01 人类网络
认知自主性
大模型作为 AI 科学家副驾，内化海量文献与隐性经验，自主完成意图理解、假设生成、方案设计与报告解读。人只主导目标设定与科学判断。
后训练大模型 专利排雷 跨学科检索
01 · THE BOTTLENECK
「试错式」研发不是习惯，
是三个要素的上限叠出来的
数据、流程、设备与专家经验先被组织成企业自己的上下文；智能体集群在上下文里理解、决策、行动；结果再回流，让上下文继续长。
要素 01 · 人类网络
认知上限与隐性经验
材料是交叉学科，依赖物理、化学多领域知识。人主导目标与判断，却容易被局部最优带偏初期方向。
要素 02 · 科学计算
算力成本指数上升
一次高精度流化床物理场仿真，或大分子体系动态模拟，可能要超算集群跑上数周。
要素 03 · 物理系统
通量跟不上合成速度
几百个样品排队等人工转移到测试仪器上，时间耗在物理位移、设备等待与人工切换。
三个要素各自够强，链路却仍然串行—— 真正的卡点是它们之间的路径依赖。
人凭经验给出粗糙假设
计算缺可信数据校准，承担不了筛选
只能交给物理实验穷举
通量低、方差大、数据不结构化
回流数据训不了模型，也沉淀不了经验——下一轮从头再来
02 · THREE AUTONOMIES
我们让每一个要素都自主起来
数据、流程、设备与专家经验先被组织成企业自己的上下文；智能体集群在上下文里理解、决策、行动；结果再回流，让上下文继续长。
02 科学计算
计算自主性
纯数据驱动的黑盒泛化不住，纯第一性原理算不起。生成筛选模型在庞大材料空间里自主探索，物理神经网络在约束内推理——把下发给物理世界的未知空间压小。
GNN / MatGen / GNoME PINN 机器学习势函数
03 物理系统
执行自主性
以理解真实物理规律的世界模型为基座，结合机器人，物理系统按指令自主完成合成、表征与工艺调优，7×24 小时闭环试错，高质量数据回流。
世界模型 实验室操作系统 原位表征
03 · MICRO · MESO · MACRO
一套集群，跨三个尺度
微观科学扩散模型、介观机理模型、通用大模型与世界模型作基座，新材料知识库内化隐空间表征，自主实验室做脚手架。
微观 · 发现与筛选
在隐空间重新组织材料表征，目标性质（带隙、催化活性）直接作为条件反向生成候选分子与晶体；势函数作快速代理完成大规模虚拟筛选。
收敛到可承受的量级，再交给实验室验证
04 · A DISCOVERY, END TO END
一个 POE 级催化剂，是怎么被做出来的
命题：设计一种高温耐受（140–160°C）、窄 PDI（<2.1）的乙烯 / 1-辛烯共聚催化剂。高端聚烯烃催化剂属于关键战略材料。
候选空间收敛
10,000 → 10
一个 POE 级催化剂， 从一万个候选收敛到最终配方
从配方到实验数据驱动
05 · SELF-DRIVING LAB
实验被编译成一张有向无环图
节点是实验任务，边是依赖关系。调度器、资源管理器与设备管理器接住剩下的一切。
点左侧任意一步看它做什么
06 · CONTINUOUS EXPLORATION
循环不是跑一次，是越转越快
提出 → 验证 → 读数 → 沉淀。每一轮的结果都回去修正筛选模型、势函数与世界模型，下一轮的未知空间更小。
1000 → 5
虚拟 rollout 与真实实验
物理世界只做最值得做的那几次
2700s → 0.1ms
单次物理场评估耗时
先让「跑一次」变便宜，并行扇出才成立
7×24
无人值守的闭环试错
通量不再由人的班次决定
01 读数变可信
XRD 自动采谱、机器学习识别晶相、Rietveld 精修算质量分数——不只判断有没有生成目标材料，还识别中间相与副产物，为下一轮提供依据。
02 模型被自己的实验数据校准
结果入库即用于训练：筛选模型、势函数与介观机理模型持续修正判断，不再靠公开数据集猜。
03 经验沉淀成集群的资产
成功路径与失败原因写进知识库与 Skill；第二个体系的立项不用从零开始——这与我们在技术概述里讲的自主迭代是同一套机制。
04 跨过企业的围墙
材料基因数据稀缺，而核心数据不会交出去。同一套技术在每家本地建各自的模型；攻克共同课题时组成实验室联盟——自愿参与，成果共享，原始数据不动。
