42,000 次模拟、R² 0.98，密度仍被高估 5%：18 次真实实验把地图挪了回来

玻璃的配方看起来像一道小学算术题。

这里多一点二氧化硅，那里少一点氧化硼，再放入铝、钠和其他氧化物。把粉末混合、熔融、冷却，一块新的玻璃就出现了。可一旦你要求它既结实，又轻，又容易加工，还要少消耗资源、少排放二氧化碳，算术题就会突然变成一片几乎走不完的荒原。

每一种成分都可能改变另一种成分的作用。密度变了，弹性可能跟着变；熔化温度降低了，耐久性未必还在。几个比例稍微调整，配方数量就迅速膨胀。传统办法只能挑少数点来试，像在一张没有路的大陆上，用脚尖一寸寸探地。

于是，人们让计算机先走。

2026 年 7 月 24 日，一组研究者在 npj Computational Materials 发表了一套寻找可持续玻璃的工作流。他们给它取名 SCALE：Simulation-Calibrated Active Learning Estimator，可以译成“由模拟校准的主动学习估计器”。它把分子动力学模拟、机器学习和机器人合成接成闭环，目标是用尽量少的真实实验，修正一大批计算共同携带的偏差。

这项工作最有意思的地方，不是机器算了多少。

而是机器算得很漂亮之后，研究者仍然让现实进来，把地图往旁边挪了一点。

R² 0.98 不等于准确率 98%：全班用的是同一把短尺

团队先完成了超过 42,000 次熔融—淬火分子动力学模拟。每个模拟单元包含大约 200 到 500 个原子。计算机在虚拟空间里把材料加热、混合、冷却，再预测它的密度和弹性模量。

这些模拟数据被用来训练机器学习模型。交叉验证时，模型的决定系数 R² 最高达到 0.98。这个数字很容易让人产生一种愉快的错觉：地图已经非常准确，剩下的只是让机器人按照地图去找最优配方。

但 R² 不是“现实准确率 98%”。它描述的是模型对数据变化的解释程度，而且这里大量数据本身来自同一套模拟。一个班里所有学生都使用了同一把短了两厘米的尺子，他们的答案可以彼此非常一致；一致并不能让尺子变长。

研究者随后把预测与 55 种由机器人实际合成的钠铝硼硅酸盐玻璃比较。问题出现了：模拟对密度存在最高约 5% 的系统性高估。

5% 看起来不大。对于依赖密度和弹性模量安排材料用量、运输、结构和成本的工程，它不是一个可以用“总体趋势不错”轻轻带过的误差。更麻烦的是，这不是几个坏点，而可能是一整张地图共同偏向一个方向。

模拟为什么会偏？因为模拟必须简化。

几百个原子的单元无法完整复制现实材料的巨大尺度；可承受的计算时间要求虚拟玻璃以远快于工厂的速度冷却；原子之间的作用由力场近似；真实熔炉、原料杂质、热历史和制样过程还会带来额外差异。模拟不是现实的劣质复制品。它是一种为了看见规律而主动舍弃细节的工具。

问题从来不是“模拟有没有误差”。问题是，我们何时知道它偏向哪里。

18 次实验不为覆盖配方，只为问出地图偏向哪边

最直接的修补办法，是把更多真实实验数据塞回训练集。数据当然越多越好，可真实玻璃不是一行廉价的表格。每个数据点背后都要称量、混合、熔融、成形、测量，消耗时间、材料和设备。

SCALE 采取了更节制的办法。

系统先从已有比较中学习“模拟与现实之间的差”如何随成分变化，然后用主动学习决定下一批最值得做的实验。所谓主动学习，并不是机器突然产生了好奇心，而是算法从候选配方中挑出那些最能减少当前不确定性的点。

论文描述了三轮实验迭代，每轮六次测量。也就是说，18 次被策略选择的真实测量，承担的不是“覆盖全部配方”的任务，而是像校准路标一样，告诉模型：这片区域向东偏得多，那片区域向东偏得少。

三轮之后，密度预测误差显著下降。论文摘要没有给出一个可以脱离属性、成分和评估方式复述的统一最终百分比，所以这里不制造一个更适合标题的数字。重要的是方法发生了变化：现实实验不再只是验证模型的期末考试，而是进入模型学习过程，成为每一轮下一步的依据。

这也是“闭环”真正的含义：

计算提出候选，机器人执行实验，仪器返回测量，模型更新偏差，再决定下一个实验。圆环每转一次，系统不只是获得一个样品，而是改变自己对整片配方空间的理解。

机器人没有发现玻璃，它改变的是失败的形状

“机器人实验室自动发现新材料”是一个很诱人的标题。它把科学压缩成一个熟悉的替代故事：以前是人做，现在机器做；以前慢，现在快。

可这项研究给出的图景更细，也更诚实。

机器人在这里适合承担的，是重复、标准化、可记录的动作。它可以按照精确配比处理一批样品，用相同流程合成和测量，减少不同操作者、不同时间带来的不必要差异。它不疲倦，不会因为下午五点而把最后三个样品做得稍微快一点。

但它并没有替人决定什么叫“可持续玻璃”。

是降低密度更重要，还是提高弹性更重要？是优先减少熔融能耗，还是考虑原料供应、寿命和回收？全球玻璃生产相关的二氧化碳排放被论文援引为每年约 9,500 万吨，可一块玻璃的环境价值不能只由实验室里的单项性能决定。配方是否依赖稀缺材料，能否进入现有窑炉，批量生产时良率如何，使用多少年后怎样处理，这些问题都在闭环之外等着人。

机器人最先改变的，未必是科学家的创造性工作，而是失败的形状。

传统实验里，一个失败样品可能意味着一次配料误差、一段没有记录的温度变化、一个被忽略的仪器漂移。自动系统如果设计得好，可以让这些过程被追踪，使失败更可比较。可如果设计得不好，它也会以惊人的速度稳定复制同一个错误。

自动化从不消灭人的判断。它只是把人的判断提前：写进目标函数、仪器接口、停止条件和异常处理。

真正贵的不是机械臂，是让所有仪器说同一种语言

这也是为什么“自主实验室”喊了多年，仍没有像云计算那样随处可用。

美国国家标准与技术研究院今年发布的一篇论文指出，自动材料实验平台的建设需要大量时间和资金，一个主要障碍是它们往往为单一实验定制。不同厂商的仪器有不同接口，温控设备、机械臂、分析软件和数据格式彼此不认识。每建一套新平台，团队都要重复做系统集成。

NIST 提议建立一个可组合、模块化的生态：社区共同定义标准，设备像积木一样更容易被替换和连接。这听起来像工程细节，实际上可能决定自主实验室能否从少数明星团队的展示项目，变成更多研究者可以使用的基础设施。

互联网的力量不只来自某一台电脑更快，而来自不同电脑遵循了共同协议。自主实验室也需要自己的协议：怎样描述一个实验动作，怎样记录样品身份，怎样表达不确定性，怎样让仪器报告失败，怎样保存完整过程，怎样让另一个实验室重放。

对于创业者，这里可能比“做一个科学大模型”更接近真实机会。实验编排软件、设备适配层、样品追踪、校准服务、标准数据模型、远程运维、异常检测，都是不够耀眼却决定系统是否工作的部件。对于投资者，应该追问的也不是“机器人一天做多少实验”，而是设备利用率、人工接管频率、跨仪器迁移成本、一次可靠数据的全成本，以及系统离开原开发团队后还能否运行。

演示视频里最容易被剪掉的那一分钟，往往就是商业模式所在。

多个 AI 一起管实验室，出了错谁签的字？

同月发表在 Communications Materials 的一篇观点文章，进一步设想由多个 AI 智能体管理未来材料实验室：一个安排仪器，一个选择实验，一个分析数据，一个协调资源。作者也提出，可以先在数字和物理沙盒里测试不同管理策略。

这是一幅未来图，不是已经验证的大规模系统。它提醒我们的，却是一个现在就要面对的问题：当决策被拆给多个模型，错误会变得更难追溯。

某个样品没有被测试，是因为预测模型给分低，还是调度系统认为仪器太忙？某次异常被忽略，是分析模块把它判为噪声，还是实验模块没有记录关键过程？如果每个模块局部都“合理”，整体仍可能做出一个无人真正选择过的决定。

人类实验室也会这样。设备预约、经费期限、论文压力、人员经验共同塑造方向，只是这些力量常常藏在会议和习惯里。自动系统有一个潜在优点：它可以迫使实验室把隐形规则写出来。规则一旦被写出，就有机会被审计、质疑和修改。

前提是我们愿意保存的不只是成功路径。

科学的尊严，在于现实有权对我们说“不”

回到那 42,000 次模拟。

它们不是无用功。没有它们，研究者无法在巨大配方空间里建立一张足够细的地图。R² 最高 0.98 也不是骗局，它说明模型确实学到了模拟世界里的强规律。真正让这项工作变得可信的，是团队没有把模拟世界内部的优秀成绩，当成现实世界必须服从的理由。

他们做了 55 种真实玻璃，看到最高约 5% 的系统偏差。然后又让算法用三轮、每轮六次的测量去追问：偏差究竟怎样随成分变化。

这件事有一点朴素，甚至有一点古老。

科学从来不是让自然证明我们聪明。科学是先造出一套足够聪明的解释，再为自然保留说“不”的位置。

机器人会让提问更快，让动作更稳定，让失败更容易比较。AI 会让地图越来越密。可实验室之所以仍然需要那块被熔出来、被冷却、被拿去测量的玻璃，是因为现实不能被投票，也不能被提示词说服。

未来的科学家也许不再亲手称量每一份粉末。他可能花更多时间决定目标，寻找反例，检查异常，理解为什么模型在某个角落持续出错。那不是离科学更远。

在最好的情况下，那是把人从重复动作里放出来，重新站到科学最重要的位置：当一张漂亮地图与脚下土地不一致时，愿意停下来，相信脚。

参考资料清单

• 《SCALE 可持续玻璃原始论文》，npj Computational Materials，2026 — https://www.nature.com/articles/s41524-026-02249-w
• 《NIST 模块化自主材料实验室论文》，美国国家标准与技术研究院（NIST），2026 — https://www.nist.gov/publications/towards-composable-modular-laboratory-ecosystem-autonomous-materials-research-and
• 《多智能体自主材料实验室管理》，Communications Materials，2026 — https://www.nature.com/articles/s43246-026-01219-5