北京化工大学官网发布消息，学校程道建教授团队打造的《AI 自驱动电化学催化剂黑灯实验室》入选 AI for Science 典型案例，成为人工智能赋能化工新材料研发的标杆实践。该平台搭建起 "AI 分子设计→自动化合成→测试→数据回流" 完整 DBTL 闭环，为电解水制氢、燃料电池催化剂研发开辟全新路径。
催化剂被誉为氢能产业的 "化学芯片"，是电解水制氢、燃料电池的核心关键材料，直接影响氢能转化效率与产业化成本。长久以来，电化学催化剂研发依靠科研人员反复试错，如同 "炒菜式" 摸索。单套催化剂配方优化，动辄需要数月时间。人工操作容易引入误差，导致样品批次稳定性差；大量实验数据分散在笔记本、各类仪器中，数据碎片化严重，难以形成可复用的数据集，制约新材料迭代速度。
北化黑灯自主实验室，依靠 AI 算法与自动化实验装备，破解传统研发痛点。整个 DBTL 循环全程无人值守：AI 模型根据目标性能，智能设计催化剂分子结构与配方；自动化平台自主完成配料、合成、样品后处理；同步开展电化学性能检测，自动采集各项性能参数；所有实验数据实时回流至 AI 模型，模型从实测结果中学习，修正预测偏差，生成下一轮候选配方，持续迭代优化。平台支持 7×24 小时不间断高通量实验，实现 "黑灯" 运行。
这套智能研发体系，不仅大幅缩短催化剂研发周期，还减少贵金属原料消耗。自动化流程消除人为操作偏差，保证样品制备、性能测试的一致性；全部实验数据标准化入库，持续为 AI 模型输送高质量训练数据，解决化工领域数据零散的行业难题。平台重点面向电解水制氢、燃料电池两大赛道，目标降低贵金属催化剂依赖，助力氢能技术降本落地，服务 "双碳" 战略。
很多人会有疑问：AI 自主实验室是否会替代科研人员？答案是否定的。AI 的价值，是把科研工作者从大量重复、枯燥的基础实验中解放出来，让研究者聚焦材料机理分析、科学猜想和工程放大等核心难题。
AI for Science 正在重构化工新材料的创新范式，行业创新逻辑由 "大量试错" 向 "计算预测 + 自动化验证" 转变。北化黑灯实验室的落地，印证了 AI、自动化、大数据融合在催化材料研发中的巨大潜力。
未来，随着更多国产 AI 自主实验室落地，AI 将持续赋能化工、新材料领域创新，加速氢能等新能源关键材料国产化进程，为我国新材料产业自主可控注入新动能。