材料信息学（Materials Informatics）正进入一个新阶段：人工智能的用途不再局限于分析数据或提出新的配方，而是延伸到确定应提出的问题以及设计研究周期本身。本文发表于2026年9月9日，讨论了大型语言模型（LLM）和智能代理在材料开发周期中的作用，借此分析这一转变。
核心理念并不是人工智能将取代研究人员，而是人类与系统之间的分工方式将发生变化。与其执行一次实验后再分析其结果，不如构建一个反复循环：算法根据既有数据选择下一项实验，同时将验证和干预决策纳入流程设计之中。
从优化结果到选择下一项实验
文章指出，贝叶斯优化在材料工程中的应用，已经能够以连续方式选择下一项实验。该方法依据既有结果和模型中的不确定性，然后选择预期对研究最有益的点。但这种方法本身并不能保证对结果进行完整解释或发现所有影响因素；它的主要目标是在有限数量的实验中获得最佳值。
讨论指出，贝叶斯优化的成功取决于变量和约束条件的定义方式。如果某些条件未被纳入，或被视为研究范围之外，人工智能建议的范围可能会发生变化，而用户未必能清楚察觉。此外，确定目标本身也可能是一个研究问题，尤其是在材料组成与其性能之间的关系尚不够明确时。
大型语言模型能带来什么？
大型语言模型可以参与问题设计，例如阅读既有记录、整理信息、提取模式或提出初步假设。然而，本文警告，不应将这种能力等同于自动产生可靠知识。模型根据可用信息得出的推论，可能不同于研究人员希望得到的结果；其输出也可能反映数据的局限以及问题表述方式的影响。
因此，仅仅将语言模型引入工作流程是不够的。所需要的是建立一种机制，将问题与数据、实验和验证标准联系起来，然后把结果返回研究循环，以更新问题或选择下一项实验。这样，模型就成为一个可审查的探索过程的一部分，而不是科学判断的唯一来源。
人在环路之中或环路之上
本文讨论了human-on-the-loop这一概念，将其视为一种由人监控系统并在必要时拥有干预权的模式，而不是像human-in-the-loop模式那样由人手动参与每一步。这一理念与本文在软件开发语境中所称的“环路工程”（loop engineering）相关：确定人工智能在周期中的位置、由人监控什么，以及何时重新启动或停止流程。
这一理念将设计范围从模型能力扩展到整个系统的设计。问题不仅在于人工智能是否能够提出答案，还在于由谁审查答案、如何衡量结果质量、接下来采取什么行动，以及何时将决策交还给人类。文章提到，关于人在自动化中所扮演角色的讨论在2025年得到加强，而在2026年，开发人工智能代理时应思考环路工程的呼声开始出现。
为什么这条新闻很重要？
这一观点的实际影响在于，材料工程项目的衡量标准将不再只是模型的准确性或其能够执行的实验数量。项目还需要明确目标、变量范围、排除条件以及人工审查节点。系统从一个结果转向下一项实验的能力越强，决策的可追溯性和可验证性就越重要。
但本文并未提供证据证明代理或语言模型已经解决了这些限制。相反，文章将其置于开放的设计问题之中：如何定义成功结果？如何将结果与下一步行为联系起来？何时必须进行人工干预？因此，这一转变的核心价值并不在于完全实现研究自动化，而在于重新设计研究周期，使人工智能的使用能够接受检查和纠正。