用芯片加速AI，用AI设计更好芯片

2026世界顶尖科学家论坛今天将在临港新片区举行开幕式。

人工智能赋能科学研究，是如今科学界最关注的科研范式变革方向。昨天，在2026世界顶尖科学家论坛相关活动上，这一范式变革成为各国科学家热议的话题。

对于如何处理好人类与AI的关系，菲尔兹奖得主洛朗·拉福格给出的忠告是：“AI无法为任何人省去学习所需要的努力，用AI学习的一个‘危险’，是获得的知识始终停留在表面。为了让知识融入你的头脑，就要付出努力和耐心。有些事情即使枯燥，也要亲自去做。”

2010年，康斯坦丁·诺沃肖洛夫因成功剥离出单原子层石墨烯，他与导师安德烈·海姆分享了诺贝尔物理学奖。随着大模型兴起，诺沃肖洛夫开始将人工智能应用于功能智能材料领域。

在世界顶尖科学家论坛·未来能源大会上，他向观众展示了“机器学习用于单个原子催化”的示意图，只见一个个原子组成了各种形状的二维材料结构。“我们可以用AI改造二维材料的原子结构，并预测这种改造将让材料获得什么新的功能。”诺沃肖洛夫说。

同时，他也指出了“AI设计师”的局限——真实世界的材料比AI设计的材料更复杂。“比如AI在预测时用到的纯铁、纯硅等理想化材料，在真实世界里并不存在。”

为了确保新材料开发的现实可及性，诺沃肖洛夫提出，要从一开始就把“材料合成”放入科研创新链，打通“材料合成—材料性能”路线，在实验中观察合成过程中的中间产物，再用理论方法为这些化学反应建模。“然后，希望你们把这些数据全部喂给AI，让AI可以预测出：要选择哪一类合成参数，才能得到具备特定性质的那种材料。”

在新材料设计环节，AI逆向设计逐渐成为主流。这种方法是指研发团队先确定想要的性能指标，再反过来搜索、生成满足该性能要求的材料结构和成分，并选定材料生产工艺。

美国西北大学教授、热电材料领域顶尖学者杰弗里·施耐德介绍，苹果智能手表所用材料就是逆向设计的产物。“手表表面看上去似乎是不锈钢或铝合金，其实是苹果公司逆向设计的专用合金，它的强度、耐腐蚀性、可靠性、易加工性、抛光性等性能指标都由特定参数决定。”

如今，随着大模型和智能体快速发展，AI设计新材料的能力越来越强。这位美国科学家展示了一张科技公司融资列表，上面都是这一前沿赛道的初创企业：CuspAI融资5.7亿美元、Periodic Labs融资3亿美元、Citrine Informatics融资8100万美元……资本的大量涌入，正在推动这些企业快速成长，成为材料科学及其产业的变革力量。

除了大模型和智能体，机器人实验室在这一前沿赛道也扮演着重要角色。施耐德说，这种实验室的基础是材料信息学，最大特点是自主性，即可以在AI指挥下自主开展材料科学实验。

在诺沃肖洛夫推动下，新加坡国立大学与多伦多大学共建了“材料数据铸造厂”。它就是一家机器人实验室，让自动化机器人平台与大模型协同工作——机器人根据大模型预测的新材料配方，进行自动合成、自动表征，并自动回传实验数据；大模型根据实验结果迭代优化，完成下一轮设计，形成“AI提出方案—机器人做实验—实验数据喂给AI”的闭环。

这位诺奖得主预测，未来材料实验室将如同无人工厂，24小时不间断自主运行，与“AI设计师”一起成为材料科学家的得力助手。

在集成电路领域，也出现了“AI设计师”。寒武纪联合创始人陈云霁在世界顶尖科学家论坛·人工智能平行论坛上表示，让AI设计芯片并不容易，原因有二：一是选择项太多，要设计一颗计算机CPU，候选方案多到无法想象；二是错一点都不行，芯片每秒要干几十亿次活，准确率必须接近100%。

对此，陈云霁团队的办法不是让AI“一次画对”，而是让它画完之后自动检查和修补，一秒钟来回改几百遍。

按照这个思路，他们2021年做出了第一颗由AI设计的芯片“启蒙1号”，其性能大致相当于20世纪90年代的英特尔486。到了2025年“启蒙2号”出炉，其性能已相当于十多年前手机主流CPU的水平。换句话说，AI设计芯片的本事，用短短四年从“能跑”追到了“差不多够用”。

早在2008年，陈云霁团队就开始琢磨一件事：能不能专门为AI做一种芯片？他们分析了上百种AI算法后发现，不管算法怎么变，底层需要的“基本动作”其实就那么几种。据此，他们开发出一套专门给人工智能用的指令集。2020年，陈云霁牵头完成的“深度学习处理器体系结构新范式”项目获得国家自然科学奖二等奖，这是中国处理器芯片领域第一个，也是目前唯一获国家自然科学奖的。

陈云霁说：“我们现在用芯片加速AI，同时用AI设计芯片。再往后，这两件事会构成一个循环——AI设计出更好的芯片，而更好的芯片又训练出更聪明的AI。”可以预见，这个循环未来将加速芯片迭代，并推动大模型加速向通用人工智能这一“终极目标”迈进。（记者 俞陶然 黄海华）

全球顶尖科学家相聚上海，热议人工智能赋能科研。