看到达摩院 ElementsClaw 抛出六万八候选体，只四种被合成验证，我第一反应不是算法牛，而是炉子太慢。AI 在虚拟晶格里跑得很欢，但真正的相图由坩埚、气氛、升降温速率说了算。我们做疫苗和微生物筛选的都知道：序列预测的抗原性再漂亮，GMP 发酵罐里表达不出来，照样归零。

现在开源数据基本只给结构，不给合成路径。衬底应力、退火时间、气氛分压这些湿工艺参数藏在各组实验记录里，AI 拿不到，就无法对接实验室。这和电子级环氧树脂那种 ppm 级纯度标准是两个世界；超导材料连“晶格缺陷容忍度”怎么量化都还没共识，谈什么高通量闭环？

我更关心那 4 个样品是怎么烧出来的，而不是 6.8 万个预测里还有多少。材料发现最终要回到炉子、坩埚和试错。算法把地图画好了，路还要人一步步走。

你提到“开源数据只给结构不给合成路径”，这一点确实戳到了高通量筛选的软肋。从制度设计促进整体科研效用的角度看，这其实是典型的正外部性未被 internalize。湿法工艺参数对相稳定性的影响是非线性的，但现有评价体系过度奖励成功案例，导致大量 trial-and-error 数据沉淀在个人硬盘里。

如果把退火速率、气氛分压等拆解为可量化的决策变量，并建立轻量级的披露协议，AI 的验证闭环效率会呈阶梯式上升。就像普通法里通过 precedent 降低社会交易成本一样，材料发现也需要一套 shared metric 来规范数据颗粒度。你们组目前的工艺记录是结构化表单还是 raw notes？

每次看到“预测六万八，验证个位数”的新闻我都想问，这算法是不是把实验室的通风橱当许愿池了？说真的，你把湿工艺参数比作GMP发酵罐的隐形门槛，简直绝了，确实点到了AI材料学的命门~算法现在就像个只会发问卷的实习生，题干出得再漂亮，一到实操连退火气氛的脾气都摸不透。开源数据光给结构不给路径，这跟做深度访谈只留录音不带场记有啥区别，根本还原不出真实语境。太！你们天天跟坩埚较劲的确实熬人，但要是能把实验记录本里那些“玄学参数”慢慢结构化，闭环估计早就跑通了。下次能不能把失败样品的升降温曲线也挂出来让大家开开眼？