造一块电池之前，先想好怎么拆掉它 | 对话斯坦福YUKIO CHO

回收一块废旧电池，通常需要经历复杂的拆解与材料分离过程。在许多现有回收工艺中，第一步甚至是将电池粉碎，再从混合的材料中提取有价值的成分。

但 Yukio Cho 始终有一个疑问：既然回收的目的是将不同材料分离出来，为什么一开始却要把它们全部粉碎、混在一起？有没有可能从设计电池的第一天起，就考虑好如何将它拆开？

今年，Yukio 入选《麻省理工科技评论》“35 岁以下科技创新 35 人”（TR35）亚太区名单，分享了他的一项研究工作。2025 年，他与合作者在 Nature Chemistry 发表论文，提出利用分子自组装的可逆性设计固态电池电解质：在电池工作时，分子能够形成稳定的结构；当电池需要回收时，又可以通过溶剂使结构解离，让不同组件更容易分离，从而有望跳过传统回收中的粉碎步骤。

不过，这项研究最初并不是从电池回收问题出发的。Yukio Cho 本科就读于日本东北大学，最初关注的是太阳能、光伏等能源技术。后来，他进入麻省理工学院（MIT）攻读材料科学与工程博士学位，在一次偶然的学术讲座中接触到分子自组装。此前主要研究无机材料的他，被这种能够自发形成纳米结构、又可以重新解离的材料吸引，开始思考能否将其应用于电池。

回顾这段经历，他把研究方向的形成形容为一种“鸡和蛋的关系”。“严格来说，最初只是觉得这个东西很酷。”他坦言，自己并不是一开始就找到了明确的应用问题，而是在不断探索材料特性的过程中，逐渐理解电池技术真正面临的困难，也由此发现了分子自组装在电池回收中的机会。

从日本东北大学到 MIT，再到如今的斯坦福大学与 SLAC 国家加速器实验室，Yukio Cho 的研究始终围绕能源材料展开，但具体方向不断变化。除了探索更易回收的电池材料，他也开始研究具有更高能量密度的全固态锂硫电池，并尝试将 AI 和机器人引入材料发现过程。

在他看来，材料研究不仅要关注技术本身能做到什么，还要不断追问现实世界究竟需要什么。而当 AI 开始进入实验室，他又发现了一个新的问题：如今的 AI 模型已经展现出相当强大的能力，但材料科学能否为它们提供足够的数据，使其真正理解复杂的物理世界？“AI for Materials 目前最大的瓶颈是数据，而不是 AI。”他在采访中说。

从分子自组装到电池回收，再到机器人与 AI 协同的自动化实验室，看似不同的研究方向，背后却延续着相似的思考：科学发现如何回应真实需求，而新的技术又如何反过来改变科学研究本身？围绕这条研究路径，以及他对电池产业和 AI for Science 未来发展的判断，DeepTech 与 Yukio Cho 展开了一次对话。

分子与电池，鸡与蛋

DeepTech：你最初在日本读本科，学的是材料学。为什么会对这个专业感兴趣？

Yukio Cho：大约在高三时，我就对工程学比较感兴趣。选择专业时，父亲对我的影响很大，让我觉得材料是工程创新的起点。刚进大学时，我主要对能源感兴趣，尤其是太阳能和光伏。随着研究深入，兴趣逐渐转向电池等领域。

DeepTech：你刚来 MIT 时，做的是比较基础的材料研究，研究方向是分子自组装。能否介绍一下，为什么会对这个领域感兴趣？

Yukio Cho：在 MIT 读博士之前，我接触的大多是无机材料。能源材料往往需要耐高温，或者让离子、电子能够快速迁移。刚开始读博士、寻找研究方向时，我碰巧听了一场关于分子自组装的讲座。

虽然此前做的是无机材料，但我一直对有机材料、生化材料感兴趣，本科时也很喜欢相关课程。当时我就在想，能不能把自组装材料用到电池中？于是向导师提出了这个想法。我先跟着导师参与项目，学习有机分子自组装的基础知识，再逐步向最初的想法拓展。

DeepTech：你是一开始就想做电池，还是在研究分子材料的过程中，发现它可以用于电池回收？

Yukio Cho：这有点像鸡和蛋的关系。严格来说，最初只是觉得这个东西很酷，并没有特别明确地想过，为什么一定要用分子自组装来做电池。

当时觉得这种类似通道的结构可能有用，那项工作也确实测到了比较高的离子电导率。后来，我一边做，一边思考为什么要做这件事，也逐渐了解电池技术真正面临的困难和挑战，才发现了这个机会。

DeepTech：回收固态电池的原理是什么，又能发挥什么作用？

Yukio Cho：这要从分子自组装说起。这个领域受到生物学的启发，利用分子的极性和非极性：一部分亲水，另一部分亲油。这类分子在溶液中，尤其是在水溶液中，会自发形成一定的结构，细胞膜就是一个典型例子。

化学家把这个思路拓展到了合成分子上，通过设计分子的化学结构，让它们在溶液中形成不同的结构，比如纳米线、纳米管，或者内部中空的球状结构。一个应用例子是 mRNA 疫苗，利用脂质分子递送 mRNA。

分子自组装的一个核心概念是，分子之间依靠非共价相互作用结合。与共价键相比，这类作用相对较弱，也更容易发生变化，因此结构可以形成，也可以再解离。

电池由许多不同材料组成，其中起黏结、成膜等作用的有机部分，通常是高分子材料。很多高分子依靠共价键连接，聚合以后，很难再原封不动地还原成单体。因此，回收现有电池时，很难让这些有机材料都回到最初的状态。现有电池的设计，也很少把回收充分考虑进去。

很多回收流程的第一步，是把电池扔进粉碎机，变成粉末，再想办法提取有价值的元素。我们的想法是：如果电池中连接不同材料的有机部分，能够通过可逆的相互作用形成结构，那么使用时让它保持稳定，需要拆解时，再引入溶剂或其他作用，让这些结构解离。这样，其他材料就有望更清楚地分离出来，跳过粉碎这一步。这是当时那项工作提出的一个初步概念。

DeepTech：我感觉你的研究路径遵循这样一条规律：从基础研究出发，思考它能如何回应现实问题。

Yukio Cho：可以这么说。电池是一个实用性很强、产业化程度很高的研究方向。有些科学创新，正是在产业化过程中发现了新的技术需求。把这些问题带回基础研究，整个循环就能建立起来。对于电池这样的行业，倾听产业界的声音非常必要。

不同的起点，共同的难题

DeepTech：把问题再扩大一些，你认为目前电池产业还面临哪些挑战？近几年新能源汽车发展很快，这些问题是否会越来越突出？

Yukio Cho：不同地区的产业生态不太一样。中国和美国的情况也不同。

谈美国，就不可避免地要讨论本土电池产业链的问题。美国很大程度上依赖进口，无论材料还是技术，都离不开中国和东亚的供应。所以，如果美国想在电池领域实现更大的突破，很可能需要寻找一条新路，而不只是把现有技术继续做精。我们做电池研究的人，无论在产业界还是学术界，都认识到中国在这方面有很大的领先优势。

DeepTech：也就是说，现有电池技术已经比较成熟，要有新的发展，可能需要从方法上创新？

Yukio Cho：既可以是方法创新，也可以是新的电池化学体系，而不一定局限于中国产业链已经很成熟的那些体系。

中美也有一个共同的问题：电池每年都在不断生产，数量持续增长。中国既是生产大国，也是消费大国；美国的生产规模相对较小，但消费量也很大。等这些电池需要从电动汽车上退役时，如何处置它们，未来十年内会成为一个很大的问题

随着退役电池越来越多，把它们重新处理成有用的电池，会变得越来越有意义，也越来越有经济价值。但现有技术还难以让这一过程产生足够的经济收益。如何把经济收益与回收的必要性结合起来，需要科学创新。

DeepTech：你接下来还会继续研究这个方向吗？能否透露一些后续计划？

Yukio Cho：会。这对我来说仍然是很有意义的方向，但并不是唯一的方向。我也对基础科学感兴趣。

电池方面，我在斯坦福研究了另一种固态电池化学体系，重点是新的化学和材料体系。相较于现有锂离子电池，我们期待它有更高的性能和更低的成本，这也是我很想继续推进的方向。

另外一个方向，是利用电来生产化工产品。现有许多大规模化工生产，例如合成氨和一些有机化学品，需要消耗大量化石能源，也会产生大量二氧化碳排放。用电来生产这些产品，一直是我们希望实现的目标。以合成氨为例，氮气随处可得，但要打开氮分子的三键，把它转化为生物能够利用的含氮物质，并不容易，相关工作在约一百年前就获得过诺贝尔化学奖。现在，我们需要重新思考，能不能用更绿色的方式完成这个过程。这也是我很感兴趣的方向。

此外，现在正在推进的一项重要工作，是利用 AI 和机器人，加速科学发现和新材料发现。

缺的不是模型，而是数据

DeepTech：你刚才提到，希望把 AI 引入实验。你希望它在电池或材料研究中发挥什么作用？

Yukio Cho：大体上有两个作用。首先，我正在搭建一个让机器人做实验的实验室。在实验过程中，机器人会产生大量原始数据。过去人在实验室里凭感觉注意到的一些现象，现在可以由机器记录下来。我们希望利用 AI，从这些数据中还原材料如何从起始原料逐步合成为最终形态，并在过程中发现新的状态或聚合物结构等。这是它在实验方面的应用。

第二，获得大量数据以后，利用机器学习、深度学习等方法，寻找材料性能与化学特征之间的关联。概括来说，一个是实验室里的助手，一个是数据分析的大脑。

DeepTech：你正在构建的实验室，可以理解为有人、机器人和 AI 三个重要组成部分。为什么要采用这样的形式？人在其中发挥什么关键作用？

Yukio Cho：对，我把它叫作 SRA2 平台（Scientist-Robotics-AI Agent）。人在其中很重要。最终需要由人来决定：我们要做什么，为什么要做。AI 当然可以帮助我们做决定。我自己也在使用这些工具，从大量数据和信息中分析问题、寻找新的突破口。过去，我们需要花很多时间找数据、找资料；现在，获取信息更容易了，也能更全面、更细致地看待问题。

人还有一个很重要的作用。我这一代人刚进实验室接受训练时，实验主要还是手工完成，没有太多机器人和人工智能。无论做材料、分析材料，还是进行简单测试，都需要非常注意细节。做得久了，有时看一眼就会觉得某个地方不对，或者注意到某一步为什么会出现这样的中间态、这样的颜色。

如果一个完全没有做过实验的人，只依靠 AI 的推荐、书本或网上的信息来搭建机器人实验室，很可能忽略这些细节。所以，我认为，最适合搭建这类实验室的人，仍然是亲手做过实验、深入思考过每一步为什么要这样做的人。如果我们再掌握机器人的相关知识和能力，就很适合做这件事。

人的作用，一是决定要做什么，二是引导机器人实验室如何搭建、如何把工作流程细化。

DeepTech：你认为，AI 用于材料研究，目前最大的瓶颈是什么？

Yukio Cho：我现在的核心想法是：AI for Materials 目前最大的瓶颈是数据，而不是 AI。现有模型和智能体的能力，已经远超科研界目前能够充分利用的程度。

当然，模型和智能体几乎每个月都在增强。对我来说，更有意思、也更关键的问题，是如何提供一个平台，让它们通过材料这个窗口，理解真实的物理世界。

与生物、基因工程，以及药学、分子化学等领域相比，我个人感觉，材料领域在这方面的进展更加迟缓。原因不止一个。

首先，这是材料本身的难点。材料很难仅用一个化学式来完整表征，也不像 DNA 那样，可以用序列来表示。从最初混合不同原料，到怎样合成材料，再到过程中细微的条件变化，都会带来影响。如果这些信息不能充分编码到机器学习使用的描述符中，分析的准确性就会受到限制。材料本身具有这样的复杂性。

其次，正因为复杂，我们还缺乏足够有用的数据库和数据基础。比如蛋白质领域有 PDB 数据库，对 AlphaFold 的发展作出了很大贡献。而材料领域，我认为还没有形成相应的数据基础与共享机制。我们发表论文时，往往只展示少量成功、具有代表性的数据。但在背后做过的大量试错，那些不那么“好看”的数据，常常被淹没，没有得到有效利用。

DeepTech：对于用 AI 设计材料这件事，你有什么看法？

Yukio Cho：据我所知，这类研究大多以计算数据为基础，提出一些可能的材料方案。虽然算法各不相同，但 AI 设计的核心，仍然很依赖于在既有知识框架中寻找复杂的组合。回看大约从 1990 年起发现的一些有意思、具有产业化前景，甚至已经产业化的材料，很多并不是既有知识框架里可以直接推出来的结果，而是在完全没有预想到的地方出现的发现。

所以，对 AI 设计材料，我个人还没有那么乐观，觉得仍有待观察。我对基因、蛋白质领域的了解不够深入，就不作太多评论。但我非常期待，有一天 AI 能像 AlphaGo 下围棋那样，走出人类完全没有想到的一步。如果真能做到，我会非常期待。

AI 设计材料最大的瓶颈可能还是模型看到的数据量，以及数据的多样性。比如 Meta 有一个实验室，在训练他们所说的 UMA（Universal Model for Atoms） ，也就是面向化学的基础模型。他们的想法很有意思：尽可能利用不同化学体系的数据来训练模型。这有点像大语言模型：见过很多不一样的东西之后，反而可能看到新的突破口。

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成