当算力与数据不再是稀缺资源，AI for Science的下一个临界点该指向何处？7月3日，阿里巴巴达摩院联合中国人民大学、中国科学院大学给出了一个足以改写规则的答案——Elements Claw，首个能从零开始设计新型超导材料，并完成实验验证的AI智能体。这不仅是技术突破，更标志着科学发现范式的一场静默革命。AI的角色从“辅助分析”正式跃迁至“独立发现”，一个“算法-数据-假设”的闭环已初步打通。

传统材料发现遵循“试错法”的缓慢演进：研究者通过理性假设或偶然发现锁定候选物，随后进行长达数月至数年的合成与验证。例如，铜氧化物高温超导体的发现，至今仍被视为部分偶然的产物。Elements Claw的出现，从根本上改变了这一流程的效率天花板。它采用“专通融合”架构，底层是基于1.25亿分子/晶体结构预训练的1B参数原子基础模型Elements，相当于一个对物质世界有深度“常识”理解的AI化学家。在进行超导性筛选时，模型判断的AUC（曲线下面积）达到了惊人的0.996，对临界温度预测的平均误差小于1K。这意味着它不仅能告诉你“什么是超导体”，还能以极高的精度预判“它将在什么温度下工作”。

更值得关注的是算力效率的质变。仅消耗28个GPU小时，Elements Claw便完成了对240万稳定晶体结构的系统筛选，最终锁定了6.8万个候选材料。在后续的实验验证中，Hf₂₁Re₂₅、Zr₄VRe₇、HfZrRe₄、Zr₃ScRe₈这4种新材料被成功合成并确认具有超导性，其中最高临界温度达到6.5K。对比传统方式，这几乎相当于用一辆摩托车的能耗跑完了一整座油田的勘探工作。全部240万稳定晶体数据库已对外开放，为后续的科学研究提供了可复用的基准资源。

在我看来，这项工作的真正价值不在于单点性能的刷榜，而在于其证伪了一条通往“无人区”的路径。过去，AI在科学发现中往往扮演着“分析者”或“推荐者”的角色。它基于已有的文献或模拟数据，预测可能出现新材料的区域，但“首次发现”的桂冠仍然属于人类科学家。Elements Claw打破了这层天花板：它将“算法生成假设”与“实验验证假设”首次通过一个统一的智能体框架连接起来。从筛选到预测，再到最终的合成验证，AI首次完成了从零到一的独立设计。这不仅仅是加速，而是创造。

这对于计算材料学、凝聚态物理和所有从事科学模拟的团队来说，是一个清晰的信号——AI不可能取代科学家的洞察力，但一定会取代那些无法与AI协同进化的团队。当算力消耗从“特斯拉小时”降至“GPU小时”，当预训练模型具备了近乎完美的晶体学先验知识，科学的“发现速度”将被急剧压缩。对于材料科学领域的研究者，建议立即拥抱此类智能体架构，将精力更多地集中在AI难以触达的上层理论构建与下游应用转化，而非重复性的结构枚举与试错。All in AI，是所有科学家的时代答案。