图注：一图读懂本文要点，AI 报出两种室温磁性半导体候选，真正的新意在它把计算账本一起公开（来源：源势AI）
Vals AI 公开了一项由 Claude Opus 5.5 代理团队完成的材料发现：两种有前景的室温反铁磁半导体候选，目标是 Luttinger 补偿这类中间态材料（来源：Vals AI，转引自 Tech Digest《AI行业24小时_20261007_10》）。说白一点，这类材料整体不带净磁性，却能让不同自旋的电子走不同的路，这正是做自旋电子器件想要的性质。
候选一叫 YBaMnFeO₅，是代理设计出来的新化合物，只含钇、钡、锰、铁、氧五种元素，预测带隙 2.35 eV、空穴自旋窗口 1.0 eV、磁有序温度校准后约 490 K（来源：Vals AI，转引自 Tech Digest《AI行业24小时_20261007_10》）。
这条线索真正值得记的，是它把账本一起摊开了，而不只是又一个新材料候选。
候选一漂亮，卡在完美排列
先说候选一的软肋，这也是这次最需要被看清的地方。
它要求锰和铁形成完美的棋盘格排列，这是它成立的前提。而模拟显示，约 950 K 时棋盘格就开始崩解，标准合成法很可能只能得到无序晶体（来源：Vals AI，转引自 Tech Digest《AI行业24小时_20261007_10》）。
图注：候选一的预测参数，带隙 2.35 eV、空穴自旋窗口 1.0 eV、磁有序温度约 490 K，但预计在 950 K 附近结构就守不住（数据来源：Vals AI，转引自 Tech Digest 2026-10-07）
这暴露了 AI 材料发现里一个反复出现的问题：模型能在理想结构上算出漂亮数字，但从算得出到做得出来，中间隔着的正是工艺现实。这不是模型的问题，是这个行业几十年的老问题，理论上的好性能被合成难度卡住。AI 把候选算得更快，并没有替合成这一步省下多少功夫。
候选二是老材料，代理认出了它
有意思的是第二个候选。
KV[Cr(CN)₆] 不是什么新东西，1999 年就有人合成过（来源：Vals AI，转引自 Tech Digest《AI行业24小时_20261007_10》）。代理指出，它其实满足 Luttinger 补偿条件：1999 年的样品在 376 K 仍保持磁有序，而且它的结构把每种金属锁在各自的位置上，恰好补上了候选一怕乱的短板（来源：同上）。这里必须标清口径：候选二的 376 K 是 1999 年实测值，候选一的约 490 K 是本次模拟预测值，两个数口径不同，不能直接比大小。
一个能设计新化合物的系统，最有价值的产出之一，是回头指出我们的老材料里其实已经有对的东西。这比硬造一个新结构更接近真实科研的节奏，也解释了为什么它给出的两个候选里，一个全新、一个出自 1999 年的旧文献。
真正的新意：公开的计算账本
口径必须标清楚：这两个结论来自模拟，不是湿实验；不同模拟方法之间还存在分歧，离可制造的器件也仍有距离（来源：Vals AI，转引自 Tech Digest《AI行业24小时_20261007_10》）。
在这个前提下，Vals AI 这次最扎实的部分，反而是它开源了什么：输入文件、原始输出、分析代码，以及一份把方法分歧和失效条件都写清楚的 caveat 清单（来源：同上）。也要说明证据边界：这套结果目前还没有第三方复现，而账本公开的价值，恰恰在于它把"以后可以复核"变成了可能。
图注：把输入、原始输出、分析代码与 caveat 一起公开，等于让结论可以被重新跑一遍，而不是只能被相信（来源：源势AI整理，做法来自 Vals AI 公开材料）
这一步看着不酷，却是分野所在。AI 做科研最被质疑的从来不是能力，是复现：同样的发现换个环境重跑，结论常常对不上。当一份工作同时给出输入、输出、代码和 caveat，复现的门槛就从重做一遍研究，降到了重跑一遍流程，同行拿到就能直接接着往下走。
对企业交付意味着什么
评估 AI 科研产出时，先看它敢不敢公开过程。只有结论没有账本的，当作线索，不要当作结论。
把可审计当交付标准。判断一份自动生成的结论能不能用，可以直接过一张清单：① 是否公开了输入文件，② 是否给到原始输出，③ 是否列出失效条件与边界，④ 是否说明方法分歧。四条里答不上两条，它在严肃场景里就没法用。
模拟不等于实验这条线要守住。带隙、磁有序温度这类参数在模拟里可以调得很漂亮，落到合成和器件上完全是另一回事，AI 报告里的候选，默认都是待验证。
还有一层是时间成本。账本摊开之后，别人不必从零复现，拿到输入和代码，就能直接检验候选一在别的模拟方法下是否还成立，或者给候选二设计一轮新的合成路线。科研的复利往往就藏在"别人能接着往下走"这件事里。
源势AI观点
我们判断，AI 做科研，价值会更快地落在可复现这一侧，而不是发现这一侧。
发现本身越来越便宜，模型跑一轮就能给出几十个候选。稀缺的是有人愿意把输入、输出、代码和坑一起摊开，让别人能复核。"AI 报的是候选，值钱的是账本"，这句话同样适用于企业里的智能体交付：客户不怀疑模型能不能干，怀疑的是干完这一步谁签字、能不能回放。源势AI 在给客户做智能体落地时，把可验证性当第一性约束，每条自动化的判断都留下机器可复核的证据链，就是同一个逻辑。
话题标签：#AI4S #材料发现 #可复现
