鈣鈦礦太陽能電池的光電轉換效率在過去十年里從 3.8% 一路飆升至 26% 以上，逼近甚至超越傳統的晶硅電池，這個速度在光伏歷史上幾乎是前所未有的。但有一個問題始終沒有解決：材料發現和器件制造高度依賴科研人員的經驗和反復試錯，不僅效率低、成本高，更重要的是實驗結果難以復現 —— 不同實驗室、不同批次之間的性能差異巨大，嚴重阻礙了從實驗室走向產業化的進程。

近期，兩篇分別發表于 《Engineering》 和 《Nature》 的研究，從不同角度回應了這一挑戰。但有意思的是，兩者思路不同，但指向了同一個方向：讓 AI 來設計實驗，讓機器人來執行實驗，然后閉環迭代。

01 香港理工大學團隊：11個機器人盒子,

5萬次實驗，效率突破27%

香港理工大學趙海濤教授團隊聯合瑞士洛桑聯邦理工學院、牛津大學等高校，在《Engineering》上發表了一項題為 “基于配方語言模型的智能體式機器人箱制備鈣鈦礦太陽能電池” 的研究。

圖 Materials Intelligence概念圖

他們構建了一套由 11 個機器人盒子組成的互聯系統，覆蓋了從鈣鈦礦合成、薄膜制備、界面工程到原位表征的全流程，總共配備了 101 個功能模塊、超過 1500 個組件、4300 個可控參數。

除了硬件系統之外，他們還開發了名為配方語言模型（Recipe Language Model, RLM）的 AI 大腦，思路是把每一個配方參數，比如鈣鈦礦中 Cs 的摩爾分數、旋涂轉速、退火時間等編碼成一個離散的語義單元。這樣，一個完整的制備流程就變成了一串結構化的配方序列。這些序列既能被語言模型理解，也能被編譯成機器人指令執行。同時這些配方序列可通過兩個閉環被不斷優化：

• 閉環I（文獻 - RLM）

AI 從海量文獻中學習已有的配方知識和機理，構建初始的知識庫。

• 閉環II（機器人 - RLM）

AI 將推薦的配方編譯成機器人指令，在機器人盒子中執行合成、制備和表征等操作流程。所有失敗或者成功的實驗結果又被反饋回 AI 模型，用于進一步微調。

這項工作的核心創新在于：讓 AI 不僅能讀文獻，還能自己設計實驗、驅動機器人執行、分析結果并自我進化。

在 AI 的引導下，11 個機器人盒子可控地完成了 5 萬個鈣鈦礦太陽能電池的合成、制備和表征，生成了超過 5.78 億個用于模型訓練的語義令牌。最終，系統將鈣鈦礦太陽能電池的光電轉換效率提升至 27.0%（經認證為 26.5%），與人類頂尖研究人員的記錄相當。

02 香港城市大學團隊：機器學習+

自動化制造，發現新型分子效率達27.22%

幾乎在同一時間，香港城市大學朱宗龍教授、曾曉成教授聯合劍橋大學 Samuel D. Stranks 教授團隊，在《Nature》上發表了題為 “用于可重復鈣鈦礦太陽能電池的自主閉環框架” 的研究。他們的切入點更加聚焦：用 AI 加速界面鈍化材料的發現，并實現高度可重復的自動化制備。

• 從2萬種分子中篩出冠軍

鈣鈦礦太陽能電池的性能很大程度上取決于界面處的缺陷鈍化。傳統上，研究人員依賴化學直覺合成幾種已知的芳香胺衍生物進行測試，而香港城市大學團隊則將化學空間擴展到了 18264 種化合物。

他們開發了一個基于 SISSO（確定獨立篩選和稀疏化算子）的可解釋機器學習模型。該模型僅用 20 組實驗數據（來自文獻中已知的鈍化分子），就學習到了分子性質（偶極矩、分子體積）、界面性質（功函數、形成能）與器件效率之間的定量構效關系，模型的預測決定系數 R² 高達 0.921。

圖 展示可解釋機器學習模型篩選并驗證高性能分子

基于這一模型，團隊從近兩萬種候選分子中篩選出了 57 種頂級候選材料，并最終合成了 4 種此前未見報道的新型鈍化分子。其中，名為 5 -（氨甲基）煙腈氫碘酸鹽（5ANI） 的分子表現最為出色。

• 5倍可重復性提升，開啟自驅動時代

發現分子只是第一步。研究團隊將自動化制造平臺與貝葉斯優化算法結合，形成了一個閉環優化系統：平臺自動制備器件、測試性能，算法根據結果自動調整下一批實驗的制備參數。

圖 展示由算法生成分子庫、機器主動學習篩選與自動化閉環優化的系統

經過九輪工藝優化，采用 5ANI 鈍化的 0.05 cm² 太陽能電池實現了 27.22% 的光電轉換效率（認證最大功率點跟蹤效率為 27.18%），21.4 cm² 的迷你組件實現了 23.49% 的效率。

更重要的是，這套自動化平臺將器件制備的可重復性提升了近 5 倍，手動制備的效率變異系數高達 4.99%，而自動化平臺僅為 1.05%。這種高精度對于生成高質量的、可用于持續 AI 訓練的數據至關重要。此外，5ANI 鈍化的器件在連續運行 1200 小時后，仍能保持初始效率的 98.7%，展現了優異的穩定性。

整個工作的邏輯鏈條很清晰：用小數據訓練可解釋模型 → 預測大量候選 → 篩選合成驗證 → 自動化工藝優化。

03 殊途同歸:

AI+機器人正在重塑材料科學

前者更偏全能通用，構建了覆蓋合成、制備、表征全流程的通用機器人平臺，強調 AI 的機理推理能力和大規模數據生成，RLM 不僅做推薦，還做機理推理，把數值數據和語義知識融合在一起。這種通用性更強的架構，理論上可以遷移到其他材料體系。

后者則更偏精準研究，聚焦于界面鈍化分子這一關鍵痛點，但做得非常透徹，從分子設計、模型構建到自動化工藝優化，形成了一條完整的閉環鏈條。用極少的實驗數據就能實現高精度預測，并首次將自動化帶來的可重復性提升量化到 5 倍。

但兩者的底層邏輯完全一致：用 AI 替代人類的經驗直覺，用機器人替代人類的重復勞動，將科學家從試錯中解放出來，專注于真正的創造性思考。

香港理工大學團隊的研究之所以能夠實現如此大規模的自動化實驗通量，背后離不開晶泰科技提供的支持。作為該研究的合作伙伴，晶泰科技已經構建了“AI設計+高通量自動化實驗+數據閉環”的智能研發體系。

圖 晶泰科技在新能源等領域的交付案例

通過智能電解液工作站、鈣鈦礦及鋰電池制備表征等全流程自動化平臺，實現從固/液精準加樣、無水無氧操作到性能測試的全天候無人值守運行。晶泰攻克了球磨、壓片等復雜工藝自動化難題，支持電解液、正極、隔膜及固態電解質等多材料體系研發。以數據×智能驅動模式替代經驗驅動，顯著提升研發效率與可重復性，降低人力成本，加速新能源材料從配方篩選到電池應用的迭代進程。

這兩項研究的意義遠不止于鈣鈦礦太陽能電池本身。

香港理工大學提出 “配方語言模型” 框架，將材料合成參數轉化為語義單元，可遷移應用于鋰離子電池、固態電解質、有機發光二極管等多種材料體系。香港城市大學則在數據稀疏條件下，結合第一性原理計算與可解釋機器學習，從少量實驗數據中提煉具物理意義的解析表達式，為理性材料設計提供新范式。

正如《Nature》論文在標題中所宣告的：光伏材料的研發正在邁入 “自驅動時代”。當 AI 科學家在虛擬空間中窮盡化學空間的每一種可能，當機器人 24 小時不間斷地合成、制備、表征，材料發現的邊界將被以前所未有的速度向前推進。

而晶泰科技所做的，正是為這場變革提供底層的基礎設施，讓每一個實驗室、每一家企業，都能擁有屬于自己的 AI 科學家和機器人助手，這不僅是鈣鈦礦太陽能電池的勝利，更是人類與 AI 協同創新的一個縮影。

文獻原文：

https://www.sciencedirect.com/science/article/pii/S2095809926001840?via=ihub

https://doi.org/10.1038/s41586-026-10482-y

聲明：

本文所有內容旨在學術探討與信息交流，所有權利歸原作者所有。