面向人工智能的材料数据资源基础设施与数据标准化

汪洪 1,2,3,4（1.上海交通大学材料科学与工程学院；2.苏州国家实验室；3.上海交通大学材料基因组联合研究中心；4.上海交通大学张江高等研究院）

摘要：人工智能（artificial intelligence，AI）正将材料研发推向“数据驱动”新范式，数据是AI 赋能材料（AI for Materials，AI4M）成功的关键基础，当前的最大瓶颈是缺乏“机器随手即用”的高质量数据集。2025 年发布的美国“创世使命”（Genesis Mission）专项行动和英国《人工智能赋能科学战略》（《AI for Science Strategy》）均把协同运行的“高质量科研数据集+超级算力”列为国家级战略基础设施。中国《新材料大数据中心总体建设方案》亦明确提出整合全国力量，构建全球最丰富的材料数据基础设施的发展战略，以此支撑AI 赋能的原始创新与产业应用。然而，数据集只是更大的信息整体的一个子集，是构建者科学认识的反映，带有天然的局限性。当前有效的数据集，未来不一定适用。系统分析了AI 对材料数据内容与形式的新要求，提出面向AI 时代的材料数据基础设施，应以全信息数据池为根、高质量数据集/语料库为叶，构建可持续演进的“数据树”。通过对根资源前置标准化，实现原始数据的多次复用与多用途复用，以满足专用模型与通用大模型不断发展的需求。设计了一种模块化可组装数据模型，提出了相应的标准化原则与路径，以解决由材料数据参量的多样性与多变性带来的标准化难题。建设国家级材料大数据资源基础设施是一项长期性的事业，关系到中国新材料领域的长远发展。须做好前瞻性的规划，既立足当下，做好数据集，解决眼前的急需，更要放眼未来，做好数据源，为未来的发展留出足够空间。因此，具有公益与公共属性的材料数据基础设施应具有“池仓一体”的构架，兼顾数据集与全信息数据池，平衡当下与长远。

关键词：数据基础设施；数据集；数据源；数据标准化；全信息数据