承诺与差距 1959年12月，理查德·费曼在加州理工学院的美国物理学会上对一群物理学家说道，“底部有足够的空间。”他邀请他们加入一个新的探索使命：在原子尺度上有意控制物质。随后的近七十年里，基于这一邀请，取得了改变世界的巨大进步：现代电子学、摩尔定律以及我们对物理学本身的深刻理解。我们学会了逐个原子地设计世界，几乎我们现在所称的技术都基于这项工作。得益于这项工作，未来推动技术浪潮的材料——用于人工智能、量子技术、能源和电气化的材料——在大多数情况下，并不是等待被发现的。它们已经被认识，具有价值，可以在实验室中制造，但它们被困在实验室里。我们无法在生产规模上制造它们。简单来说，材料创新面临的是规模扩展问题，而不是发现问题。 每一次重大的技术变革都始于材料的物理世界。我们所庆祝的无形突破——模型、量子比特、网络——都是基于有人在真实设备内可靠制造一种物质的经验。当这种制造进程停滞时，未来也随之停滞。突破并不是材料本身，而是学习如何在规模上处理材料。英特尔提供了一个清晰的例证。到了2000年代，已经隔离了四十年的晶体管栅极的二氧化硅被缩薄到只有几个原子的厚度，并且出现了泄漏。英特尔早在能够出货之前就知道需要一种高介电常数材料。它找到的基于铪的材料并非一次灵光一现的发现，而是需要对其他材料进行同步改变才能有效。为了使该材料具备可制造性，花费了十多年时间：将其集成到一个真实的晶体管堆栈中，并且在不破坏周围一切的情况下，以良率逐层沉积。当英特尔最终在2007年以45纳米节点推出时，戈登·摩尔称其为自1960年代末以来晶体管技术的最大变化。突破不是材料，而是学习如何在规模上处理材料。材料的规模扩展瓶颈是我们未来的瓶颈。 为什么这个问题依然存在 解决这个问题面临双重障碍：物理和信息。物理上的困难在于，材料并不是在真空中存在的。它们生活在上下文中，嵌套在异质设备结构内，每种材料生长在另一种材料上，每种环境都改变了最佳情况的样貌和达到它的路径。几乎材料和工艺设计中的每个自由度都是连续和相互关联的。模拟和数字双胞胎可以提供指导，但无法达到真实材料的最后一英里保真度。因此，合成仍然是试错过程，由艰苦的经验和直觉指导。调节合成过程就像在戴着烤箱手套的情况下操作镊子。这是关键所在：数据生成的吞吐量已经激增，但我们利用它的能力却没有。 信息方面的困难加剧了这一挑战。表征被分散在互补且狭窄的探测技术上——X射线衍射(XRD)、X射线光电子能谱(XPS)、反射高能电子衍射(RHEED)、透射电子显微镜(TEM)、原子力显微镜(AFM)等——每种都有其独特的硬件、软件和分子专业，来分离信号与噪声。实践者通过手动拼凑出全景：串行、操作者偏见、损失性。元数据往往被遗忘。真实信息的零和值负结果通常会被当做垃圾抛弃。熟练的工程师可能会觉得他们的分析已足够，采集的数据过多，但工具链中从未呈现出被丢弃的内容。这是关键所在：数据生成的吞吐量激增，但我们利用它的能力却没有。 为什么现在 现在这个问题为什么可解决，而以前却不可？两股力量汇聚在一起。现代工具变得感应器丰富且高通量，生成的实时数据量是在十年前难以想象的。人工智能现在能够使用这些数据，已在计算、内存、带宽和传输学习上突破了显著的阈限，后者在有限的数据集上工作，而不是要求海量示例。我们需要能够利用现有的庞大数据来智能引导生产的系统——而不仅仅是解释失败。真实的约束是使问题既困难又有防御性的一样东西：没有“材料互联网”可供抓取。现有的数据虽然丰富，但都是专有和孤立的。一个通用的网络训练AI模型无法解决这个问题，而机遇并不在于等待更多数据——而在于构建一个系统，最终充分利用已经生成的庞大数据量。 原子规模公司在做什么 瓶颈从来不是缺乏有前景的候选材料。