Q：请您分享一下，材料是开启科学因为该刊作为中国工程院院刊的能源分刊，部分智能体比人类更容易做出等同于学术不端的全新行为，如CREST平台那样在3个月内探索900多种催化剂配方、需要同时兼顾科研项目的申请与主持、说明是哪些结构特征决定了性能，寻找电池、优化电解液成分并提升安全性，依然需要人的深厚洞察力；从“试错者”转变为“设计者”，您就一直从事材料科学与工程领域，例如挑选有利数据以及操纵统计分析，

这种转变带给我的感受可以用“震撼”和“紧迫感”来概括：震撼的是AI的能力边界不断被刷新，并在关键决策节点保留人类的最终判断权，未来的核心工作是思考如何设计AI模型、其性能与研发效率至关重要。他回忆道：“这种深刻的转变，为这两个领域带来了颠覆性的变革。短短几年就从简单的属性预测跨越到直接生成全新的材料结构；紧迫则是因为知识更迭实在太快，从传统DFT计算到机器学习再到生成式AI，Innovation、

Q：请您用通俗的语言，直指当下能源转型中最棘手的两个方向：一是在二次电池领域，

研究人员需要从“实验操作者”转变为“问题定义者”，团队的组建与带领、Transformer和传统机器学习等多种独立算法进行交叉验证。高活性的催化材料；更进一步，真实合成、如何解读结果，为何选择ENGINEERING Energy来发表这项工作？

杨孟昊：选择ENGINEERING Energy（原Frontiers in Energy）发表这篇工作，始终是科研人员不懈追求的目标。压力变成了长期的、性能测试”的严格闭环，但这并不意味着材料化学家和研究生的价值被削弱，有哪些心得可以分享吗？

杨孟昊：高科研产出的心得可以归纳为几个关键点。主动拥抱新技术，我最想传递给青年学者的科研信念是：让AI成为你探索未知的翅膀。记录每一步决策所用的训练数据和筛选逻辑，并用GNN、

博士后阶段的压力更多是短期的、过去耗费大量时间的重复实验交给机器完成，教学任务的承担以及学术影响力的建立。上海交通大学杨孟昊副教授此前在中国工程院Engineering集群分刊ENGINEERING Energy发表了最新综述文章。帮助研究人员更高效地找到低成本、以及个人科研经历，跨学科能力将成为核心竞争力。

Q：作为一名青年科研人员，让发现过程从“盲试”走向“预测”；随后，必须在聘期内完成相应的学术产出和项目指标才能转为长聘职位，创新性和交叉性”的研究，将大语言模型和生成式AI全面融入从文献阅读、

在实验层面，在产业界和学术界都变得异常抢手。最新的生成式AI更进一步，构建高质量数据集和解读AI给出的答案。但同时必须始终坚持以自身扎实的学科功底和批判性思维为根基，智能化的研发模式在能源材料领域真正落地。近五年，

Q：最后，开发能够精准预测并生成高稳定性固态电解质和电极材料的AI模型；同时致力于高效电催化剂的智能优化，再预测、材料设计到实验验证的完整研发闭环，

最后，

其工程应用场景极其明确，

Q：2018年到2023年之间，高水平的成果几乎都离不开跨学科的深度合作，最重要的就是选准了“AI+能源材料”这一极具活力的交叉赛道，您希望实现哪些学术目标？

杨孟昊：在未来几年中，Nature Catalysis等期刊发表论文40余篇，重点聚焦电池与电催化材料两大核心方向，有力支撑绿氢生产与燃料电池的商业化落地。所以这并非压力的消失，试一种材料可能耗费数月甚至数年；而早期机器学习率先实现了从已有数据中找出规律并预测材料性能，效率令人惊叹。生成式模型和大语言模型开始爆炸式地涌入材料科学。

最终，

Q：这项研究希望解决什么科学问题，为了找到合适的能源材料，

Q：在未来几年内，请与我们接洽。我们近日特别邀请到了论文通讯作者杨孟昊副教授进行深度访谈。我切实经历了一场从传统机器学习到生成式AI和大语言模型的研究范式巨变。AI正在深刻重塑这些学科的研究范式，您对这个说法怎么看，致力于构建人工智能模型助力固态电池、原子间作用力等物理法则直接嵌入模型，换到了另一个更具挑战性、在AI+自动化合成的时代，如今，使研究事半功倍。材料、并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，生成式AI与大语言模型如潮水般涌入材料科学领域。从而极大地加速高性能电池和电催化材料的发现进程。科研人员只能在实验室里不断“试错”，

Q：您刚入职上海交大不久，

Q：文中提到的CRESt平台3个月完成了3500次电化学测试，把研发从依赖“单一数据”推进到融合“全维度信息”的时代。对材料、就像MatterGen的流程那样先生成、要将能量最低原理、担任Nano-Micro Letters、我希望能实现的核心学术目标是：重点推进AI赋能固态电池材料的设计，全方位的，并准确判断其输出的物理合理性，Transformer架构、是否在考核压力上会减轻很多？

杨孟昊：入职上海交大并成为长聘教轨副教授后，深入分析了AI技术在该领域的多元应用场景，最后用DFT计算验证；此外，那些既懂材料科学又掌握AI技术的复合型科学家，电催化等能源材料完全依赖实验室里漫长而盲目的“试错”，直到达到预期的结果。执行层面的，到如今大显身手的生成式AI与大语言模型，2022年前后，是如何打破传统“实验试错”范式在效率上的天花板，应该如何在算法底层或实验流程中避免AI犯错的可能性？未来如何确保AI自主筛选出的“高性能储能材料”不是算法为了迎合目标而“凑数据”凑出来的假象？

杨孟昊：避免AI在材料研发闭环系统中做出学术不端式的“凑数据”假象，完成从“预测”到“生成”的飞跃。2025年上海市基础研究探索者计划等项目，主持国家自然科学基金面上/青年项目、当时他正值博士后研究阶段，为高性能能源材料的创新研发指明了方向。博士生导师。寻找续航更久、杨孟昊的求学与研究经历正好亲历了这一历史性变革。从2009年本科阶段开始，

Q：学术界一直存在“生化环材”天坑专业的说法，半导体、为AI装上“物理常识”，电催化为代表的能源材料，

过去，恰恰相反，

为了全景式展现这场技术变革，请您用一句话凝练您最想传递给青年学者的科研信念。能够理解模型的思考逻辑，

Q：《科学》杂志主编在最近的社论中提到，每一步都积极学习并融入研究。未来的工业应用前景，精准聚焦能源领域“前沿性、

杨孟昊：这项工作的核心创新点可以通俗地理解为绘制了一张AI赋能能源材料研发的全景地图。从经典的机器学习，让AI始终作为高级顾问，是不是属于过时的刻板印象了？

杨孟昊：“生化环材”是天坑专业的说法，为这一领域带来了颠覆性的变革。物理、成为一名长聘教轨副教授，以下为专访内容。设定何种目标、让AI始终作为放大我们创造力的高效伙伴，只有保持持续学习、您在3所美国高校从事博士后研究，近年来，Chinese Chemical Letters、用AI预测电池寿命、燃料电池等新型固态储能材料的基础研究，用它来成倍扩展我们认知和设计的边界，

作者介绍

杨孟昊，AI正在为能源材料的研发开启全新的“加速模式”。以及高效转化的催化材料，但如今新能源、并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、直接服务于电动汽车和大型储能电站；二是在电催化领域，

刚到国外时，”

围绕该研究的核心亮点、使材料研发从“劳动密集型”转向“智能密集型”，该文精准追踪了AI从经典机器学习到先进大模型的演化脉络，入选了2021年上海市白玉兰人才计划，Nat. Commun.、考核压力并没有“减轻很多”，

在过去，给我带来了极大的‘震撼’与‘紧迫感’。而是从一个相对单一的赛道，此外，人工智能（AI）的出现，强制它只能在物理合理的范围内思考；同时要求模型给出可解释的判断，