人工智能有没有找到过没人知道的东西？

在华盛顿州的一间实验室里，有一块能工作的电池。看起来没什么特别，除了它所用的材料在两年前还不存在于任何地方。没有哪本书、哪个目录、哪篇论文、哪个人类的大脑里有它。机器在3200万种可能性中翻找出了它，筛选花了80个小时。

80个小时。一个长周末。

这就是我感兴趣的故事。不是人工智能把人类已经完成的证明漂亮地抄一遍，不是：而是一台机器把一个从来没人见过的东西放到桌上。

那我们就来问真正的问题，也就是我们所有人都会问的问题。机器能找到从来没人找到过的东西吗？不是把它找回来，不是验证它，不是把它整理好。是找到它。

答案是能。旁边要打几个星号，因为找到东西有三种方式，而它们完全不是一回事。

一件能工作的东西，从一片原本不存在的东西海洋中诞生。

那块任何地方都没有写过的电池

事情从微软开始，合作方是美国的一家公共实验室，太平洋西北国家实验室。目标很容易理解：在你的电动汽车或手机电池里，有锂。这东西很贵，也很稀有，要从让人完全梦想不起来的矿山里开采出来，所有人都在想办法少用一点。

问题是，电池是化学。要知道一种混合物能不能稳定存在，就得把它制造出来再测试。一个化学家整个职业生涯也就试几百种。照这个速度，认真探索这个问题要花几十年。

机器则检查了3200万种可能的组合。然后它进行了筛选。

从3200万种到寥寥几种。最难的不是找到，而是扔掉。

漏斗的尽头剩下了一种名为N2116的材料，之前从来没人制造过。实验室真的把它合成了出来，还在不到九个月的时间里用它做出了一个能工作的原型。它最多可以少用70%的锂。

我再重复一遍，因为重点就在这里：这种材料在任何一本书里都不存在。它不是在矿井深处被发现的，而是在一份没人有时间读完的可能性清单里被找到的。

怎么尝试3200万种东西，却一种都不用制造

这就是人们会想象一台有着直觉的天才机器的地方。这里面没有直觉，这几乎更有意思。

想象一个四位数的密码锁。你可以长时间思考密码组合，也可以把一万种组合全试一遍。人类要花几个小时，机器只要一秒。没人会说机器很聪明：它只是很快，而从某个点开始，速度产生的效果和智能一样。

真正厉害的地方在别处。机器不可能制造3200万种混合物，那太荒唐了。它会做的是计算某种混合物是否能够稳定存在，而不用把它制造出来。决定一种晶体是否稳定的定律已经为人所知一个世纪了，它们被写了下来，计算机可以把它们应用到一种从未存在过的组合上。

换句话说，它有资格犯傻。它可以提出数百万个荒唐想法，再让物理学来筛选，因为犯错对它来说不花任何代价。人类研究者一生只有几次尝试，所以只允许自己提出合理的想法。可有时候，正确的想法本来就不合理！

在数学里，这就更让人不安了

拿两个数字矩阵相乘。听起来像中学练习题，只不过你的手机每秒会执行数十亿次这个操作，只要它显示一张照片，你的游戏主机计算一道阴影，或者某个 AI 在思考。少做一次这样的运算，就等于全世界同时到处都省下一点。

1969 年，一位德国数学家 Volker Strassen 找到了一种方法，可以用 49 次运算完成这个计算，而不是 64 次。漂亮的一招。然后，就没有然后了。五十六年来，成千上万的聪明人一直在寻找，而没有人能降到 49 次以下。

2025 年，Google 的一个系统找到了 48 次。

确实只少了一次。但这是自人类登上月球那一年以来的第一次。最有意思的是，这个系统根本不是为此而造的：人们把它丢去解决各种算法问题，结果它顺手就碰到了这个。

匈牙利那位老先生 Paul Erdős 这边也是一样，他一生都在提出问题，而不是解决问题，身后留下了几百个问题，其中有些从三十年代起就一直没有答案。从去年十二月开始，它们一个接一个地被解决了。

而数学家们都是些严肃的人，他们维护着一个公开页面，记录谁解决了什么问题。页面上还分了几列，而让我感兴趣的正是这种区分：大约五十个问题，机器在没有明显人类帮助的情况下完成了工作，大约一百三十个问题，机器和某个人一起完成了工作，还有二十四个问题，大家事后才发现，答案早就躺在一篇旧文章里，只是没人把它和这个问题联系起来。

这二十四个我最喜欢。机器确实彻底解决了问题，只不过有人早在 1973 年就解决过了，而所有人都忘了这回事。对所有人来说都绝对够丢脸。

好吧，它真的能自己找到答案吗？

有三级台阶，而我们并不是以同样的速度往上爬。

第一级，是把已经存在的东西重新做得规规矩矩。比如把一份老证明翻译成计算机可以逐行验证的语言。这很有用，也确实帮得上忙，但完全没有创造任何东西。

第二级，是在一个人类提出的问题上找到新东西。电池，48 次运算，Erdős 的那些问题：全都属于这里。这个结果原本不存在于任何地方，它确实是从机器里出来的。

第三级台阶还没有人爬上去。我们现在爬到楼梯中间，这已经很了不起了。

第三级，则是它自己决定该做什么。而这还没有发生。在这些故事中的每一个里，都是一个人类选择了问题，一个人类启动了机器，还有一个人类检查了结果。没有任何 AI 某天早上醒来后会想：“喂，要不要我去看看电池这边。”它带来的，是那部分必须尝试一百万种办法却不能泄气的工作。也就是说，正好是没人喜欢的那部分。

而且这件事是双向的，这让我很高兴。在一个几何问题上，Google 的系统打破了一个保持了几十年的纪录。一位芬兰研究人员随后接手，看了看它是怎么做的，然后做得比它更好。一比一，球回到中场。

这很像我之前讲过的那个亚马逊服务，当时大家以为自己买的是 AI，结果背后其实是人类，只不过方向反过来了：这里机器完成了大部分工作，而人类还留在房间里，选择问题并检查答案。

这会怎样改变你的生活，以及什么时候改变

三件事，时间表也老老实实说清楚，因为卖梦想往往就是在这里下手。

先说电池。锂用得更少，制造成本就更低，需要挖的矿也更少，而锂正是电动汽车价格之所以那么高的原因之一。但我们说的是实验室原型，不是产品。从一种在实验台上能工作的材料，到一块放进你车库里的电池，中间还隔着一座要建的工厂、一条供应链、安全测试，以及许多半路夭折的项目。十年之后，它也可能永远不会出现。

接着是药物，这也许是最重要的。在加拿大的麦克马斯特大学，一个系统通过探索460亿种可能的化合物，设计出了一种全新的抗生素。当你知道细菌正在对我们手头所有的药物产生耐药性，而自八十年代以来我们几乎再也找不到新的抗生素家族时，这项工程可不是什么花架子。

还有材料，总体来说。一支谷歌团队发布了220万种前所未有的晶体结构，其中有38万种应该能够稳定存在。这让人类已知的稳定材料数量增加了十倍。多少种会派上用场？我们不知道，坦白说出来才是诚实。目录不是发明。

给这一切找个参照：激光在1960年问世时，人们很长时间都把它称为“一个正在寻找问题的解决方案”。如今它就在你超市的收银台里，也在把这篇文章传到你屏幕上的光纤里。一份包含38万种材料的目录，正是这么回事：一批等待问题来使用的解决方案。

那么明天就有反重力了？

没有。至少不是这样，而解释比拒绝本身更有意思。

我刚才讲的这一切之所以行得通，是因为游戏场地是已知的。原子真实存在，决定晶体能否稳定存在的规则已经写下了一百年，而机器只是在以任何人都无法跟上的速度遍历各种组合。它是在一座巨大得离谱的干草堆里找一根针，但它知道针是什么样子。

反重力不是干草堆里的针。它是一根我们不知道是否存在的针，藏在一座我们不知道形状的干草堆里。机器不可能找到不在游戏规则里的东西，而截至今天，已知物理学中没有任何东西表明我们可以抵消重力。人的传送也是一样：问题不是我们找得还不够多，而是我们根本没有任何允许它实现的规则。

它很擅长翻遍干草堆。它拿那扇里面的门毫无办法。

但别太快把这个话题盖棺定论，因为干草堆大得离谱，里面还有一些看起来像科幻小说里才会有的针。一种能对付那些已经没有任何药物可以治疗的细菌的抗生素。一种能够在常温下输送电力，途中一瓦特都不损失的材料，这会改变整个星球的电网。一块让汽车价格减半的电池。这一切都在干草堆里，这一切都遵守我们已知的规则，而没有人找到它们，只是因为我们以前没有时间去找。

说到时间，我们刚刚赢得了多得离谱的一大块时间。就像谷歌那台学会自动纠正自己的量子计算机带来的那种转折：这不是比我们想得更好的机器，而是永远不会疲倦的机器。

所以传送，不行。但你要记住，1969年斯特拉森拿出他的49次运算时，如果有人说有一天机器会做得比他更好，恐怕会让他的整个系都笑掉大牙。花了五十六年，这件事真的发生了。我完全不知道五十六年后计算机会产出什么，但不可能之事的清单每年都在变短！

来源

• Microsoft : How AI and HPC are speeding up scientific discovery，筛选3200万种无机材料，从筛选到23名候选者的各个步骤，80小时的计算，以及与 Pacific Northwest National Laboratory 的共同工作
• TechRound : Microsoft's AI-powered battery discovery could replace lithium，材料名称 N2116，候选者从3200万缩减到18个，锂用量减少约70%，以及从原材料到功能原型用时不到9个月
• Google DeepMind : AlphaEvolve，用48次运算完成4×4矩阵乘法，而不是 Strassen 算法的49次，这是自1969年以来的首次进步，由一个通用系统实现
• 数学家们自己维护的 AI 对 Erdős 问题贡献公开统计，其中的栏目彼此分开：仅由 AI 完成、由 AI 在人类陪同下完成，以及事后发现现有文献已经给出答案的情况
• Quanta Magazine : Why the Legendary Erdős Problems Are Falling to AI，2026年8月3日，这一系列解决方案的背景，以及它在数学家之间引发的争论
• Helsinki Institute for Information Technology : 一名研究人员改进了相切球问题的界限，研究 Google 系统的方法后，在同一个问题上做得比它更好
• Google DeepMind : Millions of new materials discovered with deep learning，220万种晶体结构，其中38万种被预测为稳定结构，以及已知稳定材料数量增加十倍
• Drug Target Review : AI designs new antibiotics to take on drug-resistant superbugs，McMaster University 和 University of Pennsylvania 在设计全新抗生素分子方面的研究