你可曾想过，缓震跑鞋底部材料为何被设计成蜂窝状结构？
同样的高分子基材，做成不同的结构，其物理力学性质会变得截然不同。用在跑鞋上的多孔设计能最大程度分散震动，同时带来较好的回弹效果。这类通过内部几何结构而非化学成分来获得特殊力学、光学或声学性能的材料，被统称为超材料（metamaterial）。
要想研究这类材料在受力、变形和断裂过程中的具体行为，此前必须借助商用有限元仿真软件（FEA）来求解力学方程。
商业软件功能齐全，上手门槛却不低：复杂的操作界面需要专门培训才能掌握，还要交纳至少数十万元人民币的许可使用年费。而且，每换一个研究问题，研究者都要重新建模、手动调试各类条件和参数。
最近，麻省理工学院（MIT）工程学教授马库斯·J·布勒（Markus J. Buehler）展示的一项工作，为材料力学分析提供了另一种选项。他仅交给 AI 一段自然语言描述和 5 张参考图像，几小时后就能拿到针对该问题定制的完整仿真工具链：力学求解器、断裂算法、几何生成器、浏览器端可视化界面一应俱全，同时还能输出可直接用于 3D 打印的结构文件。
基于这套 AI 自建工具，他和合作者让数百个智能体运行了 6,000 次模拟，最终确定，长期被材料学界视为增韧密码的“层级结构”，其中真正决定断裂行为的是两个此前很少受到关注的变量。
马库斯将这种给定科学问题，由 AI 自主设计工具、交付智能体集群使用并得出可靠结论的研究范式命名为“递归元智能”（Recursive Meta-Intelligence），认为它是通往“科学超级智能”（scientific superintelligence，指在科学发现层面具备远超人类能力的 AI）的雏形。
超材料的力学性质，究竟由哪些变量决定？
马库斯同时在 MIT 的工程和计算学科任职，2023 年当选美国国家工程院院士。他开创了名为“材料组学”（materiomics）的研究领域，主张把材料视为跨越分子到宏观的多尺度层级系统，用包括 AI 在内的各种计算方法理解其结构与性能的关系。
为商用软件找平替并非马库斯的初衷。他真正想解决的，是超材料研究领域的一个长期困境。
超材料的性能由内部架构决定，但架构参数的组合几乎无穷多，层级深度、构件粗细比、有序与无序的分布方式、连接拓扑的组合方式……任一维度的变化都会显著改变硬度、断裂容忍度（断裂到什么程度材料会彻底损毁）等宏观行为。仅凭人工遍历和求解器的参数扫描，只能覆盖其中极小一部分。
面对如此大规模的设计空间，过去几年，AI 辅助材料设计发展迅速。其主流做法是研究者预先搭建好模拟环境，确定使用哪套力学理论，如何简化假设、定义材料状态，AI 负责在其中进行搜索和优化。
但马库斯想更进一步，看 AI 能否真正接管整个力学研究过程。他在 Claude Code 中调用 Fable 5.1，在对话中输入一段研究提示词和 5 张层级生物微结构的参考图像。这些图像仅为 AI 提供架构灵感，无法被“照抄”进行几何重建。
计算的第一步是将复杂层级架构转化为可计算的力学模型。马库斯让 AI 基于不同理论、参数和计算方程，独立运行三次，参数均由 AI 在平衡计算成本与物理精度后自主判断。
接着，AI 自主编写了几何生成器（根据层级深度、构件粗细比等参数生成不同的梁网络）、断裂求解器（在每一步加载中求解力学平衡、判断失效构件、更新拓扑、重新分配力）、数值校验模块、参数扫描调度器，以及三个可在浏览器中直接打开的交互式虚拟实验平台。
三间实验室分别独立执行了参数扫描实验，对后续设计做出预测，并用新的模拟结果自我验证，最终写出包含图表、分析和讨论的完整研究报告。
（来源：Hugging Face）
结果显示，三次运行的建模路径不同，呈现出的物理结论却高度一致：层级结构并不直接指向高性能特质。
这一发现颠覆了学界此前的共识。在超材料研究中，“增加层级”是几乎公认的增韧策略：受贝壳、木材等自然多级结构启发，研究者普遍认为层级越多，材料的损伤容忍度自然会越好。
但 AI 的分析揭示了其背后更根本的驱动机制：真正决定断裂行为的是材料分配和几何有序性的空间位置。
前者负责在粗骨架与细支撑之间分配用料。当材料集中到一根承担轴向载荷的粗主干时，这根主干在局部构件断裂后仍能维持整体承载力，损伤呈现可控的逐步累积；后者确定将有序排列放置在粗尺度还是细尺度，这直接决定了断裂是以一系列较小事件释放能量，还是多个构件同步失效，最终导致灾难性崩塌。
研究还指出，关键的物理图像不是静态的。每次局部断裂都会重写整个结构的连接拓扑，力和能量重新分配，产生全新的力学状态。整个失效过程中，一次断裂可能触发相邻构件的连锁失效，也可能被周围结构吸收而不扩展。
为定量刻画这一规律，研究人员通过人类主导、AI 辅助的方式，让数百个 AI 智能体使用第三次运行搭建的模拟器，在无中央规划者的情况下运行约 6,000 次模拟。数据显示，在缺口长度达到普通结构承受极限的 14 倍时，粗有序的层级结构仍能保持 90% 的强度。这一发现可为防弹装甲、航天器外壳、防震建筑等须在受损后维持功能的工程场景提供设计启发。
三次运行的全部产出已开源发布在 Hugging Face，借助网页工具，使用者拖动滑块即可实时调整几何参数，运行断裂模拟，观看断裂过程的动画回放和力-位移曲线，甚至能直接导出用于 3D 打印的立体光刻格式（STL）文件。
为“科学超级智能”设计不断进化的栖息地
研究论文目前还在审核阶段，马库斯已在社交媒体发布博客，提炼出这项研究背后的完整方法论：递归元智能。他表示，“智能的生长来自不断构建新的思考空间，也来自不断改进思考本身。”
递归元智能的核心机制是一条自指循环链：人类发出指令，模型自主设计仪器和研究平台，平台进而成为下一层智能体赖以生存和发展的基础设施。每一层的产出都变成下一层的思考素材，智能通过在平台内部构建新的思考空间，实现自我扩展。
在这项研究中，Fable 5.1 对图像的初始理解是表征，造出的三个虚拟实验室是仪器，后者为数百个 AI 智能体提供自由探索的“世界”，数万条模拟轨迹最终被压缩为人类可用的设计原则，成为下一轮认知的原料。
今年 8 月，马库斯团队发布论文《群体世界》（SwarmWorld），为“平台成为智能体栖息之处”的说法提供了技术论证：在缺乏中央调度和持续通信的前提下，50 到 200 个 LLM 智能体在共享的持久世界中，仅通过观察彼此留下的环境痕迹，就自发形成了探索者、建造者、维护者、协调者的角色分化。
研究团队用共识素（stigmergy）命名这种机制，指像白蚁等社会性昆虫一样，AI 智能体也能通过改变共同环境实现间接协作。
（来源：X）
在马库斯的展望中，递归元智能的终点通向“科学超级智能”，其理论根基是控制论（cybernetics，研究系统中信息、反馈与控制机制的跨学科理论）和远离平衡态的非线性物理。
该理论认为，一个系统只有具备足够的内部多样性才能应对复杂环境；重复的交互能够产生稳定的形式，成为下一轮推理的对象；大量自由度可以坍缩为少数集体变量，这些变量再反过来组织下层动力学；持续的能量流可以在远离平衡态的系统中形成此前不存在的宏观秩序。
这些几十年前提出的思想，如今依旧适用于 LLM 智能体集群；也揭示递归的力量不在于简单重复，而是能持续创造新的推理层次。
AI 驱动科学发现，走到哪一步了？
AI 驱动的科学研究进展在过去两年集中爆发，主流路径分为两条。
一条是算法进化型，以谷歌 DeepMind 2025 年 5 月发布的 AlphaEvolve 为例，它基于 Gemini 模型，给定一个评估函数，让代码自我迭代。目前，谷歌数据中心调度、芯片设计乃至 Gemini 自身，都部署了这套自我进化的新算法。
另一条是论文生成型，代表产品包括日本公司 Sakana AI 推出的 AI 科学家二代、新加坡 AI 公司 Analemma 推出的全自动化研究系统等，这些工具将闭环部署在机器学习领域内部，交付成果是可用于提交同行评审的论文。
但在这些案例中，AI 递归改进的对象是研究的产物，理论框架和数据集等前置环节仍由人类学者预先设定。
马库斯的理念是将递归对象上升至更完整的层面：让 AI 生成一整套可用的物理科学研究工具，此前必须由领域专家提供的建模判断都由 AI 独立完成；产物还可以再交给下一批 AI 使用。
这表明前沿模型已经从解决通用编程问题，进入知识密集的物理建模领域，而且有能力在不同条件下找到一致规律。
当然，以上只是马库斯的展望。目前，AI 设计的力学模型仍相对简化，保真度不及商用求解器处理的三维、动态、多物理场耦合问题；所有结论停留在模拟层面，仍需实物制造与测试验证。
研究展示只涉及“从 AI 造仪器到 AI 群体用仪器”，想实现真正的递归元智能，还要看 AI 能否在使用仪器后主动参与反馈，对工具进行有效改进。
科研中原本最依赖人类专家的一环，正在被纳入递归循环。正如马库斯所说：“仪器扩展了感知，计算扩展了运算，而这类系统扩展的，是我们在抽象之前所能遍历的因果可能性空间。”
参考内容：
https://huggingface.co/lamm-mit/MetaMaterialsDiscovery
https://x.com/ProfBuehlerMIT/status/2099834306046664792
https://arxiv.org/abs/2608.26081
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成
