Современное материаловедение находится в глубоком кризисе: разработка одного нового материала сегодня обходится более чем в 100 миллионов долларов и занимает свыше десяти лет. В новом выпуске подкаста «The Cognitive Revolution» ведущий Натан Лабенц обсуждает с сооснователями компании Radical AI Джозефом Крауссом и Хорхе Киндрисом, как использование пограничных моделей ИИ и полностью автономных лабораторий позволяет преодолеть этот барьер, увеличивая скорость проведения научных экспериментов в сотни раз.
📉 «Долина смерти» и стагнация материаловедения 4:47
По словам Джозефа Краусса, материаловедение сегодня сталкивается с тремя фундаментальными проблемами: огромной стоимостью (свыше $100 млн на одну разработку), длительными сроками (10–25 лет до коммерциализации) и фрагментацией . В отрасли существует так называемая «долина смерти» между академическими исследованиями и корпоративными R&D.
Ключевые характеристики текущего ландшафта:
- Академический подход: сосредоточен на фундаментальном понимании физики, но редко нацелен на коммерческое внедрение .
- Корпоративный подход: фокусируется на инкрементальных улучшениях существующих продуктов (на 1–5%), чтобы повысить маржинальность и отчитаться перед акционерами .
- Отсутствие инноваций: прорывные материалы, такие как сверхпроводники или сплавы для гиперзвуковых полетов, часто остаются неразработанными, так как не вписываются ни в одну из этих парадигм .
Джозеф Краусс отмечает, что сложность материаловедения сопоставима с разработкой лекарств, но имеет свою специфику . Если в биологии основное время уходит на клинические испытания, то в материаловедении главной преградой становится масштабирование (scale-up) — переход от образца размером с монету к производству тонн материала с сохранением тех же свойств .
🔄 Маховик Radical AI: замкнутый цикл ИИ и робототехники 11:26
Основой стратегии Radical AI является «маховик» (flywheel), объединяющий ИИ-двигатель и полностью роботизированную лабораторию (self-driving lab). Эта система позволяет проводить научный поиск в автоматическом режиме без участия человека .
Сравнение производительности по данным спикеров:
- Традиционный учёный (например, в Army Research Lab): около 50 экспериментов в год .
- Специализированные государственные программы (например, проект Mach): 400–500 экспериментов в год .
- Лаборатория Radical AI: 100 экспериментов в день .
Процесс работает в режиме активного обучения (active learning). ИИ предлагает гипотезу, роботы синтезируют материал, проводят его характеризацию (анализ структуры) и тестирование свойств . Результаты моментально возвращаются в модель, которая корректирует следующую итерацию эксперимента. Хорхе Киндрис подчеркивает, что их цель — не просто автоматизировать рутину, а создать «научную интуицию» на базе данных .
🧠 Архитектура научного разума: LLM и специализированные модели 35:05
ИИ-двигатель Radical AI — это мультимодальная система, использующая различные архитектуры для разных задач .
В системе задействованы:
- Графовые нейронные сети (GNN): применяются для атомистического моделирования и предсказания физических сил между атомами (MLIPs — Machine Learning Interatomic Potentials) .
- Большие языковые модели (LLM), включая семейство GPT: используются для извлечения знаний из миллионов научных статей, патентов и для логического обоснования гипотез .
- Компьютерное зрение: для анализа изображений со сканирующих электронных микроскопов (SEM) и дифрактограмм (XRD) в реальном времени .
Хорхе Киндрис считает, что именно языковые модели станут ядром «научной интуиции», так как они способны объединять разрозненные модальности данных и рассуждать о них . Однако спикеры уточняют: ИИ не должен просто копировать человеческие распределения данных. Он должен быть запрограммирован на поиск новизны и сюрпризов, так как величайшие открытия (например, структура бензола или свойства графена) часто происходят случайно или вопреки устоявшимся теориям .
📊 Проблема «грязных» данных и научное наследие 48:50
Одной из главных проблем обучения ИИ в науке Джозеф Краусс называет отсутствие качественных датасетов . В отличие от программирования, где есть Open Source и GitHub, наука — закрытая и плохо структурированная область.
Основные препятствия в работе с историческими данными:
- Отсутствие отрицательных результатов: учёные публикуют только то, что сработало. 90% неудачных опытов Джозефа в Army Research Lab нигде не зафиксированы, хотя они крайне важны для обучения модели .
- Неструктурированные записи: даже если оцифровать все лабораторные журналы мира, они будут полны контекстных меток, понятных только автору (например, «выключил нагрев на середине», что влияет на свойства, но не описывается как параметр) .
- Субъективность: разные школы по-разному интерпретируют одни и те же данные (например, пики на графиках XRD) .
Radical AI решает это, генерируя собственные, идеально структурированные и размеченные данные внутри своей автономной лаборатории .
🚀 Гиперзвук, термояд и контракт с ВВС США 1:48:36
Недавно компания получила контракт от ВВС США на разработку высокоэнтропийных сплавов (HEA) для гиперзвуковых приложений . Гиперзвуковые полеты (скорость выше Маха 5) требуют материалов, способных одновременно выдерживать экстремальные температуры, давление и окисление .
По мнению Джозефа Краусса, такие материалы являются «разблокирующими» (enabling materials):
- Космос: защита от радиации для межпланетных перелетов .
- Энергетика: создание облицовки для реакторов ядерного синтеза, способной выдержать бомбардировку нейтронами (текущие материалы, такие как вольфрам, быстро разрушаются) .
- Транспорт: поезда на магнитной подушке (maglev) благодаря комнатным сверхпроводникам .
Спикеры отмечают, что Китай и Россия сегодня опережают США в гиперзвуковых технологиях именно из-за непрерывных инвестиций в материаловедение. В Китае при открытии нового материала вокруг него сразу строится производственный хаб для отработки масштабирования . Radical AI стремится вернуть США лидерство через ускорение цикла разработки.
💼 Бизнес-модель: почему софт в науке не работает 1:45:20
Джозеф Краусс утверждает, что модель продажи чистого софта (SaaS) для ученых нежизнеспособна, так как она не решает проблему физического воплощения материала . Radical AI выбирает путь вертикальной интеграции, ориентируясь на таких гигантов, как 3M или BASF.
Стратегия компании включает:
- Продажу материалов, а не лицензий: основной доход должен идти от поставок уникальных сплавов в промышленных масштабах .
- Защиту интеллектуальной собственности через «ноу-хау»: патенты на химический состав важны, но настоящая ценность заключается в торговых секретах самого процесса масштабирования и синтеза .
- Создание новых отраслей: Radical AI не хочет просто делать краску чуть более долговечной; их цель — создавать материалы, которые позволят существовать индустриям, невозможным сегодня (например, массовой частной космонавтике или чистой термоядерной энергии) .
В завершение дискуссии основатели подчеркивают, что ищут в команду людей с «безумным любопытством», готовых ежедневно терпеть неудачи ради прорыва, который «оставит фундаментальный след в истории человечества» .
