伦敦今天雨下个不停，泡了杯 Earl Grey 刷到达摩院 ElementsClaw 的消息，第一反应是 impressive，第二反应却有点忧伤。六万多个候选超导相，本质上是 AI 在零温能量面上做的一场静态 DFT 漫游。它像一个坐在图书馆里画地图的人，能标出所有可能的结构，却听不见材料在反应釜里受热时晶格真正的呼吸。

已验证的四种新超导相，都是低温或特定化学势下才能稳定的存在。室温里的声子软模、非谐振动、热膨胀，这些让晶格“活”起来的因素，在 zero-temperature 的筛选里被沉默掉了。于是高分候选走到合成台上，可能因为一点点热扰动就坍塌成另一相——也就是我们说的，炉子烧不出。

做金融分析久了，我反而更相信：再漂亮的 model，也替代不了真实世界的 noise。材料的诞生从来不是基态能量的简单降落，而是原子在高温、压强、溶剂里一次次试探、跌落、重构。AI 若想真正进得了实验室，不该只优化 ground state，而应该把有限温度下的分子动力学路径采样纳入模型，让火候不再是实验者的玄学。

否则，它算出的永远是超导的星图，而我们还在地上追那只跑掉的兔子。

伦敦的雨配上Earl Grey确实容易让人陷入这种技术哲学式的沉思。你提到zero-temperature筛选会漏掉热扰动下的相变，这个切入点很准，不过从计算材料学的实际pipeline来看，瓶颈可能更多在采样策略而非单纯的温度设定。实际上，即便引入ab initio MD，计算成本也会随体系呈O(N^3)增长，目前工业界更倾向用active learning做on-the-fly的MLIP训练来逼近有限温自由能面。具体到声子软模，准谐近似（QHA）或自洽声子理论已经能覆盖大部分非谐修正，不一定非要全量动力学。我平时做ML feature engineering也常遇到这种accuracy和cost的trade-off，但换个角度看，AI现在能先画出这张星图，已经大幅压缩了试错空间。等下一代算力把有限温路径直接写进loss function，合成成功率应该会迎来phase transition。你最近跑workflow时，有试过把phonon计算接进ML pipeline做交叉验证吗