把配方实验室自动化：从每天 10 个样品到 45 个

配方实验室的一天，曾经是这样的：称量、加料、搅拌、贴标签、把观察结果抄进记录本，然后重复。一个熟练的实验员，一天做 5 到 10 个样品就到顶了。做一轮盐浓度扫描，光配样就要一整天；更麻烦的是每个人手法不一样，同一个配方两个人做出来的结果可能对不上，而记录本上的字迹，三个月后连自己都认不出当时写了什么。

过去几年，我参与了高通量配方实验室的建设和运营，把这套人肉流程改造成了自动化产线：现在 45 个样品并行处理，手工操作时间减少了 80%，所有实验参数自动落库。这篇文章是这次改造的复盘——怎么设计的、跑的是什么流程、踩了哪些坑，以及自动化真正改变的是什么（提示：不只是快）。

设计思路：模块化，和一个统一的瓶子

整个系统只有两个底层决定，但它们决定了后面所有事：

模块化。配料、混合、表征三大功能模块彼此独立，不同项目按需组合，一个模块停机不拖累其他环节。这也让我们可以分期投入，而不是一次性押注某家供应商的"整体解决方案"。

标准化容器。全实验室统一用 40mL 定制玻璃瓶。这个决定看起来最不起眼，其实是整个系统的地基：所有设备的夹具、进样、成像都围绕同一个容器设计，样品在模块之间流转不需要倒瓶转移——每一次转移都是误差和损耗的来源。

模块一：自动化配料——最值得先做的环节

配料是手工实验里最耗时、也最容易出错的环节，所以它是我们最先自动化的。

固体配料：30 通道并行，处理微米到毫米级颗粒——碳酸钙、钛白粉这类填料，颜料，金属粉末都在射程内。块状固体需要预研磨，这提醒我们：设备不是万能的，预处理仍然是人的活。

液体配料：45 瓶 × 40mL（或 12 瓶 × 200mL）批量处理，机器上同时挂 16 种原料（每种 250mL），配料温度 25–80°C 可控。粘度最高吃到 50,000 mPa·s——大约是蜂蜜的五倍稠，很多手工时代"倒都倒不动"的原料，现在也能自动精确分配。

配料精度到毫克级。但机器真正的优势不是精度本身，而是它不会手抖、不会看错刻度、不会在第 38 个样品时走神。

模块二：混合与前处理

配好的样品进入混合模块：搅拌混合加在线 pH 检测。对付难溶体系，管式滚动器负责过夜溶解；需要振荡的，49 瓶位的振荡器一批搞定。

这些设备单看都不高级。价值在于串起来之后，样品从配料到表征的整个旅程不需要人搬运、不需要人盯着——过夜溶解就真的是"过夜"，不是"明早想起来去看一眼"。

模块三：表征——从"看一眼"到量化数据

这是我认为改造中价值最被低估的部分。

TransREM 成像：反射、透射、散射三种光路成像，1.5 分钟拍完 36 张，用于稳定性监测、相容性研究、结晶析出检测和泡沫分析。以前判断一个乳液稳不稳定，靠眼睛加经验："有点分层""好像还行"；现在是带时间戳的图像序列，析出是哪一天开始的、分层速度多快，都是数据。

流变分析：自动化流变仪 45 个样品并行，剪切速率覆盖 0.1–821 s⁻¹。

粒径分析：Beckman Coulter LS 13 320，20 个样品自动测试，检测范围 17 nm–2 μm。

定性观察变成定量数据，这件事的复利要到后面讲 AI 时才完全显现。

一个真实流程：HLD 盐扫描

讲一个我们天天在跑的完整例子。HLD（亲水疏水差）是表面活性剂配方开发里的经典框架，实操之一是扫描盐浓度、观察相行为来定位最优配方区间。

标准化后的流程长这样：

1. 原料预处理：表面活性剂 40°C 预热 2 小时；配制 30% NaCl 标准盐水
2. 自动化配料：每瓶精确称量 1.0g 表面活性剂，设备按配方梯度自动添加水、盐水、油相
3. 标准化混合：50°C 加热 60 分钟 → 室温振荡 6 分钟（重复 3 次）→ 35°C 恒温平衡 24 小时
4. 自动化检测：TransREM 成像，相行为自动记录

操作规范一点没少：全程丁腈手套（Ansell 92-600），温度时间参数严格执行，翻转和振荡都有标准程序。自动化不等于不讲规范——恰恰相反，正是自动化让 SOP 从"贴在墙上"变成"机器强制执行"。

这样一轮扫描，手工时代要一个人做一周；现在配样一个下午，剩下的时间机器自己跑，人去干别的。

变革的账本

直接的数字：

但比数字更重要的是三件事：

重现性。"同一个配方谁做都一样"在手工实验室是奢望，机器操作把人为变异直接消掉了。

从定性到定量。眼睛观察变成图像序列、流变曲线、粒径分布。数据能比较、能回归、能建模。

可追溯。每个样品的完整参数链自动落库。三个月后客户问"当时那批样品的混合温度是多少"，答案是查询，不是回忆。

也要诚实地说自动化没有解决什么：配方设计本身还是人的判断；异常结果的解释还是人的经验；而且设备一停机，整条流水线跟着停——系统比手工时代更高效，也更脆弱。

踩过的坑

设备集成。不同厂商的设备各说各的接口和数据格式，把它们捏合成统一标准花的时间远超预期。如果重来一次，我会在采购合同里就把数据接口格式写死。

样品多样性。真实原料远比设备手册里的假设复杂：高粘度、易沉降、块状、吸潮……解法是模块化设计加针对性预处理，而不是指望一台设备通吃。

人的转型。从手工到自动化是思维转变，不是按钮培训。最有经验的实验员最初最抗拒——后来也是他们受益最大：从重复体力劳动转向实验设计和结果解读。让老师傅参与系统设计而不是被通知结果，是我们做对的少数几件事之一。

维护。自动化设备的日常维护是一门新手艺。预防性维护计划必须和设备一起上线，否则省下来的时间会连本带利还给故障停机。

下一步：数据有了，该 AI 上场了

自动化解决的是"手"的问题，下一步是"脑"。

实验室现在每天产出的量化数据——成像时间序列、流变曲线、粒径分布、完整配方参数——正是机器学习的原料。方向很清楚：AI 辅助配方设计、基于历史数据的实验结果预测、根据实时数据自适应调整参数，再往后是设备状态物联网监控和云端数据分析。

但要泼一盆冷水：没有前面几年积累的标准化数据，AI 无从谈起。市面上"AI 实验室"的 PPT 很多，能先回答"你的实验数据现在存在哪里、格式统一吗"的很少。自动化的终点是 AI，但起点必须是标准化——这个顺序不能颠倒。

（这也是我业余时间折腾 AI Agent 和数据管道的原因：实验室和个人自动化两边的经验，在互相喂养。）

如果你的实验室也想做

1. 从最痛的单一环节开始（通常是配料），不要一步到位买"整体解决方案"
2. 先统一容器和数据格式，再买设备——标准化是地基，设备只是砖
3. 把人的转型当成项目的一部分：培训、逐步过渡、让一线员工参与设计
4. 数据管理体系和设备同步建，不要等数据堆成山再想怎么管
5. 上线不是结束而是开始：根据使用反馈持续改，自动化系统不是交钥匙工程

我会把实验室 AI 层的后续实践继续写在化学与实验室分类里。如果你也在做实验室自动化，欢迎邮件交流——尤其想听听你们是怎么解决设备数据孤岛问题的。