AI 材料证伪实验台
材料团队给出性能约束后，每个 AI 候选都带着最低成本的证伪实验，直接交给可用实验室验证。
材料团队让 AI 找到几十个候选配方后，真正堵住进度的往往不是缺少预测，而是不知道该先做哪项实验来推翻它们。研究负责人先写下目标性能、成本上限、禁用物质、可用仪器和交付日期。每个代理提交候选材料时，必须一并提交一项最低成本的证伪实验：测什么指标、合格线是什么、失败会否定哪条假设。
产品把候选整理成实验任务卡，写清配方版本、样品制备条件、所需设备、预计耗时和安全要求。内部实验员、共享设备中心或外部检测机构可认领任务，并按模板回传原始读数、仪器文件、照片和结论。负责人能按成本、排期和信息增益排序，不会被看似很高的预测分数带偏。
某次实验失败后，结果会回写到相关候选和假设图中。后续代理再提出相近配方时，系统会指出已失败的条件，要求解释差异，避免团队反复购买同一类原料和机时。通过初筛的配方则自动进入下一轮更贵的验证，保留每次判断依赖的原始数据。
第一阶段可从台式性能测试和常见外部检测委托开始，覆盖任务拆分、认领和结果回传。它不替实验室批准危险工艺，也不把模型预测当成材料发现；它要建立的是一条由失败结果不断收紧的验证链。
为什么是现在
8 月 12 日，一则关于材料发现 AI agents 的 Launch HN 帖进入讨论；截至 8 月 13 日记录为 111 points、21 条评论和第 16 位。S1 当代理开始批量提出候选时，团队更容易马上遇到实验优先级、执行交接和失败回写的问题；Discovered Materials 也已公开材料发现基准及模拟、合成与测试流程。S2
目标用户
核心用户是已用模型生成多批候选的材料研发负责人。候选从几项膨胀到几十项时，仪器排期和送检预算开始互相争抢。此时负责人需要先淘汰脆弱假设，而非继续提高预测数量。实验员、共享设备中心和外部检测方，则需要一张能直接执行和验收的任务卡。
最小切入点
先把候选、假设、实验和结果建成四类结构化对象。任务卡用 JSON Schema 固定指标、阈值、设备、样品条件和安全字段。原始数据进入 S3 兼容对象存储，并记录文件哈希与版本。首版只接收 CSV、图片、PDF和常见仪器原始文件，不负责解析所有专有格式。排序先采用可解释规则，组合费用、等待时间、覆盖假设数和结果区分度。代理提交前必须通过字段校验，缺少失败判据就不能进入任务池。先支持团队邀请指定实验员认领，再扩展到外部检测机构。
以小博大
第一批用户更可能来自正在试用材料代理的课题组和企业研发小队。可围绕公开候选复现，发布一套可下载的证伪实验卡模板。团队导入现有表格后，就能看到重复配方和未闭环假设。与共享仪器平台主管沟通时，重点展示更完整的送样信息和更少的往返确认。案例内容应复盘一次失败如何阻止后续重复采购，而非宣传预测准确率。
竞品与缝隙
怎么赚钱
按活跃研发项目收取月费，包含固定成员数、任务卡和文件存储额度。外部检测订单可另收协调服务费，但不从实验结论中抽成，避免激励偏向更多测试。
反方视角
证伪实验若由代理写得过于理想化，实验员仍要重新设计方案。不同实验室的制样方法和仪器校准会让结果难以直接比较。为了追溯差异，团队必须记录批次、环境、设备和原始文件，录入负担会迅速增加。危险工艺还需要现有审批体系，平台不能用任务流替代安全判断。外部检测涉及保密、样品运输、报价和交付争议，协调成本可能超过软件价值。若候选数量不多，负责人用表格和例会就能完成排序。继续投入前，应验证失败回写能否真实减少重复采购和机时。