日本材料信息学（MI）领域近期深入探讨了研发核心难题。在AI for Science时代，研究人员不再单纯向AI寻求答案，而是通过与AI的对话，持续更新自身的物质观与工艺观。这种“元学习”态度被视为未来研发人员的基础能力。本期内容聚焦于实现这一目标的关键：如何构建连接现场操作与AI算法的“通用语言”，即从“现场参数”向“本质参数”的设计转型。
随着贝叶斯优化等技术的普及，利用MI优化实验条件已成为日本材料界的共识。许多企业报告称，引入MI后开发周期显著缩短，停滞项目取得突破，无效课题也能快速止损。然而，也有部分案例显示效果未达预期。深入分析发现，问题往往不在算法本身，而在于更前端的参数设计环节——即究竟将哪些变量作为核心，以及关注点的选择是否恰当。
传统做法常以配合比、转速、温度、时间等可直接操作变量构建搜索空间，这看似自然，却可能让AI在错误的“地形”上徒劳奔波。正如日本****所比喻，参数设计实则是选择描述研发地形的“坐标系”。例如，将化合物A替换为化合物B，若仅看质量数值，看似是连续移动，但若考虑分子量差异或反应机理变化，实则是跨越了不同的“岛屿”。
在更微观的层面，描述空间的选择直接决定了对分子行为的认知。是沿用离散的化合物名称进行替换，还是基于电子态分布捕捉相互作用？是关注单个粒子种类，还是转向摩尔数或能量密度等宏观量？以晶体为例，在实空间中看到的是原子排列与缺陷，而在逆格子空间中，原子周期结构则转化为波数空间的衍射图案。同一对象，因坐标系与分辨率不同，其“地形”性质截然不同。
因此，参数设计的本质，是决定在哪个空间对问题进行数学化表述，并判断该空间内变量是连续还是离散的。这一选择直接决定了AI探索的效率与发现新知的可能性。若缺乏对“什么是本质”的清晰假设，再强大的AI助手也可能在庞大的非本质空间中迷失方向，导致研发资源浪费。
对于中国材料研发企业而言，这一理念极具参考价值：在引入AI工具前，首要任务不是优化算法，而是重构对材料本质的认知框架，将业务经验转化为AI可理解的“本质参数”，从而真正打通从数据到价值的创新路径。