Vad handlar artikeln om?
Det finns anledning att vara försiktigt optimistisk när det gäller AI-modellers förmåga att ta fram nya material i kombination med robotik, till exempel för framtidens batterier.
Artikel ur The Economist, 5 mars 2025, översatt av InPress. ©2025 The Economist Newspaper Limited. Alla rättigheter förbehållna.
Forskare som billigt och smidigt vill fånga in koldioxid ur luften har länge intresserat sig för metallorganiska ramverk, eller MOF:ar, gigantiska, svampartade molekyler som kan precisionstillverkas för att fånga in gasen och sedan släppa ut den på kommando.
MOF:ar består av metalljoner som hålls samman med hjälp av kolföreningar, och finns i en hisnande mängd olika former, var och en med unika egenskaper. En MOF som kan fånga in koldioxid i fuktig kustmiljö skiljer sig från en som fungerar i torrt klimat, på hög höjd. Att granska miljarder olika potentiella kombinationer i jakten på rätt MOF är en närmast omöjlig uppgift för mänskliga kemister. En AI-modell däremot, är som klippt och skuren för jobbet.
Startupbolaget CuspAI utvecklar just en sådan. De använder en mängd olika samverkande AI-modeller, vissa är inriktade på att utveckla kandidatmolekyler med särskilda egenskaper. Dessa skickas vidare till en särskilt tränad grundmodell som bedömer deras egenskaper. Målet för CuspAI är inte bara att hitta en bra MOF, utan att bygga ett system som kan spotta ur sig rätt sorter för alla olika miljöer – och dessutom, att visa hur AI kan användas för att lösa alla slags problem inom materialvetenskap. Bättre batterier, renare bioplaster, mer kraftfulla halvledare, kanske också supraledare som fungerar i rumstemperatur, kan snart bli verklighet.
& medgrundare
av VSParticle.
Foto: VSParticle
Det är ingen avlägsen dröm. I en forskningsartikel publicerad i november 2024 analyserade Aidan Toner-Rodgers, doktorand i ekonomi vid MIT, Massachusetts Institute of Technology, produktivitetseffekterna av ett nytt AI-verktyg hos materialforskare vid ett icke namngivet amerikanskt företag. Tack vare en stegvis lansering, där tusentalet forskare vid företaget fick tillgång till verktyget i tre olika grupper, kunde Toner-Rodgers använda införandet som ett randomiserat experiment och bedöma verktygets påverkan. Resultaten imponerade, 44 procent fler upptäckta material, 17 procent fler produktprototyper som använde dessa nya material, och 39 procent fler patentansökningar.
Toner-Rodgers beskriver hur det, i den mån det går att mäta, också tycktes leda till mer genuint unik innovation. De patent som AI bidragit till innehöll fler nya, tekniska begrepp och själva materialen innehöll mer ovanliga fysiska strukturer.
Men som den holländske kemiingenjören Aaike van Vugt konstaterar, oavsett om du använder AI-verktyg eller ej så förblir materialdesign ”ett jävla krångel”. Vissa utmaningar är tekniska, produktionen av nya material kräver ofta anpassade tillverkningsanläggningar som kan pumpa ut enorma volymer i snabb takt. Andra är finansiella, företag som fokuserar på tidig forskning och utveckling kämpar med att kommersialisera sina upptäckter.
Andra branscher har lyckats få denna sil att hålla vatten. Stef van Grieken, medgrundare av Cradle, ett AI-proteinlabb med kontor i Amsterdam och Zürich, beskriver läkemedelsindustrin som ”riskkapitalbolag med tillhörande labb”. Klinisk prövning av nya mediciner må vara en hård bransch, men det uppmuntrar till investeringar som sprider risk och utdelning genom hela branschen, där resurser går tillbaka till forskarna vid frontlinjen. Sådan lyx finns inte för materialforskare. De som jobbar med att designa ett material måste förr eller senare också klura ut hur man testar, tillverkar och säljer det.
Det har inte avskräckt CuspAI. Bolaget hoppas kunna bygga en plattform som kan designa material på beställning, och överlåta test och tillverkning till större företag med labb och tillverkningsanläggningar.
Londonbaserade Orbital Materials använder också AI för att försöka utveckla en MOF. Företaget har tränat sin egen modell från grunden, och använt superdatorsimuleringar för att generera träningsdata, berättar Jonathan Godwin, tidigare forskare vid Google DeepMind som var med och grundade verksamheten. Slutresultatet är hundratals miljoner simulerade kemiska interaktioner, var och en bestående av bara ett par hundra ”tokens”: avancerade versioner av de kortfattade kemiska reaktioner man hittar i skolböcker. Det är oerhört mycket mindre träningsdata än vad som krävs för så kallade stora språkmodeller, men Godwin hoppas att det ska räcka till en liten och effektiv modell som pricksäkert kan förutse kemiska interaktioner.
Men hellre än att göra som CuspAI, vara ett virtuellt labb och sälja de upptäckter man gör, vill Orbital även göra grovjobbet. Företagets grundmodell har redan spottat ur sig en rad MOF-kandidater, och Orbital har investerat tid och pengar i interna labb och kemiingenjörskompetens för att säkerställa att dessa fungerar och kan tillverkas i större skala.
I december tillkännagav man ett avtal med Amazon Web Services, för att integrera en av sina uppfinningar i företagets enorma datacenter, där spillvärme från kylsystemet kommer att driva den kemiska reaktion som fångar koldioxid ur luften. Målet är att göra datacentret koldioxidnegativt, till en kostnad av 20 cent per timme per chip. Om det fungerar kommer Orbital ha gått från AI-genererad uppfinning till färdig produkt snabbare än något läkemedelsföretag.
Andra företag försöker helt automatisera bort behovet av laboratorier. Kemiingenjören Aaike Van Vugt företräder ett av dessa. Hans startup, VSParticle, erbjuder vad som i praktiken är en 3D-skrivare i nanoskala. Med hjälp av en teknik som kallas gnistablation bygger den upp en tunn film av nya material, en nanopartikel i taget, enligt en instruktion som är unik för varje material. Sådan film kan användas i batterier eller katalysatorer.
Om tekniken sprider sig menar Van Vugt att den kan innebära att materialforskare slipper slitgörat med hur man rent fysiskt producerar ett visst material. Istället för att bekymra sig över det kan de helt enkelt maila instruktioner till VSParticles labb och vänta på att slutprodukten skrivs ut i en av företagets automatiserade tillverkningsenheter.
Och automatiseringen har gått längre än så. 2023 visade forskare vid MIT hur en AI-assisterad robot kunde tänka ut, tillverka och analysera nästan 300 nya kemiska färgämnen, vilket ledde till nio kandidater med mycket eftersträvansvärda egenskaper för biomedicinsk bildvetenskap. 2024 kunde en arbetsgrupp ledd av forskare vid University of Toronto demonstrera en AI-agent som, dock med viss mänsklig hjälp, lyckats skapa ett världsledande förstärkarmaterial för laser.
Foto: CuspAI
Att kunna kombinera AI och robotik för att skapa nya material vore enormt, menar Max Welling, en av medgrundarna till CuspAI. Men han höjer ett varningens finger för att tillverkningsinstruktionerna är väldigt specifika. Små skillnader i luftfuktighet eller kvalitet kan göra det omöjligt att tillverka rätt produkt. Det gäller i ännu högre grad robotdrivna labb, vilket fått vissa att ifrågasätta deras resultat.
2023 hävdade forskare vid A-Lab, ett automatiserat laboratorium vidLawrence Berkeley National Laboratory, att de skapat 41 nya material, utvecklade med hjälp av data från Google DeepMind och Materials Project, ett initiativ för att simulera egenskaperna hos alla oorganiska material. En imponerande bedrift, men oklarheter kring modellens analys har fått vissa kemister att ifrågasätta om några nya material alls har blivit till. Teamet på A-Lab står fast vid sitt arbetssätt.
De vill förhindra en AI-apokalyps
Datavetare från öst och väst möts under informella former.
För stunden finns anledning till försiktig optimism. I november 2024 meddelade techjätten Meta att de ingått ett samarbete med VSArticle och University of Toronto som finansierat utveckling, analys och digitalisering av fler än 500 experimentella elektrokatalysatorer – en materialtyp som kan bli avgörande för nästa generations batterier. Larry Zitnick, chef för Metas AI-avdelning, beskriver hur företagets datacenter inte alltid körs på maxkapacitet. Därför fanns ett överskott av datorkraft som Meta kunde donera till projektet, för användning i de inledande simuleringarna av sådana elektrokatalysatorer.
Chad Edwards, CuspAI:s andre medgrundare, beskriver hur det handlar om något större än att bara hitta nya material för koldioxidinfångning. Om företagets satsning lyckas är den ett konkret exempel på hur AI på ett viktigt sätt kan bidra till forskning och vetenskap.
Denna text publicerades ursprungligen i det tryckta magasinet Världen Om juni 2025.
Översättare: Jesper Sandström
Läs fler artiklar från samma nummer här.
Så här jobbar Världen Om med kvalitetsjournalistik: Vi väljer ut artiklar. analyser, data och intervjuer från The Economist som täcker in geopolitik, vetenskap, livsstil, affärer och kultur. The Economist har funnits sedan 1843 för att "stärka kampen för intelligent upplysning i syfte att motverka okunskap som hindrar framsteg och utveckling."
