Tech

A Model That Only Knows Your Data Can Never Leave It

June 21, 2026 · Wu Jun, The Beauty of Mathematics~6 min read

Roughly nine out of ten of the world's strongest magnets pass through one country before they reach your earbuds, your EV motor, your wind turbine. China runs about 85–90% of rare-earth separation and roughly 90% of the magnet manufacturing that follows. That's not a chemistry fact — it's a chokehold. So when a lab says it has an AI plan to design a powerful magnet with no rare earths in it at all, the obvious question is: real escape route, or wishful press release? The honest answer turns on a quiet distinction most coverage skips — the difference between a model that has seen a lot and a model that understands something.

The chokehold nobody voted for

Today's benchmark magnet, NdFeB, owes its punch to neodymium and a few other rare-earth elements. Mine them anywhere you like; the separation step — pulling one chemically near-identical metal from its neighbors — is where the bottleneck bites, and that step lives overwhelmingly in China. A trade spat, an export license, a quiet quota change, and the supply of the thing inside every motor and hard drive tightens at someone else's discretion. The cleanest fix isn't a friendlier supplier. It's a magnet that doesn't need the rare earth in the first place. The trouble is that nobody has found one strong enough, and the search space — every possible alloy, every crystal arrangement — is far too vast to test by hand or by luck.

Two ways to be smart about a haystack

In 2025, Prashant Singh, a researcher at Ames National Laboratory, published a roadmap (in Advanced Functional Materials) for letting AI do the hunting. And he drew a line worth quoting, because it's the whole game: "If you just use the data to train your models, you will get only predictions within the range of information you have. But once you understand the physics of what controls specific properties, then you and your agentic tools or AI frameworks can search arbitrary material space." Read that twice. A model fed only examples learns the shape of what it was shown and stays politely inside it — ask for something beyond the fence and it guesses by stretching the nearest pattern. A model that carries the physics of why a material behaves as it does isn't fenced by its examples. It can reason out toward materials no one has measured, because it holds the rule, not just the cases.

A model trained only on examples can predict inside the range of data it has; once the model carries the physics that controls a property, it — and the AI tools built on it — can search arbitrary material space. The catch: this is a roadmap, not a discovered magnet (no synthesis, scaling or cost yet), while China controls ~85–90% of rare-earth separation. Framework: Wu Jun, The Beauty of Mathematics. Per Prashant Singh / Ames National Laboratory, Advanced Functional Materials 2025; skeptics per rareearthexchanges.com. Popular-science reflection.

This is the oldest lesson in computing

Singh just rediscovered, in metallurgy, what Wu Jun spends a whole book on in The Beauty of Mathematics: the right model of a problem beats more raw data about it. Early machine translation tried to brute-force language with dictionaries and hand-written grammar rules and went nowhere; it leapt forward when engineers modeled language as probability — a structure that captured how words actually hang together. Across his examples the moral repeats: when you find the mathematics that mirrors the real structure of a problem, you stop memorizing answers and start being able to derive them. Call the failure mode the data ceiling — the invisible wall where a pattern-matcher, no matter how much you feed it, can only ever hand back rearrangements of what it already saw. Physics is how you climb over the wall instead of repainting it. A magnet's strength isn't a vibe to be interpolated; it's set by how electron spins line up in a crystal lattice, and that is describable, in equations. Hand a model those equations and "search every alloy" stops being a fantasy and becomes a calculation.

Now the part the headlines skip

Here's where a builder has to stay honest, because the gap between "promising framework" and "problem solved" is exactly where hype lives. Read the fine print and skeptics — among them the trade outlet rareearthexchanges.com — make the load-bearing point: this paper does not report the discovery of a rare-earth-free permanent magnet. It's a roadmap. No new magnet has been synthesized, scaled, or shown to compete on cost. On the famous hype curve this sits near the very start, the "Technology Trigger" — the moment of maximum excitement and minimum proof. And there's a subtler catch that Wu Jun's own framework predicts: a physics-grounded model is only as trustworthy as the physics inside it, and that physics is itself anchored to experimentally measured numbers. Feed it shaky measurements and your elegant equations will extrapolate confidently into nonsense. (Worth flagging, too: a separate AI tool called DuctGPT, aimed at alloy ductility for fusion and aerospace, has been floating around the same conversation — it did not discover a magnet either.) The model can reach arbitrary material space; whether what it finds out there is real still has to be checked at a bench.

What this means for you

Strip it to the part you can actually use, in a lab or anywhere else you build with AI. More data makes a system better at the world it already knows; a better model is what lets it act in a world it hasn't seen. When someone sells you an AI that "learned from millions of examples," the sharp question isn't how many examples — it's whether the thing grasps the underlying rule or is just a very confident parrot of its training set. One can only interpolate; the other can extrapolate, and only the second kind ever surprises you with something genuinely new. So watch this rare-earth roadmap with two eyes open: it could loosen a chokehold that quietly shapes the price of half your electronics, and it might fizzle at the bench like plenty of beautiful frameworks before it. Both can be true at once. That tension — a model bold enough to leave its data, honest enough to admit it might be wrong — is not a flaw in the science. It's what real science under uncertainty looks like.

Feed a model only examples and it can never leave them; give it the physics and it can reason its way to materials no one has ever measured.

The scarce thing was never more data. It's the right model — and the nerve to say how far you trust it.

Source: framework from Wu Jun, The Beauty of Mathematics (the right model beats more data). Real-world basis: Prashant Singh, Ames National Laboratory, an AI-driven roadmap for rare-earth-free permanent magnets, Advanced Functional Materials (2025); the quoted line is Singh's. Skeptical caveat per rareearthexchanges.com: the work reports a framework, not a discovered magnet — no synthesis, scaling, or cost-competitiveness yet. A reflection, not investment or technical advice.

技术

一个只懂你数据的模型，永远走不出这堆数据

2026 年 6 月 21 日 · 吴军《数学之美》约 6 分钟

你的耳机、电动车电机、风力发电机里那块磁铁，世上最强的那一类，差不多每十块就有九块要先经过一个国家，才到你手上。稀土分离这道工序，中国占了约 85–90%，随后的磁体制造约占 90%。这不是一句化学常识——这是一道掐住喉咙的手。所以当一个实验室说，它有一套 AI 方案，能设计出一块完全不含稀土、却照样强劲的磁铁，最该问的就是：这是一条真的逃生通道，还是一篇一厢情愿的新闻稿？老实的答案，取决于大多数报道一笔带过的那个分别——一个"见得多"的模型，和一个"真懂"的模型，根本不是一回事。

没人投票同意的那道扼喉

今天的标杆磁体 NdFeB，靠的是钕和另外几种稀土元素撑起那股劲。矿你爱在哪挖在哪挖；卡脖子的是分离这一步——把一种化学性质几乎一模一样的金属从邻居里硬拽出来——而这一步压倒性地落在中国。一场贸易摩擦、一纸出口许可、一次悄悄改动的配额，每台电机、每块硬盘里那东西的供应，就被攥在了别人手里、由别人开关。最干净的解法，不是换一个更友好的供货方，而是一块打从一开始就不需要稀土的磁铁。麻烦在于，没人找到过一块够强的；而搜索空间——每一种可能的合金、每一种晶体排布——浩瀚到既靠不了手工、也靠不了运气去一一试遍。

对付一片草垛，有两种聪明法

就在这儿，美国 Ames 国家实验室的研究者 Prashant Singh，2025 年在《Advanced Functional Materials》上发了一份路线图，让 AI 去做这场搜寻。他划下的一句话值得照引，因为整盘棋就在这句里："如果你只用数据去训练模型，你得到的预测只会落在你已有信息的范围之内。可一旦你理解了是什么物理决定了某些具体性质，那么你和你的智能体工具或 AI 框架，就能去搜索任意的材料空间。"这话值得读两遍。一个只喂例子的模型，学会的是它被展示过那些东西的形状，然后客客气气地待在里面——你要它给围栏外的东西，它就把最近的那个模式硬拉过来猜。而一个带着"为什么这材料如此表现"那套物理的模型，不被自己的例子围住。它能朝着没人测过的材料推理着走出去，因为它握住的是规则，不只是案例。

只学例子的模型，只能在它已有数据的范围内预测；一旦模型带上了决定某条性质的物理，它——以及建在它之上的 AI 工具——就能去搜索任意材料空间。前提是：这是一份路线图，不是已发现的磁体（合成、放大、成本都还没有），而中国掌握着约 85–90% 的稀土分离。框架：吴军《数学之美》。据 Prashant Singh / 美国 Ames 国家实验室，《Advanced Functional Materials》2025；质疑据 rareearthexchanges.com。科普思考。

这是计算机里最老的一课

Singh 不过是在冶金里，重新发现了吴军在《数学之美》里整本书讲的那件事：一个把问题"建对了"的模型，胜过关于它的更多原始数据。早期的机器翻译，想用词典和手写语法规则硬啃语言，啃不动；真正跃进，是工程师把语言建成了概率——一个抓住了词与词到底怎么搭在一起的结构。他书里那些例子的寓意一遍遍重复：当你找到那套映照出问题真实结构的数学，你就不再是背答案，而是开始能把答案推出来。给那个失败模式起个名字，叫"数据天花板"——一堵看不见的墙，一个模式匹配器，你喂它再多，它能交还的，永远只是它已经见过那些东西的重新排列。物理，就是你翻过这堵墙、而不是把墙重新刷一遍漆的法子。一块磁铁的强度不是一种可以靠内插猜出来的氛围；它由电子自旋在晶格里如何排列决定，而这，是可以用方程描述的。把这些方程交给模型，"搜遍每一种合金"就不再是幻想，而成了一道计算。

现在说说标题里跳过的那段

到这里，一个造物者必须把诚实绷住，因为"有前途的框架"和"问题已解决"之间那道缝，恰恰就是炒作住的地方。把附注读进去，质疑者——其中包括行业媒体 rareearthexchanges.com——点出了那根承重的桩：这篇论文并没有报告发现了一块无稀土永磁体。它是一份路线图。没有新磁体被合成出来、被放大、或被证明在成本上能打。在那条著名的炒作曲线上，它就坐在最开头那一段，"技术触发期"——兴奋值最高、证据值最低的那一刻。还有一个更隐蔽的坑，正好被吴军那套框架预言到：一个以物理为根基的模型，可信到什么地步，取决于里面那套物理；而那套物理，本身又锚在实验测出来的数字上。你喂它摇摇晃晃的测量，你那些优雅的方程，就会信心十足地外推进一堆胡话里。（也值得点一句：另有一个叫 DuctGPT 的 AI 工具，冲着核聚变与航空航天里的合金延展性去的，最近在同一场讨论里飘来飘去——它也没有发现什么磁铁。）模型能够得着任意材料空间；可它在那外头找到的东西到底真不真，还得回到实验台上去验。

这对你意味着什么

把它剥到你真用得上的那一层，不管你是在实验室、还是别的任何拿 AI 造东西的地方。更多数据，让一个系统在它已经熟的那个世界里更在行；而一个更好的模型，才是让它能在没见过的世界里动手的东西。当有人向你兜售一个"从几百万个例子里学会"的 AI，犀利的问题不是有多少例子——而是这东西到底是抓住了底下那条规则，还是只是把训练集背得格外自信的一只鹦鹉。前者只能内插，后者能外推；只有第二种，才会拿一件真正新的东西吓你一跳。所以盯着这份稀土路线图，要两只眼睛都睁开：它有可能松开那只悄悄左右你一半电子产品价格的扼喉，也可能像它之前许多漂亮框架一样，在实验台前哑火。这两件事可以同时成立。那种张力——一个大胆到敢走出自己数据、又诚实到肯承认自己也许错了的模型——不是科学的瑕疵，那正是不确定之下，真科学本来的样子。

只喂模型例子，它永远走不出这些例子；把物理给它，它就能一路推理，走到从没有人测量过的材料那里去。

稀缺的从来不是更多数据，是那个对的模型——以及敢说出你信它信到几分的那点底气。

来源：框架取自吴军《数学之美》（建对模型胜过更多数据）。现实依据：美国 Ames 国家实验室 Prashant Singh 提出的无稀土永磁体 AI 设计路线图，《Advanced Functional Materials》（2025）；引语为 Singh 原话。质疑据 rareearthexchanges.com：该工作给出的是框架，而非已发现的磁体——尚无合成、放大或成本竞争力。本文为思考，非投资或技术建议。

テクノロジー

あなたのデータしか知らないモデルは、そこから一歩も出られない

2026年6月21日 · 呉軍『数学の美しさ』約 7 分

あなたのイヤホン、EVのモーター、風力発電機の中にある磁石——世界で最も強い種類は、おおよそ十個のうち九個が、あなたの手に届く前にひとつの国を通る。希土類の分離工程を中国が約 85〜90%、それに続く磁石の製造を約 90% 握っている。これは化学の豆知識ではない。喉元を押さえる手だ。だからある研究所が、希土類をまったく含まないのに強力な磁石を、AI で設計する計画があると言えば、まず問うべきはこうだ——本物の脱出路なのか、それとも願望を刷ったプレスリリースなのか。誠実な答えは、たいていの報道が素通りする一つの区別にかかっている。たくさん「見た」モデルと、何かを「理解した」モデルは、まるで別物だ。

誰も投票していない喉元の締めつけ

今日の基準となる磁石 NdFeB は、ネオジムと数種の希土類元素にその力を負っている。鉱石はどこで掘ってもいい。ボトルネックが噛むのは分離工程だ——化学的にほぼ瓜二つの金属を、隣からむりやり引き剝がす——そしてその工程が、圧倒的に中国にある。貿易摩擦ひとつ、輸出許可一枚、こっそり変わる割当ひとつで、あらゆるモーターやハードディスクの中身の供給が、他人の裁量で締まる。一番きれいな解は、もっと優しい供給元ではない。そもそも希土類を必要としない磁石だ。困ったことに、十分に強いものは誰も見つけていない。そして探索空間——あらゆる合金、あらゆる結晶配置——は、手作業でも運でもしらみつぶしにできないほど広大だ。

干し草の山に賢く挑む、二つのやり方

ここで、Ames 国立研究所の研究者 Prashant Singh が、2025 年に『Advanced Functional Materials』へ、AI に探索させるための工程表を発表した。そして引く価値のある一文を引いた。盤面の全部がそこにあるからだ。「データだけでモデルを訓練すれば、得られる予測は手元の情報の範囲内に留まる。だが、ある具体的な性質を何が支配しているのか、その物理を理解すれば、あなたとあなたのエージェント的ツールや AI フレームワークは、任意の材料空間を探索できる。」二度読んでほしい。例だけを与えられたモデルは、見せられたものの形を学び、その中に行儀よく留まる——柵の外を求めれば、一番近い模様を引き伸ばして当て推量する。なぜその材料がそう振る舞うのか、その物理を携えたモデルは、自分の例に囲い込まれない。誰も測っていない材料へ向けて、推論しながら出ていける。握っているのが規則であって、事例だけではないからだ。

例だけで学んだモデルは、手元のデータの範囲内でしか予測できない。性質を決める物理をモデルが携えれば、それも、その上に作られた AI ツールも、任意の材料空間を探索できる。ただし——これは工程表であって、発見された磁石ではない（合成も量産も費用もまだ）。そして中国が希土類分離の約 85–90% を握る。枠組：呉軍『数学の美しさ』。Prashant Singh / Ames 国立研究所、Advanced Functional Materials 2025 による。懐疑は rareearthexchanges.com による。科学解説。

これは計算機の最も古い教訓だ

Singh は冶金の中で、呉軍が『数学の美しさ』で一冊かけて語ったことを、もう一度見つけ直しただけだ——問題を「正しく」モデル化したほうが、それについての生データを増やすより強い。初期の機械翻訳は、辞書と手書きの文法規則で言語を力ずくで崩そうとして、行き詰まった。飛躍したのは、技術者が言語を確率としてモデル化したときだ——語と語が実際にどうつながるかを捉えた構造として。彼の例の数々が繰り返す教訓は同じだ。問題の本当の構造を映す数学を見つければ、人は答えを暗記するのをやめ、答えを導けるようになる。その失敗の型に名前をつけよう。「データの天井」だ——目に見えない壁で、模様合わせの機械は、どれだけ食べさせても、すでに見たものの並べ替えしか返せない。物理は、その壁を塗り直すのではなく、乗り越えるための手立てだ。磁石の強さは、内挿で当てる雰囲気ではない。電子スピンが結晶格子の中でどう揃うかで決まり、それは方程式で記述できる。その方程式をモデルに渡せば、「あらゆる合金を探索する」は空想をやめ、一つの計算になる。

見出しが飛ばした部分の話をしよう

ここで、つくり手は誠実さを保たねばならない。「有望な枠組み」と「問題が解けた」の間の隙間こそ、誇張が住む場所だからだ。注記まで読めば、懐疑派——その中には業界メディア rareearthexchanges.com もいる——が、荷重を支える杭を打つ。この論文は、希土類フリーの永久磁石を発見したとは報告していない。これは工程表だ。新しい磁石が合成されても、量産されても、費用で張り合えると示されてもいない。あの有名な誇張曲線の上で、これは一番はじめ、「技術の引き金」のあたりに座る——興奮が最大で、証拠が最小の瞬間だ。そしてもう一つ、呉軍の枠組みがちょうど予言する、より見えにくい落とし穴がある。物理に根ざしたモデルは、中の物理の分しか信頼できず、その物理自体が、実験で測られた数字に錨を下ろしている。ぐらつく測定を食べさせれば、君の優美な方程式は、自信たっぷりにでたらめへ外挿していく。（一言添える価値がある——核融合や航空宇宙向けの合金延性を狙う DuctGPT という別の AI ツールが、同じ話題に漂っている。あれも磁石を発見してはいない。）モデルは任意の材料空間に届く。だが、その外で見つけたものが本物かどうかは、なお実験台で確かめねばならない。

これがあなたに意味すること

あなたが本当に使える層まで剝いてみよう。研究室でも、AI で物を作るほかのどこでも同じだ。データを増やせば、システムはすでに知っている世界でうまくなる。だが、見たことのない世界で動けるようにするのは、より良いモデルのほうだ。誰かが「何百万もの例から学んだ」AI を売り込んできたら、鋭い問いは、いくつの例か、ではない——その代物が、根底にある規則をつかんでいるのか、それとも訓練集をやけに自信満々に唱えるオウムなのか、だ。前者は内挿しかできず、後者は外挿できる。本当に新しい何かであなたを驚かせるのは、後者だけだ。だからこの希土類の工程表は、両目を開けて見守るがいい。あなたの電子機器の半分の値段を陰で左右する締めつけを、緩めるかもしれない。そして、それ以前の多くの美しい枠組みと同じく、実験台の前で不発に終わるかもしれない。両方が同時に正しいことがある。その緊張——自分のデータを離れるほど大胆で、間違っているかもしれないと認めるほど誠実なモデル——は、科学の欠陥ではない。不確実さの下での、本物の科学とはそういう姿だ。

モデルに例だけを与えれば、そこから出られない。物理を与えれば、誰も測ったことのない材料まで、推論で歩いていける。

稀少だったのは、もっと多くのデータではない。正しいモデルと——どこまで信じるかを言い切る胆力だ。

出典：枠組は呉軍『数学の美しさ』より（正しいモデルはデータ量に勝る）。現実の根拠：Ames 国立研究所の Prashant Singh による、希土類フリー永久磁石の AI 主導の工程表、Advanced Functional Materials（2025）。引用は Singh の言葉。懐疑的留保は rareearthexchanges.com による——本研究が示すのは枠組みであって、発見された磁石ではない（合成・量産・費用競争力はまだ）。本稿は考察であり、投資・技術の助言ではない。