28个图形处理器小时，换来4种此前未知的超导体。材料发现的时间尺度，被这个团队压缩到不合常理的程度。
本周，一个研究团队称，人工智能模型只用约28个GPU小时，就发现了4种人类此前完全未知的超导体。GPU小时指一张图形处理器运行一小时，28个这样的单位是非常短的计算预算。团队称，这相当于人工探索大约一百年。消息没有给出团队所属机构、四种材料的名称和临界温度，因此现在能确认的是「发现」这一陈述，还不是材料已经被独立复现。
超导体是在特定条件下电阻接近零的材料，对输电、电子器件和量子计算都关键。传统发现依赖大量实验试错和理论计算，周期常常是数年甚至数十年。模型的角色被写成高通量计算加上模式识别：在很短的时间里完成候选筛选，并试图把验证也收进闭环。高通量，就是同时算很多种成分和结构，而不是一次只试一种配方。
这说明人工智能在科研里的位置，正从「帮人算得快一点」转向「自己提出候选」。提出候选仍然不是结束。超导体必须在实验里测到相应的电学性质，计算命中只是把实验名单变短。28个GPU小时若对应的是筛选，后面的合成和测量仍可能以月计。
示范意义往往大于这四种材料本身。催化、电池和合金也是「组合太多、实验太慢」的领域，同一套范式可能被搬过去。前提是这次发现能被写出配方和测量条件。下一观察点不是再一句「相当于一百年」，而是四种材料是否出现在可核对的论文或样品里。
计算预算和实验次数要分开。28个GPU小时可以并行比较很多成分，实验室仍要合成样品、测量电阻，才会知道候选是不是真的超导体。团队用「约一百年」描述的是搜索范围被压缩，不是已经积累了一百年的论文。
消息没有材料名称和临界温度，其他实验室就无法照方复现。输电、电子器件和量子计算关心的是这些条件能不能做进器件。在配方公开之前，催化、电池和合金都只是可能被同一方法碰到的邻近领域，还不是已经改写的产业。样品和测量条件不公开，外界就只能把它当成计算侧的效率声明。高通量筛选若随后拿出成分，材料科学里的模型才会从提出候选走到完成发现。