7.4 AI 赋能与高通量筛选

7.4 AI 赋能与高通量筛选

分化配方的历史，是一部试错史：几个因子、几十种剂量组合、几周一批的反馈周期——传统「一人一枪一培养箱」的模式，一年试不出几个矩阵。本节介绍车间的两位新同事：高通量筛选把实验并行度提高几个数量级，人工智能则负责从数据里读出人眼读不出的规律。它承接 7.3 的降本叙事——这两位同事的产值主要落在「失败摊销」与「周期」两块账上；也为 6.2 的可追溯要求补上数据基础设施。读完你应当能说出 AI 在车间的三个成熟落位、两块数据短板，并会算高通量筛选的命中率账。

三位一体的新工位

AI 在组织工程车间的落位可以概括为三句话：看得见、教得会、放得稳。

**看得见——图像质检与表型分析。**分化批次的逐孔显微图像，人工判读慢且主观；卷积网络能按形态学特征自动识别目标细胞占比、挑出分化异常的孔位，把 4.5 的表征线搬到线上实时跑。这是目前最成熟的落位，因为它有最干净的数据前提——图像标准化程度高、标注成本可控。

**教得会——分化配方导航。**把「因子组合、剂量、时序」当输入、「目标细胞占比与功能指标」当输出，用历史批次数据训练模型，再由主动学习挑选下一批最有信息量的实验——把「试错」变成「带先验的搜索」。类器官与分化的文献里，这类「闭环培养」已经能显著压缩配方搜索的批次轮数。

**放得稳——过程监控与预测性维护。**反应器与灌流线的传感器流，用时序模型做异常预警——气泡、堵塞、pH 漂移在酿成整批报废前被拦下。这是 7.3 失败摊销账的直接对冲。

动手算一笔：高通量筛选的命中率账

自动化工作站一轮能并行筛选 384 孔的因子组合矩阵。算一笔账：传统手工模式与高通量模式，穷举一个「五因子、三剂量」的搜索空间各要多久，命中率又意味着什么：

# 高通量筛选的工期与命中率演算
搜索空间：5 种因子 × 各 3 个剂量档 = 3^5 = 243 种组合
（暂不含时序维度——时序会让空间指数爆炸，先固定一条时序模板）

传统手工模式：
  一轮并实测 24 孔（一块板），每轮周期 2 周（分化加读出）
  穷举 243 组合 ≈ 11 轮 ≈ 22 周 ≈ 五个多月

高通量模式：
  一轮并行 384 孔（两块 384 孔板装下全部 243 组合加对照）
  同样 2 周一轮 → 一轮出全景 → 2 周

差距：22 周 → 2 周，约十倍。

命中率账（更本质的一笔）：
  假设空间内真正的好配方占 3%（约 7 个）
  手工模式受轮次限制实际只测 120 个组合：
    覆盖好配方的期望 = 120 × 3% ≈ 3.6 个 → 命中率约一半
  高通量全测 243 个：期望命中 7 个 → 全部找到

结论：高通量的价值不只是快，更是「把搜索空间测全」——
      找不找得到最优解，很多时候取决于你测了多少，而不
      是模型多聪明。AI 的角色是在测全之后快速收敛。

追加提醒（时序维度）：
  若把「Wnt 在第 1 天还是第 3 天加」也纳入搜索，空间再乘 2^5，
  243 × 32 ≈ 7776 组合——即高通量也要 20 板才测全，
  此时才轮到贝叶斯优化等主动学习策略登场：用模型挑信息量
  最大的下一板，而不是盲目穷举。
​

数据短板：新同事的伙食问题

AI 同事的产出上限由数据决定，车间当前的两块短板很明确。短板一是数据不可比：各实验室的培养条件、读出方法、命名口径不一，文献数据拼接起来的「大模型」常常学了一身偏见——这也是 7.6 标准化工单急迫的原因之一，数据要有共同语言才能汇流。短板二是负样本缺失：失败批次的数据往往不进数据库（人只爱报喜），模型只见过成功案例，泛化能力虚高——「把失败也记下来」是数据文化问题，先于任何算法问题。在这两块短板补齐之前，对 AI 落地的合理预期是「单元级提效」（质检、监控、局部优化），而不是「端到端自动驾驶」。

易错点与自查

第一个误区是「AI 替代工艺知识」：模型给的是候选，工艺人员仍要按 3.3 的三坐标与生物合理性过滤——纯黑箱配方进了 GMP 体系也说不清变更控制。第二个误区是过拟合的「优化」：历史数据里的隐藏分层（不同供体、不同批次血清）会让模型学到假规律，验证集要与训练集在供体层面隔离。第三个误区是把高通量当高信噪比：384 孔板的边缘效应、加样误差照样制造噪音，质控孔与标准化流程仍是前提——量大了不等于每个数都可信。自查三问：这个模型的训练数据里有没有供体层泄露？失败数据入库了吗？模型推荐配方的生物合理性过审了吗？

要点拾遗：AI 的三个成熟落位是图像质检、配方导航、过程监控，产出集中在失败摊销与周期两块账；高通量的本质价值是把搜索空间测全，主动学习在时序维度爆炸后登场；数据短板是口径不可比与负样本缺失，补齐先于算法；模型验证要在供体层面隔离，生物合理性审查不可省。

模型落地前的三道审查

车间引入一个 AI 工具，落地前的审查清单三道。第一道，数据审查：训练数据的批次覆盖度（几个供体、几台设备、几个季节）、标签质量（谁标的、标准统一吗）、负样本比例（失败批次进了没有）——数据审查不过关的模型再花哨也不立项。第二道，泛化审查：留出验证要按「没见过的供体」切分，而不是按「没见过的图」切分——后者是本领域最常见的过拟合姿势，指标虚高但上线就垮。第三道，责任审查：模型的输出在 SOP 里定位为什么——是「建议」（人工复核采纳）还是「指令」（直接触发动作）？定位不同，验证等级与变更控制要求完全不同；GMP 语境下多数模型先当建议用，攒够审计记录再谈升级。三道审查的共同精神：AI 上线的门槛不是精度，是可信度的可论证——这与本册所有质量工程的思想一脉相承。

一条容易被误读的行业信号

读 AI 相关的行业新闻有个过滤器：区分「模型在演示里表现好」与「模型在产线上有审计记录」。前者常见于发布会——干净的数据集、理想的拍摄条件；后者的标志是能看到版本管理、偏差记录与人工复核率。目前行业里真正走完第二种的案例还集中在图像质检与设备监控两块——恰好是输入最标准化、错误代价最可控的两个工位。这个观察给从业者一个务实的入行建议：与其押注「端到端智能车间」的宏大叙事，不如深耕「让一个工位的数据先标准化」的具体活儿——7.6 的标准化工单里，这类活儿正是最缺人的位置。

一页小模型也能做的事

别以为 AI 落地都要大模型，车间里小模型与小脚本常常更先回本。三个例子：传代提醒器——按倍增演算自动排传代日历，超期报警，杜绝「忘记传代整批过汇合」的经典事故；批次看板——把三线质检数据画成趋势图并自动标注越界点，趋势预警代替事后翻账；耗材效期管家——因子与血清的效期倒计时加先进先出提醒，过期物料进产线的事故从此绝迹。三件事的共同点：数据在车间里本来就有，缺的只是自动汇总与提醒的一层薄壳——一周开发量，天天省时省险。给管理者的启发是：数字化预算先花在这类「小而确定」的壳上，攒出数据习惯与信任，再谈模型——顺序倒了，钱花了，习惯还是没养成。