新材料的开发对于技术创新和经济增长至关重要，全球都在寻求通过大数据和AI来加速材料创新。AI4Mater是指将AI应用于材料领域的集成框架。它围绕三个主要元素构建：材料数据基础设施、AI4Mater技术和应用领域。材料数据基础设施是AI4Mater的基础，支持数据处理、数据存储库、电子协作平台以及标准和协议；AI技术集成了机器学习、自主实验、智能计算和智能制造；以及这些技术支持材料科学、材料研发、制造和性能评估方面的应用，从而增强整个材料价值链的创新、效率和可扩展性。

2011 年，美国启动材料基因组计划 （MGI），旨在通过高通量计算、高通量实验和材料数据基础设施将新材料开发的时间和成本减半。多年来，MGI 在塑造美国材料创新生态系统、促进政府机构、研究机构和行业之间的合作方面发挥了关键作用。该计划在 2014 年和 2021 年更新的战略计划加强了对人工智能驱动材料发现的投资，推进了智能材料研发。

欧洲一直处于数据驱动型材料研究的前沿。2011 年，由欧洲航天局（ESA） 管理并涉及31个欧洲机构的加速冶金 （AccMet） 计划率先进行了高通量合金设计和模拟，大大缩短了材料研发时间和成本。欧盟委员会的《地平线2020 研究和创新框架（2014-2020 年）》进一步整合了欧盟成员国的研究工作，促进了跨学科合作并加速了 AI 驱动材料创新的采用。英国于 2025 年 1 月推出了国家材料创新战略，向人工智能驱动的材料创新迈出了决定性的一步。

中国同时制定了有针对性的国家战略，以利用人工智能在材料科学方面的潜力。2015年，中国启动了国家重点研发计划“材料基因组工程关键技术与支撑平台”，目标是将研发周期和成本减半——通常所说的“两半”战略。2024 年，中国出台了新材料大数据中心建设方案，旨在整合和开发材料数据资源，为人工智能驱动的材料研究奠定坚实的基础。北京和上海等领先地区陆续公布了AI + 材料行动计划，标志着 AI 与材料科学相结合的关键一步，旨在通过利用人工智能驱动的技术来加速先进材料的发现、设计和应用。

随着大数据和 AI 技术的快速发展，对材料数据库的需求发生了重大变化，从简单的数据托管平台演变为动态的数据驱动系统。在动态模板系统开发方面，北京科技大学开发的MGEDATA的“容器-生成器”架构，允许用户自定义数据字段（如晶体对称性、热处理工艺），支持XML/JSON格式存储；在区块链应用方面，欧洲OPTIMADE联盟采用分布式账本技术，确保数据溯源与版权保护，已实现30+数据库的跨平台安全共享。该领域存在的挑战：数据异构性（如X射线衍射图与分子动力学模拟数据的融合）仍是标准化难点。

传统机器学习方法、启发式算法和主动学习、深度学习、生成性AI、知识引导模型和大型语言模型等前沿技术及应用快速发展，这些技术在材料发现、设计和优化中发挥着重要作用。例如，上海交通大学团队用图神经网络（GNN）预测二维材料吸附能，筛选出MoS2/石墨烯异质结作为高效析氢催化剂，实验验证效率达92%；美国西北大学开发CALPHAD-ML模型，优化高熵合金CoCrFeMnNi的相稳定性预测；SteelBERT大语言模型（LLM）基于400万篇材料文献预训练，可自动生成合金成分设计方案，例如设计出15Cr奥氏体不锈钢（屈服强度960MPa，突破传统极限）。

自主实验是一种融合了各种先进技术的创新实验方法。其核心在于将人工智能、机器人技术、数据技术和优化算法与实验设备高度集成，实现实验过程的自动化和智能化。图3显示了自主实验的工作流程。该系统首先使用 AI 根据预定义的目标和条件分析和处理实验数据，为制定实验计划提供依据。然后，机器人执行相关的实验作并收集数据。系统再次分析结果并调整实验计划。这个过程在反馈循环中继续，自动调整材料成分和制备过程，以探索性能更好的新材料。

材料智能计算与设计是指人工智能在多尺度计算、高通量计算和集成计算材料工程 (ICME) 中的应用。通过利用机器智能，它可以在新材料设计、准备、加工和部署的计算过程中实现试错空间的自主设置、计算方法的选择、计算资源的调整以及筛选标准的优化。这形成了自主虚拟迭代的闭环，以获得指导新材料的实验研究和工程应用的最佳设计。智能计算技术突破了人脑固定的思维模式，自主探索已知可变空间之外的新变量，自主优化设计思路和技术路径，显著提高材料计算效率，增强材料设计和筛选的可靠性和准确性。例如，深势科技DeePMD-kit利用GPU集群实现10亿原子分子动力学模拟，耗时仅1天(传统DFT需数百年)。

AI在智能制造中的应用包括AI 辅助 3D 打印、AI 集成数字孪生、AI 智能体辅助材料制造等。AI 在优化整个 3D 打印流程方面发挥着变革性作用，从材料成分到结构设计和流程优化;数字孪生(DT)通过在整个产品生命周期中集成真实数据和虚拟数据，开发高级分析以提高决策和运营效率，其应用涵盖智能制造、实时系统监控和预测性维护;AI智能体是一种能够自主感知其环境、做出决策和执行任务的计算系统，与传统的程序或算法不同，AI智能体通过传感器收集环境数据，使用推理机制做出决策，并通过机器人或控制系统等执行器与环境互动，该主要特性使其在动态和复杂的环境中特别有用，它们可以有效地处理不确定性并优化决策过程。

展望未来，人工智能与材料科学的整合不仅将加速下一代材料的发现，还将推动可持续、智能和高效的制造流程，塑造材料创新的未来。建立强大的材料数据流通基础设施对于充分利用 AI的潜力、确保无缝数据集成、标准化和可访问性至关重要。AI功能、算法和工具的进步继续推动材料发现和设计的加速，深度学习、强化学习和生成模型提高了预测准确性和优化效率。联合学习提供了一种很有前途的方法，可以在训练材料科学大型语言模型的同时保护数据隐私，促进安全的大规模协作。自动化/智能实验技术的发展正在简化高通量材料合成和表征，形成智能、闭环的优化流程，从而提高研发效率。同时，多尺度建模和数字孪生技术正在打破空间和时间障碍，实现材料制造的实时仿真、优化和精确控制。

尽管AI在材料科学中的应用取得了显著进展，但仍面临一些挑战，包括材料数据基础设施的建设、AI算法和模型的发展、联邦学习在材料科学中的应用、智能实验技术的发展、多尺度建模和数字孪生技术的应用，以及跨学科劳动力的培养。为了充分发挥AI在材料科学中的潜力，需要建立一个强大的材料数据循环基础设施，推动AI技术的持续进步，并培养既懂AI又懂材料科学的跨学科人才。