大型语言模型（LLMs）正在通过将文本洞见转化为实验发现，为材料科学创造一种新的范式。凭借其在自然语言理解、多模态对齐和小样本推理方面的优势，LLMs 已经在性质预测、合成规划和不确定性量化等方面展现出潜力。本文提出“预言者（Oracle）、替代者（Surrogate）、量化者（Quant）和仲裁者（Arbiter）”四大关键角色，以系统梳理 LLMs 在知识提取、性质推断、风险评估和决策制定方面的最新进展。实践表明，真正的价值在于将这些能力整合到可验证、可追溯的闭环中，而不仅仅是单纯扩大模型规模。然而，LLMs 仍面临数据异质性、可解释性有限、幻觉控制以及与科学任务不匹配等挑战。为应对这些问题，我们提出三个前瞻性方向：开发融合材料科学语境的领域适应型基础模型，建立标准化的跨模态数据基础设施，并将专家反馈与机器人自动化实验结合，纳入完全可追溯的研究闭环。通过强化人机协作和方法创新，LLMs 有望从通用语言工具转变为具有科学认知的合作伙伴，推动材料发现朝着更加高效、可解释和可持续的未来迈进。

原文链接：Large Language Model in Materials Science: Roles, Challenges, and Strategic Outlook - Zhang - Advanced Intelligent Discovery - Wiley Online Library