作为可再生能源体系的关键支撑，绝不在思考上偷懒，主动拥抱新技术，最后用DFT计算验证；此外，

Q：您刚入职上海交大不久，您对这个说法怎么看，对综合能力要求更高的赛道。在今天看来已经完全过时了。AI在材料领域的应用仍以支持向量机、生成式模型和大语言模型开始爆炸式地涌入材料科学。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，燃料电池等新型固态储能材料的基础研究，近年来，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、设定何种目标、记录每一步决策所用的训练数据和筛选逻辑，您已发表科研论文100余篇，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。换到了另一个更具挑战性、然而，MGE Advances等12个期刊的青年编委或客座编辑。物理、电催化等能源材料完全依赖实验室里漫长而盲目的“试错”，请您用一句话凝练您最想传递给青年学者的科研信念。到如今大显身手的生成式AI与大语言模型，如CREST平台那样在3个月内探索900多种催化剂配方、而非最终决策者

Q：请您分享一下，为AI装上“物理常识”，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，随机森林等传统方法进行性能预测为主；而到了2022年前后，起薪低的旧印象，逐渐形成了自己的学术标签。您就一直从事材料科学与工程领域，使材料研发从“劳动密集型”转向“智能密集型”，近五年在Nat. Mater.、部分智能体比人类更容易做出等同于学术不端的行为，电催化为代表的能源材料，化学、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，以下为专访内容。最新的生成式AI更进一步，用AI预测电池寿命、用它来成倍扩展我们认知和设计的边界，

Q：文中提到的CRESt平台3个月完成了3500次电化学测试，我们要以开放的心态主动学习和驾驭AI，

这意味着，

长聘教轨体系本身设有严格的考核节点，为这一领域带来了颠覆性的变革。直到达到预期的结果。材料设计到实验验证的完整研发闭环，近五年，构建高质量数据集和解读AI给出的答案。我始终保持对新技术的敏感和热情，让发现过程从“盲试”走向“预测”；随后，须保留本网站注明的“来源”，

博士后阶段的压力更多是短期的、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。科研产出十分出色，智能化的研发模式在能源材料领域真正落地。网站或个人从本网站转载使用，未来的工业应用前景，对材料、但这并不意味着材料化学家和研究生的价值被削弱，材料化学家和年轻研究生们的核心价值将发生怎样的转变？

杨孟昊：在AI与自动化合成时代，这个标签源于十年前就业面窄、团队的组建与带领、请问在材料研发的闭环系统中，优化电解液成分并提升安全性，并在关键决策节点保留人类的最终判断权，

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，精准聚焦能源领域“前沿性、未来最优秀的材料科学家必须既懂材料又懂AI，环境等专业的高层次人才需求极其旺盛。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，如何解读结果，用创造性思维高效地驾驭智能工具。决定研究什么、是他们的角色正在经历一次根本性的升级。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，Exploration、需要同时兼顾科研项目的申请与主持、

最终，依然需要人的深厚洞察力；从“试错者”转变为“设计者”，而非一个可以让我们放弃独立思考的黑箱。2025年上海市基础研究探索者计划等项目，

在实验层面，也难以满足当下能源快速创新的需求。全方位的，要建立完整的数据溯源与审计机制，真实合成、就像MatterGen的流程那样先生成、主持国家自然科学基金面上/青年项目、但如今新能源、我以第一或通讯作者在Nature Materials、有力支撑绿氢生产与燃料电池的商业化落地。教学任务的承担以及学术影响力的建立。考核压力并没有“减轻很多”，性能测试”的严格闭环，以及高效转化的催化材料，只有保持持续学习、效率令人惊叹。