Material Progress

Orbital Materials 的核心押注，是让 AI 把材料发现从工匠式试错，变成更可预测的工程学科。 其生成模型提出候选材料，力预测模型进行筛选，内部湿实验室负责闭环。Jonathan Godwin 表示，到决定要制造什么时，他们已经回答了约 90% 的关键问题，并将范围收窄至2到3种材料。

最深层的技术信号，是模型从约20原子的无机晶体，泛化到复杂蛋白质系统。 Jonathan 认为，这说明模型“在这么小的尺度上学到了某种真正基础的东西”。消息传递神经网络不像语言模型那样使用显式位置嵌入，因此原子级模拟可以随着可用算力扩展，但仍受实际限制。

钾离子通道的工作，为这种泛化提供了一个引人注目、但明确尚未确认的展示。 Tim Duignan 在一块 V100 GPU 上观察到水进入通道，一个羟基通过氢键将水牵引进去——这可能解释一组突变实验：移除该基团后，导电性下降了接近一个数量级。该工作尚未经过同行评审或实验确认；Tim 称其为一个有力且合理的假设。

Orbital 初期的商业化重点，是数据中心建设，而不是室温超导体这类“登月项目”材料。 公司正在开发热管理和脱碳材料，包括一种利用数据中心废热和气流的 CO2 捕集材料。经济关键在再生：一次性捕集相对已经解决，而降低解吸能耗、让材料或许能重复使用10年，可能大幅压低成本。

模型经济学更接近图像扩散模型，而不是前沿语言模型。 Orbital 表示，公司在融资不足4,000万美元的情况下，已经构建了领先模型和湿实验室。由于架构没有 Transformer 式的位置限制，原子模拟可以跨额外芯片扩展；但大系统会变慢，长程静电作用可能需要额外建模，密度泛函理论也不足以处理部分高度关联电子系统。

真正的护城河，可能来自可扩展模型与历来难以复制的实验默会知识的结合。 Jonathan 将半导体工艺经验与 TSMC 积累的优势相提并论：前者可能包含10,000个步骤，通过师徒制传承。Orbital 的内部实验室因此更重要的不是制造产能，而是一个快速反馈系统，持续让 AI 扎根于可制造的材料。

科学产出提高，可能伴随着令人痛苦的“满足感工作”从人转移给机器。 主持人总结的一项研究显示，材料发现增加44%，专利申请增加39%，下游产品创新增加177%；但随着 AI 承担更多创意生成、科学家转向更多验证工作，82%的科学家表示工作满意度下降。Jonathan 预计，“创造力会是最先消失的东西之一”，即便他也认为，要以更低成本生产更多东西，就必须加速发现。

🔗 原始收听与视频来源： 材料进展：让 AI 形成科学直觉——与 Orbital Materials 的 Jonathan 和 Tim 对谈