📌 一句话总结：新罕布什尔大学用大语言模型自动阅读数万篇论文，构建了 67573 种磁性化合物数据库，发现 25 种全新高温磁性材料——这不是「AI 辅助科研」的又一个噱头，而是一条可能终结稀土垄断、重塑全球电动车和清洁能源产业链的技术路径。
2026年2月20日 · 深度解读 · 阅读时间约 8 分钟
为什么这篇 Nature Communications 论文值得深度关注
2026 年 2 月 18 日，新罕布什尔大学物理系博士生 Suman Itani 领衔的研究团队在 Nature Communications 上发表了一项看似低调、实则可能改变产业格局的研究成果。他们开发了一套基于大语言模型的自动化材料发现系统，能够自主阅读海量科学文献，提取其中的实验数据，并训练预测模型来判断一种材料是否具有磁性、以及它在多高温度下会失去磁性（即居里温度）。
这套系统的产出是一个名为「东北材料数据库」（Northeast Materials Database）的可搜索资源，包含 67573 种磁性化合物的完整信息。更关键的是，AI 从中识别出了 25 种此前从未被认知为高温磁性材料的化合物。
这个数字看起来不大，但放在材料科学的语境下，意义非凡。要知道，自钕铁硼（NdFeB）永磁体在 1984 年被发现以来，人类在已知磁性化合物库中再也没有找到过一种全新的永磁体材料。四十多年了，一个都没有。
「通过加速可持续磁性材料的发现，我们可以减少对稀土元素的依赖，降低电动车和可再生能源系统的成本，并增强美国的制造业基础。」
— Suman Itani，论文第一作者，ScienceDaily
技术路径拆解：大语言模型如何「读论文、找磁铁」
传统的磁性材料发现流程是这样的：研究人员根据经验和直觉选择候选化合物，在实验室中合成样品，然后用磁力计等设备逐一测量其磁性参数。考虑到元素周期表中可能的组合数以百万计，这种「大海捞针」式的方法效率极低。
Itani 团队的方法完全颠覆了这个流程：
第一步：文献挖掘。他们训练大语言模型自动阅读已发表的科学论文，从中提取关键实验数据——包括化合物的化学式、晶体结构、磁性类型（铁磁、反铁磁、亚铁磁等）、居里温度等参数。这一步将数十年积累的分散知识整合到了一个统一的数据库中。
第二步：模式识别与预测。利用提取的数据训练机器学习模型，系统可以预测一种给定化合物是否具有磁性，以及其居里温度是多少。这使得研究人员可以在不进入实验室的情况下，快速筛选出最有潜力的候选材料。
第三步：数据库构建与开放。所有结果被整合进「东北材料数据库」，供全球研究人员免费搜索和使用。这不是一个静态的列表，而是一个可以持续扩展和更新的动态资源。
这种方法的核心创新在于：它不是用 AI 来模拟物理过程（如密度泛函理论计算），而是用 AI 来阅读和理解人类已经产出的知识。换句话说，这些磁性材料的数据早就散落在各种论文中，只是从来没有人系统性地把它们挖出来、整合起来、并用预测模型重新审视。
稀土困局：为什么找到替代材料如此紧迫
要理解这项研究的产业意义，需要先理解稀土永磁体在现代工业中的核心地位：
| 应用领域 | 稀土磁体用途 | 年需求量级 |
|---|---|---|
| 电动车驱动电机 | 每辆车约 1-2 kg NdFeB | ~15 万吨/年 |
| 风力发电机 | 每台直驱风机约 600 kg | ~3 万吨/年 |
| 消费电子 | 手机振动马达、耳机 | ~2 万吨/年 |
| 医疗设备 | MRI 磁体 | ~5000 吨/年 |
问题在于，全球稀土供应链高度集中。中国控制着全球约 60% 的稀土开采和超过 85% 的稀土加工产能。2025 年底，中国对镓、锗等关键矿物实施出口管制，已经让西方国家感受到了供应链脆弱性的切肤之痛。稀土永磁体的替代方案，已经从「学术兴趣」升级为「国家安全议题」。
但找到替代材料极其困难。一种合格的永磁体替代品需要同时满足多个苛刻条件：高剩磁（磁场强度）、高矫顽力（抗退磁能力）、高居里温度（在工作温度下保持磁性）、以及可大规模生产的成本结构。这就是为什么四十年来没有新的永磁体被发现——不是因为没人在找，而是因为搜索空间太大、约束条件太多。
25 种新材料意味着什么：从发现到产业化的距离
需要冷静看待的是，这 25 种新发现的高温磁性材料距离替代钕铁硼还有很长的路要走。「高温磁性」只是永磁体所需特性之一，这些材料是否具有足够的剩磁和矫顽力，还需要大量的实验验证。
但这项研究的真正价值不在于这 25 种具体材料，而在于它证明了一种全新的材料发现范式：
1. 从「假设驱动」到「数据驱动」。传统材料科学依赖研究人员的直觉和经验来选择研究方向。AI 系统可以无偏见地扫描整个已知化合物空间，发现人类可能忽略的候选材料。
2. 从「单点突破」到「系统筛选」。67573 种化合物的数据库意味着研究人员不再需要一个一个地试，而是可以根据多维度参数进行批量筛选和优先级排序。
3. 从「封闭实验室」到「开放平台」。数据库的开放性意味着全球任何研究团队都可以在此基础上继续工作，形成正反馈循环。
物理学教授、论文共同作者 Jiadong Zang 的表态也值得注意：
「我们正在攻克材料科学中最困难的挑战之一——发现永磁体的可持续替代品——我们对实验数据库和不断发展的 AI 技术能够实现这一目标持乐观态度。」
— Jiadong Zang，新罕布什尔大学物理学教授，ScienceDaily
更大的图景：AI for Science 正在从「锦上添花」变成「不可或缺」
这项研究是 AI for Science 浪潮中一个极具代表性的案例。过去两年，我们已经看到 AI 在科学发现中扮演越来越核心的角色：
DeepMind 的 AlphaFold 解决了蛋白质折叠问题，GNoME 发现了 220 万种新晶体结构，微软的 MatterGen 可以直接生成具有指定属性的新材料。但这些系统大多依赖第一性原理计算或生成式模型，需要大量的计算资源。
新罕布什尔大学的方法走了一条不同的路：它不是从物理定律出发去预测新材料，而是从人类已有的知识库出发，用 AI 来系统性地整理和重新发现被忽略的信息。这种方法的计算成本远低于第一性原理方法，但同样能产出有价值的发现。
这暗示了 AI for Science 的一个重要趋势：在很多领域，最大的瓶颈不是缺乏数据或理论，而是缺乏将分散知识系统化的能力。大语言模型恰好擅长这件事。
地缘博弈视角：美国能源部为什么资助这项研究
这项研究由美国能源部基础能源科学办公室资助，这个细节值得玩味。美国政府近年来在关键矿物供应链安全上投入了大量资源，包括《通胀削减法案》中对国内矿物加工的补贴、与盟国建立的「矿物安全伙伴关系」等。
但这些措施本质上都是在「供给侧」做文章——试图找到更多的稀土矿源或建立替代加工产能。新罕布什尔大学的研究则代表了「需求侧」的解决方案——如果能找到不需要稀土的替代磁性材料，供应链问题就从根本上消失了。
从这个角度看，AI 驱动的材料发现不仅是一个科学问题，更是一个战略问题。谁先找到稀土永磁体的可行替代品，谁就能在电动车和清洁能源产业中获得结构性优势。
富贵点评
这篇论文让我想到一个有趣的悖论：AI 最擅长的事情之一，可能不是「创造新知识」，而是「发现我们已经知道但不知道自己知道的东西」。67573 种磁性化合物的数据散落在几十年的论文中，每一篇都有人读过，但从来没有人把它们放在一起看。大语言模型做的事情，本质上就是一个超级勤奋的研究助理——它不会灵光一闪，但它永远不会漏掉一篇论文。
当然，从发现 25 种高温磁性材料到真正替代钕铁硼，中间还隔着无数次实验验证和工程优化。但方向是对的。如果 AI 能把材料发现的周期从「十年」压缩到「一年」，那稀土垄断的护城河就不再是不可逾越的。对于正在疯狂扩产的电动车行业来说，这可能是比任何一款新车型都更重要的消息。
📋 要点回顾
- 核心成果：新罕布什尔大学团队用大语言模型构建了包含 67573 种磁性化合物的「东北材料数据库」，发现 25 种此前未知的高温磁性材料
- 技术路径：AI 自动阅读科学文献提取实验数据，训练预测模型判断材料磁性和居里温度，实现从「假设驱动」到「数据驱动」的范式转换
- 产业意义：稀土永磁体是电动车、风电、消费电子的核心组件，找到替代材料可从根本上解决供应链集中风险
- 地缘影响：美国能源部资助该研究，体现了从「供给侧找矿」到「需求侧去稀土化」的战略转向
- 冷静预期：25 种材料距离产业化仍需大量实验验证，但 AI 驱动的材料发现范式本身已被证明可行
❓ 常见问题
Q: 这 25 种新材料能直接替代钕铁硼永磁体吗？
A: 目前还不能。高温磁性只是永磁体所需特性之一，这些材料是否具有足够的剩磁和矫顽力还需要实验验证。但它们提供了全新的候选方向，大幅缩小了搜索范围。
Q: 这个 AI 系统和 DeepMind 的 GNoME 有什么区别？
A: GNoME 使用图神经网络从原子结构出发预测新晶体的稳定性，属于「从物理定律出发」的方法。新罕布什尔大学的系统则是用大语言模型阅读已有论文提取数据，属于「从已有知识出发」的方法。两者互补，前者发现全新结构，后者重新发现被忽略的已知材料。
Q: 为什么稀土替代如此重要？
A: 中国控制全球约 60% 的稀土开采和 85% 以上的加工产能。电动车和风电产业的快速增长使稀土需求激增，供应链集中带来的地缘政治风险已成为西方国家的核心关切。找到不依赖稀土的替代磁性材料，是从根本上解决这一问题的唯一途径。