結合實驗、大型語言模型與理論來發現量子材料

TL;DR

• 他要回答的問題:今天或未來的 AI 能不能直接 zero-shot 出下一個重大科學突破?之所以必須是 zero-shot,是因為突破就定義而言不可能在訓練資料裡。
• 他的答案是「不能」,而反面就是他所謂的 thinkism:把你(或 AGI、或一群 agent)關在一間堆滿教科書、論文、專利的房間裡拼命想。宇宙太複雜,任何智慧都想不出來。
• 超導史就是證據:1911 年的超導、MgB2、1986 年的銅氧化物高溫超導——三次都不是從理論推導出來的,而是新能力、大量試誤,或根本找錯目標時撞上的。
• 所以 agent 不是沒用,而是要放對位置:把 AI 插進「觀察 → 假說 → 實驗 → 結果 → 理解失敗 → 再試」這個既有迴圈的各個環節——模擬(force fields)、characterization、文獻搜尋、實驗設計(DOE)。
• 給科學學生的建議正好相反於「AI 要取代科學家」的敘事:去把基本功練到最扎實,並投入實驗方法與量測工具的創新——你造出新的量測方法,AI 才有更多資料可看,thinkism 那部分技能才發揮得出來。

重點整理

問題設定:AGI 能 zero-shot 一個突破嗎?(約 00:34–00:35)

他開場先把問題釘死:breakthrough 依定義不可能在訓練集裡,所以它必須在「沒有先例示範」的情況下做出來——也就是 zero-shot。

換個問法就是:thinkism 能不能推進物理學? 所謂 thinkism,是「你把自己鎖在一個房間裡,手上有這個領域所有的教科書、所有做過的實驗、論文、專利,然後你非常非常努力地想」——不管想的人是人類、是 AGI、還是一整群 agent。

他的答案很直接:不能。因為宇宙對任何智慧來說都太複雜了,沒有誰能靠想的方式想進一個科學進展裡。 那替代方案是什麼?就是人類做了幾百年的事——跟宇宙迭代:提出假說 → 試 → 第一次通常不成 → 從失敗學到東西 → 再試。

超導史:三次突破,沒有一次來自「想得夠努力」(約 00:35–00:39)

1911,超導的發現。 不是某個天才想通了「把汞降到夠低的溫度,電子會透過聲子感受到吸引力」。實際發生的是:Kamerlingh Onnes 的實驗室先造出一個新能力——把溫度降到史上任何紀錄之下(大約 4 K,最低做到 1.8 K)——而汞剛好在 4 K 就會超導。而且這還是主線任務(液化氦)的副產品。幾年後他拿了諾貝爾獎,但很重要的一點:諾貝爾獎不是頒給超導的發現,是頒給他能液化氦。

1957/58,BCS 理論。 John Bardeen 與合作者搞懂了傳統超導的理論。照理說,人類既然懂了機制,就該用它推導出一堆新超導體——但歷史不是這樣走的。從 1958 到 2000 年左右,傳統超導最大的進展(用深度學習的語言說就是當時的 SOTA)是 MgB2;而它的發現方式是試了幾萬種材料,剛好那一種是很好的 BCS 超導體,不是有人拿著理論想出來的。

1986,銅氧化物(cuprates)。 Karl Alexander Müller 與合作者找到第一個高溫、非傳統超導體。但你去看他的諾貝爾獎演說就會發現,他當時其實是在找傳統超導體——因為他根本還不知道「非傳統超導體」會長什麼樣子。

他把範圍講清楚:這個結論適用於材料科學、化學、固態物理這類複雜系統,不包含數學與理論計算機科學(他認為那是另一個 regime)。在複雜系統這一邊,大多數東西是靠意外或大量試誤找到的。

那 agent 要放在哪裡?(約 00:39–00:41)

他的結論不是悲觀:我們沒事,只要想清楚怎麼把 agent 用進那套已經用了幾百年的科學方法裡就好。

科學方法的骨架是:觀察 → 假說 → 用實驗檢驗 → 看結果 → 第一次通常不太行 → 理解為什麼失敗 → 再試一次。而 AI 可以插進不只一個位置:

• 模擬(迴圈正中央)——已經被機器學習徹底改寫了。今天大家用 force fields 來近似基態的量子力學;他說得很重:就算再來一次 AI winter,他也無法想像 force fields 還會回到不用機器學習的時代。 AlphaFold 是另一個例子。但他也提醒:force fields、AlphaFold 都是工具,它們不會直接給你下一個新藥或下一個超導體。
• Characterization(表徵分析)——幫你看懂實驗資料到底發生了什麼。很技術,但 AI 能大幅自動化與放大規模。他順帶提到 Berkeley 這邊已經有前沿工作,用機械手臂在實驗室裡大量嘗試粉末合成。
• 文獻搜尋——把所有論文讀過,找出還有哪些想法值得試。
• DOE(design of experiment,實驗設計)——根據目前為止的所有實驗,決定下一個實驗做什麼。

他補了一句誠實話:實際上沒有投影片畫得那麼乾淨,真實情況是一張所有環節互相糾纏的 spaghetti plot;但只要刻意而謹慎地把 AI 放進去,整套科學方法確實會加速。

給科學學生的話(約 00:41–00:42)

看到 LLM 的進展不該覺得沮喪,應該覺得相反——現在是做科學最令人興奮的時候。

他的具體建議是:把基本功練透。 物理的就去讀超導理論、固態化學;生物的就去搞懂生物學裡真正重要的東西。並且特別重視實驗——因為回頭看,很多重大進展都發生在有人做出新的實驗方法、新技術、新量測工具的時候,而這些都是你能貢獻的。

而且這是正向循環:你創造出新的實驗方法與工具,AI 就會看到更多資料,它那套 thinkism 的技能就能用更大的規模、更快地把資料變成理解,然後你的下一個實驗就更有機會成功、也更聰明。

金句

"The universe is too complex for any intelligence, whether it's humans or machines, to think their way into the scientific advance."(約 00:35)

全場的核心論點。

"Nobel Prize was not given to superconductor discovery — it was given to the fact that he could liquefy helium."(約 00:37)

Kamerlingh Onnes 的獎座在「新能力」上,不在「新發現」上;這正是他想說的因果方向。

"He was actually trying to find a conventional superconductor, because he didn't even know what an unconventional superconductor would be."(約 00:38)

高溫超導的發現者,是在找別的東西的時候撞上它的。

"This universe is too complex for thinkism alone to innovate."(約 00:41)

最後一張投影片。