斯坦福Yukio Cho：从分子自组装入手，让电池回收跳过粉碎步骤

处理一块废电池，通常要经过繁琐的拆解和材料分选。不少现有工艺一上来就把电池打碎，再从混杂的材料里把有用成分挑出来。

斯坦福大学的 Yukio Cho 一直在琢磨一个问题：回收本意是把不同材料分开，那为何第一步反倒把它们全碾碎、搅在一起？能不能从设计电池的那天起，就把怎么拆它想清楚？

今年，Yukio 进入《麻省理工科技评论》“35 岁以下科技创新 35 人”（TR35）亚太区名单，对外介绍了他的一项工作。2025 年，他和合作者在 Nature Chemistry 发表论文，提出用分子自组装的可逆特性来设计固态电池电解质：电池运转时，分子能搭起稳定的结构；等到需要回收，用溶剂就能让结构散开，各组件更容易分开，传统回收里的粉碎环节因此有望省去。

这项研究起步时，盯的并不是电池回收。Yukio Cho 本科在日本东北大学就读，最早关心的是太阳能、光伏这类能源技术。之后他到麻省理工学院（MIT）读材料科学与工程博士，一场偶然听到的学术讲座让他接触到分子自组装。此前主要做无机材料的他，被这种能自发形成纳米结构、又能重新解离的材料吸引，开始琢磨能不能把它用到电池上。

回头再看这段经历，他把研究方向的形成比作“鸡和蛋的关系”。“严格来说，最初只是觉得这个东西很酷。”他直言，自己并非一开始就锁定了明确的应用问题，而是在摸索材料特性的过程中，慢慢弄懂电池技术真正难在哪，也由此看到了分子自组装在电池回收上的机会。

从日本东北大学到 MIT，再到眼下的斯坦福大学与 SLAC 国家加速器实验室，Yukio Cho 的研究一直围着能源材料转，具体方向却一直在变。除了找更易回收的电池材料，他也着手研究能量密度更高的全固态锂硫电池，并试着把 AI 和机器人引进材料发现流程。

在他看来，做材料不能只问技术本身能做什么，还得反复追问现实世界到底需要什么。AI 进了实验室之后，他又碰到一个新问题：现在的 AI 模型能力已经相当强，可材料科学能不能给出足够的数据，让它们真正读懂复杂的物理世界？“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，这些方向看着各不相同，背后的思考却一脉相承：科学发现怎么回应真实需求，新技术又怎么反过来改变科研本身？围绕这条路径，以及他对电池产业和 AI for Science 前景的判断，DeepTech 与 Yukio Cho 聊了聊。

分子与电池，鸡与蛋

DeepTech：你本科在日本读的是材料学。当初为什么选这个专业？

Yukio Cho：高三那会儿，我对工程学就挺有兴趣。挑专业时父亲影响很大，他让我觉得材料是工程创新的起点。刚进大学，我主要对能源感兴趣，特别是太阳能和光伏。研究做得越深，兴趣就慢慢转到电池这些领域。

DeepTech：你刚到 MIT 时做的是偏基础的材料研究，方向是分子自组装。能说说为什么对这个领域感兴趣吗？

Yukio Cho：读博之前，我接触的基本是无机材料。能源材料往往要耐高温，或者让离子、电子快速迁移。刚读博士、还在找方向的时候，我碰巧听了一场讲分子自组装的讲座。

虽说之前做的是无机材料，但我对有机材料、生化材料一直有兴趣，本科时也爱学相关课程。当时我就想，自组装材料能不能用到电池里？于是把这个想法告诉了导师。我先跟着导师做项目，打牢有机分子自组装的基础，再一点点往最初的想法上靠。

DeepTech：你是一开始就打算做电池，还是在研究分子材料时发现它能用于电池回收？

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，并没特别明确地想过，为什么非得用分子自组装来做电池。

那时觉得这种类似通道的结构可能派上用场，那项工作也确实测到了比较高的离子电导率。后来我边做边想为什么要做这件事，也慢慢摸清电池技术真正面临的困难，这才发现了这个机会。

DeepTech：回收固态电池的原理是什么，能起什么作用？

Yukio Cho：这得从分子自组装讲起。这个领域受生物学启发，利用分子的极性和非极性：一部分亲水，另一部分亲油。这类分子在溶液里，尤其在水溶液中，会自发形成一定结构，细胞膜就是个典型例子。

化学家把这个思路用到合成分子上，通过设计化学结构，让它们在溶液中搭出不同形态，比如纳米线、纳米管，或者内部中空的球状结构。mRNA 疫苗就是一个应用例子，靠脂质分子来递送 mRNA。

分子自组装有个核心概念：分子之间靠非共价相互作用结合。跟共价键比，这类作用偏弱，也更容易变化，所以结构既能形成，也能再解离。

一块电池里用到的材料相当杂，粘结、成膜这些环节靠的往往是有机物，大多属于高分子。高分子不少是通过共价键连起来的，一旦聚合，想原封不动退回单体几乎办不到。结果就是，现在回收电池，那些有机组分很难被还原到最初的样子。再加上现有电池在做设计时，基本没把回收这回事算进去。

不少回收流程的第一步，是把电池丢进粉碎机打成粉末，再设法提取有价值的元素。我们的想法是：如果电池里连接不同材料的有机部分，能通过可逆的相互作用搭成结构，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，其他材料就有望分得更清楚，粉碎这一步也能跳过。这是当时那项工作提出的初步概念。

DeepTech：我感觉你的研究路径有条规律：从基础研究出发，想它能怎么回应现实问题。

Yukio Cho：这话不假。电池的实用属性强，产业化程度也高。有些科学上的创新，恰恰是在产业化推进的过程中撞见了新的技术需求。把这些需求带回基础研究，一个循环就转起来了。做电池这行，听产业界的声音很有必要。

起点不同，难题相通

DeepTech：范围再放大一点，眼下电池产业还有哪些坎？这几年新能源汽车跑得快，这些坎会不会越走越显眼？

Yukio Cho：各地的产业生态差别不小，中国和美国就不是一回事。说美国，绕不开本土电池产业链的短板。材料和技术的供应，很大程度上要靠进口，离不开中国和东亚。美国若想在电池上取得更大突破，很可能得另辟一条路，而不只是把现有技术打磨得更精。搞电池研究的，无论在产业界还是学术界，都清楚中国在这方面的领先优势很大。

DeepTech：您的意思是，现有电池技术已相对成熟，要往前走，可能得在方法上做文章？

Yukio Cho：方法创新可以，换一套新的电池化学体系也可以，不必死守中国产业链已经做得很成熟的那几套体系。

中美还面对一个共同难题：电池年年生产，数量只增不减。中国既是生产大国也是消费大国；美国产量相对小，消费量却同样可观。等这批电池从电动汽车上退下来，怎么处置，未来十年会变成大问题。退役电池越积越多，把它们重新做成有用的电池，意义和经济价值都会往上走。可现有技术很难让这件事赚到足够的钱。怎么把经济收益和回收的必要性撮合到一块儿，得靠科学创新。

DeepTech：这个方向您还会接着做吗？后续计划能透露一点吗？

Yukio Cho：会。这对我依然是有意义的方向，但不是唯一的方向，基础科学我也感兴趣。电池这块，我在斯坦福研究过另一种固态电池化学体系，重点在新化学和新材料体系。跟现有锂离子电池比，我们盼着它有更高的性能、更低的成本，这也是我很想往下推的方向。

另一个方向是用电来造化工产品。现在不少大规模化工生产，比如合成氨和一些有机化学品，要烧掉大量化石能源，也排出大量二氧化碳。用电力来生产这些产品，一直是我们想达成的目标。拿合成氨来说，氮气到处都有，可要打开氮分子的三键，把它变成生物能利用的含氮物质，并不容易，相关工作大约一百年前拿过诺贝尔化学奖。现在得重新琢磨，能不能用更绿色的路子走完这个过程。这个方向我也很感兴趣。

还有一项正在推进的重要工作，是用 AI 和机器人给科学发现、新材料发现提速。

缺的不是模型，是数据

DeepTech：您刚才说想把 AI 引进实验。在电池或材料研究里，您希望它起什么作用？

Yukio Cho：大致两个作用。一是实验室的事。我正在搭一个让机器人动手做实验的实验室，实验过程中机器人会产出大量原始数据。过去人在实验室里凭感觉留意到的一些现象，如今机器可以记下来。我们想用 AI 从这些数据里还原材料如何从起始原料一步步合成到最终形态，顺带发现新的状态或聚合物结构之类。这是实验上的用法。二是拿到大量数据之后，用机器学习、深度学习等办法，去找材料性能和化学特征之间的关联。一句话，一个是实验室里的帮手，一个是分析数据的大脑。

DeepTech：您正在建的实验室，可以理解成人、机器人、AI 三块。为什么选这种形式？人在里面起什么关键作用？

Yukio Cho：对，我叫它 SRA2 平台（Scientist-Robotics-AI Agent）。人在这中间分量很重。做什么、为什么做，最后得人来拍板。AI 当然能帮着做决定。这些工具我自己也在用，从海量数据和信息里分析问题、找新的突破口。过去找数据、找资料要花很多时间；现在信息好拿了，看问题也能更全、更细。

人还有一层作用。我这一代人刚进实验室受训时，实验基本靠手，机器人和人工智能都不多。做材料、分析材料，哪怕只是简单测试，都得盯紧细节。做久了，有时扫一眼就觉得哪里不对，或者留意到某一步为什么会冒出这样的中间态、这样的颜色。一个完全没做过实验的人，只靠 AI 的推荐、书本或网上的信息去搭机器人实验室，这些细节很可能就漏了。所以我认为，搭这类实验室最合适的人，还是亲手做过实验、认真想过每一步为什么要这么做的人。要是再懂点机器人的知识和本事，就更能胜任。

人的作用，一是定下要做什么，二是带着机器人实验室把流程搭起来、细化下去。

DeepTech：您觉得 AI 用在材料研究上，眼下最大的瓶颈是什么？

Yukio Cho：眼下我最核心的判断是，AI for Materials 卡住的地方在数据，AI 本身倒不是问题。现有模型和智能体的本事，早就超出了科研界现在能用起来的程度。

模型和智能体的能力当然还在涨，几乎月月都有提升。在我看来，更值得琢磨、也更要紧的事，是搭一个平台出来，让它们借着材料这个入口，去认识真实的物理世界。

比起生物、基因工程，还有药学、分子化学这些方向，我自己的感觉是，材料领域在这件事上走得更慢。原因不止一个。

头一个原因，出在材料本身。想靠一个化学式就把材料完整说清楚，很难；它也没法像 DNA 那样拿序列来代表。从最开始把不同原料混到一起，到怎么合成，再到过程中那些细微的条件变动，每一步都会留下影响。这些信息要是没法充分写进机器学习用的描述符里，分析的准头就会打折扣。材料天然就带着这种复杂性。

再一个，正因为复杂，我们手里缺的正是够用、够好的数据库和数据底子。蛋白质那边有 PDB 数据库，AlphaFold 能发展起来，它贡献不小。材料领域呢，我认为相应的数据基础和共享机制都还没建起来。发论文的时候，我们通常只摆出少量成功、有代表性的数据。可背后大量试错、那些不太“好看”的数据，往往就被埋掉了，没能真正用上。

DeepTech：用 AI 来设计材料这件事，您怎么看？

Yukio Cho：就我所知，这类研究多半建立在计算数据之上，然后给出一些可能的材料方案。算法各有各的路子，但 AI 设计的核心，还是高度依赖在既有知识框架里找复杂的组合。回头看大约从 1990 年起发现的一些有意思、有产业化前景、甚至已经产业化的材料，不少并不是从既有知识框架里能直接推出来的，而是在完全没预料到的地方冒出来的。

所以对 AI 设计材料，我个人还没那么乐观，觉得得再看。基因、蛋白质领域我了解得不够深，就不多说了。不过我特别期待有一天，AI 能像 AlphaGo 下围棋那样，走出人类压根没想到的一步。真到了那一天，我会非常期待。

AI 设计材料最大的卡点，可能还是模型能看到多少数据，以及数据够不够多样。拿 Meta 的一个实验室来说，他们在训练自己所说的 UMA（Universal Model for Atoms），也就是面向化学的基础模型。他们的思路挺有意思：尽量把不同化学体系的数据都拿来喂模型。这有点像大语言模型——见过足够多不一样的东西之后，反倒可能撞出新的突破口。

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成