32岁北大校友主导，用AI“造”出新材料！

来源：【北京大学】

从青铜到硅晶，人类文明的每一次跃迁都伴随着新材料。而发现它们，往往靠的是海量的“盲筛”和繁复的实验，以及科学家脑中那些“灵光乍现”的直觉。谢天想做的，是为这种“直觉”建立一个算法。

北京大学化学与分子工程学院2011级本科校友谢天和他所在微软研究院科学智能中心提出了一种创新的生成式AI材料设计工具MatterGen。这套AI系统突破了传统材料筛选方法的局限，能够在更广泛的材料空间中进行高效探索，并根据应用需求直接生成新材料。这一成果以“A generative model for inorganic materials design”为题发表在Nature上。2025 年9月，32岁的谢天因此入选《麻省理工科技评论》“35岁以下科技创新35人”。（论文链接：
https://www.nature.com/articles/s41586-025-08628-5）

谢 天

逆向设计：AI 如何“造”出新材料

要理解MatterGen的革命性，必须先理解它所挑战的“旧世界”。

“传统的材料筛选，就是盲筛。”谢天解释道，“你可能为了找一种磁性材料，却筛了上百万个样本，其中99%都跟磁性没关系。”

而MatterGen，是“逆向设计”（Inverse Design）。

材料设计的筛选和生成方法的示意图

《麻省理工科技评论》给出了一个绝妙的比喻：“就像将视觉噪声转换为相干图像的图像生成器一样。”如果说AI画画（如DALL-E）是从一堆“像素噪声”中“画”出“蒙娜丽莎”；那么MatterGen就是从一堆“原子噪声”（随机的原子排布）中，“画”出符合人类需求的、结构稳定的“新材料晶体”。它是第一个真正试图“跑通”从“性质”到“结构”的AI模型。

谢天和团队首先用全球数据库中超过60万种已知的稳定材料，训练出一个“基础模型”，让它理解了物理世界关于“原子如何稳定组合”的基本规则。“但最重要的是，”谢天强调，“我能够基于我想要的性质去生成新材料。”团队在“基础模型”之上，用包含特定“性质”（如磁性、硬度）的小型数据集进行“微调”。微调完成后，MatterGen就“学会”了材料结构与特定性质之间的关联。这便是MatterGen的“杀手锏”——条件可控生成。

MatterGen示意图

科学家们可以通过 MatterGen 指定他们所需的材料属性，MatterGen 通过调整原子类型、位置和晶格模式，逐步优化“原子单元”，最后生成符合所需标准的稳定材料配方。“它给你提出了一些人类科学家可能不会去往那个方向想的新材料。”

这，正是AI从“助手”变为“创造者”的标志。“MatterGen是我迄今最重要的工作,”谢天说，“因为它初步实现了材料的‘逆向设计’，证明了这件事情是可行的。”

从“中心科学”出发求解

“与其在数百万的数据库中‘大海捞针’，为什么不直接告诉AI我们的需求，让它‘创造’一个完美的候选材料？”

在微软研究院，当谢天抛出这个设想时，他想挑战的，几乎是材料科学沿袭了上百年的研究范式。而这个“求解”的初心，早在燕园就已种下。

时间拨回2011年。谢天以化学竞赛保送北大，但他选择化学，并非源于竞赛的路径依赖，而是出于一种朴素的初心。“化学是一门‘中心科学’，”他解释道，“上接物理，下接生物、医疗、材料、环境。我希望做的事情，能和我们的社会、和现实世界有更多接触。”

“做对社会有贡献的事”——这个在燕园种下的朴素初心，成为他日后所有“求解”之路的“锚点”。

在北大，他对材料与能源方向产生了浓厚的兴趣。“大一有门课叫‘今日化学’，介绍各领域最新进展。我当时对OLED、超导体、可再生能源这些话题特别感兴趣。”随后，他进入彭海琳老师和刘忠范老师的课题组，真正走近了纳米化学的前沿。

北大带给他的，也远不止前沿的知识。谢天说：“我很喜欢北大的那种自由的氛围。”谈及母校，谢天感触颇深。

“做科研其实需要用新的方法去思考问题，有时候你的想法未必和前辈们一致，而自由的环境恰恰能让你批判性地去思考很多问题。”

AlphaGo点亮的“非共识”

2015年，谢天来到MIT攻读博士。他沿着既定的“材料”路径，希望在计算材料学上有所突破。然而，他很快发现，即使有了超级计算机的辅助，传统的研究范式依然是在“大海捞针”的框架内打转。

转折点发生在2016年。DeepMind的围棋程序AlphaGo以4比1战胜韩国棋手李世石。载入史册的人机对决成为“人工智能历史上的分水岭时刻”。

当舆论还在热议“机器超越人类”时，谢天却从这场棋局中，洞察到了一个关于“材料科学”的隐喻。“我意识到，一个围棋专家，需要花五到十年才能成为顶尖高手。而一个材料学家，要在电池或太阳能领域成为专家，同样需要五到十年的经验积累。”这个类比的关键在于“时间”与“直觉”。无论是围棋还是材料，顶尖专家都高度依赖需要时间沉淀的经验与直觉。“所以说我当时觉得，AI作为一个方向，其实是有机会去赶超一些最先进的人类材料学家的。”在那个瞬间，他做出了一个将影响他未来科研生涯的决定：从“计算辅助”转向“生成创造”。他不再满足于用AI去“算”已知的材料，他要用AI去“创造”未知的材料。

然而，这一转变说易行难。研究初期，谢天并没有明确的方向，“试了很多不同的想法”。直到有一天，他与MIT CSAIL的导师接触到“扩散模型”（Diffusion Model）这一新兴方法。“当时它还处于早期阶段，但在三维点云等任务上已展现出潜力。”谢天敏锐地抓住了这个机会，将其引入材料生成领域。仅仅几周探索，他便与导师合作开发出了晶体结构生成模型——CDVAE（Crystal Diffusion Variational Autoencoder）。“它是真正第一个把扩散模型用到晶体结构的工作，”谢天提到，“当时的 performance（性能）会比其他模型好很多。”

MatterGen和其他方法在生成稳定、独特和新颖结构方面的性能比较

CDVAE可以无条件生成全新的材料结构，然而在基于目标性质的引导生成的任务上表现不佳。加入微软后，谢天和更多同事继续推进这条研究路线。他们受到如今文生图模型启发，去除了CDVAE中的变分自编码器部分，转向纯粹的扩散架构研究。这也迭代出更强大的 MatterGen 奠定了坚实基础。

AI生成的配方，只是“万里长征”的第一步。“生成”一种新材料或许只是几秒钟的事；但要在现实世界中“合成”它，却是一个漫长而复杂的过程。

“MatterGen仍处于AI合成材料的初级阶段。”谢天坦言，“MatterGen 可以生成很多性能优异的材料，但当我们真的走进实验室去合成它们时，成功率往往并不高。我们还需要更多的工作去证明它真的能设计出电池材料、太阳能电池材料等能在更广泛领域中发挥实际作用的材料。”

“同一种语言”：融合与开源

如今，谢天带领着一个由顶尖机器学习专家、材料学家和工程师组成的“跨界”团队。他面临的最大挑战，已不是技术本身，而是“人”与“人”的融合。

“我们花了很长时间，才真正做到‘Speak the same language’。”谢天笑着说。机器学习专家习以为常的概念，材料学家可能闻所未闻；反之亦然。他作为团队负责人，必须成为那个“翻译官”和“粘合剂”。

在谢天看来，跨学科协作的核心在于共同的目标与合作的文化。“真正要做一件有影响力的事情，一个人是做不成的。”他分享道，“我们特别看重这一点——你如何帮助别人，也如何让别人的成果帮助你。这样的文化，让创新得以持续发生。”

正因为深刻理解“集体力量”的价值，谢天和他的团队选择了一条更加开放的道路：他们将代码、训练数据与模型权重一并开源。

“我们希望看到，基于整个社区的力量，把这个模型用到更广阔的场景里去。”

站在了AI与基础科学交叉口的最前沿，他的目光，也投向了更宏大的命题——能源、气候与人类共同的未来。“要解决气候变暖问题，我们需要大量新的材料，比如能够高效吸收二氧化碳、支撑大规模储能的电池材料等等。”谢天认为，MatterGen 这样的AI工具，不止是科研工具，更可能成为应对人类共同挑战的关键力量。“也许再过二十年，我们会看到由 AI 设计的材料支撑起新的能源系统。”

蕴藏无限可能的材料星河

与此同时，他也敏锐地意识到了技术的潜在风险。“AI 能够帮助我们做很多积极的事情，但也可能被滥用于有害材料设计，甚至化学武器。”谢天指出。虽然当前模型仍处于早期，但随着技术能力提升，风险将愈发显现。

在这种背景下，开发者的责任感尤为重要。微软内部建立了严格的Responsible AI流程，每一次模型发布前都进行严格风险评估，由专门团队监督潜在问题。谢天认为，这不仅是技术开发者的责任，更是整个科研社区的共同使命。在推动创新的同时，必须主动思考潜在伦理问题，确保技术为社会带来正面价值。

从燕园的“中心科学”出发，谢天始终保持着一种在AI高速迭代浪潮中尤为可贵的“慢”坚持。他手中的工具在变，探索的领域在变，但那个“求解”的锚点从未改变。他依然是那个希望“与现实世界有更多接触”的北大人，如今，他正站在人工智能这个新时代的支点上，以算法为杠杆，试图为材料科学——乃至关乎人类共同命运的宏大命题，撬动一个更广阔的可能。

本文来自【北京大学】，仅代表作者观点。全国党媒信息公共平台提供信息发布传播服务。

ID：jrtt