人工智能（AI）正改变科学界发现与设计新材料的路径。东北大学研究人员在《应用化学国际版》发表的一篇特别邀请综述中表示，大型人工智能模型正在重塑催化剂发现流程，有望为清洁能源与可持续技术相关创新提供更高效率的研发手段。

催化剂用于加速化学反应，在燃料电池、污染控制以及氢气生产等过程中具有关键作用。研究人员指出，传统催化剂研发长期依赖反复试验，这一方式往往需要多年实验室工作并消耗大量资源。

该综述提出以数据与模型驱动的策略替代单纯试错：通过整合大型、高质量的催化数据库与先进AI工具，尤其是通用机器学习原子间势（MLIPs）和大型语言模型（LLMs），研究人员可在材料合成之前对其催化性能进行预测，从而在更广阔的化学空间中筛选潜在候选。

研究人员介绍，通用机器学习原子间势可用于以更高速度与精度模拟原子行为及相互作用；大型语言模型则可用于分析科学文献、解读复杂知识，并在研究设计中提供辅助。上述工具被用于将科学概念、计算建模与实验验证连接为统一的数据驱动工作流程。

在这一框架下，研究人员不再局限于逐一测试材料，而是能够开展大规模模拟，快速收集并训练数据，进而更高效地预测更具潜力的催化剂设计。综述还提到，在部分情形下，AI系统可用于指导后续研究步骤，形成学习与实验相互迭代的循环。

东北大学WPI-AIMR杰出教授李昊在综述中表示，通过将通用AI模型与领域知识及自动化结合，催化剂发现有望从缓慢推进转向持续加速的过程，并可能缩短科学洞察与实际应用之间的时间。

对于下一步方向，研究团队设想构建更为集成的AI驱动闭环平台，使预测、合成、测试与学习在持续反馈中运行，以减少时间与材料浪费并提高获得突破性发现的可能性。研究人员同时表示，相关策略还计划扩展至其他关键材料领域，包括电池材料与氢储存材料，并通过跨学科的数字材料生态系统促进多类能源技术创新。