迈向材料科学的智能体智能

人工智能与材料科学的融合带来变革性机遇，但要真正加速发现，需超越孤立任务的微调模型，转向能在整个发现闭环中规划、行动与学习的智能体系统。本文提出一种以流程为中心的独特视角，涵盖语料构建、预训练、领域适配、指令微调，直至与仿真和实验平台交互的目标条件智能体。不同于以往综述，本文将全过程视为端到端系统，以实际发现成果而非代理基准为目标进行优化，并探讨上游设计（如数据构建与训练目标）如何通过有效信用分配与下游实验成功对齐。文章整合AI与材料科学的术语、评估与工作流，并从双重视角分析：AI侧强调大语言模型在模式识别、预测分析与文献挖掘中的优势；材料科学侧聚焦材料设计、工艺优化及与外部工具（如DFT、机器人实验室）集成以加速计算流程。最后，对比被动响应式方法与具备自主性、记忆与工具使用能力的智能体设计，勾勒出通往安全、自主LLM智能体的实用路线图。