一位做了十二年电催化的专家说这个配方没救，它跑了 1000 小时

🪨 先把铱的稀有多说一句

绿氢这条路走到电解槽，会遇到一个很土的问题：铱不够。

质子交换膜电解槽的阳极要跑析氧反应（OER），工作环境是强酸加高电位，绝大多数金属进去就溶了。能在这种条件下既活又稳的催化剂，工业标准答案是氧化铱。而铱是地球上最稀有的元素之一，几乎全部作为铂矿开采的副产品产出，全球年产量只有几吨。钌是次一等的选择，稳定性更差，也同样稀缺。

2026 年 9 月 25 日，Lila Sciences 公布了一批结果。它的 AI 闭环实验室在约三个月里，提出、合成并筛选了 2,942 种催化剂，覆盖 53 个材料体系、26 种元素，从中找出 6 个不含铱也不含钌的钯基材料族。主候选之一 InMnPdOx，在 1 M 硫酸、10 mA/cm² 的条件下，过电位长期低于 0.5 V，稳定运行超过 1000 小时。

配套预印本是 9 月 24 日提交到 arXiv 的《AI-guided high-throughput discovery of iridium- and ruthenium-free palladium-oxide catalysts for durable acidic oxygen evolution》，编号 2609.30133，第一作者 Ken J. Jenewein，合著者另有二十位。

⏳ 1000 小时是什么手感

把时间换成天数更好懂：

Lila 的说法是，最优金屬组合的活性表现可与作为行业标准的钌基催化剂相比。这是厂商自述的比较，对照条件与 baseline 细节要回预印本看。

🧪 为什么钯一开始被认为没戏

钯在这个反应里长期被当成死角。它在酸性条件下的 OER 表现不佳，这个判断在文献里站了很多年。

Lila 这次走的是改性路线：不是用纯钯，而是在钯里掺入少量其他元素，改变它的行为。铟和锰加进去之后，活性和稳定性都被抬起来了。

🎙️ 两句值得记下来的话

Lila 首席自主科学官 John Gregoire 的经历给这件事加了一层重量。他在 Caltech 带过的组研究这类催化剂十二年。他的原话是，如果当年有学生提出这组元素组合，他会建议对方换个更有希望的方向去做。

“This combination defies all traditional wisdom.”（这个组合违背所有传统认知。）

另一句来自 Lila 物理科学首席科学官、MIT Paul M. Cook 副教授 Rafael Gómez-Bombarelli：如果没有实验室结果兜底，团队本来会把这个结果当成幻觉丢掉。

【判断】这两句话合起来，才是这条新闻真正的内核。AI 在这个故事里的作用不是「算得更快」，而是给出了一个人类专家凭直觉会否决的方向，并且把它推到了实验台上。

🔁 闭环怎么跑的

Lila 从 2024 年底开始搭建这套叫 AI Science Factory（AISF） 的系统，四个模块首尾相接：

每一轮的开头由 AI 分析化学空间并提出新材料配方，流水线的产出数据再回流喂养模型。技术组合包含组合溅射合成、高通量筛选、成分-性质机器学习模型、自适应多目标优化，外加语言模型的推理能力。

内部推理架构的设计思路被描述为：贝叶斯模型负责在不确定性下推理，语言模型负责携带关于世界如何运作的宽泛上下文，两者互相平衡 info gain 与不确定性。

吞吐数字是这条流水线的硬指标：约 240 个样品每周，比传统方式快约 17 倍，单样品的人力时间节省超过 90%。官方宣称平台自动化率超过 90%，同时明确指出仍有人监督与样品转运环节，并非完全无人值守。

👤 人类在这条流水线上的位置

有一个细节容易被掠过。电化学家 Ken Jenewein 在项目初期会逐一审阅 AI 提出的建议，并否决掉其中一部分。之后他逐步退出了审阅环节。

【推论】这条退出的时间线，比任何一句「AI 自主」的宣传词都更能说明系统的成熟度。它意味着在某个节点之后，人类的否决率降到了「值得保留但不值得每轮都干预」的程度。

⚖️ 边界：这是在实验室里

必须把战线划清楚：

• 这是实验室尺度的材料发现，不是工业成品。器件级与工业形态的耐久仍在评估；
• 预印本尚未走完同行评议，目前公开的撤硬数据来自 Lila 官网与其自述；
• 自动化率超过 90% 的口径里保留了人工环节；
• 1000 小时对应的是 10 mA/cm² 的恒流、1 M 硫酸这一组条件，换成工业电流密度与真实电解槽环境，结论需要重测。

【判断】今天的正确读法是：实验室帕累托前沿上多了一个候选方向。把它翻译成「绿氢成本曲线要改写」，中间还隔着至少两场独立的比赛：器件级验证，以及规模化制造。

🧭 为什么这件事值得盯

• 反直觉方向的价值高于加速。 三个月的筛选速度是工程能力，找出人类专家会劝阻的组合才是科学增量；
• 供给约束是真的。 铱的年产量以吨计，且依赖铂矿副产，这是电解槽扩产的物理天花板之一；
• 闭环实验正在变成一种基础设施。 Lila 说同一条流水线接下来会指向氨、塑料前体等方向。同类竞争由此从「模型分数」转向「可规模化的实验吞吐与数据回流」；
• 对国内同行的直白意义。 酸性 OER 无铱路线长期受供给约束，钯基族若能在工业形态站稳，影响的是电解槽供应链的叙事。

🔭 接下来看什么

• 预印本能否走完同行评议，第三方能否独立复现 InMnPdOx 的千小时曲线；
• Lila 是否公布循环前后的表征细节，尤其是钯的腐蚀与纳米结构成因；
• 器件级数据什么时候出。这是从「材料发现」跨到「可用部件」的唯一门槛；
• 别的自主实验室能不能在同一条亚方向上重现结果。单一来源的自述和一个可被多家追到的结果，证据等级完全不同。

📚 参考来源

1. Jenewein K. J. 等，《AI-guided high-throughput discovery of iridium- and ruthenium-free palladium-oxide catalysts for durable acidic oxygen evolution》，arXiv:2609.30133，2026-09-24
2. Lila Sciences 官网结果发布（Megan Scudellari 撰文），2026-09-25
3. Unite.AI，《Lila Sciences' AI Lab Uncovers Palladium Catalysts for Green Hydrogen》，2026-09-25
4. AdvanceH2，《AI-Powered Discovery of Palladium Catalysts Marks a Breakthrough in Green Hydrogen Production》，2026-09-25
5. AGI Hunt 每日简报，2026-09-26

#绿氢 #催化剂 #自主实验室 #AIforScience #材料发现