沙龙分为2个环节，首先由三位嘉宾做主题报告，然后与会嘉宾对若干话题展开讨论。借助AI，材料人特此将主题报告和专题讨论作了简要整理。

 1/管鹏飞 — AI与无序合金设计的机遇与挑战

核心论点：AI是解决复杂无序材料体系设计“多尺度黑箱”问题的关键工具，但正面临“小数据困境”和“精度-效率平衡”的核心挑战。

详细内容分述：

AI4S的范式革命：

指出材料研究传统范式是“试错+降维归纳”，通过有限数据点拟合线性规律来预测新材料。但真实材料的势能面极为复杂，传统方法在预测时常常失效。

AI提供了“连接主义”的新范式，能通过建立大数据之间的复杂关联（构效关系），有望复现出完整的材料势能面，实现科研范式的跃迁。

无序合金带来的特殊挑战与机遇：

挑战：绝大多数实用材料（如高熵合金、非晶）都存在化学或拓扑无序，其原子局域环境各异，无法用像晶体“空间群”那样的简单参数描述。没有结构描述符，就无法建立结构-性能关系。

机遇：恰恰因为每个非晶原子模型都包含海量的、各不相同的局域环境数据，它本身就是一个“大数据”问题。而AI擅长处理大数据关联，这为AI解决此类问题提供了天然的场景。

当前研究路径与核心突破点：

三大方向：①在无序中寻找“序参量”；②预测性能（如非晶形成能力）；③将预测模型融入设计范式。

关键突破：AI驱动的机器学习势函数（如DPMD）弥合了第一性原理计算（精度高、效率低）与分子动力学模拟（效率高、精度依赖经验势场）之间的鸿沟。通过神经网络拟合高精度势能面，得以进行大尺度、长时标的模拟，从而在计算中复现接近真实实验条件（如冷却速率）下的材料行为。

实践案例：其团队致力于构建“理论大数据中心”，通过自动化、对话式（AI智能体）的平台，实现高通量相图计算、多元合金逆向设计（即给定目标性能，反推材料成分）。

未来展望：

最终理想是拥有一个“材料数字周期表”平台，实现按需设计材料。

强调最大的危险不是目标太高未能实现，而是目标太低轻易达成。AI必将极大加速材料研发，是否引发范式革命仍需时间检验。

2. 王诗童 — 从“做好电池”到“用好电池”：AI驱动的闭环创新

核心论点：电池领域需贯通“前沿发现-可控制备-系统优化-全生命周期管理”的全链条，而大模型与智能体是实现多尺度闭环、加速从科研到产业落地、解决方案与应用场景匹配的关键。

详细内容分述：

一、“做好电池”：

AI加速材料发现与验证：长期研究“晶体结构水”对电池动力学/热力学的积极作用，颠覆了“水对电池有害”的传统认知，并将限域结构水理论从电池负极拓展至正极、从电极材料拓展至电解质材料，从低价离子电池拓展至高价离子电池，从锂离子电池拓展至质子电池等多种体系。AI赋能科研新范式：构建领域知识库与大模型：建立了多学科科研知识库和材料领域大模型，实现智能问答与方案生成；创意生成与评估：开发了“材料科学创意”智能体，可针对特定问题（如设计新型快质子导体）生成多个创新方案，并通过多模型评分筛选出最优解，已成功指导新型高性能功能材料的理论发现；应用场景匹配：构建了万量级“电池解决方案-应用场景”匹配数据库，在井工机器人等高安全、长寿命应用场景；多智能体协同研发：在微型机器人等复杂系统设计中，让多个AI智能体扮演不同领域专家（材料、热管理、结构、控制、仿生等），进行协同设计与优化；黑灯实验室：推动AI从数字世界走向物理世界，通过大模型智能体连接并自主操作实验仪器，实现自适应测量、数据分析、报告生成、机理研究、性能优化的科研闭环。

“用好电池”：AI赋能全生命周期管理

核心挑战：电池是一个复杂非线性、多因素耦合的系统，其真实工况的老化规律、安全风险难以预测。解决方案：构建电池大数据与机理模型融合的预警体系：通过生产行为数据（材料厂-电芯厂）和用户行为数据（整车厂）构建上千项特征来描述电池行为数据（提出容量型、电压型、电阻型、故障型四类健康指数），实现更全面的电池“体检”。故障预警实践：利用大模型分析充电片段数据，成功实现了对电动车自燃事故的早期预警。电池健康卫士解决方案：倡导“早发现、早治疗”的电池健康管理理念，开发了面向车队、储能、银行、保险等场景的C端和B端产品，旨在实现“千人千面”的个性化电池使用策略，平衡安全、寿命与用户体验；提供从个体电池到全局车队的多层级健康视图与因果分析模型，助力车队和运营商进行策略干预。

未来展望：科研层面：AI智能体将扮演多学科专家角色，发挥效率及创意两大优势，使“理工融合、多学科交叉”真正可行，加速科研进程；产业层面：“一人+多智能体”的“独立创业者”模式可能成为新常态，极大降低应用场景创新门槛。产品层面：功能价值需要让位于情绪价值，技术逻辑需要让位于商业逻辑。

3. 刘腾飞 — 智能原生经济：AI驱动下的未来产业范式变革

核心论点：AI正引领经济范式从“数字原生”向“智能原生”跃迁，其核心是以智能体为生产力、可编程价值网络为生产关系，这将彻底重塑未来产业的竞争逻辑与发展路径。

详细内容分述：

智能原生经济的范式特征：

与数字原生的区别：数字原生核心是“连接”与“复制”（信息的比特化与低成本复制）；智能原生核心是“生成”与“决策”（机器的认知与创造能力），知识生产的边际成本趋近于零。

新索罗模型：未来经济增长将依赖于智能技术、算力数据、数字人才共同驱动的“新质生产力”，GDP增长可能与人类工作时长脱钩。

AI时代未来产业的发展逻辑：

智能的杰文斯悖论：AI降低某个行业成本后，将反向引爆该领域需求的指数级增长（如AI编程催生海量“一次性软件”）。

T²模型锁定高潜领域：从容错率（Tolerance）和显性知识密度（Tangible Knowledge）两个维度分析，显性知识密度高、容错率较高的领域（如编程、法律、金融分析、基础设计）将最先被AI深度重构。

组织形态变革：从金字塔组织转向“超级个体+蜂群”模式，“一人独角兽”（一个人类+多个AI智能体）成为可能。

中国未来产业的布局与挑战：

国家布局：聚焦未来制造、信息、材料、能源、空间、健康六大方向，具体包括人工智能、量子信息、生物制造、脑机接口、6G、氢能/核聚变等前沿领域。

竞争关键：未来产业的竞争本质是“发现速度”的竞争。AI闭环可将研发周期从“年”缩短至“周”，谁更快发现新材料、新蛋白质，谁就拥有核心优势。

现状分析：中国在应用场景和工程化上有优势，但在底层模型和科研工具链上仍存在短板。

智能基础设施的战略重要性：

四层技术栈：①算力与能源层（发电厂）；②数据与知识层（图书馆）；③模型与编排层（操作系统）；④信任与价值层（法律与银行）。

需解决的四大问题：成本（降低智能调用成本）、信任（智能体间可信交易）、速度（支撑高频交互）、激励（保护数据生产者权益）。

实践探索：其团队正在基于区块链构建“数据智能服务网络”，旨在成为未来智能体跨域协作的底层交换枢纽。

对企业与个人的启示：

企业需向智能原生企业进化，具备自适应体验、自进化产品、自动化运营、增强型员工、全连接资源、AI原生架构六大特征。

价值逻辑从互联网的“流量变现”（羊毛出在狗身上）转向智能原生的“成果交付”（羊毛出在羊身上）。

结论：未来每一家企业都必须是人工智能企业，必须构建自己的“微型创世纪计划”（AI驱动的数据闭环研发中台）。

二、讨论环节深度总结

讨论围绕AI的实际应用、局限性与未来影响展开，主要聚焦于以下几个交锋点：

1. AI与人类工作的关系：替代、共生还是进化？

担忧：主持人赵榕尖锐提出，AI若全能，人类科研人员何去何从？

主流共识：共生与辅助。

管鹏飞认为，AI目前无法替代人类的创新性思考和提出根本性科学问题的能力。它主要替代流程化工作，提升效率，从而解放人类去从事更具创造性的活动。

刘腾飞提出“硅基-碳基共生”论，强调AI是拓展人类能力的工具。

于潇豫用“杰文斯悖论”论证，AI降低开发成本后，将创造更多新的需求和工作机会（如AI操作员），而非单纯导致失业。

2. AI应用的现实边界：哪里最有效，哪里最危险？

高效领域：与会者一致认为，显性知识密度高、容错率高的领域是AI应用的“低垂果实”，如编程、创意内容生成、文献综述、初步方案设计等。

高价值突破领域：蛋白质结构预测（AlphaFold） 被多次提及作为成功典范。此外，核聚变等离子体控制、量子计算辅助设计、极端条件材料模拟等被视为AI可能产生颠覆性影响的“硬科技”前沿。

风险与挑战领域：医疗、核电、航空航天等容错率极低的领域。专家们强调，这些领域AI的“幻觉”和“黑箱”特性是不可接受的，必须辅以严格的验证、可解释性分析和人类最终决策权。

3. “黑箱”与可靠性：如何信任AI？

问题核心：AI输出结果可能看似合理但实为错误（幻觉），或隐含训练数据的偏见。

解决路径：

多智能体对抗：王诗童介绍了“蓝军Agent”思路，即设置一个专门挑错的批判性智能体，通过多轮博弈使输出结果收敛、更可靠。物理世界闭环验证：“黑灯实验室”是终极解决方案，让AI的预测在自动化实验中得到即时验证，形成“假设-实验-反馈”的物理闭环。

数据质量与多源校验：管鹏飞和张志杰（出版方代表） 都强调，高质量、标准化、经过同行评议的数据是训练可靠AI的基石。同时，需要用物理定律、实验事实等多维度标准去校验AI输出。

哲学反思：管鹏飞援引了“赋予AI价值观是否会限制其探索真理”的深层伦理问题，指出这尚无定论，但实践中我们仍以当前认知的“真理”作为训练和校准的参考。

4. 2026年技术展望：从“数字智能”到“物理智能”

对2025的共识：是“开源模型爆发年”和“智能体（Agent）元年”。DeepSeek等开源模型打破了闭源垄断，而智能体技术使AI从对话走向自主执行任务。

对2026的期待：

王诗童：期待智能体在新技术新材料研发及应用场景侧深度融合，以及具身智能取得实质性进展，让AI更好地理解和探索物理世界。

管鹏飞：希望在具体材料体系中实现“理论-计算-实验”全闭环设计，并期待AI能帮助简化材料体系（如减少合金元素种类），而不仅仅是增加复杂度。

刘腾飞：展望AI与中国完备工业体系的深度融合，助力中国在新一轮工业革命中取得引领地位。

林德烨（北京科学智能研究院）：提出冷静的期待。指出当前许多AI4S成果尚处于“故事”阶段，距离实际产业应用仍有距离。希望2026年能更扎实地解决外推性、可靠性问题，推动AI从“能用”到“好用、敢用”。