过去，一名科研人员寻找一种新材料方案，往往要从数百篇甚至上千篇论文中梳理线索、比对数据、判断方向，这一过程动辄数周乃至数月。

　　如今，这一节奏正在被加快。打开MatChat页面，输入一个无机材料相关问题，几秒后，系统不仅生成分析结果，还能精确追溯到对应的论文来源。

　　这个由中国科学院东莞材料科学与技术研究所（以下简称“东莞材料所”）与松山湖材料实验室联合开发的AI智能体，依托超80万篇权威学术论文构建的专业知识库，正在将科研人员从繁重的文献筛选中解放出来。不过，这一工具的意义远不止于提升科研效率。

　　对于新能源、半导体、高端装备等产业来说，材料创新的速度，正在成为决定产业竞争力的关键变量。新能源车需要更高能量密度的电池，半导体行业渴求性能更优的衬底材料，高端装备对轻量化合金的要求日益苛刻。在广东产业升级的大背景下，AI正在从实验室工具走向科研基础设施，加速材料发现、验证和产业化过程。

　　从“查论文”到“懂材料”

　　“仅2024年，材料、化学、能源相关论文就发表了30多万篇，人阅读文献的速度已经跟不上论文增长速度，靠人自己去看，根本看不完，也追不上前沿。”中国科学院东莞材料科学与技术研究所研究员刘淼指出。

　　在材料科学研究中，一个新的方向往往意味着数百篇甚至上千篇论文的检索、整理和分析。研究人员需要从已有论文中寻找规律，判断不同元素组合、实验条件和工艺路线之间的关系。

　　随着科研论文数量快速增长，传统人工检索方式正在面临效率瓶颈。阅读文献、完成调研综述、整理合成路线和工艺，再到交叉比对性能数据，往往就要花上几个星期。

　　与此同时，在科研场景中，通用大模型也难以胜任。模型存在“幻觉”问题，可能生成不存在的文献或错误信息。在科学研究中，一条错误引用可能影响后续实验方向。材料科学涉及大量专业知识，仅依靠通用模型难以满足科研需求。

　　“各行各业最后都会有自己的专属AI。基础模型强在通用能力，但真正进入科学场景，还是需要理解领域知识的垂类模型。”刘淼向南方财经记者表示。

　　MatChat正是在这一需求下诞生。

　　这一智能体由东莞材料所与松山湖材料实验室联合开发。团队背景横跨物理、材料和计算机，AI工程师负责向量检索和模型微调，材料科研人员则常年扎根实验室。这种跨界组合不是为了拿通用模型简单“微调”，而是让AI真正学会“读懂”材料科学。

　　在具体使用中，科研人员输入研究方向后，MatChat能够基于收录超80万篇论文的数据库生成带有文献来源的文献综述，幻觉率仅1.3%。给定目标材料体系，它还能从已有研究中提炼合成方法、原料选择和实验条件，给出可行方案参考，减少实验迭代次数。在电池正极、钙钛矿、储氢材料等领域，它能结合已有研究成果为实验设计提供完整参考。

　　研发速度也随之提升。据刘淼透露，用MatChat迭代合成工艺能省掉一半的实验迭代；新材料整体研发周期能缩短30%到50%。

　　“真正被压缩的，并不是实验验证本身，而是想清楚‘要合成什么’这一阶段。”刘淼表示，传统材料研究大量依靠试错和经验积累，而AI能够提升前期预测能力，把读论文、拼工艺、比数据等前置工作时间缩短，让实验验证更加聚焦和高效。

　　AI催生科研新范式

　　2023年，MatChat项目正式启动。早期版本主要探索AI理解科学知识的可能性；2025年发布的2.0版本则进一步升级，覆盖了80万篇论文全文、3亿向量索引和四层协同架构，重点提升专业知识检索能力和可靠性，每条结论都能追溯到具体的文献来源。

　　“2.0回答的是‘AI在科学领域能不能被信任’这个问题。”刘淼希望，MatChat从“能用的研究工具”，迭代成“能进生产环境的工业级系统”。

　　这一变化背后是大模型技术的快速演进。检索增强生成（RAG）工程化、向量数据库、长上下文模型等技术发展，为专业领域智能体开发提供了基础。此外，东莞及粤港澳大湾区丰富的新材料产业场景，为技术验证提供了应用空间。项目迭代过程中的很多领域知识校验、案例反馈，都来自新能源电池、电子信息、高端装备的下游企业。

　　事实上，MatChat的发展并非孤例。在材料科学领域，松山湖材料实验室与东莞材料所正在构建一套覆盖数据、模型和实验验证的AI科研体系。“谁最擅长做什么，就把那一段交给谁。”

　　其中，Atomly.net材料数据库解决的是数据基础问题。目前，该数据库积累了大量无机材料相关数据，为AI模型训练和材料筛选提供基础。MatChat则是科研人员与数据之间的交互入口，不会写代码、不懂编程也能调用专业知识。GPTFF负责材料体系的分子动力学模拟，将材料筛选从静态分析拓展到动态预测。自动化机器人材料实验室则进一步承担实验验证环节。

　　多个环节连接后，一条AI驱动的新材料研发流水线正在形成。

　　Atomly提供原料库，GPTFF和MatChat分别在物理性能与自然语言两侧做筛选，候选方案送到自动化实验室合成表征，实验数据反馈给Atomly，训练下一代AI模型。

　　这意味着，未来材料研发可能不再完全依赖科研人员反复试错，而是形成“AI提出候选方案—机器人完成实验—数据反馈优化模型”的闭环。材料科学AI智能体的发展方向将从知识辅助进一步走向自主决策。

　　产业竞争也从制造效率向创新效率传导。对于广东而言，新能源、电子信息、高端装备等产业集群的发展，都对材料创新提出了更高要求。

　　在新能源领域，电池材料需要持续提升能量密度、循环寿命和安全性能；在电子信息领域，半导体材料、第三代半导体衬底等关键材料仍存在突破需求；机器人和高端装备领域对新型轻量化材料、特种合金等的强度、耐疲劳性、可加工性提出了更高要求。

　　《广东省加快推动人工智能赋能科学研究行动方案（2026—2030年）》提出，推动人工智能与材料科学深度融合，构建“计算—人工智能—实验”闭环的智能研发体系，提升新材料研发和应用效率。

　　未来，谁能够更快发现材料、验证材料并实现产业化，谁就可能掌握新一轮产业竞争的主动权。AI驱动的新材料研发体系，不只是科研效率工具，更将成为支撑广东未来产业升级、提升全球竞争力的重要创新基础设施。