10.3 自动化实验室与闭环研发

10.3 自动化实验室与闭环研发

本节摘要：自动化实验室把"设计-合成-测试-学习"的循环从月级压到天级：机器人执行合成与表征，算法指挥下一轮实验，人退到目标设定与例外处置的位置。本节拆解闭环的软硬件拼图与成熟度阶梯，并用"百次实验跑赢五百次人工筛选"的案例给出闭环的经济学账。

馆务第三课：参观新馆工地。9.3 节的贝叶斯优化在这里长出机械臂，前九章的一切软件手艺在这里获得物理出口——这是化学信息学正在发生的形态升级，也是本册主线的终点站。

让机器人自己跑实验

闭环实验室的拼图有四块。执行层：液体处理工作站负责加样与稀释，自动化合成设备（流动化学、自动加料反应器）负责反应，自动进样的分析仪器（色谱、质谱）负责读数——这一层是硬件采购问题，各厂商方案成熟。调度层：实验排队、板位管理、仪器预约，把"跑一个实验"变成可靠的后台任务；这一层最容易被低估，闭环的稳定性往往卡在调度而非算法。数据层：9.1 节的反应表征与 3.3 节的治理规范在此兑现——机器人产出的数据若不按规范自动登记，闭环就在数据口漏水。决策层：贝叶斯优化（9.3 节）或主动学习读取全部历史结果，推荐下一批实验——这是化学信息学的主场地盘。

成熟度分四级，团队可自检位置。一级，数字化：实验数据按规范登记，检索有门——多数团队的现实位置。二级，半自动：单点环节自动化（加样或分析），人管全程。三级，批量闭环：一轮优化任务（条件寻优、配方筛选）内机器自主迭代，人设目标看里程碑。四级，探索闭环：系统自主提出假设、设计并执行实验序列，人只在例外时介入——学术界的前沿演示已到这一级，工业界多为三级。

图 10-3：闭环实验室的一天

案例：百次实验跑赢五百次人工筛选

背景。一个催化条件寻优任务：八个变量（配体、碱、溶剂、温度、浓度等，各取若干水平），全因子空间数万组合，此前人工与半自动筛选的最好成绩是五百次实验找到的。团队决定用三级闭环打一次对抗赛：目标设为"以最少实验达到或超越历史最优"。

操作。闭环装配如下：首轮按多样性铺三十个实验（9.3 节的首轮策略）；此后每轮由高斯过程代理模型给出"期望改进"最高的十个条件组合，机器人夜间执行，清晨色谱读数自动入表，模型更新后推荐下一轮——每轮循环约一天。人只做三件事：定目标函数（产率与选择性的加权）、设安全约束（温度上限、禁用试剂）、在第四轮时凭化学直觉否决了一个模型坚持的低温高浓度组合（理由：该组合可能导致沉淀堵管）。

结果。第九轮（累计约一百一十个实验）找到的组合产率超过历史最优，累计实验数约为人工路径的四分之一；耗时十三天，其中机器执行时间不到四十小时——瓶颈全在排队等分析仪器。这是闭环经济学的标准画面：省的不是瓶子，是日历。

解读。三点冷静的解读。其一，人的直觉在闭环里没有失业而是升职：第四轮那次否决避免的可能是一星期的设备维护，化学常识成了约束条件的高级来源——人从执行者变成规则制定者，10.2 节的纪律（目标函数、约束、里程碑审查）全数适用。其二，闭环的短板暴露得同样清晰：调度与仪器吞吐才是真正的节拍器，算法再聪明也快不过排队——升级闭环先算清分析通量这笔账。其三，实验数省下来的同时，数据的结构化质量上去了：每条记录天生带完整条件与读数，9.3 节"产率模型难训"的燃料问题，正在被闭环实验室批量解决——闭环喂肥模型，模型指挥闭环，这个正循环是整本书的最终答案。

变式。闭环思想的三个降维应用——不需要机器人也能先跑起来：虚拟闭环——在计算数据上跑贝叶斯优化循环（对接打分当读数），零实验成本预演策略；半闭环——机器人管加样、人管分析，循环周期仍能压到三天以内；跨项目迁移——把一个闭环学到的条件先验带到新底物的任务（迁移学习），新任务首轮就站在旧任务肩膀上。

把闭环搬回家的三个台阶

真正动手升级实验室时，建议按台阶推进，每级都先把上一级的收益榨干。

第一级台阶：数据无纸化。目标只有一个——每条实验记录当天进登记表。工具不必高级：电子记录本加一个六字段模板（化合物、条件、读数、日期、操作人、协议号）就能启动。这一级的收益常被低估：仅仅因为数据可检索，重复合成与重复失败实验的比例就会肉眼可见地下降。许多团队跳过这级直奔机器人，结果机器人产出的数据仍躺在仪器电脑的本地硬盘里——自动化了执行，没有自动化信息，等于白买。

第二级台阶：单点自动化。挑最痛的环节先动：通常是加样（液体处理工作站）或分析（自动进样色谱）。判断标准很简单——统计团队一周的时间流水，占时最长且规则最固定的环节就是它。这一级的正确心态是"攒工艺"：把每个自动化环节的失败模式、维护节奏、耗材成本记录成册，它们就是第三级的施工图。同时把 10.1 节的开源工具链接进来：加样计划由脚本生成、色谱数据由脚本解析入库——软件先于硬件形成闭环的骨架。

第三级台阶：批量闭环。选定一类高频任务（条件寻优最典型，9.3 节的打法直接照搬），让"推荐-执行-读数-更新"在一类任务内自主循环。启动前要备好三样东西：目标函数的书面定义（什么是"更好"，权重谁说了算）、约束清单（安全红线、禁用组合，由化学家签字）、里程碑审查节奏（每几轮人看一次）。这一级成功后，团队的重心会自然滑向 10.2 节的纪律建设与目标函数设计——那正是化学信息学家在新实验室里的主场。

升级前的成本与风险清单

动念容易，立项要过账。给准备升级闭环的团队一张先算后买的清单。

成本侧四笔账。硬件购置是一次性投入，但耗材与维护是持续失血点——移液枪头、色谱柱、密封件的年度花费常让首次采购者意外；场地改造（通风、供电、空间）在旧实验室里往往比设备本身贵；软件集成是最容易被低估的科目——把调度、仪器、登记系统接起来的人工时，通常两倍于算法开发；最后是人力转型的培训成本，化学家学脚本、数据工程师学仪器，磨合期以季度计。

风险侧四条底线。安全约束必须硬编码在调度层而不是写在文档里——机器人不懂"原则上不能超过某个温度"，除非代码不让它超；数据登记如果允许人工补录的旁路，闭环的数据质量就会从旁路漏走；例外处置要有明确的升级路径（哪个异常停机、哪个异常继续并告警、找谁拍板），否则第一次深夜故障就会让全组对闭环失去信任；还有一条最容易被忽略——闭环不等于无人，里程碑审查的节奏（10.2 节）要在系统上线前就写进流程，而不是出事之后补。

过完这张清单还决定上马的项目，成功的概率已经不低；剩下的变数主要在两类人的配合度——愿意把配方写成脚本的老化学家，和愿意学一点化学常识的自动化工程师。闭环团队的画像，一半是技术，一半是这两种人的相遇。

本节要点回顾

• 四层拼图：执行、调度、数据、决策——算法只是决策层，闭环稳定性常卡在调度。
• 成熟度四级：数字化、半自动、批量闭环、探索闭环，先自检再升级。
• 省的是日历：百次实验与十三天跑赢五百次，瓶颈在仪器吞吐而非算法。
• 人升职不失业：定目标、设约束、否决例外，化学直觉变成约束条件的高级来源。
• 下一站：闭环之外还有三件不太远的事——10.4 节的量子、大库与组学，是新馆图纸上最远的展馆。