
探討實驗數據之前,首先明確歐世盛對于 AI4S 所需數據的基礎定義:AI4S 對實驗數據的要求,既不是單純堆砌數據量,也不止是實現記錄格式的表層統一。高通量解決的是單位時間內的數據產出效率,標準化解決的是數據記錄口徑的規(guī)范問題,但二者都沒有回答一個更底層的問題:不同設備、不同實驗室產出的數據,是否表征同一個可相互比對的物理化學過程。倘若標稱反應條件一致,但體系內真實反應狀態(tài)并不等價,那么即便數據集體量再大,也只是樣本數量的增加,不足以構建具備遷移能力的科學模型。
真正決定數據資產價值的,是條件–響應關系的可遷移性:真實反應狀態(tài)可被精準表征,由設備、尺度帶來的偏差得到顯式約束,跨平臺結果能夠接受獨立外部驗證,讓數據脫離原始設備后,依然可以支撐同一模型開展預測。AI4S 閉環(huán)的落地,以實驗體系的知識生產能力為基礎:只有當多源數據能夠納入同一套實驗坐標系,“假設 — 驗證 — 迭代" 循環(huán)沉淀下來的才不只是零散數據,而是可以持續(xù)復用的科學知識。2026 年《Nature Catalysis》一項四實驗室聯合比對研究,為上述觀點提供了直接佐證。
關系在本實驗室成立,合并后卻不顯著
這項研究由四個實驗室共同完成,對象為 CO? 加氫用 Rh/TiO? 催化劑。各實驗室使用相同催化劑批次和測試協議,考察反應溫度、Rh 負載量與合成方法等輸入,與轉化率、選擇性及 CO、CH? 生成速率等輸出之間的關系。研究同時量化實驗室內與實驗室間變異,而非僅比較單次測量結果。
結果的關鍵不在于“各實驗室測得不一樣",而在于:部分在實驗室內清晰可見的輸入 - 輸出關系,在納入實驗室間變異后變得不具有統計顯著性。
這區(qū)分了兩類問題。若只是隨機噪聲較大,增加重復實驗仍可能改善估計,但若各平臺存在系統性差異,直接合并數據會把設備或實驗條件的影響誤寫進化學關系。此時,數據量增加并不必然帶來更可靠的模型,反而可能使誤差來源更加隱蔽。
圖1|相同催化劑與協議仍可能對應不同的實際反應狀態(tài),數據可遷移性須依次通過協議、物理與跨平臺三層檢驗
可重復、標準化、可遷移:不是同一件事
討論數據資產時,三個概念經常被交替使用。為避免術語歧義,本文按以下操作定義加以區(qū)分:
可重復性與標準化是實現可遷移的必要條件,但并不充分。數據自身的一致性,無法自證可遷移性,可遷移性必須通過原實驗體系以外的測試來驗證。這也是可遷移性和單純補全數據記錄之間的核心差異。
模型為什么會學到“設備指紋"
實驗測得的響應,并非只由本征化學決定。它同時受到混合、傳熱、傳質、設備結構、尺度與操作過程影響??梢詫⒂^測關系概括為:
觀測響應 = f(本征化學,實際傳遞狀態(tài),設備與尺度,操作過程)
這里的“設備指紋"不是設備品牌或編號,而是設備及其運行方式在測量結果中留下的系統性偏差。例如,兩個系統都記錄“80 °C",但實際物料溫度、局部溫差與熱歷史可能不同。都記錄“反應 2 小時",但混合達到穩(wěn)態(tài)所需的時間和有效反應歷程也可能不同。
如果訓練數據只包含名義條件和最終響應,模型便無法區(qū)分本征化學與設備貢獻。在單一設備內,這種偏差可能被擬合為穩(wěn)定的表觀關系,甚至取得很高的擬合精度。一旦更換設備,原有映射便可能失效。單平臺高精度只能證明平臺內插值能力,不能證明跨平臺泛化能力。
可遷移性的三層驗收:協議、物理、驗證
第一層:協議可移植——實驗能否在另一套系統中被準確執(zhí)行。
2026 年《Device》發(fā)表的 orchestrated lab 框架指出,許多自驅動實驗室的流程與特定軟件棧和硬件配置緊密耦合,因而難以跨平臺復現。其解決思路是建立共享的中間表征,使實驗流程能夠驗證、移植和重新部署。這一層解決“如何做",但尚不能保證不同系統所得結果具有相同的物理含義。
第二層:物理可比較——名義條件是否對應相同的實際反應狀態(tài)。
除配方、溫度、壓力和時間外,還需結合具體反應體系統一實測混合狀態(tài)、停留時間分布、傳熱傳質狀態(tài)、反應器幾何及關鍵過程變量,并報告測量不確定度。若這些量未被約束,協議文字的一致并不等于反應環(huán)境的一致。
第三層:跨平臺可驗證——離開原系統后,關系是否仍然成立。
可采用標樣循環(huán)比對、跨平臺外部驗證,或是建模時按平臺劃分訓練集與測試集開展檢驗。其核心檢驗目標,并非模型對已有數據的擬合能力,而是模型對未參與訓練的異平臺新數據的預測能力。
三層缺一不可:只有協議,可能得到“執(zhí)行一致但物理不等價"的數據;只有物理參數,缺少流程仍難以復現。沒有跨平臺驗證,則前兩層是否充分仍無法判斷。
歐世盛采用連續(xù)流的深層價值:讓實驗條件成為可描述的物理量
在這一框架下,歐世盛采用連續(xù)流的意義不應止于提高實驗速率。其更深層價值在于,反應條件有機會被轉化為更明確、可測量的物理量:以流速與停留時間分布描述反應歷程,以通道結構、實際溫壓與傳熱傳質參數描述反應環(huán)境,以在線過程數據區(qū)分本征動力學與傳遞限制。相比僅以“釜溫、攪拌轉速、反應時間"描述實驗,這些量更接近模型所需的實驗坐標。
但必須同時強調:連續(xù)流并不天然帶來可遷移性。通道尺寸、材質、傳感器、混合結構與控制策略同樣可能形成新的設備指紋。若缺少實測參數、統一協議與跨平臺校驗,微反應器產生的數據仍可能只在原裝置上成立。
因此,歐世盛以微反應技術為核心,將配料、反應、分離、檢測與軟件單元組合為標準化模塊。這一目標不應被理解為單純增加數據點,而應被理解為建立一種可遷移的實驗坐標系:使實驗流程能夠準確執(zhí)行,實際反應狀態(tài)能夠被完整測量,所得關系能夠接受跨平臺檢驗。高通量建立在這一基礎上,才更有可能轉化為可累積的知識生產能力。
參考文獻:
Bac, S. et al. Quantifying uncertainty in catalyst activity and deactivation during CO? hydrogenation via round-robin testing for datadriven modelling. Nature Catalysis, 2026, 9: 912–923. DOI: 10.1038/s41929-026-01559-y.
Gottstein, W. et al. A foundational representation for an orchestrated lab. Device, 2026,4,101202. DOI: 10.1016/j.device.2026.101202.
Canty, R. B. & Abolhasani, M. The past, present and future of self-driving laboratories. Nature Reviews Chemistry, 2026, 10: 523–537. DOI: 10.1038/s41570-026-00847-2.
The road to selfdriving laboratories in industry. Nature Synthesis, 2026. DOI: 10.1038/s44160-026-01194-2.