最近，伊利诺伊大学厄巴纳-香槟分校（UIUC）和多伦多大学的研究团队通过“AI黑盒”，将闭环实验与基于物理的特征选择和监督学习相结合，提出了一种名为“闭环迁移”（closed-loop transfer，CLT）的新方法，旨在从闭环优化过程中提取和验证物理洞察，并指导化学发现。基于此，他们发现了光伏电池新材料，为提高稳定性做出了进一步的贡献。

相关研究成果以题为“Closed-loop transfer enables artificial intelligence to yield chemical knowledge” ，于8月28日发表在 Nature 上。

据介绍，CLT 可以帮助研究人员快速识别影响目标函数的关键物理特征，从而更好地理解化学现象背后的原理。同时，CLT 可以指导实验设计，避免不必要的实验尝试，从而提高实验效率。此外，CLT 还能帮助研究人员发现新的化学知识，并为材料设计和药物发现等领域提供新的思路。

“AI黑盒”是指内部工作原理对用户不可见的 AI 系统，可以向它们提供输入并获得输出，但是不能检查产生输出的系统代码或逻辑。目前，人工智能引导的闭环实验已成为一种有前途的目标函数优化方法，但这种传统的黑盒方法在发现新化学知识方面的巨大潜力仍未得到充分开发。

然而，AI黑盒是一把“双刃剑”。在实际应用中，还存在技术、安全、伦理及道德等诸多问题，仍需加强安全测试及建立有效的监督机制等方式来降低这些风险。

同时，AI在科研中的应用已形成了一个全新的概念——AI for Science，并逐步融入各行各业，如生物制药、新材料研发、前沿物理研究、气候预测、地球模拟和天文探索等，尤其在化学和生物医药领域，AI都有着应用广泛。