人工智能与材料科学的交叉曾带来发现数百万种新稳定晶体的乐观预期，但数字预测与实验室合成之间存在“合成鸿沟”：AI 可在毫秒内生成晶体结构，而实际合成可能耗时数月甚至无法实现。传统材料发现依赖试错，化学空间巨大，AI 通过将密度泛函理论（DFT）计算转化为模式识别问题来加速预测，并用描述符或图神经网络将原子结构编码为特征向量，进而预测形成能等性质，借助凸包判断热力学稳定性。然而，多数训练数据来自零温 DFT 计算，忽略了高温下熵的效应；即使材料热力学稳定，也未必能跨越反应路径中的活化能壁垒。AI 常只优化目标性能，忽视可合成性，导致生成“Unobtainium”式材料：理论性能极高，却因动力学陷阱形成副产物而无法获得。要弥合这一鸿沟，需从单目标性能优化转向多目标优化，同时惩罚复杂性和不稳定性；还应认识到材料组成类似“基因型”，实际性能取决于合成环境这一“表型”，因此需将球磨、烧结、表征等过程数据持续接入 AI，甚至构建自驱动实验室，让机器人闭环执行预测、合成与表征，使 AI 从理论物理学家转变为能识别稳健工艺窗口的过程工程师，从而真正实现可合成、可重复的新材料发现。
2026年2月
该项目致力于探索全新的文化叙事方式，以代码为画笔、算法为颜料，绘制理性与感性交融的数字人文图景，并秉持三重思考：通过 AI 进行文化祛魅，将传统习俗还原为特定历史条件下的生存策略；建立历史共情，理解古人行为背后的物质匮乏与生存艰难；运用 AIGC、AR 技术为传统文化赋予新魅力，使其以全新形态重生。项目规划分为三个阶段：第一阶段以互动叙事为主，利用大语言模型进行动态剧情生成；第二阶段构建汉语言文学知识图谱，开发 AI 助教提供个性化学习体验；第三阶段整合北斗定位与 AR 技术，实现文学经典与地理空间的精准结合。基于 20030 份问卷的调研结果显示，公众对 AI 介入文化领域呈二元态度，即高度接受 AI 在解释性和工具性场景中的应用，但对创造性和审美性场景保持审慎；同时，游戏化学习被证明是历史科普的有效载体，极大提升了信息留存率和传播效率。如需了解更多或参与研究，可访问 https://2026iac.edu.survey.gt.ac.cn/。