Nat. Methods | 智能科学仪器所缺失的数据拼图

DRUGONE

当下，大多数科学仪器都会丢弃大量本可用于训练人工智能（AI）的命令、数据与元数据流，而这些信息本可以帮助 AI 系统学习具备专家级决策与故障排查能力。要在大规模上记录并利用这些数据，需要重新思考应当存储哪些数据、如何激励大规模协作，以及如何量化此类自主系统的可靠性。未能以数字形式保存研究人员的专业经验，意味着错失了打造高度智能科学仪器的机会，从而限制了科学进展的加速与实验可重复性的提升。

每天，显微镜、流式细胞仪、光谱仪以及其他仪器在成千上万的实验室中持续产生丰富的数字痕迹：精确的操作指令序列、实时观测结果以及每一时刻的决策过程，这些都凝结了操作人员多年积累的宝贵经验。与此同时，人工智能在从结构化数据中学习方面已达到前所未有的能力水平。现代的 Transformer 神经网络能够在多个领域中学习统计关联，从语言到蛋白质，再到机器人动作。这一进展已促成了一些自主实验系统的出现，例如在化学与材料科学领域，在这些领域中已经积累了大量可用数据。研究人员认为，如果能够使 AI 系统跨多种仪器独立完成完整的生物学实验，就有可能将实验专长广泛传播至整个科研共同体。

目前，研究人员传递实验经验的主要方式仍然是论文中的方法学描述，而这些描述往往将复杂的专家操作流程压缩为简短摘要。这类摘要并不包含实现可重复性所必需的关键信息与技能，例如识别实验问题、优化参数以及在实验过程中进行实时调整的能力。研究人员往往需要亲自前往特定实验室或参加长期培训才能掌握这些技能，而当一位经验丰富的研究人员离开实验室时，其积累的知识与经验也常常随之流失。

在这一背景下，大多数自动化系统仍然无法执行通用且具有适应性的决策任务。例如，当前的智能显微系统通常依赖硬编码规则，或仅针对特定场景进行设计。尽管它们已经能够以超越人类的规模与速度运行，但在规划、故障排查以及应对意外实时观测结果方面仍然能力有限。

尽管现有自动化系统存在明显局限，AI 技术依然展现出巨大潜力，尤其是在可获得更大规模、更高质量数据的情况下。近年来，科学领域中的多项 AI 突破几乎都出现在数据极为丰富的应用场景中，这反映了 Transformer 性能与数据规模之间的可预测关系。这一规律表明，AI 系统有潜力学习当前自动化系统所缺乏的自适应决策能力。要将这种“规模定律”应用于科学研究，AI 的发展需要新的、特定领域的高质量训练数据。这类数据尤为重要，因为传统训练来源——公开文本数据——正逐渐接近枯竭，从而限制了沿既有扩展路径继续提升模型性能的空间。

研究人员提出，系统性地记录专家实验操作的数字痕迹，有望将科学仪器从基于规则的自动化工具转变为智能化的科研伙伴。通过跨实验、跨仪器、跨操作者地记录完整的指令、观测与实时决策序列，可以训练出超越现有硬编码自动化系统的 AI 模型。这类系统有望从“副驾驶”式辅助逐步演进为具备规划、故障排查与实时适应能力的全自主智能体。

除了提升仪器能力之外，这一思路还有望改变科学专长的传播方式，使研究人员能够更快速地掌握新方法，同时为实验可重复性提供一种更为严格的新标准。

为说明工作流数据如何增强科学仪器能力，研究人员以一个具体示例加以阐述：利用 Transformer 神经网络学习显微镜对焦过程。该示例展示了 AI 从实验过程中产生的丰富数据流中学习的广泛潜力。

图 1：基于科学仪器使用数据训练自回归模型。

Transformer：现代 AI 的通用工具

基于 Transformer 的系统在处理序列化、异构数据方面表现尤为出色，而这正是实验过程中由仪器产生的数据特征。与需要为每一种情境显式编程的传统自动化方法不同，Transformer 通过发现输入元素之间的统计关系进行学习，从而能够在统一框架下处理从指令到图像等多种数据类型。

许多 Transformer 模型采用“仅解码器”的自回归架构，通过在给定已有上下文的情况下预测下一个“token”。Token 是数据的基本单元：在语言中可以是字符或词语，在图像中可以是像素或图像块。模型通过不断预测下一个 token，逐步生成复杂的序列。对大规模数据进行训练后，模型会形成丰富的内部表示，这些知识可以通过微调用于特定任务，例如对话交互或代码补全。

神经网络的核心能力在于将原始数据转化为学习到的表示，即能够捕捉关键关系的数值编码。随着信息在网络层中不断传递，这些表示变得愈发具备上下文感知能力与抽象性，使模型能够在保持语义关系的同时处理不同类型的数据。模型规模越大、结构越复杂，越能够识别细微的行为模式与情境差异，并在其向量空间的不同区域中对这些差异进行编码。

借助这些表示，复杂的识别任务可以被大大简化。例如，在已有嵌入表示的基础上训练一个识别成纤维细胞的视觉系统，只需要相对较少的样本。这与为所有形态、光照条件与细胞亚型编写显式规则，或从零开始学习这些规则，形成了鲜明对比。

从语言到动作

近期在视觉–语言–动作模型方面的进展表明，AI 系统已经能够超越语言与视觉理解，直接控制物理系统。这类系统通常利用预训练的视觉与语言模型，并将物理动作编码为文本 token，再转换为精确的控制指令。与需要通过复杂示范或远程操作来连接物理与数字世界的机器人应用不同，许多科学仪器本身就是通过数字接口进行控制的，其软件在日常操作中已自然生成结构化数据，例如指令、响应与状态变化，这使它们成为 AI 控制的理想对象。

科学工作流的 token 化

科学仪器的控制可以被视为一个序列建模问题，与语言生成在本质上是类似的。由于仪器操作具有高度数字化特征，控制它们的过程就像与聊天机器人交流，只是数据类型有所不同：文本被 token 化用于问答，而仪器指令及其返回的数据与元数据同样可以被转换为相应的 token。在显微实验中，操作人员发出诸如“采集图像”“移动焦点”等指令，仪器则返回图像以及描述状态变化的文本信息。

这些动作、观测与元数据 token 的序列共同编码了仪器状态、实验进程以及操作者意图的多个方面。正如字母组合成单词、单词组合成句子以表达复杂语义一样，这些 token 之间的统计关系也能够组合起来表示从基础操作到复杂实验流程的不同层级任务。

现有的 Transformer 架构为捕捉并利用这种实验执行知识提供了一条直接路径。所有 token 首先被嵌入为向量，并汇集到数据库中，理想情况下应涵盖不同操作者、不同仪器与不同样品的多样化实验序列。对这些序列进行训练后，模型能够学习实验执行模式，就如同语言模型学习预测句子中的下一个词语一样。

在一个简单示例中，当输入一张失焦图像时，模型可以生成合适的平台移动指令以实现对焦，其行为方式与人类操作者相似。这种能力可以自然地在不同仪器之间迁移，因为对一台显微镜的对焦经验在很大程度上适用于其他显微镜。

研究人员认为，实现这一愿景的高效路径，很可能是利用已有的前沿预训练模型，而非从零开始训练新模型。预训练的视觉模型可用于处理实验图像，语言模型则负责解析指令与元数据，从而在仅需相对较小的仪器特定数据集的情况下，构建功能强大的系统。这种策略既能捕捉实验工作流的关键模式，又能显著降低训练所需的数据量与计算成本。

开放性挑战

尽管从实验工作流中学习具有巨大潜力，但在真正实现之前仍需解决多方面的实际挑战，包括数据规模与基础设施等技术问题，以及激励机制与可靠性标准等社会问题。

数据存储与共享

实验过程中产生的数据量往往远超最终分析所需的数据，完整记录所有工作流在现实中并不可行。因此，需要采用智能化的降采样与筛选策略，以保留最具信息量的交互。同时，数据共享也是一项重大挑战。只有在大量实验室联合共享数据的情况下，训练 AI 系统的收益才能最大化，这需要统一的技术标准、数据存储平台、社区规范以及新的激励机制，例如对数据整理与标注工作的认可。

软件限制

多数现有科学仪器在设计时并未考虑全面的数据记录，通常只保存最终结果，而非生成这些结果的完整过程。然而，新兴的软件框架通过对现有设备控制系统进行封装，有望在不重建整个软件基础设施的前提下实现工作流捕获。

数字化程度不足

此外，生命科学中仍有大量实验步骤发生在数字系统之外。不过，随着电子实验记录本、数字化移液器以及自动化液体处理设备的普及，越来越完整的数字记录正在形成。这一数字化进程有望在自主工作流控制潜力的推动下进一步加速。

去中心化的 AI 训练

尽管当前的前沿模型往往依赖成千上万张高端 GPU、持续数月的集中训练，但算法层面的改进正在不断降低这些需求。新兴方法表明，高性能 AI 模型有可能在由普通实验室计算机组成的网络中完成训练。这将使挑战从获取昂贵计算资源，转变为如何协调分散基础设施乃至个人计算机的接入。未来的系统可能根据研究人员所贡献的数据与算力分配模型使用权，或以公民科学项目的形式推动 AI 发展。这类实现方式需要新的激励结构、技术标准以及科研资助机构与学术组织的支持。

可靠性问题

现代 AI 系统尽管能力强大，但仍可能产生“幻觉”式错误，这在科学应用中尤为棘手。由于此类错误在当前深度学习框架中难以完全消除，因此对引入 AI 的科学仪器而言，经验性质量控制至关重要。可行的策略包括：建立覆盖多种实验场景的基准测试、将系统输出与已知物理约束进行一致性校验，以及在系统运行过程中保留人工监督机制。通过分阶段部署——从简单任务起步，仅在可靠性得到验证后逐步提升自主程度——研究人员可以在了解系统能力与局限的同时逐步建立信任。

展望

无论最终采用何种 AI 方法，训练数据的质量与完整性在可预见的未来仍将是决定系统性能的根本因素。尽管未来的模型架构进步有望超越当前方法并缓解部分限制，但尽早收集高质量的实验工作流数据将为科学仪器自动化创造长期价值，因为数据质量很可能持续限制模型能力的上限。尽管挑战重重，AI 所展现出的潜力仍有望开启一个加速科学发现的新时代，在这个时代中，人类专业知识与机器能力之间的界限将变得日益模糊。

整理 | DrugOne团队

参考资料

Pinkard, H., Norlin, N. The missing data for intelligent scientific instruments. Nat Methods (2025).

https://doi.org/10.1038/s41592-025-02995-7

内容为【DrugOne】公众号原创｜转载请注明来源