在新能源、半导体、可降解材料等战略行业爆发式增长的背景下，新材料性能需求不断升级，传统手工试错的研发模式已难以满足行业发展需求。

全球材料基因工程推动“数字化、智能化”研发趋势，叠加绿色新材料对高效精准研发的迫切要求，新材料研发亟待突破研发周期长、试错效率低的瓶颈，向智能自动化转型迫在眉睫。

 

痛点

奔曜科技凭借全球上百套项目交付经验积累的技术与系统整合能力，深度拆解客户核心痛点：

➡ 配方组合呈指数级增长，如催化剂研发中50选3的组合可达19600种，若按传统模式每天完成10组测试，需耗时超5年，人力探索难度极大；

➡ 实验过程高度依赖经验，人为操作导致数据离散、难以标准化，实验室间数据共享困难；

➡ 试验流程碎片化，从制备到分析各环节数据链断裂，无法支撑AI建模与智能优化；

➡ 高通量验证效率低、数据复现性差，人力成本居高不下，严重制约研发进程。

 

在全球加速竞逐新材料突破的当下，能否完成从“人工试错”到“智能高通量闭环”的研发范式转型，已成为企业抢占创新制高点的关键。

打破效率与精度的双重瓶颈，关键在于“技术工具革新”与“研发逻辑重构”的双轮驱动，而自动化实验平台与AI算法的深度协同，正是这一跃迁的核心引擎。

 

 

手工实验 VS 自动化实验

新材料研发自动化引领效率革命

面对新能源、半导体等战略行业新材料性能指标持续跃升，且研发周期需大幅压缩的双重挑战，传统手工实验与自动化实验的差异愈发显著。

聚焦电池材料研发场景，通过固态合成、溶液合成两类典型工艺的对比，自动化实验不仅带来效率的量级突破，更以体系化的数据产出为AI算法的深度应用构建数据支撑体系。

01 固态合成：从人力密集到智能高效

在固态合成工艺中，实现不同元素尤其是较重过渡金属的均匀混合，从而缩短最终产物形成时的原子扩散路径，是电池材料研发面临的核心挑战。

①　传统固态合成

图：McCalla, Eric. “Semiautomated experiments to accelerate the design of advanced battery materials: Combining speed, low cost, and adaptability.” ACS engineering Au 3.6 (2023): 391-402.

流程：称量粉末→研磨→球磨→压片→烧结，纯人工+单机操作。

效率：1人72小时仅能处理5-10个样品。各环节耗时零散，如烧结10样品需＞12小时，暴露出“流程碎片化、人力依赖强”的痛点。

②　高通量固态合成

图：McCalla, Eric. “Semiautomated experiments to accelerate the design of advanced battery materials: Combining speed, low cost, and adaptability.” ACS engineering Au 3.6 (2023): 391-402.

流程：粉末分配→球磨→机器人→烧结，全自动化产线，设备联动+无人干预。

效率：72小时可处理24个样品。对比传统固态合成流程，效率提升超2倍。

 

02 溶液合成：突破周期长与数据瓶颈

为突破固态合成中前驱体混合不均的技术瓶颈，溶液合成法已成为主流替代方案。其中，共沉淀法与溶胶-凝胶法凭借精准可控的优势备受青睐。

以共沉淀工艺为例，通过将过渡金属盐类配制成均匀混合溶液，再引入氢氧化钠（NaOH）等碱性沉淀剂，促使目标金属离子同步生成氢氧化物沉淀。

这种分子级别的均匀混合机制，能有效规避固态合成中原子扩散缓慢的弊端，为高性能电池材料的微观结构调控奠定基础。

①　传统溶液合成

图：McCalla, Eric. “Semiautomated experiments to accelerate the design of advanced battery materials: Combining speed, low cost, and adaptability.” ACS engineering Au 3.6 (2023): 391-402.

流程：反应釜→冲洗离心→研磨→压片→高温烧结，依赖人工分步操作。

效率：1人6天（144小时）仅完成5个样品制备；若调整采用共沉淀工艺，处理5-10个样品仍需72小时，凸显“周期长、试错慢”问题。

②　半自动溶液合成

图：McCalla, Eric. “Semiautomated experiments to accelerate the design of advanced battery materials: Combining speed, low cost, and adaptability.” ACS engineering Au 3.6 (2023): 391-402.

流程：前驱体分配（自动化）→干燥凝胶（并行）→烧结（中温并行）→压片（仅电解质并行）→高温烧结（并行），半自动化并行流程。

效率：1人72小时完成64个样品制备，对比传统溶液合成流程，效率提升超25.6倍。若采用共沉淀工艺仅需48小时。

总结

从手工实验到自动化实验的演进，绝非操作模式的简单更迭，而是新材料研发从“经验试错”迈向“智能创制”的底层逻辑重构。

实践证明，自动化实验体系实现研发效率的量级提升、研发周期的系统性缩减与数据标准化水平的显著突破，通过规模化实验数据积累为AI材料基因模型构建数据基座，成为响应产业“高效迭代、精准创制”需求的核心路径。

 

 

自动化重塑材料化学实验操作流程

奔曜科技的智能变革实践

当材料研发的精度要求以“微米级误差”为底线，当配方探索的组合数突破“千万级阈值”，传统人工操作的“经验依赖”已成为材料创新的枷锁。

依托130余种自研自动化模块与软件专利技术，奔曜科技以智能自动化为利刃，从样品制备到无人运行，重构材料化学实验的底层逻辑——让“试错周期以月为单位”的研发，加速进入“数据迭代以小时为刻度”的新范式。

01 全自动投料、合成反应与表征

02 全自动配方开发、优化与表征

奔曜科技深度融合机器人技术、AI算法与自动化整合能力，以智能自动化技术体系，重塑材料研发实验流程的底层逻辑。

🔧 精准控制技术：伺服驱动+闭环控制+自研算法

精细调控移液量等参数，把人工操作易出现的误差从流程源头剔除，让“精准加料”成为实验基础动作，减少反应波动。

🧠 智能流程协同：智能排程调度系统

串联加料、混合、反应等离散环节，依据反应逻辑与工艺要求，自动规划执行顺序与节奏，实现多模块有序联动，消除人工操作的随机干扰，重塑“流程协同”的标准化逻辑。

🌡️ 环境稳定保障：集成温控、惰性气体保护单元等

动态维持水氧、温度等环境变量，为对微环境敏感的反应打造“恒定适配舱”，把人工难以持续维持的环境控制，转化为自动化系统的稳定输出。

⚠️ 故障处理机制：内置异常监测+故障处理功能

当遭遇断电、设备故障时，系统主动触发安全停机流程，提供数据断点续存，还能智能报错引导快速恢复，把人工应对故障的高中断风险，重构为系统级的“韧性保障”。

赋能

从单步操作的精度把控，到全流程的智能协同调度，从反应环境的动态稳定维持，到故障场景的主动应急响应，奔曜科技以“硬件承载+算法驱动”构建智能技术体系，把材料研发实验从“依赖人工经验的粗放式流程”，重塑为“智能可控的标准化体系”，推动研发效率与数据质量获得实质性提升。

 

落地案例：电解液配制自动化

落地案例：配方筛选自动化

 

自动化高通量验证 × AI配方筛选

新材料研发再快“亿”点点

在新材料研发的“设计-验证-迭代”黄金三角中，自动化实验平台以高通量、标准化验证能力成为关键支点，而AI算法的深度介入，则彻底激活了设计与迭代环节的创新动能。两者协同打破传统研发瓶颈，将材料创新推向“数智驱动”的快车道。

为打通从设计到验证的最后一公里，无论企业正处于“0到1”的能力建设阶段，还是追求“1到N”的效率跃升，奔曜科技都能以智能化、模块化的方式，帮助企业构建匹配自身节奏的研发提速路径。

⏩ 针对年轻企业，以全链路自动化技术为引擎，以AI技术为智能内核，通过生态合作提供材料性能预测、配方AI智能设计到高通量自动化验证的全流程服务，助力企业突破技术壁垒，快速搭建研发能力，完成从0到1的能力建设；

⏩ 面向行业领军企业，通过标准化接口将智能自动化实验平台产生的庞大数据与企业自有AI平台、数据中台深度对接，实现数据价值协同，深度赋能配方验证与研发迭代，加速创新成果转化与商业化落地。

 

落地案例：AI配方筛选

探索

后续将分享更多落地案例与一线实践，敬请关注。

 

 

参考资料：

[1]《化工系团队：人工智能赋能电解液开发》，2024，清华大学

[2]《人工智能，这样影响科学研究》，2024，人民网

[3]《第二批“数据要素×”典型案例之十五|数据赋能稀贵金属产业发展》，2024，国家数据局

[4]《华中科技大学李会巧教授InfoMat综述：电极材料的空气敏感性—挑战与策略》，2022，能源学报

[5]《NSR|从试错到精准设计：AI如何重塑材料合成？》，2025，中国科学杂志社

[6]《AI重构材料科学：从“试错时代”到“计算纪元”》，2025，ePolymer高分子平台

[7]Chen, Chi, et al. “Accelerating computational materials discovery with machine learning and cloud high-performance computing: from large-scale screening to experimental validation.” Journal of the American Chemical Society 146.29 (2024): 20009-20018.

[8]Duquesnoy, Marc, et al. “Toward high-performance energy and power battery cells with machine learning-based optimization of electrode manufacturing.” Journal of Power Sources 590 (2024): 233674.

[9]McCalla, Eric. “Semiautomated experiments to accelerate the design of advanced battery materials: Combining speed, low cost, and adaptability.” ACS engineering Au 3.6 (2023): 391-402.