Materials Data Foundry：破解材料從預測到量產的瓶頸

AI可能在模擬中找出一種看似理想的材料，但這不代表研究人員已經知道如何穩定、大規模地製造它，也不保證實際性能符合模型預測。由新加坡國立大學（NUS）與多倫多大學Acceleration Consortium共同成立、經費達1,000萬星幣的Materials Data Foundry，正是針對這個「預測到生產」的瓶頸而設計。

這座開放式自主實驗室將結合AI、機器人與原位量測。它不只依賴已發表的材料資料，而是透過大量自動化實驗，建立「合成條件」與「實際材料性能」之間的關聯。新取得的實驗數據會回頭改善AI模型，再引導下一輪實驗，形成預測與實體測試互相修正的閉環。

計畫目標包括進行大量實驗，並建立實用且可重現的合成配方，應用方向涵蓋超越矽基或量子材料、與潔淨氫相關的電催化劑，以及耐腐蝕塗層。

換句話說，這個實驗室要產出的不只是「AI認為可能有效的材料清單」，而是更接近工業需求的證據：材料應該如何製造、在什麼條件下表現良好，以及結果能否被重複驗證。

先用AI搜尋催化劑，再把候選方案交給實驗檢驗

另一項1,000萬星幣的計畫由新加坡科技研究局（A*STAR）與倫敦帝國學院共同主導，將開發「表面科學基礎模型」及雲端平台，用來預測催化劑性能與合成條件。研究方向包括較潔淨的燃料、由二氧化碳衍生的原料，以及生物基化學品。

計畫說明提出的目標，是讓計算篩選速度提升500倍。這指的是「計算篩選」這個環節，不等於成品燃料或化學製程可以快500倍完成。至於外界所稱「幾乎快五倍、便宜五倍」，除非明確對應到另一項後續開發指標，否則仍應審慎解讀。最終成敗，取決於AI挑出的催化劑是否能在實驗中維持良好表現，並進一步形成可行製程。

AI生成程式碼，也要接受科學式驗證

AI4S並非只關注材料與生醫，也把軟體可靠性視為科學與工程問題。NUS與帝國學院正在開發程式推理工具，分析及測試程式碼，在可能的情況下以形式化方法驗證其特定性質，甚至證明程式正確性。研究對象包括網路協定與Linux核心元件等高難度、影響重大的軟體。

其中一項構想，是讓AI系統審查另一個AI系統產生的程式碼。這有望提升AI輔助程式設計的可靠性，但自動化分析不等於對安全性作出普遍保證。形式化方法只能在明確假設下，證明特定規格是否成立；整體可靠度仍取決於規格是否完整、測試是否充分，以及程式實際運行的系統環境。

生醫研究：把分散的生物與臨床資料放在一起看

在生物醫學領域，AI4S包含多項嘗試，目標是整合研究人員過去常分開處理的資料。

NUS與A*STAR的MultiOmicsFM計畫，預計打造能共同解讀DNA、RNA與基因活性資料的基礎模型，並使用來自新加坡多族群資料集的資料。研究目標包括探索疾病風險，以及改善mRNA療法的設計與遞送。

BloodCounts!則採取不同路線，將完整血球計數檢查的原始參數，與血液抹片影像放進DeepCBC模型。研究團隊希望從這項普遍使用的檢查中提取更多診斷資訊，並研究整合資料是否有助於預測中風及癌症等疾病相關風險。

這些都是前瞻性研究應用，並不代表目前一次例行驗血就能診斷上述疾病。若未來要進入臨床，仍必須經過適當資料集與不同族群的驗證、監管審查，以及在真實醫療環境中證明模型表現穩定可靠。

農業數位孿生，讓AI面對東南亞氣候與耕作條件

另一項計畫將為東南亞農地建立「知識導向的農業數位孿生」。數位孿生可理解為現實農田的虛擬映射，研究團隊希望把實際觀測資料與作物科學原理結合，用於預測播種時機、資源使用及供應鏈變化。

這裡強調科學知識相當重要。若數位孿生能反映農藝上的限制，使用者便比較容易理解模型為何提出某項建議，也比較能針對結果提出質疑。當然，它的實用性仍取決於底層資料的品質、涵蓋範圍與更新速度。

8項計畫還包括利用AI設計、改善能源傳輸的介面。整體組合橫跨材料、計算、基因體、健康、能源、農業與氣候韌性，而非只押注單一商業領域。

AI4S的核心：AI與實驗之間的閉環

縱觀這批計畫，共同運作模式可以拆成四個步驟：

1. AI提出候選方案：搜尋或生成假設、材料、催化劑、分子設計、程式碼或農業介入措施。
2. 實體或數位實驗進行測試：透過自動化實驗室、量測、軟體分析或接近田間條件的模型檢驗候選方案。
3. 新證據反過來改善系統：讓下一輪預測不只依賴理論或既有資料，而是建立在觀察結果之上。
4. 領域專家判斷價值：確認成果是否可製造、可靠、具臨床用途，或對環境與農業真正有幫助。

Materials Data Foundry最具體呈現了這種閉環，因為它明確把AI預測、自動合成與材料量測連接起來。催化劑篩選、軟體驗證與生醫建模也採用相同邏輯：更快的預測只有在能產生可信證據時，才具有真正價值。

新加坡不只投資模型，也在培養「雙語」科學家

AI4S同時是一項人才與基礎設施策略。NRF強調，計畫需要AI研究人員與材料科學、生命科學、量子科學等領域專家共同工作，並培養同時理解計算方法與科學問題的「雙語」研究人員。

參與機構包括NUS、南洋理工大學（NTU）與A*STAR，也有多倫多大學、倫敦帝國學院、劍橋大學及京都大學等國際夥伴。帝國學院的兩項研究則透過位於CREATE園區的Imperial Global Singapore進行，強調跨國合作與研究資源共享。

這種組織方式讓新加坡有機會在AI驅動的科研競爭中建立位置：以國家資金支持具體挑戰、建置共用的實驗與數位基礎設施、吸引全球研究夥伴，並培養能在模型與實驗室之間溝通的人才。

最終成績，不是模型預測數量，而是能否經得起現實檢驗

AI4S真正應該交出的成果，可能包括：

• 可重現的先進材料製造配方；
• 在接近真實操作條件下仍有良好表現的催化劑；
• 能提出具體正確性或可靠性保證的軟體工具；
• 在適當資料集與臨床場景中完成驗證的生醫模型；
• 能在實際農業決策或資源規劃中改善預測的工具。

因此，新加坡這1.2億星幣押注的並不是「AI單獨取代科學家」，而是讓AI與實驗、驗證及領域專業緊密相連。這套模式有機會讓科學發現更系統化，縮短從構想到原型的時間；但8項研究能否把看似有前景的AI預測，轉化為可擴大生產、安全且真正有用的技術，仍是接下來4至5年最重要的考驗。

Materials Data Foundry：破解材料從預測到量產的瓶頸

AI可能在模擬中找出一種看似理想的材料，但這不代表研究人員已經知道如何穩定、大規模地製造它，也不保證實際性能符合模型預測。由新加坡國立大學（NUS）與多倫多大學Acceleration Consortium共同成立、經費達1,000萬星幣的Materials Data Foundry，正是針對這個「預測到生產」的瓶頸而設計。

這座開放式自主實驗室將結合AI、機器人與原位量測。它不只依賴已發表的材料資料，而是透過大量自動化實驗，建立「合成條件」與「實際材料性能」之間的關聯。新取得的實驗數據會回頭改善AI模型，再引導下一輪實驗，形成預測與實體測試互相修正的閉環。

計畫目標包括進行大量實驗，並建立實用且可重現的合成配方，應用方向涵蓋超越矽基或量子材料、與潔淨氫相關的電催化劑，以及耐腐蝕塗層。

換句話說，這個實驗室要產出的不只是「AI認為可能有效的材料清單」，而是更接近工業需求的證據：材料應該如何製造、在什麼條件下表現良好，以及結果能否被重複驗證。

先用AI搜尋催化劑，再把候選方案交給實驗檢驗

另一項1,000萬星幣的計畫由新加坡科技研究局（A*STAR）與倫敦帝國學院共同主導，將開發「表面科學基礎模型」及雲端平台，用來預測催化劑性能與合成條件。研究方向包括較潔淨的燃料、由二氧化碳衍生的原料，以及生物基化學品。

計畫說明提出的目標，是讓計算篩選速度提升500倍。這指的是「計算篩選」這個環節，不等於成品燃料或化學製程可以快500倍完成。至於外界所稱「幾乎快五倍、便宜五倍」，除非明確對應到另一項後續開發指標，否則仍應審慎解讀。最終成敗，取決於AI挑出的催化劑是否能在實驗中維持良好表現，並進一步形成可行製程。

AI生成程式碼，也要接受科學式驗證

AI4S並非只關注材料與生醫，也把軟體可靠性視為科學與工程問題。NUS與帝國學院正在開發程式推理工具，分析及測試程式碼，在可能的情況下以形式化方法驗證其特定性質，甚至證明程式正確性。研究對象包括網路協定與Linux核心元件等高難度、影響重大的軟體。

其中一項構想，是讓AI系統審查另一個AI系統產生的程式碼。這有望提升AI輔助程式設計的可靠性，但自動化分析不等於對安全性作出普遍保證。形式化方法只能在明確假設下，證明特定規格是否成立；整體可靠度仍取決於規格是否完整、測試是否充分，以及程式實際運行的系統環境。

生醫研究：把分散的生物與臨床資料放在一起看

在生物醫學領域，AI4S包含多項嘗試，目標是整合研究人員過去常分開處理的資料。

NUS與A*STAR的MultiOmicsFM計畫，預計打造能共同解讀DNA、RNA與基因活性資料的基礎模型，並使用來自新加坡多族群資料集的資料。研究目標包括探索疾病風險，以及改善mRNA療法的設計與遞送。

BloodCounts!則採取不同路線，將完整血球計數檢查的原始參數，與血液抹片影像放進DeepCBC模型。研究團隊希望從這項普遍使用的檢查中提取更多診斷資訊，並研究整合資料是否有助於預測中風及癌症等疾病相關風險。

這些都是前瞻性研究應用，並不代表目前一次例行驗血就能診斷上述疾病。若未來要進入臨床，仍必須經過適當資料集與不同族群的驗證、監管審查，以及在真實醫療環境中證明模型表現穩定可靠。

農業數位孿生，讓AI面對東南亞氣候與耕作條件

另一項計畫將為東南亞農地建立「知識導向的農業數位孿生」。數位孿生可理解為現實農田的虛擬映射，研究團隊希望把實際觀測資料與作物科學原理結合，用於預測播種時機、資源使用及供應鏈變化。

這裡強調科學知識相當重要。若數位孿生能反映農藝上的限制，使用者便比較容易理解模型為何提出某項建議，也比較能針對結果提出質疑。當然，它的實用性仍取決於底層資料的品質、涵蓋範圍與更新速度。

8項計畫還包括利用AI設計、改善能源傳輸的介面。整體組合橫跨材料、計算、基因體、健康、能源、農業與氣候韌性，而非只押注單一商業領域。

AI4S的核心：AI與實驗之間的閉環

縱觀這批計畫，共同運作模式可以拆成四個步驟：

1. AI提出候選方案：搜尋或生成假設、材料、催化劑、分子設計、程式碼或農業介入措施。
2. 實體或數位實驗進行測試：透過自動化實驗室、量測、軟體分析或接近田間條件的模型檢驗候選方案。
3. 新證據反過來改善系統：讓下一輪預測不只依賴理論或既有資料，而是建立在觀察結果之上。
4. 領域專家判斷價值：確認成果是否可製造、可靠、具臨床用途，或對環境與農業真正有幫助。

Materials Data Foundry最具體呈現了這種閉環，因為它明確把AI預測、自動合成與材料量測連接起來。催化劑篩選、軟體驗證與生醫建模也採用相同邏輯：更快的預測只有在能產生可信證據時，才具有真正價值。

新加坡不只投資模型，也在培養「雙語」科學家

AI4S同時是一項人才與基礎設施策略。NRF強調，計畫需要AI研究人員與材料科學、生命科學、量子科學等領域專家共同工作，並培養同時理解計算方法與科學問題的「雙語」研究人員。

參與機構包括NUS、南洋理工大學（NTU）與A*STAR，也有多倫多大學、倫敦帝國學院、劍橋大學及京都大學等國際夥伴。帝國學院的兩項研究則透過位於CREATE園區的Imperial Global Singapore進行，強調跨國合作與研究資源共享。

這種組織方式讓新加坡有機會在AI驅動的科研競爭中建立位置：以國家資金支持具體挑戰、建置共用的實驗與數位基礎設施、吸引全球研究夥伴，並培養能在模型與實驗室之間溝通的人才。

最終成績，不是模型預測數量，而是能否經得起現實檢驗

AI4S真正應該交出的成果，可能包括：

• 可重現的先進材料製造配方；
• 在接近真實操作條件下仍有良好表現的催化劑；
• 能提出具體正確性或可靠性保證的軟體工具；
• 在適當資料集與臨床場景中完成驗證的生醫模型；
• 能在實際農業決策或資源規劃中改善預測的工具。

因此，新加坡這1.2億星幣押注的並不是「AI單獨取代科學家」，而是讓AI與實驗、驗證及領域專業緊密相連。這套模式有機會讓科學發現更系統化，縮短從構想到原型的時間；但8項研究能否把看似有前景的AI預測，轉化為可擴大生產、安全且真正有用的技術，仍是接下來4至5年最重要的考驗。