Nature重磅：华人学者推出“AI机器人科学家”，自主做实验，仅用90天发现高性能催化剂

撰文丨王聪

编辑丨王多鱼

排版丨水成文

“AI for Science”的目标之一，是发现能够通过真实世界实验验证的定制材料。目前，我们在计算预测和材料合成自动化方面已经取得了开创性的进展。然而，大多数材料实验仍局限于采用单模态主动学习的方法，依赖单一的数据流，这限制了对材料设计和性能优化中固有的复杂性进行深入解析的能力。而人工智能（AI）在解释实验复杂性中的潜力，在很大程度上仍未得到开发。

2025 年 9 月 23 日，麻省理工学院（MIT）李巨教授团队在国际顶尖学术期刊Nature上发表了 题为： A multimodal robotic platform for multi-element electrocatalyst discovery 的研究论文。

该研究推出了一个多模态 AI 机器人平台——CRESt（Copilot for Real-world Experimental Scientists，真实世界实验科学家副驾驶）。该平台将大型多模态模型（LMM，融合了化学成分、文本嵌入和微观结构图像）与知识辅助贝叶斯优化（KABO）以及机器人自动化技术相结合。CRESt 采用基于知识嵌入的搜索空间缩减和自适应探索-开发策略，以加速材料设计、高通量合成与表征以及电化学性能优化。CRESt 能够通过摄像头进行监测，并借助视觉语言模型（VLM）驱动的假设生成来诊断和纠正实验中的异常情况。

研究团队将 CRESt 应用于电化学甲酸氧化，在无人工干预的情况下，其在 3 个月内探索了超过 900 种催化剂化学成分和 3500 次电化学测试，在八元化学空间（钯-铂-铜-金-铱-铈-铌-铬）中确定了一种最先进（SOTA）的催化剂，该催化剂实现了成本特异性性能（cost-specific performance）的 9.3 倍提升。这意味着它不仅性能卓越，更重要的是其经济效益极高，在使用更少量昂贵贵金属的情况下，实现了远超传统催化剂的综合性能。

在为特定应用量身定制先进材料的不懈追求中，人工智能与实验科学的交叉领域已成为一个变革性前沿。尽管计算洞察力和自动化合成推动了材料科学的发展，但真实世界实验在很大程度上仍依赖于传统的单模态方法。这些传统方法主要利用单一数据流，限制了对材料设计和性能优化中固有的复杂性进行深入解析的能力。

科学界早就认识到人工智能在弥合这一差距方面的巨大潜力，但在实验环境中充分利用其能力一直难以实现。直到现在——李巨团队开发了一个真实世界实验科学家副驾驶（Copilot for Real-world Experimental Scientists，CRESt）平台，CRESt代表着一个巨大飞跃，它将来自不同来源的数据——化学成分、文本嵌入和微观结构图像——融合到一个连贯、智能的框架中，能够以惊人的效率加速和优化材料设计过程。

CRESt创新的核心在于，其利用了能够解读和综合大量异构数据类型的大型多模态模型（LMM），这些数据类型传统上是相互孤立的。通过将化学信息与图像以及特定领域的文本知识相结合，这些大模型构建了对材料系统的丰富多维理解。这种能力使 CRESt 不仅能够预测有前景的催化剂配方，还能预测微观结构的细微差别如何影响宏观性能，这是之前的单模态算法无法企及的。

在此大型多模态模型（LMM）之上，研究团队还叠加了知识辅助贝叶斯优化（KABO），这是一种战略算法，通过平衡利用和探索这双重需求来指导实验探索。KABO 利用嵌入的化学知识来修剪原本难以处理的巨大搜索空间，集中于最有可能产生突破的区域。这种战略重点减少了资源浪费，并加速了向更优材料的收敛，体现了实验设计哲学的范式转变。

此外，CRESt与先进的机器人合成和表征平台的集成至关重要。自动化高通量实验生成了前所未有的大量可靠数据，实时反馈到 LMM 和优化循环中。这种快速、迭代的循环，将传统的材料开发转变为一个敏捷的闭环系统，能够持续学习和适应，大大缩短了从假设到功能发现的时间线。

CRESt的一个显著特点是其通过视觉语言模型（Vision-Language Models，VLM）实现自主的异常检测和假设生成的能力。通过利用摄像头监控，CRESt能够识别实验中的细微偏差（无论是合成条件还是材料特性方面），并自行制定纠正策略。这种自适应监督不仅保障了数据的完整性，还增强了实验的稳健性，减少了人为干预和错误。

基于 CRESt 的电化学催化剂发现工作流程

在对可持续化学能源转换至关重要的电化学甲酸氧化这一极具挑战性的领域，研究团队验证了CRESt的强大的能力。在短短三个月内，CRESt 在由钯、铂、铜、金、铱、铈、铌和铬组成的庞大的八元催化剂化学空间中执行了超过 3500 次电化学测试。这种快速的大规模探索发现了一种最先进（SOTA）的催化剂——Pd0.381Pt0.080Cu0.009Au0.004Ir0.02Ce0.086Nb0.338Cr0.082，其成本特异性性能（cost-specific performance）比现有基准催化剂材料（纯钯）提高了惊人的9.3 倍。

这一突破突显了CRESt在加速科学发现方面的变革潜力，不仅在于此，还在于能够识别出多元催化剂，这些催化剂复杂的成分协同作用通常很难仅凭人类直觉来预测或优化。通过自动化合成、表征和分析流程，CRESt 在催化研究领域开启了新篇章，实现了复杂性与速度的平衡。

对于材料科学而言，其具有更广泛的深远影响。CRESt 的框架预示着未来实验实验室将作为智能生态系统运行，由 AI驱动的平台自主引导研究方向、调整实验方案，并在多个科学领域揭示见解。这种演变有望带来高水平的材料创新，为可再生能源、电子和制药等不同行业实现快速原型设计提供可能。

总的来说，CRESt 为 AI 辅助材料创新指明了前进的道路，展示了将大型多模态模型（LMM）与知识引导的优化和机器人自动化相结合的显著优势。其在电化学催化领域的成功，也是其对众多处于快速发现前沿的科学领域将产生变革性影响的预兆。

同样引人注目的是，CRESt体现了 AI 与实际的、真实世界科学的融合，它超越了理论或计算推测，将智能系统嵌入到切实的实验流程中。这种协同作用不仅推动了即时发现，还培育了一个灵活的反馈循环，在其中人类和机器智能共同进化，将科学推向前所未有的领域。

这项研究为多模态 AI 与实验机器人的融合提供了蓝图，为未来旨在解决先进材料设计中固有的复杂多变量挑战的举措树立了标准。随着 AI 不断渗透到各个科学领域，像 CRESt 这样的平台预示着一个新时代的到来——在这个时代，计算、实验和知识之间的壁垒将被消除。

2025 年 7 月 29 日，斯坦福大学James Zou教授团队在Nature期刊发表了题为：The Virtual Lab of AI agents designs new SARS-CoV-2 nanobodies 的研究论文。

该研究首次证明了自主 AI 智能体能够从头到尾真正解决一个具有挑战性的科学研究。

该研究开发了一个虚拟实验室（Virtual Lab）平台，在这个平台上，人类用户创建一个AI 智能体（AI agent）作为“首席科学家智能体”（PI agent），该“首席 AI 科学家”会召集并指挥一组模拟科学实验室中各种专业研究角色的“专家智能体”（Specialist agent）。

人类科学家只需提出一个科学问题，然后监督由“首席 AI 科学家”与其领导的“专家智能体”团队交流想法以及推进研究的会议。这些 AI 智能体由大语言模型（LLM）运行，赋予它们科学推理和决策能力。

该研究通过这个基于 AI 智能体的虚拟实验室平台，仅花费了几天时间，就自主设计出了新型纳米抗体，现实实验室的验证显示，其能够与 SARS-CoV-2 突变株的刺突蛋白（S 蛋白）结合。

论文链接：

1. https://www.nature.com/articles/s41586-025-09442-9

2. https://www.nature.com/articles/s41586-025-09442-9