一句话定义：AI 材料发现闭环（AI for Materials Discovery）是把"提出候选→计算筛选→验证稳定性与可合成性→把结果反馈回去修正假设"串成一个自动循环，让模型和计算工具反复迭代，而不是一次性猜一把。
打个比方：找新材料像在几百万个仓库里翻找一把不知道形状的钥匙。传统做法是化学家凭经验挑几十把去试。闭环做法是先让 AI 根据已有数据提出一批"可能像钥匙"的形状（假设生成），再用第一性原理计算（如密度泛函理论，DFT）批量估算它们的电子结构和磁性（计算筛选），接着检查这些候选能否稳定存在、能不能真的合成，最后把成功与失败都喂回去，让下一轮假设更准。
一个常被提到的目标是室温磁性半导体（room-temperature magnetic semiconductor）：这类材料能同时操控电荷和自旋，但已知体系大多只在低温下工作。有报道称，前沿大模型驱动的智能体在这一难题上筛出了若干候选。它做的主要是"提假设 + 调计算工具 + 读结果再调整"，真正下结论的仍是计算复核与实验验证。
闭环通常分四段：
1. 假设生成：模型读文献和数据库，提出成分与结构。
2. 计算筛选：用 DFT 等批量打分。
3. 稳定性与可合成性验证：热力学稳定（相对凸包的能量）、动力学稳定（声子谱无虚频）、前驱体与反应路径是否现实。
4. 反馈：把失败原因写回，约束下一轮生成。
| 环节 | 传统试错 | AI 闭环 |
|---|---|---|
| 候选来源 | 经验与文献 | 模型生成 + 检索 |
| 规模 | 几十个 | 百万级 |
| 主要瓶颈 | 慢、贵 | 假阳性堆积 |
假阳性从哪来？计算的磁性可能来自杂质相或缺陷团簇；泛函误差会让带隙和磁性判断失真；结构在热力学上比已知相高出一大截，实验室根本做不出来；还有数据泄漏——模型"发现"的其实是训练集里已有的结构。对策是多级过滤：先过稳定性硬门槛，再做可合成性打分，最后必须由实验或独立方法复核。能被计算"喜欢"不等于能被实验室做出来，这是闭环里最容易省掉的一步。
对从业者：把 AI 当"假设生成器 + 调度器"，而不是"裁判"；验证环节要设计得比生成环节更严格。对普通人：新电池、新磁材的研发周期可能被压缩，但看到"AI 发现新材料"的新闻时，不妨多问一句——合成出来了吗？
具体模型与工具的能力边界，以官方页面和同行评议结果为准。