科学实验迎来AI革命：机器人助手三个月内发现突破性燃料电池材料

抖音热门 2025年09月26日 19:35 1 cc

信息来源：https://phys.org/news/2025-09-ai-driven-blends-literature-robotics.html

材料科学正在经历一场前所未有的变革。麻省理工学院研究团队开发的CRESt系统成功将人工智能、机器人技术和科学文献知识融合到一个统一的实验平台中，在短短三个月内探索了900多种化学物质，进行了3500次电化学测试，最终发现了一种创纪录的燃料电池催化剂材料。这一突破不仅展示了AI在科学研究中的巨大潜力，更预示着自动化实验室时代的到来。

CRESt（Copilot for Real-world Experimental Scientists）系统的核心创新在于打破了传统机器学习模型只能处理单一数据类型的限制。与人类科学家在协作环境中综合考虑实验结果、科学文献、成像分析、个人经验和同事意见的工作方式类似，CRESt能够同时处理文献洞察、化学成分、微观结构图像等多源信息，并通过自然语言与人类研究者进行交互。

麻省理工学院工程学院卡尔·理查德·索德伯格电力工程教授李巨解释道："在人工智能科学领域，关键是设计新的实验。我们使用多模态反馈来补充实验数据并设计新的实验，还使用机器人来合成和表征材料的结构并测试性能。"这种方法代表了从传统的试错实验向智能驱动研究的根本性转变。

用于木材样品台实验诊断的人工智能示例。图片来源：自然（2025）。DOI：10.1038/s41586-025-09640-5

超越传统贝叶斯优化的智能系统

传统的主动学习方法主要依赖贝叶斯优化技术，这种方法就像Netflix根据观看历史推荐电影一样，为研究者推荐下一个实验。然而，李巨指出，基础的贝叶斯优化过于简化，只能在预设的狭窄空间中调整现有元素的比例，经常遗漏重要的材料依赖性关系。

CRESt的突破在于其多模态学习能力。系统在科学论文中搜索可能有用的元素或前体分子的描述，为每个配方创建基于先前知识库的巨大表示。通过在这个知识嵌入空间中进行主成分分析，系统获得一个简化的搜索空间，能够捕获大部分性能变异性。随后在这个简化空间中使用贝叶斯优化来设计新实验，新实验完成后，系统将新获得的多模态实验数据和人类反馈输入大型语言模型，不断增强知识库并重新定义搜索空间。

这种方法的优势在实际应用中得到了充分验证。CRESt能够在其配方中包含多达20个前体分子和底物，大大扩展了传统方法的搜索范围。系统还配备了完整的机器人设备，包括液体处理机器人、碳热冲击系统、自动化电化学工作站、电子显微镜和光学显微镜等表征设备，以及可远程控制的泵和气阀等辅助设备。

解决可重复性挑战的视觉监控

材料科学实验面临的一个长期挑战是可重复性问题。实验条件的微小变化可能显著影响材料特性，而这些变化往往难以察觉和控制。CRESt通过集成计算机视觉和视觉语言模型来解决这一问题，系统能够持续监控实验过程，识别潜在问题并通过文本和语音向研究人员提出解决方案。

当样品形状出现毫米级偏差或移液器发生位移时，CRESt的视觉系统能够及时发现并提出纠正建议。研究人员采纳了模型的部分建议后，实验一致性得到显著提高，证明这些AI模型已经成为优秀的实验助手。这种自动化质量控制能力对于确保实验结果的可靠性至关重要。

在燃料电池催化剂的开发过程中，CRESt展现出了令人印象深刻的发现能力。传统的燃料电池催化剂主要依赖钯和铂等贵金属，成本高昂且资源稀缺。经过三个月的系统性探索，CRESt发现了一种由八种元素组成的催化剂材料，与纯钯相比，每美元的功率密度提高了9.3倍。

更重要的是，这种新材料被用于直接甲酸盐燃料电池时，创造了创纪录的功率密度，尽管其贵金属含量仅为以前设备的四分之一。这一成果解决了困扰材料科学界数十年的现实世界能源问题，为开发低成本、高性能的燃料电池技术开辟了新路径。

研究团队成员张教授表示："燃料电池催化剂面临的一个重大挑战是贵金属的使用。我们使用了一种多元素催化剂，结合了许多其他廉价元素，为催化活性和对中毒物质的抵抗力创造了最佳配位环境。该系统极大地加速了我们对这些催化剂的搜索。"

人机协作的未来实验室模式

尽管CRESt展现了强大的自主实验能力，但研究团队强调这一系统的定位是人类研究者的助手而非替代品。李巨教授明确表示："CRESt是人类研究人员的助手，而不是替代品。人类研究人员仍然是不可或缺的。我们使用自然语言，以便系统可以解释它在做什么并提出观察结果和假设。"

这种人机协作模式代表了未来科学研究的发展方向。AI系统承担数据处理、模式识别和重复性实验等工作，而人类研究者专注于创新思维、战略决策和复杂问题解决。通过自然语言交互界面，研究人员可以直接与CRESt对话，无需编程技能即可指导实验方向和获取分析结果。

CRESt的成功还体现在其学习和适应能力上。系统能够从每次实验中学习，不断优化其预测模型和实验设计策略。这种持续学习机制使得系统的性能随着使用时间的增长而不断提升，形成正向反馈循环。

从更广泛的科学研究角度看，CRESt代表了一种新的研究范式。传统的科学研究往往受限于研究者的时间、精力和认知能力，而AI驱动的实验系统能够24小时不间断地进行实验和分析，大大加速了科学发现的速度。同时，系统能够系统性地探索vast parameter spaces，发现人类可能忽略的材料组合和实验条件。