面向 AI4S 的实验数据资产：可重复、标准化与可迁移

探讨实验数据之前，首先明确欧世盛对于 AI4S 所需数据的基础定义：AI4S 对实验数据的要求，既不是单纯堆砌数据量，也不止是实现记录格式的表层统一。高通量解决的是单位时间内的数据产出效率，标准化解决的是数据记录口径的规范问题，但二者都没有回答一个更底层的问题：不同设备、不同实验室产出的数据，是否表征同一个可相互比对的物理化学过程。倘若标称反应条件一致，但体系内真实反应状态并不等价，那么即便数据集体量再大，也只是样本数量的增加，不足以构建具备迁移能力的科学模型。

真正决定数据资产价值的，是条件–响应关系的可迁移性：真实反应状态可被精准表征，由设备、尺度带来的偏差得到显式约束，跨平台结果能够接受独立外部验证，让数据脱离原始设备后，依然可以支撑同一模型开展预测。AI4S 闭环的落地，以实验体系的知识生产能力为基础：只有当多源数据能够纳入同一套实验坐标系，“假设 — 验证 — 迭代" 循环沉淀下来的才不只是零散数据，而是可以持续复用的科学知识。2026 年《Nature Catalysis》一项四实验室联合比对研究，为上述观点提供了直接佐证。

关系在本实验室成立，合并后却不显著

这项研究由四个实验室共同完成，对象为 CO₂ 加氢用 Rh/TiO₂ 催化剂。各实验室使用相同催化剂批次和测试协议，考察反应温度、Rh 负载量与合成方法等输入，与转化率、选择性及 CO、CH₄ 生成速率等输出之间的关系。研究同时量化实验室内与实验室间变异，而非仅比较单次测量结果。

结果的关键不在于“各实验室测得不一样"，而在于：部分在实验室内清晰可见的输入 - 输出关系，在纳入实验室间变异后变得不具有统计显著性。

这区分了两类问题。若只是随机噪声较大，增加重复实验仍可能改善估计，但若各平台存在系统性差异，直接合并数据会把设备或实验条件的影响误写进化学关系。此时，数据量增加并不必然带来更可靠的模型，反而可能使误差来源更加隐蔽。

图1｜相同催化剂与协议仍可能对应不同的实际反应状态，数据可迁移性须依次通过协议、物理与跨平台三层检验

可重复、标准化、可迁移：不是同一件事

讨论数据资产时，三个概念经常被交替使用。为避免术语歧义，本文按以下操作定义加以区分：

可重复性与标准化是实现可迁移的必要条件，但并不充分。数据自身的一致性，无法自证可迁移性，可迁移性必须通过原实验体系以外的测试来验证。这也是可迁移性和单纯补全数据记录之间的核心差异。

模型为什么会学到“设备指纹"

实验测得的响应，并非只由本征化学决定。它同时受到混合、传热、传质、设备结构、尺度与操作过程影响。可以将观测关系概括为：

观测响应 ＝ f（本征化学，实际传递状态，设备与尺度，操作过程）

这里的“设备指纹"不是设备品牌或编号，而是设备及其运行方式在测量结果中留下的系统性偏差。例如，两个系统都记录“80 °C"，但实际物料温度、局部温差与热历史可能不同。都记录“反应 2 小时"，但混合达到稳态所需的时间和有效反应历程也可能不同。

如果训练数据只包含名义条件和最终响应，模型便无法区分本征化学与设备贡献。在单一设备内，这种偏差可能被拟合为稳定的表观关系，甚至取得很高的拟合精度。一旦更换设备，原有映射便可能失效。单平台高精度只能证明平台内插值能力，不能证明跨平台泛化能力。

可迁移性的三层验收：协议、物理、验证

第一层：协议可移植——实验能否在另一套系统中被准确执行。

2026 年《Device》发表的 orchestrated lab 框架指出，许多自驱动实验室的流程与特定软件栈和硬件配置紧密耦合，因而难以跨平台复现。其解决思路是建立共享的中间表征，使实验流程能够验证、移植和重新部署。这一层解决“如何做"，但尚不能保证不同系统所得结果具有相同的物理含义。

第二层：物理可比较——名义条件是否对应相同的实际反应状态。

除配方、温度、压力和时间外，还需结合具体反应体系统一实测混合状态、停留时间分布、传热传质状态、反应器几何及关键过程变量，并报告测量不确定度。若这些量未被约束，协议文字的一致并不等于反应环境的一致。

第三层：跨平台可验证——离开原系统后，关系是否仍然成立。

可采用标样循环比对、跨平台外部验证，或是建模时按平台划分训练集与测试集开展检验。其核心检验目标，并非模型对已有数据的拟合能力，而是模型对未参与训练的异平台新数据的预测能力。

三层缺一不可：只有协议，可能得到“执行一致但物理不等价"的数据；只有物理参数，缺少流程仍难以复现。没有跨平台验证，则前两层是否充分仍无法判断。

欧世盛采用连续流的深层价值：让实验条件成为可描述的物理量

在这一框架下，欧世盛采用连续流的意义不应止于提高实验速率。其更深层价值在于，反应条件有机会被转化为更明确、可测量的物理量：以流速与停留时间分布描述反应历程，以通道结构、实际温压与传热传质参数描述反应环境，以在线过程数据区分本征动力学与传递限制。相比仅以“釜温、搅拌转速、反应时间"描述实验，这些量更接近模型所需的实验坐标。

但必须同时强调：连续流并不天然带来可迁移性。通道尺寸、材质、传感器、混合结构与控制策略同样可能形成新的设备指纹。若缺少实测参数、统一协议与跨平台校验，微反应器产生的数据仍可能只在原装置上成立。

因此，欧世盛以微反应技术为核心，将配料、反应、分离、检测与软件单元组合为标准化模块。这一目标不应被理解为单纯增加数据点，而应被理解为建立一种可迁移的实验坐标系：使实验流程能够准确执行，实际反应状态能够被完整测量，所得关系能够接受跨平台检验。高通量建立在这一基础上，才更有可能转化为可累积的知识生产能力。

参考文献：

Bac, S. et al. Quantifying uncertainty in catalyst activity and deactivation during CO₂ 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.