柯蒂斯·柏林盖特是一名材料学家，在加拿大英属哥伦比亚大学工作时，他曾要求研究生改进太阳能电池中的关键材料，以提高其导电性。

他在这一过程中发现，潜在的调整变量数量繁多，不同变量可产生千万种可能。比如加入微量金属和其他添加剂可以改变加热和干燥时间。

柏林盖特和同事将这项工作交给了置入人工智能算法的单臂机器人，机器人可混合不同溶液，并将其浇筑成薄膜，再进行热处理或后续步骤。

在美国材料研究学会日前举行的一次会议上，柏林盖特报告了这一系统最新成果：摸清配方和加热条件后，人工智能可创造用于太阳能电池的新型薄膜，而且以往需要9个月才能解决的问题如今只须5天。

事实上，在药物开发、遗传学研究等其他领域，已有用人工智能设计实验的先例。比如用DNA合成器进行编程，给出DNA组装的任何可能。

但对某种材料而言，无法用单一方法对其进行处理或合成，这意味着智能算法指导的自动化系统处理流程会更复杂。柏林盖特等人的成果意味着材料学领域的类似系统已经产生。“这是一个令人兴奋的领域。”在美国空军研究室工作的材料学家本吉丸山评价说，“形成系统闭环意味着材料领域会以更快的速度创新。”

元素周期表有100多种元素，理论上可以对其进行无数种组合，由此产生的材料数量非常可观。这意味着有成百上千种材料等待人们去发现，另一方面，如何选出其中真正可用的部分也成为挑战。

如今人工智能机器人可以提供帮助，机器人可以混合数十种不同的材料配方（这些配方有细微差别），再将不同配方产生的材料放在单个晶片或其他材料上进行处理和测试。

不过，丸山还表示，如果只是简单地逐个配方进行实验，只能算是高通量实验的一种，而不是实现大量突破的创新。

为了加快这一过程，许多研究团队利用计算机建模寻找可能的材料配方，而且已有不少新型材料诞生。但问题在于，这些系统设计往往依赖材料学专业研究生或经验丰富的科学家，系统评估由人给出既定标准，实验是否进行也由人决定。但人无法一直操控所有步骤。

与柏林盖特的团队类似，在波士顿大学工作的机械工程师基思·布朗也建立了由人工智能驱动的机器人系统。

布朗团队的研究目标是找到足够坚固的3D打印结构。材料的韧性取决于结构细节，既对强度有要求，也需要良好的延展性。而这些往往无法靠预测得出，必须通过实验检验。

作为测试用例，布朗等人用塑料造出一种桶形结构，大小与一个盐瓶相当。研究团队改变了桶形外壁的支柱数量、方向和形状，但全部变量加起来可能产生约50万种组合。

为了更快找出合适结构，布朗团队先用机器人制造出600个不同结构，并对所有选项进行采样。然后，他们利用人工智能算法测量实验中可能产生的最优设计。

通过实验和计算，相关程序可以找出材料具有良好韧性的趋势，比如每个支柱的厚度、半径变化，有助于预测出更坚固的结构。而这一切无需研究者密切盯守。程序启动24小时后，研究者获得了比以往任何原始设计都坚固的结构。

无论是钙钛矿太阳能电池还是3D打印材料，这些基于人工智能的系统能够帮研究者更快找出良好结构，甚至为所处领域带来更深远影响。