AI4Science这波浪潮，哪些是真改变，哪些是泡沫？

兴奋之前，先分清信号和噪音

过去五年，我参加过不下二十场 AI4Science 的会议。每一场都有人展示惊人的预测精度，每一场也都有人私下里问我："这个结果在他们的数据集上漂亮，放到我的体系里会不会垮？"

这个问题问得很老实，也是判断真改变和泡沫的分水岭。

误区一：AI找到了新材料，等于研究结束了

很多论文的结尾是这样写的："我们的模型预测了一种性能优异的新材料。"听起来很圆满，但实际上只是开了一个头。预测出来的结构能不能合成、合成后稳不稳定、性能能不能复现，后面还有一长串问题。

如果一篇 AI4Science 论文只停留在预测层，没有实验验证或至少没有明确的验证路径，那它更像是一份候选清单，而不是一个科学结论。

误区二：顶会的模型可以直接搬到实验室

我去年试过一个公开数据集上的 SOTA 模型，迁移到我们的氧化物体系后，MAE 翻了将近三倍。不是模型不好，是训练分布里没有我关心的晶格畸变。

材料科学的麻烦在于，体系的边界往往比数据集的边界更复杂。DeepCode 的价值不在于给你一个"通用模型"，而在于帮你快速判断：这个模型是否适用于我的特定问题。

误区三：预测准确率就是一切

准确率是一个容易好看的指标。但材料研究里，我们更关心的是不确定性和失败案例。一个模型如果不知道自己在什么时候会错，那它在实际决策中就是危险的。

"真正成熟的 AI4Science 工作流，不是告诉你答案，而是告诉你答案的适用范围。"

不想在热点里迷路？先用 Research Gap Mining 看看这个方向里还有多少未被验证的假设，再做投入决定。