2026年06月15日
在论文里，一个AI模型可以用精度证明自己；但到了材料工程现场，它还要回答另一个更现实的问题：工程师敢不敢用它？
对西浦-集萃学院与长三角先进材料研究院联合培养项目中的岳中杰、魏晨笛、吉雨翔、李思耕来说，这正是他们参与《人工智能在材料工程中的应用》这本书中的案例验证时反复面对的问题。相比一本书本身，更值得追问的是：这本书背后，几位博士生如何在AI算法、材料机理与工程现场之间，重新理解“可用的研究”究竟意味着什么。
四名博士生的来时路各不相同。有人从传统机械与车辆工程转向AI方法，有人带着海外空间科学的学习经历进入数据与工程交叉领域，也有人从材料工程背景或西浦本科阶段一路走来。不同路径最终汇入同一个问题：人工智能究竟如何在被寄予赋能千行百业的期待时，真正进入工程领域，而不只是停留在模型、论文和概念之中？
（从左至右依次为：魏晨笛、李思耕、岳中杰、吉雨翔）
AI不能只停留在模型里
材料工程中的许多关键性能，往往由多种因素共同决定：材料属性、工艺参数、连接方式、界面行为、服役环境……这些因素彼此缠绕，很难依靠单一经验判断。
传统实验仍然重要，但当材料体系越来越复杂、应用场景越来越多元，变量也在不断增加。试验成本越来越高，研发周期越来越紧，单靠反复试验已难以应对复杂问题。AI提供了另一种可能：它可以从有限数据中学习复杂规律，帮助研究者进行材料性能预测、工艺参数优化和工程决策。
（图为魏晨笛（左三）博士答辩现场与项目组成员合影）
但在这几名博士生看来，AI进入材料工程，不能只是把算法套进数据里。材料机理要懂，工程约束要懂，模型能不能在真实场景中使用，也必须有人判断。
“AI+材料不是因为它热，所以我们去做。”吉雨翔说，“更多时候，是实际问题让我们来做。”
联合培养，把博士研究带到工程现场
西浦-集萃学院的联合培养模式，为这种研究提供了一个特殊训练场。
在这一培养体系中，博士生并不只在校园、论文和实验室之间往返。他们同时面对高校的学术训练、研究院的工程场景，以及产业端对真实问题的要求。
“西浦给我们的，是一种更像是‘学院派’的研究思路。”李思耕说，“我们在工业场景里解决的是很抽象的问题，但到了论文和报告里，需要把它有条理地讲清楚。”
工程问题往往具体而直接，但博士研究不能只停留在“解决一个问题”上，还要进一步追问：这个问题背后的规律是什么？方法论是什么？是否能形成更清晰的框架？
与此同时，长三角先进材料研究院的产业导师韩维建和研究院平台，则把来自工程现场的数据、需求、实验条件和应用约束带到学生面前。对“AI+材料工程”这样的交叉方向而言，这一点尤其关键：算法不是在真空中搭建出来的，材料问题也不是在单一变量中被解决的。真实场景本身，就是研究的一部分。
联合培养不是简单多一位导师、多一个平台，而是让博士生长期站在两种视角之间：一边追问学术问题如何成立，一边面对产业问题是否真正可用。
模型好不好，工程师也要说了算
进入研究院后，博士生们面对的不只是导师和同门，还有长期工作在一线的工程师。
在实际工程场景中，很多经验并不写在论文里，也不一定存在于标准流程中。设备怎么用，数据怎么来，实验条件如何设置，模型结果是否符合现场判断，都需要和工程师反复沟通、不断校准。
“在论文里，我们可能先看模型效果好不好。”岳中杰说，“但到了工程现场，还要看它能不能稳定运行，能不能真正帮工程师做判断。”
这也是他们逐渐理解的关键：一个模型是否有价值，不只取决于论文中的精度，也取决于它能否经受数据质量、现场条件、工艺流程和工程判断的检验。
面对工程师，博士生并不是单向提出需求，也会主动参与协作、提供支持，在一次次请教和配合中建立互信。
“谁遇到问题了，大家就一起想。”李思耕说，“这不是单向地请别人帮忙，说到底，大家在一起做的事都一样。”
在这样的关系中，科研问题才真正进入工程语境。模型不再停留在电脑和论文中，而是被放回材料工程的现场，接受更复杂、更真实，也更接近问题本身的检验。
一本书背后的阶段性验证
《人工智能在材料工程中的应用》的出版，为这支博士生团队的探索留下了阶段性注脚。书中提及了西浦-集萃学院与长三角先进材料研究院联合培养博士生团队参与案例验证的经历。
参与案例验证，也让他们重新思考自己的研究在整个“AI+材料工程”体系中的位置。
“博士工作不能只盯着自己手上的一小块。”岳中杰说，“你要知道自己的工作在整个系统里处在什么位置，能解决什么问题，又可能被什么条件限制。”
这也是联合培养带来的重要训练：科研不再只是从已有方法出发寻找应用，而是从工程现场提出的真实问题出发，理解问题、拆解问题，并反过来推动方法、模型和认知的更新。
在交叉训练中走向未来
如今，四名博士生也在思考各自的未来。有人希望进入头部企业，在更大的产业平台中继续从事AI研发与工程应用；有人考虑研究院或博士后岗位，希望在相对稳定的环境中继续推进应用研究；也有人将目光放在高校与科研平台之间，寻找适合自己的学术道路。
“我觉得拥有单一能力是不够的。”吉雨翔说，“未来不管去哪一个方向，真正重要的还是能不能理解复杂问题，能不能和不同背景的人沟通，能不能把方法放到真实场景里去验证。”
对他们而言，一本书不是终点，而是一次阶段性验证：AI进入材料工程，靠的不只是算法，也是一种能在学术逻辑、工程约束和真实场景之间不断切换的综合能力。
（记者：王康力 编辑：寇博）
2026年06月15日