自驱动实验室 Self-Driving Lab：闭环自动化合成

自驱动实验室（self-driving lab）把 DMTA 闭环完全自动化：算法设计实验、机器人执行、仪器分析、结果回流更新模型，然后自动决定下一轮做什么——无需人工干预。这是实验自动化的理想形态，但也最容易被过度宣传。

系统构成

层	组件	关键要求
决策层	贝叶斯优化、主动学习	能处理噪声与批量选择
规划层	把决策翻译成可执行操作	需要标准化的操作描述
执行层	液体处理机器人、反应器、加热搅拌	可靠性、可重复性
分析层	在线 LC-MS、HPLC、NMR、光谱	自动化进样与数据解析
数据层	实验记录、结果解析、模型更新	结构化、可追溯
调度层	任务队列、资源管理、错误处理	异常恢复能力

最容易被低估的是「规划层」与「错误处理」：把「用 X 催化剂在 Y 温度下反应」翻译成机器人的具体动作序列，以及处理「移液枪堵了」「反应物结晶了」这类异常，是实际工程量的大头。

现实进展：哪些已经做到

• 反应条件优化：这是最成熟的应用。固定一个反应，自动筛选催化剂/配体/碱/溶剂/温度组合，用贝叶斯优化收敛到高产率条件。已有多个成功报道。
• 材料与配方优化：光电材料、催化剂、制剂配方的组分优化。
• 简单的分子合成：基于可靠反应（酰胺偶联、Suzuki 等）的类似物库合成。
• 高通量筛选：本来就高度自动化的领域。

现实进展：哪些还做不到

• 复杂多步全合成：需要中间体分离纯化、条件差异大、异常情况多；
• 需要人工判断的操作：相分离、结晶形态观察、判断反应是否完成；
• 探索性化学：尝试文献中没有先例的新反应；
• 非标准化的生物实验：细胞状态判断、显微观察；
• 真正的「端到端做药」：目前没有系统能从靶点自动做到候选化合物。宣传中的「AI 自主发现药物」通常只覆盖了某个环节。

贝叶斯优化：决策层的核心

import numpy as np
from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import Matern, WhiteKernel
from scipy.stats import norm

class ReactionOptimizer:
    def __init__(self, condition_space):
        self.space = condition_space          # 编码后的候选条件
        self.X_tested, self.y_tested = [], []

    def expected_improvement(self, mu, sigma, best_y, xi=0.01):
        """期望改进采集函数"""
        with np.errstate(divide="warn"):
            imp = mu - best_y - xi
            Z = np.where(sigma > 0, imp / sigma, 0.0)
            ei = imp * norm.cdf(Z) + sigma * norm.pdf(Z)
            ei[sigma == 0.0] = 0.0
        return ei

    def suggest_batch(self, batch_size=24):
        if len(self.X_tested) < 8:
            # 冷启动：先做覆盖性好的初始设计
            idx = np.random.choice(len(self.space), batch_size, replace=False)
            return self.space[idx]

        gp = GaussianProcessRegressor(
            kernel=Matern(nu=2.5) + WhiteKernel(),
            normalize_y=True, n_restarts_optimizer=5)
        gp.fit(np.array(self.X_tested), np.array(self.y_tested))

        mu, sigma = gp.predict(self.space, return_std=True)
        ei = self.expected_improvement(mu, sigma, max(self.y_tested))

        # 批量选择时要考虑多样性，避免选到一堆相似条件
        selected = []
        ei_copy = ei.copy()
        for _ in range(batch_size):
            i = int(np.argmax(ei_copy))
            selected.append(i)
            # 惩罚已选点附近的候选
            dist = np.linalg.norm(self.space - self.space[i], axis=1)
            ei_copy *= (1 - np.exp(-dist**2 / 0.5))
        return self.space[selected]

    def update(self, X_new, y_new):
        self.X_tested.extend(X_new)
        self.y_tested.extend(y_new)

落地的关键约束

• 投入巨大：设备、集成、维护的成本很高，只有高频重复的任务才划算。
• 标准化是前提：只有条件参数明确、操作可重复的实验才能自动化。探索性实验反而不适合。
• 错误处理是主要工程量：机器人的可靠性、异常检测与恢复，往往占开发投入的大头。
• 分析环节常是瓶颈：合成可以自动化，但如果分析要人工进样与解谱，闭环就断了。
• 化学范围受限：自动化平台通常只支持有限的反应类型与操作。
• ROI 要认真算：很多情况下，「半自动化 + 熟练技术员」比全自动化更经济。

务实的分级路径

# 不必一步到位，按收益排序逐步推进

# 级别 1：数据自动化（收益最高、成本最低）
#   仪器数据自动采集入库，消除手工录入
#   → 立刻改善数据质量与可追溯性

# 级别 2：分析自动化
#   自动进样、自动积分、自动生成结果表

# 级别 3：单元操作自动化
#   平行反应器、自动化后处理

# 级别 4：决策辅助
#   贝叶斯优化建议下一批条件（人工执行）
#   → 这一步的收益/成本比通常最好

# 级别 5：闭环自动化
#   全自动执行 + 决策

# 多数团队在级别 1~4 就能获得大部分收益，
# 级别 5 只在高度重复的场景才划算

级别 4（决策辅助）往往是性价比最高的一步：不需要机器人，只需要把贝叶斯优化接进现有的实验流程，就能显著减少实验轮次。

延伸资源

• 条件优化：389《反应条件与产率预测》；DMTA 闭环：355《建立 DMTA 闭环》、400《从设计到合成的闭环》；
• 公司案例：315《XtalPi 晶泰科技》、296《XtalPi ID4Inno》。