新材料的發現，一直是推進各產業進步的驅動力。但，現在新材料在開發上正面臨著三大瓶頸：需要大量的時間、成本和勞力。
一直以來，新材料的開發便仰賴研究人員不斷實驗，透過不同的實驗組合找到最佳解。就像愛迪生讓電燈從實驗室走向家家戶戶的故事一樣——歷經上千次實驗和失敗，最後終於找到能讓燈泡持續耐久發光的材料。
這套方法在過去或許可行，但，當實驗的變項從三種成長到上千種呢？隨著材料組成元素越來越複雜、合成技術越來越精細，所需的實驗數量也呈指數級增加，這讓新材料開發逐漸跟不上產業進步的速度。
新藥開發的「反摩爾定律」（Eroom’s law），就是解釋這個困境的最佳例子。在半導體產業中，摩爾定律指的是，每個積體電路的電晶體數量約每兩年就增加一倍；而反摩爾定律指的是，由於開發新藥的複雜度越來越高，開發新藥的成本不只沒有隨著時間下降，反而大約每九年就會增加一倍。
根據最新研究，一個新藥從研發走向市場所需的成本，已經來到約 13 億美元；同樣的，優化和開發新材料的成本也高達數千萬甚至上億美元，所需時間也是以「年」為單位起跳。
但現在，AI 和機器人的結合，讓我們在新材料開發上看見更多可能。
2023 年底，Google 旗下 AI 公司 DeepMind 在知名期刊《Nature》上發表一篇論文，指其透過 AI 工具「GNoME」，發現 220 萬種新的晶體，相當於過去要花將近 800 年的研究進展。今年初，微軟也宣布有科學團隊利用微軟的 AI 工具，只花了 80 小時就從超過三千萬種材料中發現可用於鋰電池的潛在新材料，少了 AI，這項研究可能需耗費 20 年才能完成。
另一項最近在材料研發領域中崛起的趨勢，則是「自動駕駛實驗室」（SDLabs，Self-Driving Labs）。
SDLabs 不只利用 AI 模擬材料合成，更結合機器人，讓機器人可根據 AI 的策略自動執行實驗。原因是，某些材料的特性仍只能透過實際實驗來觀察和驗證，很難完全被電腦模擬取代。這讓 SDLabs 不只能大幅縮短材料開發時間，也讓研究人員可以從重複的操作工作中被解放，把注意力放在更高階的工作上。
目前，SDLabs 已經被製藥、生物科技、材料科學等產業積極導入，例如，日本最大的製藥公司武田製藥和 IBM Research 等都與開發 SDLabs 的新創 Atinary 合作。一名 MIT 軟材料實驗室的教授更把 Atinary 的 SDLabs 形容是「研發界的iPhone」，不只容易上手，更幫助他們在一週內就完成原本需耗時兩年進行的實驗。
AI 讓人類得以用更有效率、更低成本、更系統性的方式來做研究和創新，不過回顧人類過往的發明歷史，不少最具代表性的發明，不只來自系統性的研究，更來自於人類的好奇心、敏銳觀察和偶然。
例如，抗生素之所以被發現，是因為研究員選擇進一步觀察原本該被丟掉、受污染的培養皿，才意外發現可以殺死細菌的抗生素。
像這樣的偶然和不確定性，是所有創新路上最挑戰，卻也是最迷人的地方。AI 或許無法複製人類的好奇心和觀察力，但就像面對所有科學研究一樣，面對 AI，只要我們持續保持開放和好奇的心態，相信更多意想不到的收穫也將一個個被「解鎖」！
本篇文章授權刊登於《經濟日報》專欄
