一种人类已经用了几十年的催化剂，却可能一直不知道真正起作用的原子究竟在哪里。
分子筛就是这样一种材料。它早已被大规模用于石油裂解和化工生产，但决定其催化性能的活性位点长期处于“黑箱”状态。正如香港理工大学副教授劳子桓所说，过去很多时候，“我们只能知道它的性能，但压根不知道它为什么是这个性能”。
过去十年，劳子桓持续追问的正是这个问题：活性位点到底在哪里，反应分子又是怎样与它发生作用的？
从最初借助探针分子间接判断酸位点，到利用同步共振软 X 射线衍射（RSXRD，Resonant Soft X - ray Diffraction）直接定位分子筛中的铝原子，再到尝试主动构建由一个、两个甚至三个原子组成的活性中心，他的研究逐渐从“看见”走向“理解”和“制造”。
而这背后指向了一个更大的问题：催化剂能否从依赖经验、筛选和反复试错，真正走向原子尺度的理性设计？
如今，AI 的加入加速了这一过程的发展。在劳子桓看来，真正稀缺的未必是更强的模型，而是足够可靠的实验数据。如果预测、制造、表征和再学习能够形成闭环，那么未来的催化剂可能不再仅仅是被“发现”，而有可能是真正被“设计”出来。
凭借实现分子筛骨架铝原子以及“铝对”的三维空间精确定位，打破活性位点的“物理黑箱”，将催化研究范式从经验试错推向原子级精准设计，劳子桓入选了 2025 年度《麻省理工科技评论》“35 岁以下科技创新 35 人”（TR35）中国区名单。
图丨劳子桓在实验室（来源：受访者）
这项技术的价值不只停留在实验室里，它的工业价值也在实际合作中得到初步验证。在不改变工厂反应器硬件的前提下，它能让催化过程更精准、能耗更低、产物选择性更高。
围绕如何找到一个原子、如何制造一个活性位点，以及催化科学能否告别“黑箱”和试错，DeepTech 与劳子桓展开了一次深度讨论。
以下是我们的对话：
用了几十年的催化剂，为什么没人知道原子在哪里？
DeepTech：你从牛津博士阶段开始研究分子筛，到现在已经十多年。这个领域有一个很反常的地方：分子筛早已被大规模用于石油裂解和化工生产，但直到今天，我们仍然在讨论“真正起作用的铝原子到底在哪里”。为什么一种人类已经用了几十年的工业材料，其最重要的活性位点却长期没有被真正看清？
劳子桓：分子筛因其三维微孔结构而被誉为多相催化的“工业酶”，但其活性位点的空间分布长期处于“黑箱”状态，造成构效关系与催化剂定向开发研究困难。
（来源：受访者）
分子筛催化剂大概在上个世纪六七十年代被工业化生产，它之所以有活性、可用于催化剂，原因是它有很强的固体酸性。比如，我们可能在本科化学或高中化学时也了解过，很多催化剂主要分为酸催化和碱催化两大类，而分子筛是非常好的固体酸催化剂。
这里的酸位点其实是它有一个氢正离子（H⁺）作为质子，比如在石油裂解或一些化工产品中，我们可以把这些石油分子或化工分子质子化，加上一个氢上去，可以降低反应的能垒或活化能。
DeepTech：其他催化剂为什么做不到这一点呢？
劳子桓：其实也不是其他催化剂行不通，尽管也有存在类似作用的催化剂，但分子筛有几个很优秀的特性。第一个是水热稳定性很高，意味着我们可以在高温、含水的情况下进行反应，比如石油裂解正常可能需要四五百度、五六百度，工业上同时可能有水存在，很多催化剂都会失活，但分子筛结构不会失活。
第二个是它的多孔结构，导致它的酸性分布很均匀，比如说每隔一两个硅（Si），就有一个这样的酸位点，所以这些活性位点分布得很均匀。同时这个比表面积很高，因为它是多孔的特性。所以把这个催化剂用到工业反应里，可以用更小的体量塞到工业反应器中。
第三是它的酸位点，其实分子筛的全名叫沸石分子筛，沸石是天然的分子筛，后来人工合成的也叫分子筛。之所以叫分子筛，是因为沸石有多孔的结构，可以使分子被筛分出来，或者被卡在里面。
DeepTech：请谈谈你在不同时期的主要研究兴趣和项目有哪些？
劳子桓：在牛津大学师从曾适之教授读博期间，我聚焦于活性中心与反应分子之间的动态相互作用机制，通过跨尺度联用表征手段，实现了对分子筛表界面精细结构的原子级解析。
这一时期的核心成就，在于掌握了原子级结构研究能力，并首次从实验层面阐明了局部微环境决定催化性能的科学本质。这不仅奠定了我科研生涯的理论基础，也直接驱动了后期在 RSXRD 等方向上的颠覆性创新。
加入香港理工大学开展独立研究工作后，我的研究重心拓展至系统性的分子筛铝位点与 Brønsted 酸（B 酸）中心的精准识别，以及通过精细调控实现催化剂性能的定向提升，重点攻克活性位点的空间分布规律及其对催化反应路径的影响机制。
DeepTech：你曾经说过，自己并没有刻意规划科研道路，而是跟着兴趣走。但你后来持续追的其实是一个非常具体、而且很难的问题：活性位点到底在哪里、反应分子到底怎么和它发生作用。你第一次意识到“看不见活性位点”可能是整个领域的根本问题，大概是在什么时候？
劳子桓：整个背景是这样的，我当时在一个多相催化课题组里面读博，当时我另外一半的博士奖学金是英国钻石光源（Diamond Light Source）公司提供的，所以我有很多在钻石光源那边的同步辐射实验经验，同时也跟光源里不同课题组建立了深厚的合作关系。
（来源：受访者）
同步辐射表征中心主要是做表征，所以我的一个出发点就很纯粹——从表征的角度去思考，去挖掘多相催化里面最核心的一些问题。我的第一个项目就是在分子筛里找 B 酸位点的位置，所以我的出发点其实是对于去理解催化反应最感兴趣的，而不是可能去找应用。实际上，这是一个充满自由探索的项目，当时我的导师说，“你想探索什么都可以”，我就去找了这些最核心的问题去研究。
DeepTech：传统催化剂开发很大程度上依赖配方筛选、经验积累和反复试错。在多大程度上，它其实是一种“知道什么有效，却不知道为什么有效”的黑箱式开发？
劳子桓：它的确有这个问题。同时，我们可以判断它的一些酸性，可能是一些比较笼统的概念，但是我们没有办法去看到那个铝在哪里。如果这是经验活，我们也只能知道它的性能，但压根就不知道它为什么是这个性能，所以这就成为困扰了催化界多年的一个难题。
DeepTech：你的研究一直在强调从经验试错走向理性设计。但化学体系非常复杂，即使知道几个原子的坐标，也不意味着能预测完整反应。是否可以理解你真正想解决的，并不是找到一个铝原子，而是催化科学长期存在的一个问题——究竟能不能从解释催化剂，走向设计催化剂？
劳子桓：可以这样去理解。这个是我们探索铝位点，同时掌握这一套技术以后想实现的一个工作。因为在分子筛领域里面，这的确是一个非常关键的问题。由于从来没有人能看到它在哪里，所以我们所有的酸位点、铝位点表征都是为了更理性地去设计更有效的催化剂服务。
但其实我们所有过去的技术，都是没有一个很直观的方法，例如一些光谱学手段只能获得比较间接的信息，或计算方法也难以与实际时间匹配。所以，没有一个能够直接看到那个铝位点的技术，去把从经验到理性设计联系起来。
DeepTech：你在牛津完成博士学位后，来到香港理工大学建立独立研究团队。2024 年，香港理工大学大亚湾技术创新研究院正式启动，你担任绿色化学与可持续催化研究中心副主任。从在英国做基础研究，到在香港建立团队，再到进一步进入大亚湾这样的石化产业腹地。这几个阶段的变化，背后对应着怎样的科研逻辑？
劳子桓：这个问题确实很有趣。从一定程度来看也是跟着国家的规划走，因为我们的研究不能做得太基础，总要往产业化方向去靠拢。但说实话，我自己做催化剂研究，即便做得再深入，除了跟部分石化产业对接之外，真正落地其实很难。比如我研究的分子筛催化剂，工业上一用就是几千吨，我对怎么产业化没什么概念，催化反应往往又要高温高压，在香港做不了，成本也高得离谱。
后来港理工在大亚湾成立了技术创新研究院，虽然我的转化思路不一定与石化直接相关，但大亚湾石化产业聚集地确实给我们提供了一个很好的平台，去探索更多不同类型的转化项目。我们课题组不只有分子筛催化剂，也做其他材料和食品相关的研究，这个平台拓宽了转化的可能性。大亚湾那边也很支持我们，除了启动资金，还积极帮我们对接企业，牵线搭桥。
这个逻辑我觉得挺好。当然，最终能不能转化还得看基础研究本身是什么，有些太基础的确实不好转。不过我们在大亚湾有个优势，当地的化工、能源、石化产业可以与我们的专业对接。我倒不觉得这一定是传统的技术落地或开公司，更像是我们以顾问身份，去承接企业提出的石化相关问题，通过项目合作来推进解决。
十年追问：怎样真正“看见”一个铝原子？
DeepTech：分子筛为什么有催化活性？酸性是怎么来的？
劳子桓：分子筛本质上是个氧化硅，但合成时可以把一部分硅（四价）换成铝（三价）。为了电荷平衡，附近就需要一个氢离子，这就产生了 B 酸位点，也是酸催化的核心来源。
DeepTech：酸位点和铝位点是什么关系？
劳子桓：二者是共生的。理论上，由于电荷平衡，氢离子（酸位点）应该出现在铝取代位点的附近。如果能判断氢在哪，就能推测铝在哪，但氢本身也很难辨别。我读博的第一个工作就是判断氢的位置，后来我们跳过了氢，直接去解决铝的位置问题。
DeepTech：你 2016 年在牛津发表的工作已经开始利用原位同步辐射粉末 X 射线衍射，去看吡啶、甲醇、氨等分子如何与 H-ZSM-5 里的 B 酸位点作用。当时论文最后已经提到，希望走向对分子相互作用的“理性工程”。所以，是不是可以这样理解：你今天提出的“精准催化”，实际上早在十年前就已经埋下了种子？
劳子桓：可以这样说。我们 2016 年的工作[1]，用同步辐射粉末衍射去看一些探针分子，比如说吡啶、甲醇、氨，去看它到底怎么去跟这个酸位点结合，通过侧面判断到底酸位点在哪里，从而判断铝在哪里。所以，当时的工作是去探索到底这个探针分子在哪里，但未能直接探索铝位点在哪里。
DeepTech：实际上，当时你已经能够看到“分子怎么和活性位点作用”，为什么当时仍然看不到“那个活性位点究竟在哪里”？
劳子桓：当时我们是用常规的粉末衍射去看这些探针分子，的确是可以看得到的。X 射线衍射其实是看电子云密度的，在一个多孔材料里面，比如说在孔的中间，我会通过观察吡啶长什么样，来判断它到底怎么去跟这些活性位点相互作用，去看它可能在哪一些位置。但是，这个技术不能去判断铝在哪里，原因是因为当时的技术不足够去解决铝跟硅之间的散射因子差异。
DeepTech：这里有个普通读者或许很难理解的问题：铝和硅都是原子，为什么今天的显微镜已经可以看到单个原子，却这么多年找不到分子筛中的铝？真正困难的是分辨率不够，还是铝和硅在传统表征手段下“长得太像”？
劳子桓：铝有 13 个电子，硅有 14 个电子，在 X 射线底下几乎一模一样。除去外层电子后，两者都只剩约 10 个电子的电子云，X 射线根本分不清哪个是铝哪个是硅。电镜虽然分辨率高，但很多细节是靠推测的，在原子层面有比较高的误差。而铝跟硅有 99% 是相似的，所以现有技术很难能将它们分开。
图丨分子筛骨架铝位点与 B 酸位点的示意图（来源：受访者）
DeepTech：2025 年 Science[2] 这篇工作是你研究中比较具有代表性的，想请你比较直观地解释一下：同样是骨架铝，为什么所处的空间位置和附近有没有另一个铝，会改变它与反应分子的相互作用？
劳子桓：分子筛是多孔材料，分子筛中不同位点的位置差异，比如 T8、T6、T4 位点，会直接影响它与反应分子的相互作用。像吡啶或石油大分子靠近孔表面时，微孔效应很明显。所以，位点在不同孔道的位置，会直接影响相互作用及后续反应，但定位这些位点本身就很困难。
另一个关键问题是铝对的存在与否，虽然可通过钴、紫外光谱等技术略作推测，但尚不确切。铝对一旦出现，就会形成两个氢，也就意味着两个质子。许多酸催化反应取决于反应分子能否被质子化，一个质子与两个质子的路径会不同，两个质子可能存在协同作用，但具体如何还要看反应分子和催化反应的种类。
（来源：Science）
DeepTech：这个工作我觉得一个重要的发现，并不是找到铝，而是发现单铝和铝对其实并不等价，涉及到它不同空间位置对吸附分子作用不同的问题。这是不是意味着，过去我们说“一种分子筛有多少铝”，这个指标本身是不是也并不太精准？
劳子桓：的确是这样的。我们也继续在推进一些工作，比如去研究铝对怎么影响催化活性。同时，如果我们一个个地去调铝对，先从计算的角度去探索，到底会怎样影响一些常规的催化反应。
这里面除了铝在哪里，铝与之间差多远也是下一个问题，它们怎么动更是再下一个问题，因为这里有无限个组合，铝对可以以多种方式出现。所以铝对在分子筛领域里是非常有意思的一个课题，因为之前没有什么好的技术可以探索，我们现在提供了一个方案，这样很多内容就可以解释、解析得出来。
DeepTech：未来我们评价一种催化剂，现在可能我们看它有多少活性元素，未来有没有可能变成“这些原子具体在哪里，彼此距离多远，以什么方式组合”？
劳子桓：是的，我觉得这样才可以真正解释到底发生了什么。当然，可能不是说每一个工业级的反应都可以得到解释，因为工业级催化剂与工业反应里面涉及的参数可能太多了。但如果我们去找一些好的探针反应，或者好的活性反应，还是可以找到更多机理性方面的解释，去厘清一些机理性的问题。
DeepTech：我们简单来理解这个研究的话，其实相当于给分子筛拍了一张原子级的“三维 CT”，但实际上可能比这个描述要复杂得多。也想请你谈谈这个工作最关键，但也可能比较容易出错的是哪一步？
劳子桓：这里面最容易出错的一点是，在我们开展这项工作之前，世界上主要的能进行软 X 射线散射技术的装置，其实都是为了服务物理课题组而设置的，并不是为了服务化学或催化领域的研究人员，所以它们的同步辐射线站并不是为软 X 射线衍射，更不是为了更专门的共振软 X 射线衍射实验而设计的。
因此，我们在做这个共振软 X 射线粉末衍射实验时，最需要关注的就是衍射峰的强度到底可不可信。与此同时，在很低能量下进行共振衍射，衍射峰的数量必须足够多，我们才能解出认为可靠的数据。
我们去解析数据的时候，实际上也是通过不同的观测值的数量，来解出多少个参数。举个例子，如果有两个公式，一个是 X 加 Y 等于三，另一个是 X 减 Y 等于二，那就可以解出 X 和 Y。但如果实验参数不够、实验观测值不够，比如 X 加 Y 加 Z 等于三，然后是 X 减 Y 减 Z 等于某个数，那就无法解出 X、Y 和 Z。所以我必须有足够的实验观测数据，才能解出我们需要的实验参数。
DeepTech：这项工作发在 Science 上，肯定是经过了很多反复的验证或者阶段性的进展。有没有哪个结果，你和团队反复验证了很久，最后才写进这篇工作中？成果发表后有没有什么有趣的进展？
劳子桓：其实我们每一个表征都研究了很久才敢写进去，我不敢说到底有哪一个是特别久的。其实也有一些是我们反过来不敢写进去的，可能是衍射峰的强度我们觉得不可信，因为最大的卡点就是没有什么技术、没有什么同步辐射线站能帮我们实现目标，我们觉得验证起来充满挑战。
可能有一个挺有意思的事情，我们发完这篇工作之后，有个瑞士团队大概过了两三个月，同一个 Science 的编辑也接受了几乎一样的工作，同样是测 ZSM-5 分子筛上面的铝位点。所以，其实这的确是领域内非常关键的问题之一。
找到原子之后，更难的问题才刚刚开始
DeepTech：你另一条研究线已经从“定位活性位点”走向“主动构建活性位点”。2025 年的 JACS[3] 工作研究了沸石负载的三原子 Cu₃ 团簇，讨论催化剂从纳米尺度进入原子尺度以后所谓的“核数效应”。为什么一个、两个、三个铜原子，会表现成不同的催化剂？
劳子桓：这个问题问得非常好，这是我回到香港独立建组之后最想做的一个工作，原因也是非常基础科学的。我是化学出身，做化学的人对怎样组装东西非常感兴趣，我们认为这样才能很好地设计出想设计出来的催化剂。
我当时选择做铜三团簇，出发点是想去探索一个原子、两个原子、三个原子或更高核数的原子在催化里面有什么差异。它之所以关键是因为，除了从计算角度去算以外，没有办法可控地做出这些来。
铜三团簇在分子筛领域很有名，因为过往铜二或铜三团簇被认为是甲烷选择性氧化非常关键的催化剂之一，就是把甲烷加一点氧变成甲醇。但很多时候，要么活性差，要么过度氧化变成二氧化碳。
我当时思考，到底能不能可控地把这些东西找出来。因为过往的工作可能不是这么有控制度地去把团簇如何长出来，他们提到的铜二或铜三团簇其实是一系列东西在里面，可能最优分布是在铜二或铜三，但过往没有方法可以精准合成出来。同时我之所以选铜，是因为贵金属更好控制，再加上课题组刚起步，铜的价格比较便宜的同时，它也跟选择性氧化反应密切相关。
DeepTech：到了这个尺度，多一个原子究竟能改变什么？
劳子桓：这要看反应体系，比如两个铜和三个铜，跟甲烷选择性氧化或二氧化碳还原等小分子的相互作用力可能不同。但由于没有可控的合成方法，没法从基础角度去推测具体会发生什么，所以我当时整理了这项工作，并把它命名为“核数效应”。
DeepTech：催化剂可能会朝着更加精准调控的方向去发展，那未来设计催化剂“配方”方面，有没有可能精确到比如说化学家们说这里放一个铜，然后那里放两个或者三个的程度？
劳子桓：我觉得在同一个催化剂上面，不需要这里放一个铜、那边放两个或三个铜。因为如果说到“配方”，其实你把这个材料合成一个铜的，然后隔壁那个材料合成两个铜的，再把它混在一起用，那也是一个更好的处理方式。
因为在化学角度下，没有办法精准到这个程度，但我们可以用一些物理的方法去实现。举例来说，这个分子筛合到大体上是铜三的，那下一个分子筛我可以合到大体上可能是铜五的，然后我把这两个混在一起用其实就是配方了。
DeepTech：看你过去 10 年的工作，可以发现它大致可以分为三个阶段：第一个阶段是“看见”——看分子怎么去接近活性位点；第二个阶段是“理解”——确定活性位点在哪里；第三个阶段是“制造”——开始尝试这种按需组合的活性位点应该怎么做。你认为这三个阶段的描述是否准确？
劳子桓：我觉得这样去描述是没有问题的。
DeepTech：那目前催化领域的话，你觉得这三个阶段中，哪个阶段是目前领域里比较薄弱的？
劳子桓：我们现在的催化科学领域最关注的点，要么是做一些新型材料出来看看催化活性，要么直接从应用端开始，不断筛条件，合出来性能好的催化剂，做点简单表征，就说这是我们的催化剂了。
我觉得近年学术研究中比较缺的，是解释一个好的催化反应“到底好在哪里”。不是说完全没有，但如果说比较薄弱，我觉得就在这个地方——真正去做深入的结构解析或催化机理解释。
还有一个问题，目前有些研究容易形成一种类似“八股文”的相对固定模式，大家按着类似的路径推进。国内不少课题组里，学生可能更多是跟着前人的步骤走，沿着既有的框架开展实验，但对于背后“为什么是这样”的思考，有时可能不够深入。
DeepTech：你现在提出“原子级定位驱动精准制备”。但这里存在一个明显落差：我们可能已经能测出一个原子在哪里，却未必能让工业生产中的亿万颗分子筛都把原子放在同一个地方。从“测得准”到“造得准”，哪个更难？
劳子桓：对于分子筛而言，在我看来其实“测得准”更难，而“造得准”相对容易实现。因为在工业里面的反应条件很稳定，都是以吨级来生产，所有的参数相对稳定，反而是我们在实验室里面生产才是比较困难的。
特别是分子筛的合成，在正常实验室里面，其实有 1/3 左右的失败率，也正因为这样很多人都说分子筛合成是“玄学”。
从“原子地图”到工厂：距离精准催化还差多远？
DeepTech：在产业化发展方面，你和团队已经与中石化、SCG Chemicals（泰国精细化工公司）等企业开展合作，近期也在推进乙烷、丙烷脱氢等工业催化体系。企业真正愿意为“原子级精准催化”买单的指标是什么，比如是选择性上去了，还是能耗下来了？
劳子桓：实际上，企业并不会向我们提出“需要精准合成”这样的具体要求，因为对他们来说也是成本问题。他们相信我们能实现原子级精准催化，而他们的要求依然是传统那些指标，包括选择性上去、能耗下降、成本下降。从我们合作的进展来看，企业对于到底能不能精准合成，其实没有看得那么重。
DeepTech：你和团队目前发展的初创公司，有怎样的进展？
劳子桓：我们有家初创公司，用 AI 主导做硬碳，优化这类新能源材料。硬碳是钠电池的负极材料，我们当时就是用 AI 来优化硬碳，再结合 AI 去做更好的钠电池。
DeepTech：你提到一个很有吸引力的产业逻辑：不改变现有反应器硬件，只改变催化剂，就可能提高选择性、降低能耗。这听起来意味着它不需要化工厂推倒重来。真正决定这项技术能否改变产业的，可能不是“看得多准”，而是能不能规模化地造得同样准。目前你和团队在实验室里可能就几十毫克、几克催化剂，这样的实验室阶段级别，到工业装置里可能用量达到吨级。你觉得从实验室到工业生产这个阶段中，最大的鸿沟是什么？
劳子桓：最大的鸿沟，我觉得也真的是一个经验活。比如几十毫克到几克，这里面的优化可能需要重复的次数已经很高了。但是我觉得现在有了 AI 之后，可能事情会变得简单很多。
之前是看经验活，先不要说几十毫克到几百克再到吨级这个事情，是真的要专业人士去进行的，因为每一个放大都真的需要有这个背景的人去进行。不是说我把这个东西全部放大 10 倍就行了，我一个做基础科研的人，肯定要慢慢探索到底怎样才可以做出来。
但是如果有了 AI 之后，可能事情会变得简单很多。这也是其实在石化产业里面还挺多人问我们的一个问题，到底 AI 能解决了什么？我们的回答是：在实验室放大的过程中，AI 确实是非常有优势的。
AI 能终结“试错时代”吗？关键不在模型，在数据
DeepTech：现在材料 AI 最大的问题之一是：模型很多，真正高质量、结构明确的实验数据很少。你认为 AI 设计催化剂，现在缺少的是什么，是更强的模型，还是更优质的数据？
劳子桓：我觉得是更好的数据，同时是更了解到底 AI 怎样与催化、材料制备结合的人员。我们近期的相关项目，均涵盖材料合成与 AI 应用两大研究方向。我们了解到，很多人并不了解到底 AI 可以做到什么，同时 AI 怎样才可以解决到我们拿到的东西。
你这个问题问得非常好。其实我们来回那些参数可能才十几个，所以我们不需要更强的模型。但是我们要更好怎样去拿到 good data，还要怎样去判断什么才是 good data。因为很多时候，我们从网上拿到海量数据，但我们没法判断到底是真的还是假的，这些数据的确很干扰我们能做下一步的 AI。
DeepTech：你和团队在 AI 与催化剂结合这方面有没有一些探索或相关的合作？
劳子桓：有的，我们团队目前在与计算领域的老师有合作，合作者教会了我们判别什么样的数据才是 good data，怎么获取这些数据，以及大概需要多少数据量才能支撑更好的 AI 训练。
DeepTech：如果 AI 未来能够根据数据库预测：某个反应需要什么样的活性位点；RSXRD 负责验证原子在哪里；精准合成负责把它制造出来——这实际上形成了一个“预测-制造-表征-再学习”的闭环。如果有一天催化剂真的能够像芯片一样被设计，那么过去依赖化学家直觉、经验和大量试错建立起来的催化研究会不会逐渐发展成另一门学科，比如高度自动化的工程这类学科？
劳子桓：我觉得很有可能，这是非常理想的状态。但我们不能保证它会这样发展，它可能推进得很快，也可能直接走向差异化发展路线。因为材料制备本身，其实也是很依赖经验的。
因为如果 AI 要指导我们去合成，全部依赖高通量的自动化设备可能没什么大问题，但一旦有了人的参与，整个事情就会变得很不合理。举个最简单的例子，学生早上做实验跟下午做实验，结果都可能不一样，那 AI 要怎么处理呢？早上跟下午，这并不算什么参数。
DeepTech：你认为，今天催化科学距离真正意义上的“像设计芯片一样设计催化剂”，到底还有多远？
劳子桓：其实我觉得现在有了 AI 之后，所有东西会变得简单很多。我的感觉是，如果我真的这样推进下去，比如说我们这个技术，它对样品的要求确实挺高的，所以也不是每一个催化剂都能用我们的技术去解出到底这个铝位点在哪里。但是如果是一些好的分子筛体系，我不认为需要等超过 5 年、10 年那么久，现在已经有一些比较初步的理性设计的方案了。
DeepTech：我想到另一个问题，未来如果 AI 参与科研的环节比较多甚至有可能全流程都参与，机器确实可以比人更快地找到催化剂，那未来化学家或催化科学家，他们的主要能力在哪方面去发挥？
劳子桓：我觉得人类科学家最大的优势不在手，而是在脑。我们去指导 AI 做什么，但不可以完全依赖 AI。它的确可以帮我们分析，但是分析出来是对的、错的，或者我们刚刚说的 good data，AI 没法去判断。
再比如，之前有一些图片训练的小程序“哪一只才是猫”，AI 就没法判断，而是需要人类去判断到底是好还是不好。所以我们更需要人类去动动脑袋，如果简单的事情都被 AI 取代了，那我们接受这么多年教育的意义又在哪里？毕竟真正有价值的，不是动手，而是动脑。
DeepTech：你下一步的科研聚焦发展的方向有哪些？未来 5 年，你希望解决目前催化研究领域中存在的哪项“黑箱”问题？
劳子桓：其实我最想发展的方向，是想看到多原子催化剂之间怎么协同。比如我们体系里的三原子或双原子催化剂，在可控距离下，一个铜和一个钴，或一个铜和一个钯，它们之间的相互作用会怎么改变。
（来源：受访者）
另一个方向是，在分子筛里面怎么可控地把它们长出来。金属改性分子筛是个很大的领域，在工业上也很重要。但这个金属位点怎么与铝产生的 B 酸位点协同，怎么可控制备，这些协同机制非常关键，也是我想解决的黑箱问题。
DeepTech：到那时候，你希望化学家处于的状态是“发现一个好的催化剂”，还是可以直接“设计一个催化剂”？
劳子桓：这个问题问得非常好。通常很多东西都不是设计出来的，更多是发现出来的。但如果我们现在有能力去探索，又有 AI 的辅助，我觉得未来我们可以朝着在特定应用场景下，去设计更优的催化剂这个方向走。因为以前大家也都知道，真正靠设计出来的好催化剂，其实是很少的。
参考资料：
1.https://doi.org/10.1002/anie.201600487
2.https://doi.org/10.1126/science.adq6644
3.https://doi.org/10.1021/jacs.5c02706
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成