黃建中的火種源平台，想把製作速度接回資料與下一輪決策

五小時完成 36 片。對仍靠研究生逐片製作、逐份整理數據的實驗室，這個速度已經很可觀。黃建中緊接著給出另一個數字：一個大幅簡化過的材料問題，光是幾項組成比例，就可能留下約 112 萬種組合。

兩個數字放在一起，高通量的限制就出現了。設備可以縮短每一片的時間，卻無法把 112 萬種可能逐一做完。火種源要處理的是 36 片完成之後的事：哪些結果值得相信，下一批條件從哪裡選。

黃建中說，傳統高通量在實驗完成與下一個實驗之間，仍有一個斷掉的路口。這個缺口早在模型運算之前就已經出現。配方、設備參數和量測結果靠人工抄寫、複製，表現好的樣品進入報告，失敗的則容易被擱置。團隊留下了少數成功點，周圍走不通的路卻跟著消失。換人或換批次後，下一位研究者往往得再付一次相同的學費。

火種源把製作、搬送、量測與樣品履歷串在一起，一輪完成後，再由模型提出下一批候選條件。候選條件也得先知道要服務哪一種產品。屋頂電站在意效率與壽命，建築整合還要處理透光、顏色與面積均勻；室內弱光和農業應用各有不同的光譜需求。只追最高轉換效率，可能會找到一個進不了產品的答案。

這個迴路能不能學到東西，先取決於兩輪資料能否互相比較。黃建中介紹的火種源把製程收進密閉空間或手套箱，演講中的水氧控制條件是 0.01 ppm。基板在設備之間移動，需要換面時便經過封閉傳送與翻轉腔，不先暴露於受控或真空環境之外。否則兩片元件的差異，可能只是其中一片在搬送時經歷了不同環境。

黃建中提到，一年前在論壇上展示的還是裝置設計，這次已經帶來實際系統的照片。從圖紙走到設備，讓密閉搬送與翻轉腔有了具體形狀；平台是否能長期穩定運轉，仍要由連續數據回答。

平台還會留下每台設備每一分鐘的 log。某片結果偏離後，團隊可以回查它經過每個製程時發生了什麼。異常未必都能因此找到原因，但樣品履歷從實驗後的存檔，變成了排查材料、設備與製程事件的線索。36 片／五小時也因此有了另一層意義：這一批留下的是可以帶進下一輪的經驗，而不只是 36 個結果。

面積放大會再考驗一次這份經驗。火種源目前的高通量製程以較小玻璃和旋塗為主；黃建中把 A4、約 30 公分見方、模組與封裝列為後續驗證節點。面積增加後，均勻性、良率與可靠度進入評分。小片上的冠軍配方若沒有留下製程歷史與失敗邊界，走到下一個尺寸仍可能重新摸索。

機器選擇後一輪條件已有實際研究案例。2026 年一篇 Nature 論文把機器學習引導的分子設計、貝葉斯最佳化與自動元件製作接成閉迴路，並做到小面積電池與迷你模組。這篇研究提供了一個外部參照：鈣鈦礦實驗的前一輪結果可以進入後一輪決策。火種源在論壇呈現的則是平台架構、受控搬送與後續放大節點；接下來要累積的是連續運轉、跨批次結果，以及從小片走向放大時保留下來的判斷。

黃建中把共享驗證的方向濃縮成一句話：從「買裝置」轉向「買研發效率」。材料商、新創與學校不一定都要擁有一條自動線；同一份材料若能進入共同的受控流程，連同失敗經驗一路帶到放大驗證，設備的時間才會變成整個研發網絡的時間。這套服務能否成立，仍有賴實際合作與跨批次數據。火種源在這場演講留下的價值，是先把高通量的終點往後移了半步——從一批樣品做完，移到下一批不必重新開始。

資料來源與補充

演講與主辦單位資料

原始論文