鄂院士分享了一个他搞材料研究的故事（34分钟起）。他研究一个三元合金，招了博士后，搞了三年量子力学，然后又招了个博士后，搞了三年经验公式，之后又招了个博士后，搞了三年分子动力学，一下子十年过去了。鄂院士都说，这是小农作坊模式，效率太低下。
更多水平远远不如鄂院士的课题组，就更加小农作坊了。大多数材料老师才不懂什么量子力学和分子动力学了，就是一顿炒菜。xyz三元合金，加个w元素变成xyzw合金，然后来一套表征，发一篇paper。再加个d元素，又发一篇paper。
材料研究，最大的问题在于理论与实际的巨大鸿沟。用鄂院士的话说，搞材料理论的和搞材料工程的是两批人，他们老死不相往来，各玩各的。
搞理论的，缺乏实践引导，很难发展出真正可以指导实践的理论。
搞实践的，缺乏理论指导，只会瞎试炒菜撞大运，研究效率极为低下。
之前我就写过一些这方面的思考。
材料研究的困难提炼一下，可以归结为：
多体困难：体系极为复杂，相互作用太多，使得没办法通过第一性原理（如波函数与波动方程）推导出实用的材料性质（如铁碳相图）高维困难：材料研究中遇到的问题，往往非常高维且极度稀疏。问题维度一方面来自材料本身的多体问题，另一方面来自于环境引入的新维度。举个例子，某次实验后等到的材料与预期不符。到底是什么原因造成的，可能来自于材料本身，那就涉及到材料本身到参数，从第一性原理讲可以是几亿维。可能来自于环境，这也是非常复杂的，可能是几万维。但造成问题的因素可能就其中一两个，所以是高维且稀疏。
后面通过人脑推理排查，是微量氧气进入反应腔导致的。这就是在几万维可能的因素里找到了最关键的。所以人脑才是最强降维算法，可以把几万维的问题降维到几维。而现阶段任何的机器学习算法都做不到。某种角度说，生化环材的问题才是真正的“少样本”学习问题，每个case就几个样本甚至一个样本。
安德森说more is different，每个层次的材料问题，都有人研究过，但就像二十年前cv的研究者一样，都是在手工“设计”特征，而这些每一层的特征都无法关联起来，用作最终的宏观预测。所以一个想法是，用数据驱动的方法，让网络去学习每个层次的特征，并且把他们关联起来，从而解决最终的材料研发问题。这必然带来材料研究范式的巨大变革。