未来能像点外卖一样，向AI定制新材料吗？

想象一下：在屏幕上敲下“要一款能在-20℃到120℃稳定、可回收、成本不超50元/公斤、专吸甲烷的多孔材料”，AI几分钟给出配方与结构，机器人当天自动合成、测试，第二天把样品快递到你手里——这不是科幻片的桥段，而是一条正在被打通的现实通道。路径之所以可行，关键在“从目标出发反推结构”。最近有团队把机器学习与切线自适应遗传算法耦合，直接以CH4/N2高选择性为目标做MOF逆向设计：模型学会了拓扑、金属节点、配体与官能团如何共同决定性能，并在进化搜索中筛出fsc拓扑、芘/蒽/萘等芳香配体这一“高性能基因”，最优结构的IAST选择性达15.92，甲烷吸附量2.47 mmol/g。这等于把“点单需求”翻译成“结构语句”，再交给算法自动烹饪。更大的引擎正在加速。图网络驱动的系统一次性提出了约220万种新晶体，包含5.2万种层状材料与数百种潜在高导锂材料，已有700多种被独立合成验证。面向无机材料的生成式模型可以按“能隙、模量、磁性密度”等条件直接出结构，配套的快速模拟负责筛查在真实温压下是否稳定；云平台曾在80小时内生成并初筛3200万候选，锁定23种具商业潜力的材料。企业侧，专有数据训练的定制模型已进入工艺与配方优化；硬件侧，几何松弛与高通量计算被专用加速服务大幅提速；闭环机器人实验室能读文献、设定配方、自动表征并迭代，真正把“设计—制造—反馈”压缩到天级别。甚至有实证研究显示，引入AI后，科研团队新材料发现数量提升44%，更独特的化学结构带来专利增长与下游创新增速。要像点外卖一样顺滑落地，需要“菜单、厨师、配送”三件套协同。菜单是设计空间与生成模型，如逆向设计、贝叶斯优化、扩散与图网络；厨师是高效验证与自动化合成，从代理模型、GCMC/DFT到机器人闭环；配送是规模化与产业链，从放大工艺、原料与合规到成本与绿色约束。前两环我们已接近“即食”，最后一环仍是瓶颈，但正在被政策与产业合力推动，国内相关市场预计到2028年有望增长至数十亿元量级。现实也有边界：数据偏差会误导模型，合成可行性与可放大性常把“好点子”挡在实验室门外，多目标权衡（性能、成本、可持续）需人机共创来定权重。解决之道包括共享标准化数据（含“失败实验”），把可合成性、绿色约束与物理守恒写进模型，用可解释AI让设计逻辑可核验，并让机器人平台闭环校正预测。所以答案是：在可配方、可模块化、可快速验证的材料门类里（电解质、吸附剂、涂层、催化位点、部分聚合物与多孔材料），未来3–5年将出现“半外卖式”定制；在更复杂、跨场景的关键材料（高温合金、功率半导体等），5–10年内会形成“材料即服务”的专业平台，但仍需要资深工程师把关最后一公里。从“偶然发现”走向“按需生成”，AI让人类与物质世界的对话更像是点单而非碰运气。可别忘了，自然不接玄学订单——它只接物理定律背书的请求。让算法去拓展广度，让实验去校准真相，让人类定义价值，我们距离“一键定制新材料”的那声“确认下单”，已经不远了。

AI“发明”的新材料，专利应该属于谁？

当一段代码“写出”一块新材料，究竟谁才是发明人？在实验室里，我们用移液枪与手套箱；在算力时代，研究者同样用模型、参数与算法作为“新工具”。工具越强，人类“构思”的边界越模糊，也就让“AI发明”的所有权成为一场关乎科学、法律与伦理的三重对话。放在现行专利制度中，答案并不暧昧：专利发明人必须是自然人，AI不具备发明人资格，也无权拥有专利。几乎所有主要法域都做出了同样的制度性选择。英国与欧洲专利体系明确要求指明“人”为发明人，以AI为唯一发明人的申请会被直接驳回；美国强调“构思”是核心门槛，AI被界定为工具而非主体；中国、台湾与日本也都坚持“发明人必为自然人”的立场。换言之，如果某项新材料的候选结构、性能预测或优化路径是在AI强力协助下得到的，专利的“发明人”仍需锁定到对构思做出实质贡献的人类研究者，专利权再按合同和制度归属其所在单位或公司。关键在于如何界定“实质贡献”与“构思”。法律并不要求发明人亲手完成实施，但必须对要解决的问题形成明确且可操作的技术构想，并提出足以实现的技术手段。把AI当作显微镜或X射线一样的“超级仪器”，人类需要完成问题定义、目标函数设定、数据与特征的选择与清洗、模型与约束的配置、结果的判读与取舍，并据此形成可被权利要求书清晰表达的技术方案。仅仅“欣赏”AI的输出不等于“构思”，而有意图地指导与配置模型以获得特定、可复现实施结果，可以成为构思的有力证据。把这一框架投射到材料学的前沿场景会更直观。比如利用机器学习与遗传算法对MOF进行逆向设计，研究者定义目标性能（如CH4/N2选择性）、挑选与构建描述符、训练与验证模型、嵌入优化框架以主导选择—交叉—变异的演化过程、统计提炼“高性能基因型”并据此提出可合成的具体结构方案。这一连串人类决策与技术取舍，正是法律意义上的“构思”所在。因此，发明人应是那些在问题设定、模型与算法配置、结果解释与结构定型上有实质技术贡献的自然人；而非单纯运行脚本、提供算力或进行机械性数据标注的参与者。至于专利权，多数情况下根据雇佣或合作协议，归属其所在高校或企业。跨法域操作，还有几处容易踩雷的节点。国际优先权不认可把AI列为唯一发明人的先前申请，否则后续布局可能失去优先权基础。多名发明人协作时，需要逐条对照权利要求，厘清各自对构思的贡献，避免遗漏或错列发明人引发无效风险。外观设计与植物专利同样要求自然人构思，生成式AI参与并不改变这一门槛。实践层面，保存“构思链”的证据尤为要紧：问题定义、数据来源与处理、特征与超参、约束与搜索空间、模型版本与提示语、关键里程碑与决策理由，都应形成可审计的记录，以对应审查对“欣赏”与“构思”的严格区分。在企业策略上，别把AI当“黑箱灵感机”。让研发流程“可解释、可追溯、可归责”，将大模型或优化器纳入标准化开发规范，明确哪些决策必须由人拍板，哪些输出必须经人校核。提早规划权利要求与证据留痕，使技术方案与人类构思严丝合缝；同时权衡专利与商业秘密的取舍，避免产品或论文发表后触发销售或公开的法律时钟，错失可专利化的时间窗口。归根结底，AI再聪明，也是工具；法律将“发明”这件事，稳稳地拴在人类对问题的理解、对路径的选择、对责任的承担之上。也许未来某天，制度会为“人机共创”开出新的权利范式。但在那到来之前，最好的答案是：让人提出目的与方法，让AI放大探索与验证，让证据记录构思的脉络。专利属于能清楚讲述“我为何这样设定、这样取舍、这样实现”的那群人。而真正的灵感，不在模型里，在提问的人心里。

AI发现的“制胜配方”，是新定律还是巧合？

当机器把自然“翻译”成公式、把材料“拼装”成最佳配方，究竟是在揭示新定律，还是一次漂亮的巧合？这不只是科研方法的争论，更是关于我们如何认识世界的灵魂拷问。让人兴奋的是，AI正在用一次次惊艳的答案，逼近那条分界线。把问题拆开看：AI给出的“制胜配方”大致有两类。一类像DeepMind和清华团队的符号回归：从观测数据中直接写出数学公式。它们不仅能重现单摆周期和胡克定律，还能在空间物理数据上产出量纲自洽、结构合理的新方程，甚至替代旧有经验式；其中，清华的PhyE2E通过二阶导数“剥离”变量耦合，再联合Transformer、MCTS与遗传算法精炼，实现从数据到公式的端到端推理，并在真实卫星观测中提出对近地等离子体压力与距离平方关系的清晰刻画。这类成果之所以更像“新定律”，是因为它们兼具三重特征：可解释、可外推、可复现。另一类则是材料中的“设计准则”。北京化工大学与西浦团队把XGBoost预测模型嵌入切线自适应遗传算法，像驯鹰一样让进化搜索朝着目标性能俯冲：fsc拓扑、芘/蒽/萘等芳香配体反复在种群中胜出，最终设计出的MOF在CH4/N2分离中实现了IAST选择性15.92和甲烷吸附量2.47 mmol g-1。更妙的是，研究者用SHAP把每个结构特征对选择性的贡献拆解开来，辅以GCMC吸附位点的概率密度图，说明“胜出”并非黑箱魔法，而有着可追踪的结构—性能因果线索。这类“配方”不必是自然界的普适定律，却是可迁移、可复用的工程规律，能直接变成实验室里的合成路线和工业流程。那么，怎样判断“新定律”还是“巧合”？有一套硬核准绳值得坚持。 - 看外推：是否能在未见过的条件、噪声与边界情况下保持预测力。PhyE2E与DeepMind的工作在多数据集、多任务上检验过，远胜只在单一数据集上“刷分”的模型。 - 看对称与量纲：单位一致性、守恒约束、已知对称性若被模型自发满足，通常意味着不是巧合。物理信息注入（PIAI）能显著提升这一点。 - 看简洁与可分解：能否用更少的自由度解释更多现象，是否能通过二阶导数等工具拆出独立子式，避免“缠绕式”过拟合。 - 看因果证据链：从SHAP等归因，到可控变量实验与干预式验证，再到与第一性原理或机器学习势能面的一致性，让相关性走向因果性。 - 看可复现的工程收益：像MOF逆向设计、Ce-UiO-66多目标合成路线优化那样，把模型产物转化为可重复制造、可量化提升的性能改进。也要诚实面对风险。大科学装置让数据量从“万条”跃迁到“亿条”，聚类与降维可能把噪声“炼成金”。数据稀缺、分布偏差、特征泄漏，都会制造漂亮却短命的规律。机器会给出多个候选公式，哪一个才是“真相”，需要物理直觉与独立验证共同裁决。材料领域更要警惕场景鸿沟：在某一类MOF库里有效的“配方”，跨到不同金属节点或孔径尺度后，可能就失灵。最令人乐观的是，人机协作已经形成良性闭环。AI用规模和速度捕捉模式，人类用理论与直觉注入约束；高通量实验与计算的数据工厂遵循FAIR原则沉淀知识；机器学习势把DFT的精度与MD的规模连接起来；从公式到工艺，从法则到产品，越来越多成果能在真实生产线上兑现，比如以多目标优化找到更稳更可控的MOF合成窗口，或在汗液电解环境中调控可拉伸电极的导电性。回到那句追问：AI发现的“制胜配方”，是新定律还是巧合？它们常常起步于“经验规则”，在跨数据、跨尺度、跨场景的反复检验中晋级为“可解释的设计原理”，最终，少数会升华为可被推导、可被预言、可被证伪的“新定律”。这是一条从相关到因果、从配方到法则的攀登之路。或许，定律并不等待被发现，而是等待被“证明为必要”。AI让我们更快找到候选答案，但意义与真理感，仍需人类用怀疑、想象与严谨把它们磨成光。下一次，当AI再给出一个出人意料的公式或材料“秘方”，不妨把它当作通往新定律的大门口——推开门的那只手，应该是我们共同的。

除了筛气体，AI能设计出“自愈”皮肤吗？

当材料开始“学会”像生命一样感知痛点、自行缝合并恢复功能时，AI就不再只是筛选气体的工具，而是材料进化的催化剂。如今，逆向设计正把“目标性能→结构”的路线图照进现实：从能精准区分甲烷/氮气的MOF，到能在受损后十秒内恢复八成功能的电子皮肤，AI让“会思考的材料”不再是科幻。答案是肯定的。AI不仅能帮助设计出筛气体的多孔材料，也正在加速“自愈”皮肤的诞生——既包括机器人与可穿戴的电子皮肤，也包括真正促进人体创面愈合的生物医用材料。它的核心优势在于把巨大的化学配方、结构拓扑和加工工艺空间，转化为可计算、可优化的设计问题，通过机器学习与进化算法的联动，倒推出满足自愈速度、导电稳定、拉伸韧性、黏附性与生物相容性等多目标约束的材料方案。路径并不抽象。就像面向CH4/N2分离的MOF设计中利用XGBoost与切线自适应遗传算法协同搜索最佳拓扑与配体基因一样，AI在“自愈皮肤”中同样扮演“性能评估器+进化导航”的角色：输入的是聚合物骨架、动态化学键（氢键、离子键、金属–配体、Diels–Alder、二硫键等）、导电填料（银纳米线、MXene、石墨烯）、离子液体与含水量、交联密度与微结构；输出的是愈合时间、电导恢复率、极端环境下的可靠性与触觉分辨率。贝叶斯优化与遗传算法可以在多目标之间权衡，模型再通过SHAP等可解释方法告诉我们哪些“基因组合”最关键。更关键的是，已有原型已经跑在路上。具备超快自愈能力的电子皮肤能在损伤后约10秒恢复80%以上功能；新一代可拉伸自愈离子凝胶，将电极、聚合物与离子液体耦合，依靠离子–偶极相互作用在划伤后自动重构导电通路；引入忆阻晶体管的“类脑”触觉系统，把AI分布到皮肤上的“迷你大脑”，实现对“疼痛”的本地学习与响应，线缆与延迟降低5–10倍。水凝胶电子皮肤利用电阻抗断层成像，在32电极与86万电流路径的协同下，以单一材料同时感知压力、温度、湿度与多点触碰；斯坦福团队将自愈塑料与金属导体复合，反复切割50次仍可恢复导电与柔韧；更有将AI嵌入材料本体的“感知–定位–加热–闭环”系统：损伤引发阻抗指纹变化，模型精准定位后以微电流选择性加热，使热塑性聚合物局部熔融并无缝愈合，实时评估疗效再迭代修复参数。在医用层面，AI也在重写创面修复的配方学。从能快速止血的天然高分子黏合剂，到清除活性氧、抗菌又促血管生成的纳米酶水凝胶，再到可控释放细胞因子、诱导免疫微环境转化的多层纳米“盔甲”，数据驱动的多目标设计让材料同时具备安全性、透湿率、力学匹配与长期生物活性。可打印的自愈导电水凝胶与仿生多层支架，把“材料—结构—功能”的耦合做成可优化的数字孪生问题。当然，通往大规模应用仍有关卡：标准化数据的缺口、汗液与紫外等环境下的长期稳定性、人体长期接触的生物安全、可卷对卷制造与成本约束。但自驱动实验平台、在线表征与闭环优化，正在缩短从配方到样机的周期；而把物理先验注入模型、让生成式设计同时考虑制造与可靠性，也在减少“只会在论文里工作”的风险。所以，除了筛气体，AI完全可以也正在设计会“自愈”的皮肤。它让材料不仅能感觉世界、理解损伤、实施修复，还能在迭代中变得更聪明。也许真正值得期待的，不是某一次惊艳的突破，而是一个方向的悄然转折：当物质开始具备学习与复原的能力，工程与生命的边界会变得模糊。那时，我们不只是制造更强的材料，而是在培育更有韧性的未来。

AI会不会被现有知识困住，错过伟大发现？

当人类的大脑像火花塞，偶尔“噼啪”蹦出一个创见时，AI更像一台涡轮引擎，日夜不停在广袤的知识海里扫网。可涡轮再强，也会不会被旧航线困住，错过那片真正未知的海域？这是一个关乎科学未来的追问，也是一场关于“创造力”与“可验证性”的赛跑。从材料科学的前线传来一个振奋的信号：北京化工大学团队把机器学习嵌进切线自适应遗传算法，做了一次真正意义上的“逆向设计”。他们不是在已知MOF数据库里翻箱倒柜，而是从“想要高CH4/N2选择性”出发，反推结构基因——拓扑、金属节点、配体与官能团。模型用XGBoost和SHAP读懂了哪些特征在“拉高选择性”，遗传算法再据此“繁衍进化”，最终锁定了带有fsc拓扑、芘/蒽/萘等芳香配体的优胜结构，IAST选择性达到15.92、甲烷吸附量2.47 mmol g-1。这不是被现有知识困住的样子，更像是给AI装上了指南针与推进器：既懂规律，也敢远航。放大到更广阔的科学图景，AI正在突破“只会在旧地图上涂色”的刻板印象。谷歌的强化学习模型一口气找到了数十万种热力学稳定晶体，远超以往数据库覆盖；微软的生成式模型直接产出候选配方，甚至有材料成功合成，性能逼近设定指标；自动化实验室把预测—合成—表征—再学习闭环起来，缩短了从概念到样品的时间常数。当生成式模型担任“构型提出者”，代理模型充当“秒级评委”，自适应算法承担“探索者”，我们看到的是设计空间被成倍扩展的事实，而非被旧知识“锁死”。当然，警钟也必须长鸣。大语言模型会出现幻觉，生成“貌似合理”的错误；它们倾向于产出“共识性答案”，在真正离散、长尾的知识区间容易失手；数据偏见、样本代表性不足，会把模型推回熟悉安全的区域。这些局限，确实可能让AI错过某些“反直觉”的伟大发现。更深层的限制在于动机与价值：AI没有“好奇心”，不会像人类科学家那样为一个怪异信号寝食难安。解决之道正在形成方法论合奏。用逆向设计与多目标优化，让“性能驱动”而非“样本相似”来主宰搜索；引入物理约束与可合成性判据，防止模型走向无效奇点；用主动学习和不确定性采样，把实验资源投到“模型最不确定”的角落；在遗传算法里加入多样性惩罚与探索奖励，避免早熟收敛；通过高通量表征设施源源不断“喂”新数据，修正偏见、扩大外推；在实际部署中采用更小、更可控的专用模型承担关键环节，降低幻觉风险。换句话说，我们不只是给AI更多知识，而是给它更好的“求知方式”。回到那个发问：AI会不会被现有知识困住？会，如果我们只把它当记忆宫殿；不会，如果我们让它成为探索引擎。材料设计的最新案例已经展示——当模型被嵌入到进化搜索、被物理规律和实验闭环牵引时，它能跳出数据库阴影，找到人类尚未合成、却高度可行的结构组合。麦肯锡所言的“研发曲线反转”不是口号，而是来自生成式设计与代理模型把小时级计算压缩到秒级、把百次试错变为十次命中的现实增益。更重要的，是人机关系的重写。AI的创造力多是重组，但人类的创造力擅长提出好问题。让AI在庞大空间里疾速搜索，把人类的直觉与怀疑用在“异常信号”“破格模式”的审问上，伟大发现往往就藏在这些缝隙里。未来的科学也许属于这样的分工：AI拓荒，人类命名；AI铺路，人类转弯。愿我们不把AI关在图书馆里背答案，而让它走进野外与我们一起探路。真正的伟大发现，从来诞生在“已知的边界”与“未知的勇气”相遇的地方。

新知 - 大圆镜｜AI逆向设计破局：MOF材料筛选告别“试错”？

对抗知识焦虑，从看懂这条开始

App 下载

引子：寻找“分子乐高”的终极图纸

想象一个拥有无穷组件的“分子乐高”宝库，每一块积木都是一个金属离子或有机分子。通过不同的拼接方式，理论上可以搭建出数以亿计的微观建筑——这就是“金属-有机框架”（Metal–Organic Frameworks, MOFs）材料的奇妙世界。这些材料内部布满纳米级的孔道，如同分子筛，使其在气体分离、碳捕集和能源储存等领域拥有巨大潜力。然而，如何在这无穷无尽的可能性中，找到那个能精准分离特定气体的“完美结构”？

长久以来，材料科学家们如同在浩瀚的图书馆中盲目翻阅，依赖“试错法”进行探索。他们合成一种新材料，测试其性能，然后再合成下一种。这个过程耗时、昂贵且充满不确定性，面对超过十万种已被报道的MOF结构和近乎无限的设计空间，传统方法显得力不从心。我们是否注定只能在材料的“黑暗森林”中偶然发现宝藏，而无法按图索骥，直奔目标？

新闻焦点：AI“建筑师”交出完美答卷

就在最近，这一困局迎来了破晓之光。北京化工大学的阳庆元教授团队与西交利物浦大学的丁理峰教授合作，提出了一种颠覆性的材料设计范式。他们不再“猜测”结构，而是直接“命令”人工智能（AI）根据目标性能，反向设计出所需的MOF材料。

这项发表在《Advanced Science》上的研究，聚焦于天然气净化中的关键一步——甲烷/氮气（CH4/N2）分离。团队成功利用AI“建筑师”，设计并构建了一系列新型MOF材料。其中，性能最优的结构展现了惊人的表现：

IAST选择性高达15.92：这意味着它对甲烷的“偏爱”程度远超氮气，分离效率极高。
甲烷吸附量达到2.47 mmol/g：这表明其不仅分得准，还能“装”得多。

这一成果不仅是一次成功的材料发现，更标志着MOF材料研究从传统的“试错式筛选”向“性能驱动的理性设计”的根本性转变。AI不再是辅助工具，而成为了创新的核心驱动力。

AI之光：逆向设计点亮创新之路

阳庆元教授团队的成功并非魔法，其背后是一套精妙的“AI进化论”策略，即机器学习与遗传算法的深度融合。

这个过程可以被生动地比作培育良种：

“基因库”：研究人员首先将构成MOF的各种元素——拓扑结构、金属节点、有机配体和官能团——编码为“基因”，构建了一个庞大的虚拟化学设计空间。
“适应度评估器”：他们训练了一个高精度的机器学习模型（XGBoost），使其能够像一位经验丰富的鉴定师，快速、准确地预测任何一种“基因组合”（即MOF结构）的气体分离性能。这个模型就是遗传算法中的“适应度评估器”。
“进化过程”：随后，切线自适应遗传算法（TAGA） 开始工作。它随机生成第一代MOF“种群”，并让机器学习模型评估每个个体的“适应度”。然后，算法模拟自然选择，淘汰性能差的个体，让性能优异的个体进行“交叉”（交换基因）和“变异”（随机改变基因），繁衍下一代。周而复始，每一代种群的平均性能都在提升。

经过多代进化，AI最终筛选出了最优的“基因型”——研究发现，具有fsc拓扑结构以及芘、蒽、萘等大型芳香配体的MOFs，在CH4/N2分离中表现尤为突出。这些从海量数据中提炼出的“设计规则”，正是人类科学家难以凭直觉发现的宝贵知识。

从“猜想”到“智造”：AI如何重塑材料设计流程

这种“从性能出发，反推结构”的逆向设计，正在彻底改变材料科学的研发流程。它将漫长、线性的试错过程，转变为一个高效、智能的闭环系统。

如今，这场由AI引领的变革正在席卷全球：

自然语言成为设计指令：韩国科学技术院（KAIST）开发的ChatMOF系统，集成了GPT-4等大语言模型。研究者只需用日常语言描述需求，例如“帮我设计一种高比表面积的MOF”，AI就能自动规划、调用工具，并生成候选结构。这让材料设计变得像与智能助手对话一样简单。
预测能力覆盖全场景：清华大学卢滇楠教授团队提出的Uni-MOF模型，基于强大的Transformer架构，能够精准预测不同气体在不同温度、压力下的吸附性能，其泛化能力甚至能预测未知气体的行为，为虚拟筛选提供了前所未有的广度和精度。
从“设计”到“合成”的全链条智能：AI不仅能设计结构，还能预测其合成的可行性。德国卡尔斯鲁厄理工学院构建的SynMOF数据库和预测模型，能够为新MOF推荐合成路线，准确率甚至超过了人类专家，打通了从理论设计到实验室制备的关键一环。

广阔图景：AI驱动的第五次科研范式革命

MOF领域的突破只是冰山一角。从微软的MatterGen直接生成全新稳定晶体，到谷歌DeepMind的GNoME发现220万种新材料，AI正在成为材料科学的“第一性原理”。这种“数据+AI驱动”的模式被誉为继实验、理论、计算模拟之后的第四、乃至第五科研范式。

这股浪潮正涌向更广阔的领域：

能源转化：AI正在加速催化剂的筛选，为高效制氢、二氧化碳资源化利用等技术寻找更优解。
碳捕集：通过智能设计，科学家有望开发出能耗更低、效率更高的吸附材料，应对气候变化的挑战。
生命健康：在药物输送领域，AI设计的智能MOF材料能够实现药物的精准、可控释放。

结语：开启材料创新的“黄金时代”

当然，前路依然存在挑战。高质量数据的获取、AI模型的物理可解释性以及从虚拟设计到宏观制备的工程放大，都是亟待解决的问题。然而，方向已经无比清晰。

以阳庆元教授团队的研究为代表的智能化逆向设计，赋予了科学家前所未有的创造力。我们不再是被动地在自然的馈赠中寻找答案，而是主动地向宇宙“下订单”，设计并创造出解决人类未来挑战所需的物质。一个由AI赋能的、材料创新的“黄金时代”，正拉开序幕。