实验室自动化的三层楼：硬件、数据、决策——大多数团队卡在第二层

上一篇写了怎么把配方实验室从每天 5-10 个样品的手工作坊，改造成 45 个样品并行的自动化产线。发出去之后收到最多的追问是同一个问题：机器人和分液系统买回来之后呢？

答案是：买硬件只是打完了地基。我把实验室自动化拆成三层——硬件自动化、数据自动化、决策自动化——大多数团队（包括改造前的我们）会在第二层卡很久，卡到甚至没意识到自己卡住了，因为表面上"自动化"这个词已经用过了。这篇写的是第二层和第三层：数据管道怎么搭、AI 辅助报告和异常标记怎么做、踩过哪些坑，以及一个绕不开的问题——化学家到底要学多少编程才能干这些事。

方法论层面的分享，不涉及具体公司的数据和配方细节。

硬件自动化之后，人还在忙什么

设备到位、样品能并行跑之后，我们发现实验员的时间并没有像预期那样解放出来。追踪了几周实际工时，发现瓶颈整体往后挪了：

• 排单：45 个样品并行跑没问题，但谁的样品先上机、哪个项目优先级更高，靠的是群里喊话和一张共享表格，经常撞车。
• 抄数：每台仪器（流变仪、粒径仪、成像系统）都吐出自己格式的原始文件——CSV、专有二进制、甚至截图 PDF。人工把这些数字从五六个软件里搬进一张汇总表，是新的手工劳动，只是从"移液"换成了"复制粘贴"。
• 报告：客户或内部评审要看的是一份带结论的报告，不是一堆原始曲线。写这份报告曾经要一个人翻半天历史数据、对比趋势、组织语言——数据自动化产生得越多，这一步反而越慢，因为可比的东西变多了。
• 判断异常：一条流变曲线形状不对、一批样品析出得比历史基线快，靠的是某个资深实验员"一眼看出不对"。这个人不在，异常就漏掉。

这四件事有个共同点：设备厂商的自动化方案完全不覆盖它们。厂商卖给你的是"更快地产生数据"，不是"更快地用数据做决定"。这道鸿沟，就是我说的第二层。

三层自动化模型

把"实验室自动化"拆开看，其实是三件独立的事，投资曲线完全不同：

硬件自动化"好走"是因为它是一次性资本支出：签合同、付款、安装、培训，边界清楚，销售会主动找上门。数据自动化没有这层便利——它是持续的软件工程活，没有现成的"实验室数据中台"产品能装进你实际的仪器组合里（各家仪器软件版本、导出格式、更新频率都不一样），只能自己写胶水代码。这也是为什么很多挂着"AI 实验室"招牌的团队，一问数据到底存在哪、格式统不统一，答案往往支支吾吾——他们买的是第一层，讲的却是第三层的故事。

我做了什么：数据管道、AI 辅助报告、异常自动标记

讲思路，不讲专有配方或数据本身。

统一数据管道。核心决定和硬件层一样朴素：不管仪器多不同，落地格式必须统一。我写了一层适配脚本，把每台仪器的原始导出（不管是 CSV、专有二进制还是截图 PDF 里能提取的数字）解析成同一张打了时间戳的宽表。字段设计大致是这样一个骨架（具体数值和配方内容都是虚构示例）：

关键设计不是这张表本身，而是 timestamp 用采集时间而不是人工录入时间——原始文件什么时候产生、什么时候被解析、什么时候被人看到，是三件事，混在一起会让后面的趋势分析全部失真。这张表是所有后续自动化的地基——没有它，AI 辅助什么都无从谈起。

AI 辅助报告草稿。报告需要的是"这批样品和历史基线比怎么样"这种叙述，而不是原始数字。管道把新一批的关键指标（析出时间、粘度曲线特征、粒径分布）和历史同类配方自动做对比，生成一份结构化的初稿——趋势描述、异常点标注、和历史批次的差异——交给实验员审核补充，而不是从空白页开始写。这一步没有让报告"自动生成"，而是把从原始数据到初稿的这段体力活省掉了，人只做最后的专业判断。

异常结果自动标记。用历史批次的曲线和图像序列建一条基线（简单的统计边界，不是什么复杂模型），新样品的曲线一旦偏离基线超过阈值，系统标红并附上"哪里不对"的简要说明，进评审队列，而不是等季度汇总时才被人发现。这个阈值刻意设得保守——宁可多标记几个假阳性让人复核，也不要漏掉真的异常。异常标记的目标从来不是"替代判断"，是"别让判断迟到"。

踩过的坑

实验室 IT 环境的现实。仪器电脑很多还在用出厂时装的系统版本，联网受限甚至物理隔离，数据导出经常只能靠 U 盘。设计数据管道之前，先设计好"怎么把数据从一台不联网的电脑上安全地弄出来"，这件事听起来不体面，却决定了整个方案能不能落地。

数据孤岛不是技术问题，是组织问题。每台仪器的数据格式不同，本质是因为过去从没人要求过统一——各个课题组、各个项目按自己的习惯存数据，等你想做汇总的时候，格式的分裂已经积累了好几年。补救永远比一开始就统一贵得多。

"Excel 才是宇宙中心"。再干净的数据库，实验员最终还是想要一份 Excel。硬碰硬地不让用只会被绕过去，更现实的做法是让数据库能一键导出成 Excel 能打开的格式，把 Excel 当成消费端而不是数据源，原始数据永远只有一份权威版本，其余都是视图。

管道自己也会腐烂。仪器软件升级一个小版本，导出格式可能悄悄变了一个字段名或者一个日期格式，解析脚本不报错但解析出错误的数字——这比脚本直接崩溃更危险，因为没人会第一时间发现。后来给每条解析结果加了基本的合理性校验（数值范围、必填字段是否为空），报错要报得响亮，静默的错误数据远比停机更贵。

化学家要学多少编程

这是被问最多的问题，答案比想象的乐观。

真正用得上的，是很朴素的一层：Python 里的 pandas 用来读写和清洗表格数据，写几十行脚本把不同格式的导出文件解析成统一格式，SQL 的基本查询用来从数据库里把想看的东西取出来。不需要计算机科班的算法功底，也不需要会写复杂的软件架构——这些活的本质更接近"数据整理"而不是"软件工程"。

真正改变门槛的是这两年的 AI 编程助手。以前从空白文件写一个能跑的解析脚本，对没受过训练的人来说是一道真实的墙；现在拿着一段不规整的仪器导出文件问 Claude Code 或 Codex "帮我写个脚本把这个转成这样的表格"，得到的东西大概率能直接跑，或者改几行就能跑。我自己就是这么从"看得懂 Python"变成"能独立搭数据管道"的——这条路径值得单独写一篇，这里先按下不表。

一个实际的建议：不用一步到位学"数据科学"，从"把手头这一份仪器导出文件解析成能查询的表格"这个具体任务开始，用得上什么再学什么。倒推回去，路径大致是这几站：先学够用的 Python 语法和 pandas；拿自己实验室真实的一份导出文件练手，而不是教程里的示例数据集；学会用 AI 编程助手把"我要什么样的表格"说清楚，而不是自己抠每一行语法；最后补一点 SQL，让数据能被查询而不只是能被打开。四站走完，已经够搭一条能用的管道，不需要再往下学。

决策自动化，以及诚实的边界

三层里，决策自动化目前走得最浅。异常标记和历史对比已经在日常跑，但"根据历史数据直接给配方建议""设备状态实时监控联动实验设计"这些，还在验证阶段，离能信赖地替人做决定还有距离。

要泼一盆冷水：决策自动化能不能走通，完全取决于第二层的数据质量。历史数据里有多少是干净、格式统一、标注完整的，AI 辅助的判断就有多可信——数据管道搭得潦草，后面模型再花哨也是垃圾进垃圾出。这也是为什么我把这篇文章的重心放在数据层而不是急着讲"我们在用 AI 做什么"：地基没打好，上层建筑都是演示文稿里的故事。

如果你是在招人建实验室数据团队，或者是实验室主管在评估要不要上"AI 实验室"项目，这套三层框架可以直接拿去做自查：先问自己的实验室现在卡在哪一层，而不是直接跳去问"能不能上 AI"。大概率答案是第二层——数据格式还没统一、历史数据还散落在各个课题组的电脑里。先把这一层做扎实，比买任何贴着"AI"标签的产品都更接近真正的自动化。

如果你也在做实验室数据自动化，尤其是怎么处理设备数据孤岛和实验室 IT 限制这两件事，欢迎邮件交流。我会把后续实践继续写在化学与实验室分类里。