AI科学家颠覆材料研发：MIT多模态平台90天发现超级催化剂，效率提升9倍

type

status

date

slug

summary

什么是CRESt？不止是自动化，更是“多模态”的科学思维

传统的材料研发高度依赖科学家的直觉和大量的试错实验，过程漫长且充满不确定性。即便引入了主动学习（Active Learning）等算法，也大多依赖单一类型的数据（如化学成分与性能的关系），忽略了其他宝贵的信息维度。

CRESt的革命性在于其“多模态”的思考方式，它像一位经验丰富的科学家一样，能够综合处理和理解不同来源的信息：

文本知识： 从海量科学文献中学习化学元素的性质和相互作用规律。

图像信息： 通过扫描电子显微镜（SEM）观察材料的微观结构，并提取关键形态特征。

实验数据： 实时分析化学配比、合成条件与最终催化性能之间的量化关系。

这个平台由用户交互界面、大模型驱动的智能后端和一系列自动化执行器（如液体处理机器人、合成系统、电化学工作站等）组成。研究人员甚至可以通过语音或文本与CRESt进行自然语言交流，下达指令并获取实验进展，极大地降低了操作门槛。

核心算法揭秘：知识辅助贝叶斯优化 (KABO) 的力量

CRESt的智慧大脑是其独特的“知识辅助贝叶斯优化”（KABO）算法。该算法的强大之处在于它能高效地融合多模态信息，从而在浩瀚的可能性中精准导航。

其工作流程可以概括为三个关键步骤：

“预习”文献： 在开始实验前，CRESt会像学生一样，先“阅读”大量相关文献，利用词向量技术将元素的文本描述转化为数学特征。这让它对哪些元素组合可能产生优异性能，形成了初步的“科学直觉”。

“洞察”微观： 在合成样品后，平台会自动拍摄其微观图像，并利用计算机视觉技术提取颗粒分布、覆盖率等关键结构特征。这相当于为材料做了一次“体检”，深入了解其内部构造。

“融合”决策： KABO算法将化学成分、文本知识和微观结构这三大信息源融合在一个统一的数学空间中进行优化计算。这种多维度的学习方式极大地缩小了搜索范围，使其能够快速锁定最有潜力的候选材料。

实验证明，与标准算法相比，KABO能将实验效率平均提升36%，仅需25%的实验次数就能找到高性能样品。

从不可能到可能：90天征服20万亿亿种可能

为了检验CRESt的真实能力，团队给它布置了一项几乎不可能完成的任务：在包含八种元素的化学空间（Pd-Pt-Cu-Au-Ir-Ce-Nb-Cr）中，为直接甲酸燃料电池寻找一种高效且低成本的电催化剂。

这个空间的潜在配方数量高达 2x10¹⁷ 个——这是一个天文数字，相当于需要2500万个地球的人口才能穷尽所有组合。对于人类科学家而言，这无疑是大海捞针。

CRESt接手任务后，在3个月内自主设计并完成了900多种配方的合成，执行了超过3500次电化学测试。最终，它成功发现了两种性能卓越的催化剂。其中一种经过成本优化的八元合金，其“成本比性能”（按成本标准化的功率密度）达到了传统纯钯基准的9.3倍，同时贵金属用量仅为以往的25%，创造了新的功率密度记录。

“AI监工”：当大模型成为实验室的纠错专家

更令人惊叹的是，CRESt不仅仅是一个执行者，它还是一个敏锐的观察者和问题解决者。在实验初期，团队遇到了数据无法复现的难题，这源于机器人操作中一些人眼难以察觉的微小误差。

此时，CRESt集成的视觉语言模型（VLM）发挥了关键作用。它通过摄像头持续监控实验过程，并结合日志进行推理：

它发现，移液管尖端偶尔会触碰到电极碳纸，导致微米级的错位，从而引发测量误差。

它还诊断出，用于固定样品的木制平台因激光切割产生的不均匀炭化痕迹导致了定位偏差，并主动建议“改用不锈钢平台”。

这一建议被采纳后，实验的可复现性得到了显著改善。这表明，人工智能已经具备了发现和解决复杂物理世界问题的能力，这是迈向通用人工智能（AGI）的重要一步。

结论

CRESt的成功不仅仅是发现了一种新材料，它更展示了一种全新的科研模式。它将AI从一个数据分析工具，提升到了一个能够自主思考、实验、学习和创造的“AI科学家”角色。这为未来新材料、新药物乃至更多复杂科学问题的自动化发现提供了一条清晰可行的路线图。

这项研究是AI技术浪潮中的一朵璀璨浪花，预示着科学发现的第四范式（数据密集型科学）正在向第五范式（AI驱动的自主科学）演进。随着大模型和机器人技术的不断成熟，我们有理由相信，未来的实验室将由无数个不知疲倦、智慧超群的“AI科学家”主导，加速推动人类文明的进步。

想要了解更多关于AI、ChatGPT、Claude等前沿技术的最新AI资讯和深度解读，欢迎访问一站式AI门户网站 AIGC.bar，探索人工智能带来的无限可能。