让“研发需求”能被系统直接“接单”并自主推进——“智能科学家系统”帮助科研用户按需完成物质创制任务。
故事从一次跨国讨论开始：伯明翰大学的研究人员提出一个明确的研发需求——能否用路易斯酸/路易斯碱对作为协同催化剂，高效解聚聚对苯二甲酸乙二醇酯（PET），通过乙二醇解（glycolysis）把废塑料“还原”为可再聚合的单体双（2-羟乙基）对苯二甲酸酯（BHET）？
听起来这只是“再筛几组催化剂”的常规工作，但真正的难点在于组合爆炸：一旦把酸和碱的候选范围拉开，可能的搭配就会瞬间跃升到上万种。靠经验挑几组去试，不仅速度跟不上、覆盖也有限，想要突破往往只能靠运气。
这一次，研究人员把这项研发需求直接交给了中国科学技术大学江俊教授团队开发的“智能科学家系统”来做自主探索：系统的“大脑”是科研智能体集群，负责理解需求、拆解目标与约束，并规划分阶段的实验策略；系统的“双手”是科研机器人与自动化实验平台，精准且高效地完成实验流程，包括基于 400 MHz NMR 的快速自动化定量，让每一次实验结果都能实时回流到闭环中，驱动下一轮决策。
于是，科研智能体设计了一条“经验（文献）驱动 + 数据驱动 + 假设驱动”的分阶段实验路线并驱动科研机器人完成了自动化实验：先以文献为起点建立PET降解的催化性能基线；再用数据智能驱动的闭环优化在大规模组合空间中快速“探路”；随后由大模型基于机器实验反馈提炼出可检验的结构–活性假设，并通过自动化实验迭代验证；最终在专家启发式外推的加持下，锁定在给定探索空间之外的“意想不到”的新催化体系，实现从“优化”走向“发现”。
下面，我们用关键结果来详解这条从“研发需求”到“科学发现”的路线。
- 60种路易斯酸 × 186种路易斯碱 = 11,160种潜在组合，单靠经验试错不可能系统覆盖。
- 系统用大语言模型把化学知识转成可计算的语义向量，用贝叶斯优化做决策，由全自动智能科学家机器实验平台高速验证。
- 最终在人类专家启发式外推下，发现新戊酸锌/N,N’-二乙基乙二胺体系：20分钟BHET收率95%，可放大至5 g，并适用于消费后PET样品（BHET收率94%）。
塑料回收的关键瓶颈：催化剂“组合爆炸”
聚对苯二甲酸乙二醇酯（PET）广泛用于饮料瓶与纺织材料。与机械回收相比，化学回收可以把PET“拆回”高价值单体，其中乙二醇解（glycolysis）条件相对温和，产物BHET可再聚合回高品质PET。但该反应动力学慢、对催化剂高度敏感——而可选的路易斯酸/碱协同催化体系数量巨大，构成典型的高维离散搜索问题。
“智能科学家系统”提出的解决方案：四阶段闭环协同发现
本研究构建并验证了一套“AI推理、决策—机器人实验—人类外推”深度融合的发现框架（图1），通过四个阶段逐步把搜索从“锚定已知”推进到“意想不到的发现”：
Stage 0 基准锚定：用文献报道的催化体系和标准化机器实验建立性能基线；
Stage 1 智能探索：在语义编码的化学空间中用贝叶斯优化高效“探路”；
Stage 2 假设生成：让大模型（LLM）从数据中总结规律并提出可检验假设；
Stage 3 启发式外推：人类专家在AI洞察基础上跳出既定空间，完成关键突破。
图1. 本研究所开发的AI驱动催化剂发现框架示意图
Stage 0：先标准化实验测试“已知最好”，建立性能基线
我们首先测试了78个单一酸/碱及其组合，用作对照标尺。结果显示，无水乙酸锌/
4-二甲氨基吡啶在185 ℃、20分钟条件下表现最佳，BHET收率达86%（图2）。这一步既验证了现有路线，也说明仅在“常见体系”里扩展搜索，难以再有明显突破。
图2. PET解聚催化剂的机器人工作流程、核磁共振（NMR）波谱定量分析及性能基线
Stage 1：用大模型语义嵌入，让贝叶斯优化“懂化学”
面对11,160种组合，我们不再依赖手工描述符，而是让GPT-4o为每个酸和碱生成语义嵌入向量，把“硬/软酸碱、配位倾向、空间环境”等文本知识编码进特征空间。随后，贝叶斯优化在该空间中平衡“利用”和“探索”，每轮推荐6对候选，由机器人平台自动完成反应、取样与NMR定量。13轮实验共完成78次测试，其中77对为Stage 1新组合（另1对重复用于校准），显著扩大了化学空间覆盖（图4），为下一步数据驱动洞察打下基础。
Stage 2：让大模型从155组实验数据里提出可验证的科学假设
我们把Stage 0+1得到的155组“组合—性能”数据整体输入LLM，要求其从多角度总结结构–活性关系，并给出可直接验证的候选建议。模型输出了5条数据支持的假设（图3），例如“含乙酸根基团的路易斯酸更具优势”、“碱性更强的胺类促进反应”等，并据此推荐了15对新组合用于验证，推动最优BHET收率从86%提升至90%，其中“乙酸锌/8-羟基喹啉”体系达到90%。
图3. AI驱动的催化剂发现与假设生成工作流
Stage 3：人类专家外推一步，找到95%“突破点”
最关键的突破来自人类专家的启发式外推：在AI给出的规律与候选方向上，进一步跳出原先设定的化学空间，设计并验证了新戊酸锌/N,N′-二乙基乙二胺体系。该体系在20分钟内实现95% BHET收率，并可从460 mg顺利放大到5 g PET（图4）；对于透明瓶、彩色瓶、包装托盘等消费后PET样品，BHET收率仍可达94%。这说明：AI负责“看得广”，机器人负责“做得快”，人类负责“想得远”，三者协同才能在高维空间实现真正的“未知发现”。
图4. 探索化学空间的扩展及各发现阶段的性能提升。
机理与可迁移规律：从“发现”走向“认知”
动力学与机理研究揭示了典型的双位点协同催化：锌中心与PET羰基氧配位增强羰基碳亲电性，同时胺活化乙二醇羟基质子，降低去质子化能垒；Arrhenius方程分析给出反应的表观活化能96.36 kJ/mol。基于系统评估，我们总结出三条可迁移的设计原则：优选适中路易斯酸性的Zn2+，d10构型在活性与配位强度间更平衡；优选单齿配体（乙酸根/新戊酸根等），避免过度稳定导致配体交换变慢；更强的碱性通常更有利于乙二醇活化，与pKa呈正相关趋势（图5）。
图5. 针对PET糖酵解反应的协同路易斯酸碱催化：催化效率与机理洞察。
总结：比“一个好催化剂”更重要的是“可复制的按需发现流程”
本工作的核心贡献不止于找到一个高性能的 PET 乙二醇解催化体系，更在于验证了一种正在成形的新型研发模式：科研用户提出明确需求，智能科学家系统“接单”并自主组织探索——把“文本知识 → 可计算表征 → 智能决策 → 自动化验证 → 人类外推”串成可复制、可迁移的闭环工作流。
这种模式的意义在于：把“做科研”的关键能力从少数人的经验与少数实验室的资源，转化为可被调用的系统能力：当知识被结构化、决策被算法化、实验被自动化、反馈被闭环化，研发就不再依赖偶然的灵感与昂贵的试错，而可以更接近“按需交付”。面向更复杂的催化剂设计、多目标优化（成本/稳定性/可回收性等）以及功能分子、能源材料、药物合成等高维问题，这条协同范式不仅提供了可推广的路径，也为实现按需研发的知识平权、资源平权与创新平权打开了现实的通道。
作者与团队
中国科学技术大学精准智能化学全国重点实验室硕士生余也、博士后谢子锴和博士后罗蔓为共同第一作者；中国科学技术大学江俊教授、陈林江教授、张小龙副研究员与伯明翰大学Andrew Dove教授为共同通讯作者。
论文信息
Ye Yu, Zikai Xie and Man Luo et al. Optimizing toward Discovery: AI-Driven Exploration of Lewis Acid−Base Catalysts for PET Glycolysis. Journal of the American Chemical Society (2026). DOI: 10.1021/jacs.5c20630
代码与数据
GitHub：pic-ai-robotic-chemistry/AI-assisted-PET-glycolysis
