值的工作；AI也不会取代材料研发人员，而是让他们从重复试错中解放出来，去做更需要判断力和创造力的工作。
材料研发的未来，不会是AI独自完成，它会和人类一起，在计算和实验的循环中，不断逼近那个最优解。这大概就是AI4S的意义：不是取代人的智慧，而是放大人的智慧。
<End>
