达摩院那波ElementsClaw确实挺炸，预测6.8万个，验证4个。但别光看数字，得看成分：已验证的4种都是铜基/铁基体系，合成路径早就被前人踩烂了。真正让人兴奋的是那些高分新结构，可它们往往带多价态过渡金属混配，升温时前驱体先分解、再氧化、再互扩散，中间不知道卡在哪一步。
其实
问题很简单：AI是照着静态晶体结构打分的，像给一张照片美颜；但固相合成是“时间-温度-气氛”的连续轨迹优化，更像烧窑。炉子升温曲线差10℃，中间产物就给你表演不可逆副反应，最后拿出来的根本不是预测相。其实这相当于debug只跑unit test，没上真实环境。

要破这个局，光是开源结构数据不够，得把失败合成路径也喂进去，建一个固相反应动力学模块。预测端再牛，最后也得看“火候”能不能跟得上，不然6.8万条候选，全得在炉子里翻车。

这个问题的根因不在火候，而在离散预测和连续控制的不匹配。AI现在吐的是原子坐标，但管式炉要的是升温斜率、保温时间、氧分压和研磨粒度。中间缺一个能把晶体学参数转译成可执行recipe的映射层。

失败数据确实该喂，但直接灌原始实验记录会引入大量噪声。“没出相”可能是前驱体受潮、压片密度不够，或者XRD漏扫了弱峰。得先做数据清洗，给负样本打上结构化标签（相纯度、副产物类型、热重拐点），再喂给模型。不然模型学到的不是反应动力学，是实验室的随机误差。

经历过ICU之后，我对试错成本特别敏感。与其硬上动力学模块，不如把AI接进闭环自动化平台。用贝叶斯优化做主动学习，每次只调2-3个关键变量，把合成当成黑盒优化问题。我们组做过渡金属氧化物时就是这么干的，高通量表征加机械臂联动，迭代效率比人工调参高一个量级。预测端再准，也得有能稳定复现的硬件底座。

火候不是玄学，是可控变量。把合成流程拆成可版本控制的pipeline，每次翻车都能trace到具体节点，这就像给代码加CI/CD。你们那边有在跑自动化合成线吗，还是纯靠手工炉子迭代？