撰文丨王聰

編輯丨王多魚

排版丨水成文

“AI for Science”的目標(biāo)之一，是發(fā)現(xiàn)能夠通過真實世界實驗驗證的定制材料。目前，我們在計算預(yù)測和材料合成自動化方面已經(jīng)取得了開創(chuàng)性的進展。然而，大多數(shù)材料實驗仍局限于采用單模態(tài)主動學(xué)習(xí)的方法，依賴單一的數(shù)據(jù)流，這限制了對材料設(shè)計和性能優(yōu)化中固有的復(fù)雜性進行深入解析的能力。而人工智能（AI）在解釋實驗復(fù)雜性中的潛力，在很大程度上仍未得到開發(fā)。

2025 年 9 月 23 日，麻省理工學(xué)院（MIT）李巨教授團隊在國際頂尖學(xué)術(shù)期刊Nature上發(fā)表了 題為： A multimodal robotic platform for multi-element electrocatalyst discovery 的研究論文。

該研究推出了一個多模態(tài) AI 機器人平臺——CRESt（Copilot for Real-world Experimental Scientists，真實世界實驗科學(xué)家副駕駛）。該平臺將大型多模態(tài)模型（LMM，融合了化學(xué)成分、文本嵌入和微觀結(jié)構(gòu)圖像）與知識輔助貝葉斯優(yōu)化（KABO）以及機器人自動化技術(shù)相結(jié)合。CRESt 采用基于知識嵌入的搜索空間縮減和自適應(yīng)探索-開發(fā)策略，以加速材料設(shè)計、高通量合成與表征以及電化學(xué)性能優(yōu)化。CRESt 能夠通過攝像頭進行監(jiān)測，并借助視覺語言模型（VLM）驅(qū)動的假設(shè)生成來診斷和糾正實驗中的異常情況。

研究團隊將 CRESt 應(yīng)用于電化學(xué)甲酸氧化，在無人工干預(yù)的情況下，其在 3 個月內(nèi)探索了超過 900 種催化劑化學(xué)成分和 3500 次電化學(xué)測試，在八元化學(xué)空間（鈀-鉑-銅-金-銥-鈰-鈮-鉻）中確定了一種最先進（SOTA）的催化劑，該催化劑實現(xiàn)了成本特異性性能（cost-specific performance）的 9.3 倍提升。這意味著它不僅性能卓越，更重要的是其經(jīng)濟效益極高，在使用更少量昂貴貴金屬的情況下，實現(xiàn)了遠(yuǎn)超傳統(tǒng)催化劑的綜合性能。

在為特定應(yīng)用量身定制先進材料的不懈追求中，人工智能與實驗科學(xué)的交叉領(lǐng)域已成為一個變革性前沿。盡管計算洞察力和自動化合成推動了材料科學(xué)的發(fā)展，但真實世界實驗在很大程度上仍依賴于傳統(tǒng)的單模態(tài)方法。這些傳統(tǒng)方法主要利用單一數(shù)據(jù)流，限制了對材料設(shè)計和性能優(yōu)化中固有的復(fù)雜性進行深入解析的能力。

科學(xué)界早就認(rèn)識到人工智能在彌合這一差距方面的巨大潛力，但在實驗環(huán)境中充分利用其能力一直難以實現(xiàn)。直到現(xiàn)在——李巨團隊開發(fā)了一個真實世界實驗科學(xué)家副駕駛（Copilot for Real-world Experimental Scientists，CRESt）平臺，CRESt代表著一個巨大飛躍，它將來自不同來源的數(shù)據(jù)——化學(xué)成分、文本嵌入和微觀結(jié)構(gòu)圖像——融合到一個連貫、智能的框架中，能夠以驚人的效率加速和優(yōu)化材料設(shè)計過程。

CRESt創(chuàng)新的核心在于，其利用了能夠解讀和綜合大量異構(gòu)數(shù)據(jù)類型的大型多模態(tài)模型（LMM），這些數(shù)據(jù)類型傳統(tǒng)上是相互孤立的。通過將化學(xué)信息與圖像以及特定領(lǐng)域的文本知識相結(jié)合，這些大模型構(gòu)建了對材料系統(tǒng)的豐富多維理解。這種能力使 CRESt 不僅能夠預(yù)測有前景的催化劑配方，還能預(yù)測微觀結(jié)構(gòu)的細(xì)微差別如何影響宏觀性能，這是之前的單模態(tài)算法無法企及的。

在此大型多模態(tài)模型（LMM）之上，研究團隊還疊加了知識輔助貝葉斯優(yōu)化（KABO），這是一種戰(zhàn)略算法，通過平衡利用和探索這雙重需求來指導(dǎo)實驗探索。KABO 利用嵌入的化學(xué)知識來修剪原本難以處理的巨大搜索空間，集中于最有可能產(chǎn)生突破的區(qū)域。這種戰(zhàn)略重點減少了資源浪費，并加速了向更優(yōu)材料的收斂，體現(xiàn)了實驗設(shè)計哲學(xué)的范式轉(zhuǎn)變。

此外，CRESt與先進的機器人合成和表征平臺的集成至關(guān)重要。自動化高通量實驗生成了前所未有的大量可靠數(shù)據(jù)，實時反饋到 LMM 和優(yōu)化循環(huán)中。這種快速、迭代的循環(huán)，將傳統(tǒng)的材料開發(fā)轉(zhuǎn)變?yōu)橐粋€敏捷的閉環(huán)系統(tǒng)，能夠持續(xù)學(xué)習(xí)和適應(yīng)，大大縮短了從假設(shè)到功能發(fā)現(xiàn)的時間線。

CRESt的一個顯著特點是其通過視覺語言模型（Vision-Language Models，VLM）實現(xiàn)自主的異常檢測和假設(shè)生成的能力。通過利用攝像頭監(jiān)控，CRESt能夠識別實驗中的細(xì)微偏差（無論是合成條件還是材料特性方面），并自行制定糾正策略。這種自適應(yīng)監(jiān)督不僅保障了數(shù)據(jù)的完整性，還增強了實驗的穩(wěn)健性，減少了人為干預(yù)和錯誤。

基于 CRESt 的電化學(xué)催化劑發(fā)現(xiàn)工作流程

在對可持續(xù)化學(xué)能源轉(zhuǎn)換至關(guān)重要的電化學(xué)甲酸氧化這一極具挑戰(zhàn)性的領(lǐng)域，研究團隊驗證了CRESt的強大的能力。在短短三個月內(nèi)，CRESt 在由鈀、鉑、銅、金、銥、鈰、鈮和鉻組成的龐大的八元催化劑化學(xué)空間中執(zhí)行了超過 3500 次電化學(xué)測試。這種快速的大規(guī)模探索發(fā)現(xiàn)了一種最先進（SOTA）的催化劑——Pd0.381Pt0.080Cu0.009Au0.004Ir0.02Ce0.086Nb0.338Cr0.082，其成本特異性性能（cost-specific performance）比現(xiàn)有基準(zhǔn)催化劑材料（純鈀）提高了驚人的9.3 倍。

這一突破突顯了CRESt在加速科學(xué)發(fā)現(xiàn)方面的變革潛力，不僅在于此，還在于能夠識別出多元催化劑，這些催化劑復(fù)雜的成分協(xié)同作用通常很難僅憑人類直覺來預(yù)測或優(yōu)化。通過自動化合成、表征和分析流程，CRESt 在催化研究領(lǐng)域開啟了新篇章，實現(xiàn)了復(fù)雜性與速度的平衡。

對于材料科學(xué)而言，其具有更廣泛的深遠(yuǎn)影響。CRESt 的框架預(yù)示著未來實驗實驗室將作為智能生態(tài)系統(tǒng)運行，由 AI驅(qū)動的平臺自主引導(dǎo)研究方向、調(diào)整實驗方案，并在多個科學(xué)領(lǐng)域揭示見解。這種演變有望帶來高水平的材料創(chuàng)新，為可再生能源、電子和制藥等不同行業(yè)實現(xiàn)快速原型設(shè)計提供可能。

總的來說，CRESt 為 AI 輔助材料創(chuàng)新指明了前進的道路，展示了將大型多模態(tài)模型（LMM）與知識引導(dǎo)的優(yōu)化和機器人自動化相結(jié)合的顯著優(yōu)勢。其在電化學(xué)催化領(lǐng)域的成功，也是其對眾多處于快速發(fā)現(xiàn)前沿的科學(xué)領(lǐng)域?qū)a(chǎn)生變革性影響的預(yù)兆。

同樣引人注目的是，CRESt體現(xiàn)了 AI 與實際的、真實世界科學(xué)的融合，它超越了理論或計算推測，將智能系統(tǒng)嵌入到切實的實驗流程中。這種協(xié)同作用不僅推動了即時發(fā)現(xiàn)，還培育了一個靈活的反饋循環(huán)，在其中人類和機器智能共同進化，將科學(xué)推向前所未有的領(lǐng)域。

這項研究為多模態(tài) AI 與實驗機器人的融合提供了藍(lán)圖，為未來旨在解決先進材料設(shè)計中固有的復(fù)雜多變量挑戰(zhàn)的舉措樹立了標(biāo)準(zhǔn)。隨著 AI 不斷滲透到各個科學(xué)領(lǐng)域，像 CRESt 這樣的平臺預(yù)示著一個新時代的到來——在這個時代，計算、實驗和知識之間的壁壘將被消除。

2025 年 7 月 29 日，斯坦福大學(xué)James Zou教授團隊在Nature期刊發(fā)表了題為：The Virtual Lab of AI agents designs new SARS-CoV-2 nanobodies 的研究論文。

該研究首次證明了自主 AI 智能體能夠從頭到尾真正解決一個具有挑戰(zhàn)性的科學(xué)研究。

該研究開發(fā)了一個虛擬實驗室（Virtual Lab）平臺，在這個平臺上，人類用戶創(chuàng)建一個AI 智能體（AI agent）作為“首席科學(xué)家智能體”（PI agent），該“首席 AI 科學(xué)家”會召集并指揮一組模擬科學(xué)實驗室中各種專業(yè)研究角色的“專家智能體”（Specialist agent）。

人類科學(xué)家只需提出一個科學(xué)問題，然后監(jiān)督由“首席 AI 科學(xué)家”與其領(lǐng)導(dǎo)的“專家智能體”團隊交流想法以及推進研究的會議。這些 AI 智能體由大語言模型（LLM）運行，賦予它們科學(xué)推理和決策能力。

該研究通過這個基于 AI 智能體的虛擬實驗室平臺，僅花費了幾天時間，就自主設(shè)計出了新型納米抗體，現(xiàn)實實驗室的驗證顯示，其能夠與 SARS-CoV-2 突變株的刺突蛋白（S 蛋白）結(jié)合。

論文鏈接：

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

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